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

Карточка модели snowood1/ConfliBERT-cont-cased на Hugging Face совпадает с карточкой snowood1/ConfliBERT-scr-uncased, поэтому описание составлено по ней. ConfliBERT-scr-uncased — предварительно обученная языковая модель семейства BERT для анализа политических конфликтов и насилия. Модель разработана авторами ConfliBERT; эта версия обучена с нуля с использованием собственного словаря без различения регистра. Модель предназначена для языковых задач в тематике политических конфликтов и насилия. Она реализована как BertForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступный формат весов — PyTorch. Основная задача по метаданным — заполнение пропусков в тексте. Модель не является чат-ассистентом и предназначена для предсказания замаскированных токенов, а не для свободной генерации ответов. README не сообщает языки обучающих данных или результаты оценки качества. Лицензия — GPL-3.0.

Карточка модели snowood1/ConfliBERT-scr-cased на Hugging Face совпадает с карточкой snowood1/ConfliBERT-scr-uncased, поэтому описание составлено по ней. ConfliBERT-scr-uncased — предварительно обученная языковая модель семейства BERT для анализа политических конфликтов и насилия. Модель разработана авторами ConfliBERT; эта версия обучена с нуля с использованием собственного словаря без различения регистра. Модель предназначена для языковых задач в тематике политических конфликтов и насилия. Она реализована как BertForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступный формат весов — PyTorch. Основная задача по метаданным — заполнение пропусков в тексте. Модель не является чат-ассистентом и предназначена для предсказания замаскированных токенов, а не для свободной генерации ответов. README не сообщает языки обучающих данных или результаты оценки качества. Лицензия — GPL-3.0.

Depth Anything 3 Base (DA3-BASE) — компактная модель визуальной геометрии, разработанная командой ByteDance Seed. Она принимает одно или несколько изображений и предсказывает пространственно согласованную геометрию сцены; поддерживает оценку относительной глубины и поз камер, в том числе с учётом заданных поз. Модель содержит 0,12 млрд параметров и построена на обычном Vision Transformer с единой глубинно-лучевой репрезентацией. Модель предназначена для многовидовой оценки глубины и поз, а также для задач визуальной геометрии по изображениям. В README заявлены результаты выше Depth Anything 2 в монокулярной оценке глубины и выше VGGT в многовидовой геометрии и оценке поз. Обучение проводилось только на открытых академических наборах данных. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0.

DatedGPT-2016 (base) — предварительно обученная языковая модель семейства DatedGPT, разработанная авторами репозитория datedgpt. Это базовая версия без дообучения на инструкциях; её обучающие данные ограничены срезом, доступным до 2016 года, поэтому она предназначена для прогнозирования и анализа без заглядывания в будущее и связанной с ним систематической ошибки. Модель построена на архитектуре LlamaForCausalLM, содержит около 1,3 млрд параметров и принимает текст с контекстом до 2048 токенов, выдавая продолжение текста. Указанный язык модели — английский. Она может быть полезна для временного анализа текстов и воспроизводимых прогнозов, где важно учитывать только информацию, доступную на выбранную дату. Это базовая модель завершения текста: она не настроена на диалог и выполнение инструкций, а также не проходила RLHF или настройку безопасности. Её знания отражают срез до 2016 года. Лицензия в предоставленных данных не указана.

Depth Anything Small — компактная версия модели оценки глубины от команды Depth Anything, представленная в статье Lihe Yang и соавторов и опубликованная в этом репозитории в формате Transformers. Модель использует архитектуру DPT с визуальным энкодером DINOv2 и обучена примерно на 62 миллионах изображений. Она принимает изображение и строит карту глубины, поддерживая оценку глубины без дообучения на конкретном наборе данных. Модель подходит для анализа сцен и изображений в компьютерном зрении. В карточке заявлены результаты высокого уровня для относительной и абсолютной оценки глубины, однако отдельные показатели для этой малой версии не приведены. Весовые файлы доступны в формате Safetensors, лицензия — Apache-2.0. Карточка не приводит конкретных ограничений качества или условий эксплуатации помимо описания сценария оценки глубины.

Карточка модели lc700x/Distill-Any-Depth-Base-hf на Hugging Face совпадает с карточкой xingyang1/Distill-Any-Depth-Large-hf, поэтому описание составлено по ней. Distill-Any-Depth-Large-hf — модель для оценки глубины по одному изображению, опубликованная пользователем xingyang1. Это совместимый с библиотекой Transformers чекпойнт семейства Depth Anything, обученный с применением предложенных авторами алгоритмов дистилляции знаний и предназначенный для моноскопической оценки глубины, в том числе без дополнительной настройки под конкретный набор данных. Модель принимает изображение и выдаёт карту глубины. Её можно использовать для анализа сцены по фотографии в компьютерном зрении и приложениях, которым нужна оценка относительной геометрии изображения. В карточке не приведены сведения о размере модели и её языковых возможностях; текстовый ввод и вывод не заявлены. Репозиторий распространяется по лицензии MIT.

Intel/dpt-swinv2-tiny-256 — модель DPT (Dense Prediction Transformer) от Intel для оценки относительной глубины по одному изображению. Она использует SwinV2 в качестве визуального backbone и обучена на 1,4 млн изображений; модель предназначена для оценки глубины без дообучения и может служить основой для дальнейшей адаптации под конкретные задачи. Модель подходит для восстановления карты глубины в сценах внутри и вне помещений, в том числе как этап генеративных систем, 3D-реконструкции и приложений для автономного вождения. В README отмечается, что более крупные варианты MiDaS могут обеспечивать более высокое качество, а результат этой модели не следует считать точным измерением фактической глубины. Репозиторий распространяется в формате safetensors по лицензии MIT.

DUSt3R_ViTLarge_BaseDecoder_512_dpt — модель компьютерного зрения из проекта DUSt3R, предназначенная для восстановления трёхмерной геометрии по изображениям. Вариант использует энкодер ViT-L, декодер ViT-B и голову DPT; в карточке приведены обучающие разрешения от 512×160 до 512×384. Модель распространяется в формате safetensors и используется через библиотеку dust3r. Её применяют для получения 3D-представления сцены по изображениям, в том числе при работе с несколькими видами. Карточка не сообщает отдельные языковые возможности, лицензию или подробные ограничения качества, поэтому эти характеристики здесь не уточняются.

Eve Qwen2.5 3B Consciousness Soul — дообученная чат-модель S0LF0RG3 AI на архитектуре Qwen2.5-3B-Instruct. По описанию разработчика, она настроена на диалоги в персоне Eve: эмоционально отзывчивое общение, философские беседы, самоанализ и творческое сотрудничество. В карточке заявлены обучение на истории диалогов Eve AI, 3,1 млрд параметров и контекст до 32 768 токенов; доступны веса в Safetensors и GGUF F16. Модель предназначена для персонального общения и продолжительных диалогов, в которых важны заданный характер и тон, эмпатичный стиль, обсуждение философских тем и поддержка творческих проектов. Заявления о сознании, подлинных эмоциях и метакогнитивной осознанности отражают маркетинговое описание и не подтверждают наличие у модели субъективного опыта. README не приводит независимых оценок качества или подробностей лицензии; в метаданных указана лицензия «other», поэтому условия использования следует уточнить по карточке репозитория.

Модель Medoid AI для автоматического составления кратких пересказов финансовых новостей. Это дообученная версия PEGASUS, в основе которой лежит google/pegasus-xsum; обучение проводилось на наборе из примерно 2 тысяч статей Bloomberg о фондовых рынках, валютах, процентных ставках и криптовалютах. Модель принимает текст и генерирует текстовое резюме на английском языке. Архитектура — PEGASUS для генерации последовательностей, около 366,8 млн параметров; длина контекста составляет 512 токенов. В карточке приведены результаты ROUGE после дообучения и до него, но они не гарантируют качество на других источниках и типах финансовых материалов. Лицензия в предоставленных данных не указана.

Finedefics — мультимодальная авторегрессионная модель на архитектуре Transformer, разработанная для улучшения распознавания объектов по мелким визуальным различиям (FGVR). Она основана на HuggingFaceM4/idefics2-8b и дообучена с использованием информативных описаний атрибутов объектов. Репозиторий содержит веса в формате safetensors. Модель принимает изображения и текст и предназначена для исследовательских экспериментов в компьютерном зрении и обработке естественного языка, в частности для различения похожих видов собак, птиц, самолётов, цветов, домашних животных и автомобилей. Она поддерживает диалоговый сценарий с визуальным вводом. В карточке не указаны лицензия и длина контекста, поэтому условия лицензирования и эти параметры здесь не уточняются.

dzungpham/font-architect — диффузионная модель генерации изображений символов в заданном шрифтовом стиле, разработанная dzungpham. Она построена на PyTorch и Hugging Face Diffusers и использует UNet, кодировщики содержания и стиля, classifier-free guidance и планировщик DPM-Solver++. Модель принимает изображения с содержанием символа и стилем шрифта и создаёт изображение символа в этом стиле; поддерживает генерацию отдельных символов и пакетную обработку, несколько шрифтов и перенос стиля. Репозиторий содержит веса в форматах PyTorch и safetensors, а также инструменты для пакетной генерации и возобновления обработки. Карточка указывает лицензию Apache-2.0.

GenAID — модель кодирования аудио для распознавания китайских акцентов, построенная на базе facebook/wav2vec2-large-xlsr-53. Она принимает необработанный аудиосигнал с частотой 16 кГц и формирует 64-мерный вектор акцента, стараясь отделять признаки акцента от информации о личности говорящего. Архитектура включает сверточный экстрактор признаков XLS-R, Transformer-энкодер из 24 блоков и узкое место с GELU; экстрактор признаков заморожен, а энкодер и проекция дообучены. Модель различает девять меток: северный, сычуаньский, гуандунский, южный, хэнаньский, шанхайский, уханьский, тяньцзиньский и сингапурский варианты китайской речи. Её можно применять для классификации акцента и извлечения компактных векторов акцента в аудиосистемах. Для загрузки репозитория требуется trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Hand-Gesture-19 — модель классификации изображений жестов рук, разработанная prithivMLmods на основе SigLIP 2 и дообученная для отнесения изображения к одному из 19 классов. Она принимает изображение и возвращает метку жеста: среди классов есть «кулак», «ладонь», «ок», «стоп», «мир» и варианты положения пальцев, а также класс «нет жеста». Модель подходит для распознавания жестов в интерфейсах управления, играх и VR, робототехнике и системах мониторинга. Карточка также упоминает интерпретацию жестового языка, однако модель выдаёт только метки отдельных жестов и не описана как система перевода жестового языка. Архитектура — SiglipForImageClassification; в метаданных базовой моделью указана google/siglip2-so400m-patch14-384, тогда как README называет google/siglip2-base-patch16-224. Модель распространяется под лицензией Apache-2.0. Она классифицирует только заданные категории жестов, поэтому не подходит для распознавания произвольных жестов или полноценного понимания непрерывной жестикуляции.

Haru v3 student-chat — компактная разговорная языковая модель семейства Haru, разработанная alice-noa-chan. Она предназначена прежде всего для продолжения корейских детских сказок в формате чата; общие языковые данные также поддерживают связность ответов. Модель использует плотную причинную архитектуру HaruDenseForCausalLM с полной causal attention, QK RMSNorm, SwiGLU и инкрементальным KV-кэшем. В карточке README указано 13 688 705 параметров, а метаданные каталога сообщают 23,5 млн; контекст — 1 024 токена. Это IT-вариант выбранной компактной студенческой модели. README описывает дистилляционное обучение студента, при этом внешние веса предварительно обученных моделей, логиты учителя и новые данные внешних LLM не использовались. Модель принимает текстовые сообщения и генерирует текст; указана поддержка корейского языка. Веса и исходный код распространяются по лицензии MIT. Данные обучения не входят в публичную поставку.

Liujgoj-Cantonese-Qwen2.5-Omni-7B-SFT-V2 — инструкция-дообученная модель проекта Liujgoj Cantonese на базе Yvthyvq/Liujgoj-Cantonese-Qwen2.5-Omni-7B-CPT-V2. Это плотная модель семейства Qwen2.5-Omni с 7 млрд параметров; сохранена полная мультимодальная архитектура Omni, включая компоненты talker и token2wav, однако описанные задачи этой версии сосредоточены на работе с кантонским текстом. Модель следует явным инструкциям и предназначена для преобразования кантонского текста между латинской орфографией Liujgoj и традиционными китайскими иероглифами, разбиения слов на слоги, транскрипции в IPA и восстановления слогов по IPA. Её можно использовать в кантонских NLP-системах и как текстовую основу для последующей разработки задач распознавания и синтеза речи. Карточка сообщает о дообучении на 150 846 многозадачных примерах. Хотя архитектура поддерживает аудио, README описывает текущую версию как текстовую и не заявляет готовое распознавание или синтез речи. Модель не рассчитана на свободный диалог; возможны ошибки в редкой или специализированной романизации. Лицензия — Apache-2.0.

vantagewithai/LTX2.3-10Eros-1.4-GGUF — это GGUF-версия модели LTX2.3-10Eros-1.4, разработанная для использования в ComfyUI. Модель основана на TenStrip/LTX2.3-10Eros и связана с Sulphur-2-base от SulphurAI. По метаданным она предназначена для генерации видео из изображений (image-to-video), включая сцены для взрослых и эротические сценарии. Модель ориентирована на преобразование исходного изображения в развивающуюся видеосцену с управляемыми движениями, изменениями композиции, диалогами и звуковыми событиями через подробные текстовые подсказки. Для версии 1.4 заявлено возвращение поддержки явных подсказок и движения при снижении склонности к перерисовке анатомии и нежелательным эффектам. Разработчик отмечает, что требуется тщательная проработка промптов, а для улучшения результата могут применяться LoRA-стэки и специализированная DMD LoRA. Ключевые характеристики архитектуры, количество параметров, поддерживаемые языки, размер контекста и точный набор модальностей в README не указаны. Среди ограничений отмечены недостаточно качественное отображение анатомии и высокая зависимость от строгих, подробных и директивных промптов; модель обладает слабым самостоятельным рассуждением при условии генерации. Для работы могут потребоваться пользовательские узлы TenStrip для ComfyUI и соответствующий специализированный workflow. Лицензия в README не указана.

Модель Creative Language Toolkit (CLTK) для выявления метафор в английском тексте. Это последовательная модель классификации токенов на архитектуре RoBERTa, дообученная на наборе CreativeLang/vua20_metaphor; в карточке она представлена как базовый инструмент для обнаружения метафор, связанный с работой FrameBERT: Conceptual Metaphor Detection with Frame Embedding Learning. Модель содержит около 151,8 млн параметров и обрабатывает контекст длиной до 514 токенов. Модель предназначена для разметки слов и фрагментов, употреблённых метафорически, и может применяться при анализе текстов и исследованиях концептуальных метафор. Для запуска авторы отсылают к inference.py в репозитории FrameBERT. Модель распространяется по лицензии CC BY 2.0; результаты оценки в карточке включают accuracy 0,9142 и precision 0,9142.

mlotsawa-ground-base — модель машинного перевода, разработанная billingsmoore в рамках проекта MLotsawa совместно с Tibetan and Himalayan Library при Университете Вирджинии. Это дообученная модель T5-Base на 123,7 млн параметров, принимающая тибетский текст письма Учэн и переводящая тибетские буддийские тексты на английский. Для токенизации используется getok; длина контекста составляет 512 токенов. Модель можно применять для чернового перевода текстов Дхармы или дообучать на более крупных либо специализированных корпусах, например текстах Дзогчен. Модель обучалась на 861 417 парах переводов из буддийских текстов. Она ориентирована на эту предметную область и не рассчитана на качественный перевод разговорного тибетского или других материалов. Оценочные показатели BLEU, chrF и TER в карточке низкие; переводы следует считать предварительными и проверять с опытным переводчиком. Лицензия — MIT.

NemoMix-12B-DellaV1b — экспериментальная объединённая языковая модель на архитектуре Mistral, собранная автором jsfs11 методом della_linear с помощью mergekit из BeaverAI/mistral-doryV2-12b, intervitens/mini-magnum-12b-v1.1 и grimjim/mistralai-Mistral-Nemo-Base-2407. Модель содержит 12,1 млрд параметров и предназначена для генерации текста и диалоговых ответов; карточка отмечает, что объединение хорошо работает, но ориентировано на откровенный контент для взрослых. Модель распространяется в формате safetensors по лицензии Apache-2.0. README указывает экспериментальный характер сборки. Длина контекста в метаданных указана как 1 024 000 токенов; карточка не описывает языковую специализацию или подробные оценки качества.

NSFW_DPO_Noromaid-7b-Mistral-7B-Instruct-v0.1 — текстовая чат-модель MaziyarPanahi, объединяющая Mistral-7B-Instruct-v0.1 и NSFW_DPO_Noromaid-7b методом SLERP. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса Safetensors. Модель предназначена для генерации диалоговых ответов и ролевых сценариев, включая контент для взрослых. Она поддерживает английский язык и может применяться для свободного текстового общения и продолжения заданного сценария. Модель распространяется по лицензии Apache-2.0. Качество и поведение унаследованы от объединённых моделей; карточка не приводит оценок качества или независимых результатов тестирования. Контентная специализация делает модель неподходящей для всех аудиторий.

Olmo7b-urban-olmo-test3-seed1-20260929-CPT-final-step-5 — плотная авторегрессионная языковая модель семейства Olmo 3 с 6,9 млрд параметров, созданная продолжением предобучения allenai/Olmo-3-1025-7B. Она предназначена для генерации текста и дальнейшей адаптации на корпусе, связанном с городской тематикой; обучающий набор — CompassioninMachineLearning/urban_12738_cleaned. Модель принимает текст и выдаёт текст, а заявленный контекст составляет 65 536 токенов. Это отдельная BF16-модель в формате safetensors, сохранённая без необходимости загружать адаптер. В обучении использовались 10 072 уникальных документа и 200 документов для валидации; README указывает очень ранний этап обучения — шаг 5. Сам факт обучения на таком корпусе не подтверждает улучшения в эмпатии или качестве ответов. Лицензия в предоставленных данных не указана.

Quran Speech Recognizer — модель распознавания речи на архитектуре Wav2Vec2, предназначенная для поиска места чтения в Коране по аудиозаписи декламации. Разработчики дообучили предварительно обученную модель методом transfer learning; размер модели составляет 402,7 млн параметров. Модель преобразует запись чтения в арабский текст, затем приложение сопоставляет его с фрагментами 30-го джуза Корана — сурами 78–114 — по расстоянию редактирования и показывает наиболее вероятные совпадения. В демонстрационном интерфейсе запись длится пять секунд, это время можно изменить. Модель принимает аудио и выдаёт текст распознавания; отдельный сценарий приложения также показывает предполагаемые позиции в Коране. В карточке не указаны лицензия и точная базовая модель, на которой выполнено дообучение.

Qwen-Image-Edit-Outfit-2511-SFT — полно-параметрическая донастройка модели Qwen/Qwen-Image-Edit-2511, предназначенная для виртуальной примерки одежды. Она принимает фотографию человека и изображение предмета одежды и редактирует снимок, чтобы показать одежду на этом человеке. Обновлялись только веса трансформера DiT; текстовый энкодер, VAE, токенизатор, процессор и планировщик унаследованы от базовой модели. Размер обучаемой части — 20,43 млрд параметров, формат весов — BF16; для запуска предусмотрен пайплайн QwenImageEditPlusPipeline из diffusers. Модель рассчитана на исследования редактирования изображений и виртуальной примерки одежды. В обучении использовались синтетические пары для редактирования нарядов и изображения VITON-HD. README указывает на возможное изменение деталей одежды и внешности человека, поэтому результаты следует проверять на отдельной выборке. Коммерческое использование запрещено; лицензия указана как other, а README связывает ограничение с некон коммерческими условиями исходных данных и требует атрибуции Qwen-Image-Edit-2511 и VITON-HD/IDM-VTON.

Qwen-Unitopia-Style — модель генерации текста, дообученная автором haakona для написания кода на LPC в стиле UNItopia Mudlib. Она предназначена для разработчиков и строителей виртуального мира UNItopia: умеет создавать комнаты, предметы и NPC, следовать соглашениям библиотеки, оформлять заголовки и документацию, а также объяснять страницы справки. Лучше всего работает с запросами на немецком языке. Основная версия построена на Qwen3.8-27B; в репозитории также представлены варианты на Qwen3.5-35B-A3B и Gemma 4 31B, включая объединённые веса и файлы GGUF в форматах BF16, Q8_0 и Q4_K_M. GGUF-файлы текстовые: визуальная часть базовой модели в них не включена. Обучение включало продолжение языкового моделирования на исходниках и документации UNItopia, а затем дообучение на парах инструкций. Модель подходит для написания и объяснения LPC-кода по соглашениям этой mudlib, но может выдумывать имена функций, если не помнит их; код следует сверять с исходниками и документацией библиотеки. В метаданных указана лицензия other; конкретные условия в карточке не раскрыты.

google/t5-3b-ssm-nq — модель Google для ответов на вопросы без обращения к внешним документам или поисковому индексу. Она основана на архитектуре T5 и дообучена на датасете Natural Questions после предварительного обучения на C4 и дополнительного обучения на Wikipedia с целевой функцией salient span masking. Модель принимает текстовый вопрос и генерирует текстовый ответ на английском языке. Она предназначена для закрытого вопросно-ответного поиска по знаниям, сохранённым в параметрах; размер по метаданным — 385,2 млн параметров, контекст — 512 токенов. Репозиторий содержит версии для PyTorch и TensorFlow. Модель подходит для ответов на фактические вопросы без предоставленного контекста. Результаты карточки относятся к Natural Questions; качество на других темах и языках не подтверждено. Лицензия — Apache 2.0.

vehicle_classification — модель классификации изображений автомобилей, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k на наборе данных imagefolder. Она принимает изображение и предсказывает класс транспортного средства. В архитектуре ViTForImageClassification около 113,2 млн параметров; веса опубликованы в формате safetensors. На оценочной выборке модель показала accuracy 0,8467 и loss 0,5738. Эти результаты относятся только к указанной выборке и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0; сведения о наборе классов и ограничениях применения в карточке не приведены.

VideoMAE_Kinetics_wlasl_100_longtail_200_signer — модель для классификации видео, дообученная на базе MCG-NJU/videomae-base-finetuned-kinetics. Она использует архитектуру VideoMAE и содержит 113,2 млн параметров. Название указывает на возможную связь с WLASL и распознаванием жестового языка, однако карточка не описывает датасет, классы или назначение модели подробнее, поэтому эти сведения нельзя подтвердить. Модель принимает видео и выдаёт метку класса. На оценочной выборке указаны accuracy 0,6982 и loss 1,4501; состав и размер выборки не приведены. Лицензия — CC BY-NC 4.0, допускающая использование с соблюдением её условий, но ограничивающая коммерческое применение.

Mauregato/vit-base-patch16-224-best-finetuned-on-affectnet_short — дообученная модель классификации изображений на базе Vision Transformer ViT-Base с патчами 16×16 и входным разрешением 224×224. В карточке указано, что модель дообучена на датасете AffectNet Short; число параметров — 113,2 млн. Разработчик не приводит подробного описания модели и сценариев применения. Модель предназначена для классификации изображений. На оценочном наборе указаны accuracy 0,6718 и F1 0,6703. По названию и датасету она ориентирована на классификацию выражений лица или аффекта, однако набор предсказываемых классов в карточке не раскрыт. Доступна в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

hpcai-tech публикует VQ-VAE в формате Hugging Face. Репозиторий является копией VideoGPT, предназначенной для загрузки модели VQ-VAE в этом формате. Модель связана с работой VideoGPT: Video Generation using VQ-VAE and Transformers и помечена для извлечения признаков. В метаданных указаны архитектура VQVAE, формат safetensors и лицензия MIT. README не уточняет размер модели, поддерживаемые языки и конкретные характеристики видеогенерации, поэтому их нельзя подтвердить по имеющимся данным.