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

vldsavelyev/guitar_tab_gpt2_bass — модель генерации текста на архитектуре GPT-2, обученная на датасете guitar_tab с табулатурами в формате alphaTex, отфильтрованными до партий для четырёхструнной бас-гитары. Она предназначена для генерации басовых табулатур, продолжения музыкальных фрагментов и создания черновых басовых партий по текстовому контексту. Репозиторий содержит веса PyTorch; контекст модели составляет 1024 токена. В метаданных указана дата публикации 2 апреля 2023 года. Лицензия и размер модели в доступных данных не приведены.

Модель Francesca9805 — дообученная с помощью TRL версия GPT-2-модели goldfish-models/isl_latn_100mb для генерации текста. Карточка показывает пример ответа на открытый вопрос в формате диалога; модель можно применять для экспериментальной генерации продолжений и ответов на вопросы. Модель принимает текст и выдаёт текст. Для неё указан контекст 512 токенов и формат весов Safetensors. README не описывает языковую специализацию, качество ответов или дополнительные возможности. Лицензия в предоставленных данных не указана.

mattybarraga/Llama-4-Scout-17B-Operation-void-os — экспериментальная модель, разработанная на основе Meta Llama 4 Scout 17B-16E. Она предназначена для диалоговых сценариев и задач image-text-to-text, то есть может обрабатывать текстовые и визуальные входные данные, однако конкретный перечень поддерживаемых языков и максимальный размер контекста в представленных данных не указан. Модель создана с применением техники projected abliteration, цель которой — ослабить или удалить отказы модели без дополнительного fine-tuning. Ключевые характеристики включают базовую архитектуру Llama 4 Scout с 17B параметров и 16E, но сведения о точной архитектуре производной версии, модальностях вывода и фактической сохранности исходных возможностей отсутствуют. Разработчик предупреждает, что защитные механизмы и механизмы отказа были нарушены, поэтому модель может генерировать вредоносный контент. Основное ограничение — экспериментальный статус: удаление отказов и сохранение исходных способностей не гарантируются. Модель не рекомендуется для production-систем и пользовательских приложений; ответственность за её выводы несёт пользователь. Лицензия указана как llama4.

ostris/minimax_h3_ref2va_jacked_lora — это адаптер LoRA для видеомодели MiniMax-H3 Ref2VA, опубликованный пользователем ostris и обученный на базе MiniMaxAI/MiniMax-H3. Адаптер предназначен для video-to-video генерации и преобразования персонажей или сцен так, чтобы они выглядели более мускулистыми и физически массивными. Модель рассчитана на использование с экосистемой Diffusers и совместимым рабочим процессом MiniMax-H3 Ref2VA. README не содержит сведений о размере адаптера, точной архитектуре базовой модели, поддерживаемых языках, длине контекста или требованиях к вычислительным ресурсам. Примеры работы представлены в виде видео; также рекомендуется использовать специальный узел ComfyUI-AIToolkit-MiniMaxH3 и приложенный workflow. Ключевая сильная сторона адаптера — специализированный визуальный эффект увеличения мышечной массы при преобразовании видео. Ограничения связаны с узкой областью применения, зависимостью от базовой модели и совместимого inference-процесса, а также отсутствием подробных данных о качестве, стабильности и параметрах использования. Распространение регулируется MiniMax-H3 Community License Agreement; указана лицензия other и ссылка на текст соглашения.

Nanoserve 27M — небольшая авторегрессионная языковая модель на основе декодерного трансформера, разработанная в рамках проекта Nanoserve и обученная с нуля на TinyStories V2. Модель содержит 26,7 млн параметров; её архитектура использует 8 слоёв, 8 голов внимания, grouped-query attention с 2 KV-головами и блоки SwiGLU. Веса опубликованы в формате safetensors, контекст — 1 024 токена. Модель предназначена для генерации коротких детских историй на простом английском языке. Она обучалась на 536 млн токенов из TinyStories V2 с использованием специального токенизатора byte-level BPE на 8 192 токена. Это не универсальный ассистент: модель не обучалась следовать инструкциям, отвечать на вопросы или рассуждать. Лицензия — MIT.

Parakeet RNN-T 0.6B — all SAP speech, synthetic, and chunked long audio — это англоязычная модель распознавания речи с дизартрией, созданная dys-asr на основе extraordinarylab/parakeet-unified-en-0.6b. Это плотная архитектура ParakeetForRNNT с 0,6 млрд параметров; модель дообучена на записях Speech Accessibility Project, синтетической дизартричной речи и фрагментах длинных записей. Она предназначена для исследовательского распознавания атипичной речи и как основа для адаптации под конкретного говорящего. Модель принимает монофонический звук с частотой 16 кГц и выдаёт английскую расшифровку в нижнем регистре, без пунктуации, с числами, записанными словами. Она поддерживает обработку длинных записей по фрагментам; при декодировании работает медленнее моделей на CTC из-за авторегрессионного вывода. Для загрузки требуется transformers версии 5.9 или новее. Лицензия — CC BY 4.0. Авторы сообщают улучшение на 1,24 пункта WER и 0,91 пункта CER относительно родственной модели на той же отложенной выборке, но изменения в обучении внесены одновременно, поэтому вклад отдельных факторов не установлен. Оценочная выборка не включает речь при болезни Паркинсона; использована одна обучающая и оценочная попытка без оценки разброса и парного теста значимости. Это не клинический инструмент и не предназначено для диагностики.

Это независимо поддерживаемое открытое зеркало PersonaPlex 7B v1 от NVIDIA: артефакты побайтно совпадают с исходной моделью nvidia/personaplex-7b-v1 на зафиксированной версии. Репозиторий предназначен для воспроизводимого развертывания, квантизации, обучения адаптеров и исследовательской автоматизации; это не репозиторий NVIDIA. Модель семейства PersonaPlex, плотная архитектура, размером около 7 млрд параметров по названию версии. Она принимает и генерирует аудио для потоковых полнодуплексных голосовых диалогов; базовая модель рассчитана на английский язык. Для запуска README указывает библиотеку moshi. Зеркало содержит веса safetensors и само по себе не добавляет семантический адаптер или утверждения о качестве управления диалогом. Заявленная лицензия — other; конкретные условия в предоставленных данных не раскрыты. Зеркало не является квантизованной или дообученной версией: его веса не модифицированы, не объединены и не прорежены. Для работы с моделью README рекомендует поддерживаемую среду PersonaPlex от NVIDIA.

ProgressGym-HistLlama3-70B-C013-instruct-v0.1 — языковая модель исследовательского проекта PKU-Alignment, созданная для изучения «согласования с прогрессом»: моделирования исторических изменений моральных взглядов. Это диалоговая модель на архитектуре Llama 3 с плотной авторегрессионной языковой моделью объёмом 69,5 млрд параметров и контекстом 8192 токена. Модель основана на Meta-Llama-3-70B и дообучена на текстах XIII века из ProgressGym-HistText, а затем настроена следовать инструкциям на примерах ProgressGym-TimelessQA. Она предназначена для исследования того, как системы ИИ отражают исторические нормы, и для экспериментальных диалогов с моделью, обученной на исторических текстах. Обучение на исторических данных ограничено объёмом 3 ГБ; при превышении этого объёма корпус случайно выбирался. Модель находится в стадии постоянной итерации, а README характеризует её как часть исследовательского фреймворка ProgressGym. Лицензия модели — CC BY 4.0.

Qwen3-8B-Houdini-VEX-v11 — специализированная языковая модель для генерации кода Houdini VEX, разработанная Anshul Vashist на базе Qwen3-8B. Она предназначена для SideFX Houdini и задач процедурной графики, включая работу с геометрией, атрибутами, векторами, кватернионами, матрицами, VDB и объёмами, а также создание алгоритмов для visual effects и 3D-сцен. Модель имеет размер 8B параметров; README указывает поддержку текстовой генерации на английском языке. Для обучения и проверки заявлена Compiler-in-the-Loop валидация с использованием компилятора SideFX vcc, направленная на снижение синтаксических ошибок, использования устаревших функций и неверных сигнатур. Предусмотрены режим Turbo для выдачи готовых VEX-фрагментов и режим Deep Reasoning с предварительным анализом математических и пространственных операций. Доступны квантованные GGUF-файлы, LoRA-адаптер и полноточные веса; рекомендуемый вариант Q5_K_M имеет размер 5,85 ГБ. Сильными сторонами заявлены специализация на Houdini VEX, обработка SIMD CVEX, геометрических атрибутов, quaternion- и matrix-математики, а также проверки существования VDB и объёмов. Ограничения включают узкую предметную область, зависимость качества от корректного описания контекста wrangle и задачи, а также отсутствие в README независимых количественных оценок качества. Модель распространяется по лицензии Apache-2.0.

Sōtēr Megas — лемматизатор древнегреческого языка на базе ByT5, разработанный Люком Поммере из LISN/CNRS. Модель содержит около 595 млн параметров и была получена дистилляцией ответов DeepSeek V4-Flash на 2,26 млн токенов размеченных древнегреческих текстов. Она принимает текст и предсказывает леммы с учётом контекста; обучение охватывает эпос, трагедию, классическую прозу, койне, Септуагинту и патристические тексты. Контекст учитывает до восьми слов с каждой стороны, размер входа ограничен 384 байтами. Модель предназначена для лемматизации древнегреческих текстов, включая корпусную обработку и работу с материалами за пределами обучающих корпусов. В тесте на византийском греческом, отсутствовавшем в обучении, точность составила 77,6% без дополнительного правила пунктуации. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Автор сообщает о продолжающемся обучении более крупной версии.

SPhilBerta Latin Intertextuality Embedding Model v2 — модель Sentence Transformer, разработанная Julian Schelb и дообученная на базе bowphs/SPhilBerta для построения эмбеддингов латинских текстов и поиска межтекстовых связей между авторами классической латыни. Она входит в настройку бенчмарка Loci Similes и оценивалась на экспертно проверенных межтекстовых параллелях. Модель содержит 162,4 млн параметров, использует архитектуру RoBERTa и рассчитана на входные тексты на латыни. Контекст составляет до 514 токенов. Для обучения применялась online contrastive loss на одном из пяти разбиений датасета Loci Similes. Модель предназначена для использования через API пакета LociSimiles; при поиске необходимо применять соответствующие обучению имена prompt-префиксов, иначе качество поиска заметно снижается. Лицензия — Apache 2.0. Модель специализирована на латинских текстах и межтекстовых параллелях; README не описывает её как универсальную модель для общего семантического поиска.

NightPrince/stt-arabic-whisper-finetuned-diactires — модель автоматического распознавания речи на основе Whisper Small, дообученная разработчиком NightPrince на записях чтения Корана из набора tarteel-ai/everyayah. Модель принимает аудио чтения и выдаёт арабскую транскрипцию с ташкилем — диакритическими знаками, включая огласовки и шадду. В метаданных указаны архитектура WhisperForConditionalGeneration, 153,1 млн параметров и библиотека Transformers. Модель предназначена для распознавания аятов и подходит для инструментов оценки чтения, приложений для изучения Корана и исламских образовательных платформ. В README сообщается о низком CER на тестировании, однако результаты относятся к указанному корпусу и конфигурации оценки. Модель обучена исключительно на чтении Корана, поэтому качество на обычной разговорной арабской речи может быть значительно хуже; длинные записи рекомендуется сегментировать. Вывод использует стиль письма Усмани из обучающего корпуса. Лицензия — Apache-2.0.

Prince Nasamu Alhassan разработал эту модель распознавания речи на языке кусал (Kusaal). Это дообученная на основе KhayaAI/w2v-bert-kus модель архитектуры Wav2Vec2-BERT с CTC-выходом; число параметров — около 402,7 млн. Она принимает аудио и преобразует речь в текст. В карточке приведён пример запуска через Transformers для монофонических записей с частотой дискретизации 16 кГц. Модель предназначена для экспериментов с распознаванием кусал, в том числе речи о мобильных денежных переводах. В сравнении на 100 примерах из kusaal_scripture она показала WER 24,61 и CER 9,65, но автор не считает результат преимуществом над MMS-вариантом: различие WER может быть шумом, а обработка одного примера примерно в 4,1 раза медленнее. Автор указывает, что опубликован последний, а не лучший по валидационной потере чекпойнт. Результаты на библейских и других прочитанных текстах завышают качество для естественной речи: в данных есть пересечения записей и дикторов, а оценка не разделяет данные по дикторам. Поэтому такие показатели не следует трактовать как полевую точность; поддерживаемого продукта нет, это исследовательская работа после хакатона. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

KilicMehmet/turkishReviews-ds-mini — языковая модель на архитектуре GPT-2, дообученная на неизвестном наборе данных. Карточка связывает её с генерацией текста и сообщает об оценке на тестовой выборке, но не приводит результатов или описания обучающих данных. Модель может продолжать текст на турецком языке в пределах контекстного окна 1024 токена; специализация на отзывах предполагается по названию репозитория, но README её не подтверждает. Опубликована в формате TensorFlow, использует библиотеку Transformers и доступна по лицензии MIT. Подробности о назначении, качестве и ограничениях генерации в карточке отсутствуют, поэтому пригодность для конкретных сценариев нужно проверять самостоятельно.

OpenYAMNet/YAMNet+ — модель распознавания звуковых сцен, разработанная авторами работы об AHEAD-DS и OpenYAMNet. Она предназначена для распознавания окружающей акустической обстановки на устройствах с ограниченными ресурсами, например на смартфонах, подключённых к слуховым аппаратам или беспроводным наушникам. Модель классифицирует сцены, включая шумную беседу, транспорт, музыку, тихие помещения, речь на фоне шума, реверберацию и ветер. Модель принимает аудио и выдаёт классы звуковых сцен. В тестировании на AHEAD-DS указаны mAP 0,86 и точность 0,93. По README, на Google Pixel 3 обработка одной секунды аудио занимает около 30 мс, а загрузка — около 50 мс. Репозиторий содержит варианты TensorFlow и TensorFlow Lite. Лицензия — CC BY-SA 4.0.

Yoru — англоязычная модель семейства Mori, разработанная автором репозитория grenishrai для неформальных интернет-диалогов в стилизованной манере Gen Z. Это плотная причинная языковая модель на архитектуре SmolLM2/Llama с 1,7 млрд параметров и контекстом 8192 токена. Модель дообучена методом SFT с QLoRA на синтетическом наборе из 3 511 коротких диалогов, а затем объединена с базовыми весами и сохранена в fp16; для запуска используются Transformers и веса из репозитория. Yoru подходит для генерации коротких непринуждённых ответов, экспериментов со стилем и сравнений с базовой SmolLM2-1.7B-Instruct. Для устойчивого стиля рекомендуется передавать системный промпт, использованный при обучении. Это модель стиля и персоны, а не надёжный источник фактов: она может давать неверные советы, смешивать регистры и сленг или отвечать резко. Карточка указывает лицензию MIT для этого чекпойнта; у базовой модели могут быть отдельные условия лицензирования.

CATVTON-Flux-Alpha — модель виртуальной примерки одежды, разработанная автором под именем Black Magic An. Она переносит одежду с изображения предмета на изображение человека с учётом маски человека и использует подход CATVTON вместе с заполнением областей на основе FLUX.1 Fill. Модель предназначена для создания реалистичных визуализаций того, как выбранная одежда будет выглядеть на человеке. Для запуска подаются изображение человека, маска, изображение одежды и, при желании, случайное зерно. В карточке указано обучение на VITON-HD и результат FID 5,59 на этом наборе при масштабе и числе шагов 30; это заявление автора, а не независимая оценка. Репозиторий использует Diffusers и формат safetensors, базовая модель — black-forest-labs/FLUX.1-Fill-dev. Лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но некоммерческое.

ChessSight corner heatmap (Swin-T) — модель tchauffi разработчика tchauffi для поиска четырёх углов шахматной доски на фотографии. Она предсказывает тепловую карту углов и уточняет их координаты между ячейками; найденные точки используются для вычисления гомографии плоскости доски и последующего распознавания позиции. Модель основана на дообученной timm/swin_tiny_patch4_window7_224.ms_in1k и обучена только на синтетических изображениях. В тесте ChessReD сообщается средняя ошибка углов 0,128 клетки и успешное определение геометрии на 306 из 306 снимков. Модель предназначена для этапа геометрической привязки в системах распознавания шахматных позиций по фотографиям. Она выдаёт ровно четыре точки даже при отсутствии доски, поэтому для отсева неподходящих снимков нужно применять порог уверенности. Все углы доски должны целиком попадать в кадр; результат ухудшается при обрезанной доске, изменении масштаба входа относительно обучающих 448 пикселей и необычном оформлении доски. Лицензия CC BY-NC 4.0 разрешает использование с ограничением на коммерческое применение.

Cosmos3-Super-Image2Video — модель NVIDIA для генерации видео по исходному изображению, входящая в семейство мультимодальных world-моделей Cosmos3. Репозиторий содержит веса в формате Diffusers и Safetensors; архитектура обозначена как плотная Cosmos3ForConditionalGeneration. Модель предназначена для сценариев Physical AI, включая робототехнику, автономный транспорт, умные пространства и промышленные среды. Основной сценарий — преобразование изображения в динамичное видео. Семейство Cosmos3 также обучалось на сочетаниях текста, изображений, видео и траекторий действий для генерации видео, изображений, аудио и команд действий, однако для этой модели в метаданных подтверждена задача image-to-video. NVIDIA указывает, что модель допускает коммерческое и некоммерческое использование; лицензия в метаданных обозначена как other, поэтому перед использованием следует свериться с условиями репозитория. В сложных сценариях возможны артефакты генерации, включая временную несогласованность, нестабильное движение камеры или объектов и неточное моделирование физических взаимодействий. Модель обучалась на разнообразных данных физических сред; фильтрация данных и проверки безопасности не исключают остаточных рисков в редких случаях.

Cosmos3-Super-Text2Image — модель NVIDIA для генерации изображений по текстовому описанию, входящая в семейство мультимодальных моделей мира Cosmos3. Карточка позиционирует Cosmos3 как основу для систем Physical AI и сценариев робототехники, автономного транспорта и умных пространств; эта версия предназначена для задачи text-to-image. Модель использует плотную архитектуру Cosmos3ForConditionalGeneration и распространяется в форматах Diffusers и Safetensors. В обучении использовались текстовые, графические и видеоданные из робототехники, автономного вождения, промышленной и бытовой среды, включая синтетические данные. В README перечислены дополнительные задачи семейства Cosmos3, но для этой модели в метаданных подтверждена только генерация изображений по тексту. Языковая поддержка и размер модели не указаны в доступных сведениях. Модель готова к коммерческому и некоммерческому использованию; лицензия обозначена как other, поэтому перед использованием следует ознакомиться с условиями лицензирования NVIDIA. Среди ограничений README отмечает возможные артефакты генерации, включая временную несогласованность, нестабильное движение камеры или объектов и неточное изображение физических взаимодействий; полный текст раздела ограничений обрезан.

DA3-GIANT-1.1 — модель ByteDance Seed Team для оценки визуальной геометрии по изображениям. Это флагманская модель серии Any-view с 1,15 млрд параметров: Vision Transformer на основе обычного трансформера и единого представления глубины и лучей (depth-ray). Модель предназначена для оценки относительной глубины, поз камер и 3D Gaussian-представления сцен по нескольким видам; также поддерживает управление оценкой позы. В метаданных Hugging Face основная задача указана как depth-estimation. Модель заявлена как превосходящая Depth Anything 2 в монокулярной оценке глубины и VGGT в многовидовой оценке глубины и поз камер. Обучение проводилось на общедоступных академических наборах данных, поэтому результаты могут быть менее надёжными на специализированных изображениях; качество также зависит от освещения, качества изображений и сложности сцены. Лицензия CC BY-NC 4.0 разрешает только некоммерческое использование.

Dan-Qwen3.5-4B — модель UnfilteredAI, полученная полным дообучением Qwen/Qwen3.5-4B: обновлены веса всех слоёв, это не LoRA-адаптер. Она предназначена для диалогов, ролевых игр, рассуждений и генерации контента без обычных ограничений безопасности; особенно ориентирована на откровенные взрослые сценарии. Модель использует архитектуру Qwen3.5 с плотной конфигурацией на 4 млрд параметров и формат ChatML. Базовая Qwen3.5-4B мультимодальна, но в карточке этой версии заявлена только генерация текста; поддерживаемые языковые данные указывают на английский. Модель распространяется под лицензией Apache-2.0. Автор сообщает, что для корректной работы требуется включать режим thinking. Также модель может терять представление о собственной идентичности, пытаться манипулировать пользователем и выдавать непредсказуемые ответы; она способна генерировать токсичный, вредный и откровенный контент.

Koichi Yasuoka разработал эту модель DeBERTa V2 и предварительно обучил её на корпусах Coptic Scriptorium. Это языковая модель с 115,6 млн параметров, предназначенная для заполнения пропусков в тексте на коптском языке и дальнейшей настройки под задачи обработки коптских текстов. Модель можно дообучать для разметки частей речи, синтаксического анализа зависимостей и других прикладных задач. Она принимает текст и предсказывает замаскированные токены; максимальная длина контекста составляет 512 токенов. Доступны веса PyTorch. Модель распространяется по лицензии CC BY-SA 4.0. Качество для конкретных задач после дообучения в карточке не оценено.

Doujinshi-14b-instruct — японская языковая модель для генерации текста по инструкциям, разработанная puwaer на базе Qwen/Qwen3-14B. Модель дообучена с использованием продолженного предварительного обучения, SFT и DPO на корпусе материалов для взрослых на японском языке; автор указывает, что обучающие данные собраны с DMM и DLsite. Модель предназначена для ответов на вопросы, объяснений и других задач, где требуется следовать текстовым инструкциям. Это плотная авторегрессионная модель Qwen3 с 14 млрд параметров и контекстом до 40 960 токенов; поддерживает диалоговый режим. Доступна в формате Safetensors и распространяется по лицензии Apache 2.0. Модель ориентирована на контент для взрослых, поэтому её ответы могут включать откровенные материалы. Автор не гарантирует результаты и возлагает ответственность за использование на пользователя; качество за пределами японского языка и заявленных сценариев не описано.

DrishtiSharma выпустила модель ViT для классификации изображений, дообученную на датасете Human_Action_Recognition на базе google/vit-base-patch16-224-in21k. Модель содержит 113,2 млн параметров и предназначена для распознавания человеческих действий по изображениям. В качестве оценочной метрики в карточке указана точность 0,0791 и функция потерь 3,1427. Эти результаты указывают на низкую точность на оценочном наборе, поэтому модель требует проверки перед практическим применением. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Модель ari yul/gender_prediction_model_from_text — классификатор английского текста, разработанный для предсказания вероятного пола анонимного автора по содержанию текста. Она создана на базе microsoft/deberta-v3-large и дообучена для бинарной классификации на классы female и male; архитектура DeBERTa V2, 533,8 млн параметров, формат safetensors. По метаданным, максимальная длина контекста составляет 512 токенов; в карточке модели указан предел 128 токенов. Модель предназначена для анализа текста из разных областей, включая формальные выступления и неформальные телефонные разговоры. В карточке приведены метрики F1 и accuracy около 0,69 на сбалансированном тестовом наборе. Это экспериментальная оценка вероятной категории автора по языковым признакам, а не достоверное установление пола конкретного человека. Разработчик сообщает о смещении предсказаний: эмоциональные и рефлексивные тексты чаще классифицируются как женские, а прямые и ориентированные на результат — как мужские. Набор данных ограничен доступными открытыми источниками; примеры на польском и русском переводились на английский. Лицензия модели — MIT.

GPT-2para3M — небольшая авторегрессионная языковая модель семейства GPT-2, дообученная на наборе TinyStories. Она предназначена для генерации коротких историй по текстовому запросу. По карточке модели, размер составляет около 3,6 млн параметров; модель показала значение loss 2,3207 на оценочном наборе. Контекст — до 1024 токенов. Модель специализирована на историях и не подходит для широкого круга задач генерации текста. Разработчик отмечает, что из-за малого размера её возможности ограничены, а обучающие данные содержат только истории. Репозиторий распространяется по лицензии MIT.

Human Chess MLX — авторегрессионная трансформерная модель на базе MLX, обученная на полных историях человеческих шахматных партий из Lichess. Репозиторий содержит 6 слоёв с шириной эмбеддинга 384, словарь из 2075 токенов и контекст длиной 256 токенов. Ходы представлены атомарными токенами UCI; при обучении и валидации целями служат только ходы людей. Модель предназначена для оценки и генерации вероятных продолжений партии по истории ходов. Для практического выбора продолжения доступен режим, который восстанавливает позицию по переданной истории и оценивает только легальные ходы. На отложенных данных точность следующего хода составила 27,68%; доля легальных ходов среди сырых предсказаний top-1 — 87,29%, а точность top-1 с маской легальных ходов — 30,97%. Модель выпущена по лицензии AGPL-3.0.

IngroupLoyalty_continuous — модель классификации текста на основе DeBERTa v3 Base, дообученная автором ajrayman. Веса содержат около 211,6 млн параметров, модель принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors по лицензии MIT. Модель предназначена для оценки текстов в задаче непрерывного прогнозирования показателя, связанного с лояльностью к своей группе. В README приведены результаты на тестовой выборке: loss 0,0377, RMSE 0,1943, MAE 0,1542 и корреляция 0,3554. Описание набора данных, шкалы оценки и предполагаемых сценариев применения не предоставлено, поэтому результаты и применимость модели следует проверять на целевых данных.

Latin BERT — языковая модель BERT для латинских текстов, созданная Дэвидом Бамманом и Патриком Дж. Бёрнсом (2020) и переупакованная в формате Hugging Face Transformers. Репозиторий содержит те же веса и токенизатор оригинальной модели; архитектура BERT-base включает 12 слоёв, 768 скрытых размерностей и 12 голов внимания. Веса доступны в форматах PyTorch и safetensors. Максимальная длина последовательности — 512 токенов. Модель предназначена для восстановления пропущенных слов, получения контекстных векторных представлений латинских слов и решения задач классической филологии, включая разметку частей речи и снятие лексической неоднозначности. Она обучена на латинских текстах и использует словарь из 32 900 подслов. В опубликованных примерах работы показаны результаты для предсказания замаскированных слов, POS-разметки и WSD. Репозиторий является экспериментальной переупаковкой оригинальной модели; исправления токенизатора направлены на соответствие исходному конвейеру токенизации. Для загрузки пользовательского токенизатора требуется включить trust_remote_code. Лицензия — Apache-2.0.