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

Модель dima806/hair_type_image_detection — дообученная версия Vision Transformer ViT-Base, созданная для определения типа волос по изображению лица. Она решает задачу классификации изображений и, по README, достигает точности 93%. Модель содержит 113,2 млн параметров и опубликована в формате safetensors. Модель предназначена для автоматической классификации типа волос на фотографиях лиц. Базовая архитектура — google/vit-base-patch16-224-in21k. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Это дообученная методом SFT модель на базе Meta Llama 3.1 8B Instruct, разработанная автором репозитория codingmonster1234 и обученная с использованием TRL. Она предназначена для генерации текста и диалоговых ответов; название указывает на специализацию в рассуждениях о шахматах, однако README не описывает её отдельно и не приводит примеров такой работы. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors; максимальная длина контекста составляет 131 072 токена. Для запуска в README приведён пример использования Transformers pipeline с диалоговым вводом. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя. Поддержка языков отдельно не перечислена; возможности и качество шахматных рассуждений по карточке оценить нельзя.

Модель ihughes15234/llama_3_1_8bi_tictactoe_dpo6epochv2 разработана ihughes15234 и представляет собой дообученную плотную причинно-авторегрессионную модель семейства Llama. Она основана на ihughes15234/llama_3_1_8bi_tictactoe1200_10epoch и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. В репозитории указаны веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; тематическая специализация следует из названия базовой модели, связанного с игрой в крестики-нолики. Размер составляет 7,5 млрд параметров, контекст — до 131 072 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0.

awais61/mindsync-mental-health-phi4-mini-merged — дообученная разговорная языковая модель на архитектуре Phi-3 для генерации текста. В README указана базовая модель unsloth/phi-4-mini-instruct-unsloth-bnb-4bit; метаданные описывают модель как плотную причинную языковую модель с 3,8 млрд параметров и контекстом до 4096 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель можно применять для диалоговой генерации текста на английском языке. Название репозитория указывает на тематику психического здоровья, однако README не описывает конкретные сценарии, данные обучения или клинические возможности, поэтому пригодность для психологической поддержки или медицинских рекомендаций не подтверждена. Модель распространяется под лицензией Apache-2.0.

KoboldAI/Mistral-7B-Erebus-v3-GGUF — это GGUF-версия дообученной языковой модели Mistral-7B, разработанная сообществом KoboldAI. Модель предназначена для генерации художественного текста и совместного написания историй, прежде всего в режиме Story Mode интерфейса KoboldAI Lite и при использовании KoboldCpp. Она ориентирована на взрослый контент и не предназначена для несовершеннолетних. Модель работает с текстом на английском языке и относится к задачам text-generation. Объём обучающего набора составляет около 2,3 млрд токенов; он включает восемь источников с преимущественно эротическими и другими материалами для взрослых. Обучение выполнялось в течение одной эпохи на восьми GPU A6000 Ada без использования специальных фреймворков. Формат GGUF рассчитан на запуск через совместимые инструменты, включая KoboldCpp. Сильной стороной модели является специализация на создании NSFW-историй и продолжении художественного текста. Ограничения включают выраженное смещение в сторону NSFW-контента, а также потенциальные гендерные, профессиональные, расовые и религиозные предубеждения, унаследованные от NLP-технологий и обучающих данных. Модель распространяется по лицензии Apache-2.0.

julian-schelb/multilingual-e5-small-emb-lat-intertext-v2 — модель Sentence Transformer, дообученная на базе intfloat/multilingual-e5-small для создания эмбеддингов латинских текстов и поиска межтекстовых связей между авторами классической эпохи. Она входит в настройку бенчмарка Loci Similes и обучена с online contrastive loss на одном из пяти разбиений его данных. Модель предназначена для поиска и сопоставления экспертно подтверждённых интертекстуальных связей; для сохранения качества поиска следует использовать соответствующие обучению prompt-префиксы и интерфейс пакета LociSimiles. Модель основана на архитектуре BERT, содержит 124,3 млн параметров, принимает текст и выдаёт плотные векторные эмбеддинги. Максимальная длина контекста — 512 токенов. Поддерживаемый язык для целевой задачи — латинский. Версия v2 заменяет v1 для актуальной версии бенчмарка, а v1 остаётся доступной для воспроизведения прежних результатов. Лицензия — Apache 2.0.

NSFW BGE-M3 v5 — текстовая модель эмбеддингов на архитектуре XLM-RoBERTa, дообученная KGESH для различения категорий контента для взрослых. Она предназначена для семантического поиска и сопоставления NSFW-меток, в том числе для различения близких категорий. По карточке, обучение использовало пары тегов и сложные отрицательные примеры, сформированные из кластеров совместной встречаемости; также включены многоязычные пары на английском, корейском и японском языках. Модель содержит 658,7 млн параметров, принимает текст и поддерживает контекст до 8194 токенов. Репозиторий использует формат Safetensors; модель основана на KGESH/nsfw-bge-m3-v4. Модель подходит для семантического поиска по меткам и категоризации взрослого контента, когда важно различать близкие NSFW-категории. Данные карточки описывают обучение на 172 тыс. пар и заявляют исходный корпус тегов, связанный с видео для взрослых; результаты на иных доменах и языках не описаны. Лицензия в предоставленных сведениях не указана.

NSFW MASTER FLUX — это LoRA-модель для генерации изображений по текстовому описанию, разработанная Muapi и предназначенная для использования поверх базовой модели black-forest-labs/FLUX.1-dev, также обозначенной в README как Flux.1 D. Она может применяться в сценариях text-to-image, включая создание изображений с контентом для взрослых, при подключении через библиотеку diffusers или API MUAPI. Модель использует архитектуру LoRA и рассчитана на работу с базовой моделью FLUX.1-dev. В README приведён пример генерации изображения размером 1024×1024 с одним результатом и указанием веса адаптера 1.0. Сведения о размере модели, поддерживаемых языках, точных модальностях, максимальной длине контекста и особенностях обучения не указаны, поэтому их нельзя достоверно оценить. Для использования требуется базовая модель, совместимый pipeline и, согласно README, API-ключ MUAPI при обращении к сервису MUAPI. Модель распространяется по лицензии openrail++; дополнительные сведения о разрешённых сценариях, ограничениях и сильных сторонах в представленных данных отсутствуют.

Карточка модели ReadyArt/Omega-Darker-Gaslight_The-Final-Forgotten-Fever-Dream-24B на Hugging Face совпадает с карточкой shuhand123/Omega-Darker-Gaslight_The-Final-Forgotten-Fever-Dream-24B, поэтому описание составлено по ней. Omega-Darker-Gaslight The-Final-Forgotten-Fever-Dream-24B — объединённая текстовая модель от sleepdeprived3 с вкладом моделей ReadyArt, TroyDoesAI и TheDrummer. Это плотная причинно-следственная модель семейства Mistral с 23,4 млрд параметров, рассчитанная на генерацию текста и диалоговый режим; заявленная длина контекста — 32 768 токенов. В README указано, что модель получена слиянием DARE-TIES и настроена для ролевых диалогов и художественных сценариев с эротическим и жестоким содержанием. Карточка заявляет, что модель поддерживает последовательность персонажей и сюжетных деталей на длинном контексте и следует сложным запросам в таких сценариях. Эти заявления являются описанием авторов, а не независимой оценкой качества. Модель принимает текст и генерирует текст; основной язык карточки — английский. Лицензия указана как other, а README предупреждает о конфликтующих лицензиях объединённых моделей и ограничивает использование личными целями, запрещая коммерческое применение. Также модель предназначена только для взрослых; перед использованием необходимо проверить условия лицензий всех компонентов слияния.

Omi Med STT v1 MLX — полноточный экспорт модели Omi Health для распознавания медицинской речи в текст на устройствах Apple Silicon с использованием MLX. Это вариант весов модели Omi Med STT v1, дообученной для транскрибации медицинской речи и клинических диалогов на английском языке. Модель предназначена для локального преобразования аудиозаписей в текст, например для транскрибации медицинских разговоров. Для запуска автор рекомендует пакет omi-med-stt и CLI с параметром runtime mlx; чекпойнт не совместим напрямую с parakeet-mlx. Для большинства пользователей Mac в README рекомендован отдельный экспорт q8; показатели его бенчмарка нельзя переносить на эту полноточную версию, которая отдельно не прошла квалификацию для runtime Apple. Модель использует архитектуру семейства FastConformer/Conformer и принимает аудио, выдавая текст. Веса опубликованы под лицензией CC BY 4.0. Распознавание не является диагностикой или клинической поддержкой решений, а транскрипты необходимо проверять перед клиническим использованием.

Omi Med STT v1 MLX q8 — экспорт с 8-битным квантованием модели Omi Med STT v1 от Omi Health для распознавания медицинской речи на Apple Silicon. Модель предназначена для локальной транскрибации клинических диалогов и доступна как артефакт по умолчанию для CLI omi-med-stt. Базовая модель использует архитектуру FastConformer/Conformer и медицинскую адаптацию; экспорт распространяется в формате safetensors и занимает около 0,94 ГБ. В опубликованном тесте на медицинском наборе из 1 513 аудиофрагментов модель показала WER 6,65%, M-WER 2,12% и медицинский recall 97,88%. Эти результаты относятся к конкретному тесту и конфигурации Apple Silicon M4 Max. Модель поддерживает английскую речь; карточка не заявляет поддержку других языков. Лицензия — CC BY 4.0. Это система преобразования речи в текст, а не диагностическая или клиническая система поддержки решений. Модель не проходила клиническую валидацию, и расшифровки необходимо проверять перед клиническим использованием. Для работы на Mac рекомендуется CLI omi-med-stt; чекпойнт несовместим напрямую с parakeet-mlx.

FreeFlow-L · sintel — модель для оценки плотного оптического потока между двумя RGB-изображениями одинакового размера. В README указано 230 721 029 параметров; архитектура относится к семейству flow, тип dense, библиотека — PyTorch, веса доступны в формате safetensors. Модель принимает пару изображений в тензоре формы [B,2,3,H,W] со значениями от 0 до 255 и оценивает перемещение пикселей между кадрами. Модель дообучена на основе a-yakovenko/optical-flow-FreeFlow-L-TaTSKH-HQ и предназначена для сценариев, где нужно анализировать движение в паре изображений, например в видеопоследовательностях или исследовательских экспериментах с оптическим потоком. Карточка не приводит контекстное окно или сведения о специализированных доменах. Лицензия — CC BY-NC-SA 4.0, поэтому коммерческое использование ограничено её условиями.

Sapiens2-1B-Pointmap — модель Meta для оценки трёхмерной геометрии людей по изображениям. Она принимает изображение и предсказывает для каждого пикселя координаты x, y, z в системе камеры, формируя pointmap. Модель предназначена для анализа изображений с людьми и исследований в области человеко-ориентированного компьютерного зрения. В основе — Vision Transformer Sapiens2 с головой оценки pointmap; чекпойнт дообучен на предварительно обученной модели facebook/sapiens2-pretrain-1b. Размер модели составляет около 1,5 млрд параметров, веса доступны в формате safetensors. Для работы требуется код проекта Sapiens2 и соответствующий чекпойнт. В метаданных указана лицензия other, а README называет её Sapiens2 License; условия использования следует сверять с текстом этой лицензии. Модель ориентирована на изображения людей, поэтому её назначение не охватывает универсальную оценку глубины для произвольных сцен.

SWIN-AI-Image-Detector — модель классификации изображений, разработанная автором репозитория и дообученная на базе microsoft/swin-tiny-patch4-window7-224. Она использует архитектуру Swin Transformer и содержит 33 млн параметров. Модель предназначена для распознавания изображений, однако README не раскрывает набор классов и конкретное назначение детектора. На указанном в карточке наборе оценки модель достигла accuracy 0,9833 и loss 0,0461. Эти результаты нельзя переносить на другие данные: обучающий датасет, методика оценки и ограничения модели не описаны. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

sdobson/tinystories-llama-15m — небольшая языковая модель с плотной архитектурой Llama 2, разработанная sdobson и обученная на наборе TinyStories. Модель содержит 15,2 млн параметров, использует PyTorch и safetensors, а её контекст ограничен 256 токенами. Модель предназначена для генерации простых, связных детских историй с лексикой и понятиями для детей примерно 3–4 лет. Её также можно использовать в образовательных демонстрациях обучения компактных языковых моделей и экспериментах с эффективным инференсом, включая реализацию на C. Поддерживаемый сценарий — продолжение текста; модель не настроена на выполнение инструкций. Модель обучалась исключительно на коротких историях TinyStories, поэтому слабо подходит для универсальной генерации текста. Небольшой словарь и короткий контекст ограничивают сложность и длину историй. Лицензия — MIT.

TubaSTT v0.5 — Neriqlabs компаниясы әзірлеген, Asante Twi/Akan және ағылшын тілдеріндегі екітілді сөйлеуді мәтінге айналдыратын модель. Ол тілдер арасында код ауыстырылатын ганалық әңгімелесулерге, әсіресе 8 кГц телефон арналары арқылы өтетін клиенттерге қызмет көрсету қоңырауларына арналған. Модель — facebook/w2v-bert-2.0 негізінде CTC әдісімен бейімделген Wav2Vec2-BERT энкодері, 402,7 млн параметрі бар және аудионы қабылдап, транскрипт мәтінін шығарады. Оқытуда шамамен 109 сағаттық оқылым, әңгімелесу және ағылшын тіліндегі деректер, сондай-ақ телефон кодегін имитациялайтын μ-law және SpecAugment күшейтулері қолданылған. MIT лицензиясымен таратылады. Әзірлеуші хабарлаған бағалауда Asante Twi оқылымындағы WER таза аудиода 9,1%, телефон аудиосында 9,5%; WAXAL әңгімелесу деректерінде сәйкесінше 26,3% және 27,9%. Әңгімелесу сөйлеуіндегі қателер оқылымға қарағанда көбірек; WAXAL диалектісі таза Asante Twi-ден өзгеше болуы мүмкін, ал ағылшын акценті негізінен FLEURS деректеріне сүйенеді. Көрсеткіштер әзірге dev жиынтықтарынан алынған, бөлек тест жиынтығы дайындалып жатыр.

Модель ISxOdin/vit-base-oxford-iiit-pets — дообученный разработчиком ISxOdin Vision Transformer Google для классификации изображений кошек и собак по 37 породам из набора Oxford-IIIT Pet. Она принимает изображение и возвращает класс породы; в README указана точность 0,9445 на тестовой выборке. Модель построена на google/vit-base-patch16-224, содержит 113,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Модель подходит для учебных демонстраций переноса обучения, классификации пород на изображениях, похожих на данные Oxford-IIIT Pet, и сравнения с zero-shot классификаторами. Она может хуже распознавать породы и условия съёмки, не представленные в обучающем наборе; наиболее подходящи чёткие изображения питомцев, снятых крупным планом. Не предназначена для медицинских и критически важных решений. Лицензия — Apache 2.0.

Это модель классификации изображений на базе Vision Transformer (ViT), дообученная VuTuan2005 на наборе данных pcuenq/oxford-pets. Она предназначена для распознавания пород кошек и собак на изображениях. Модель содержит 113,2 млн параметров и распространяется в формате safetensors; базовая модель — google/vit-base-patch16-224. На оценочной выборке указаны loss 0,1967 и accuracy 0,9405. Модель принимает изображения и выдаёт класс изображения. Лицензия — Apache-2.0. Результаты относятся к указанной оценочной выборке; перенос на другие наборы данных и условия съёмки не описан.

AudioProtoPNet-1-BirdSet-XCL — модель группы DBD-research-group для многометочной классификации видов птиц по их вокализациям. Она сочетает сверточную основу ConvNeXt Base, предварительно обученную на ImageNet-22k, с классификатором на прототипах: модель сопоставляет аудиозапись с изученными характерными паттернами и тем самым помогает интерпретировать предсказания. Для распознавания звука используются спектрограммы записей. Модель обучена на обучающей части BirdSet, включающей записи тысяч видов птиц, и оценивалась на тестовых наборах из разных географических регионов. В README сообщается о среднем AUROC 0,90 и cmAP 0,42 для варианта AudioProtoPNet-5 и о результатах выше Perch и ConvNeXt на этих оценках. Версия модели в репозитории — AudioProtoPNet-1. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

AudioProtoPNet-20-BirdSet-XCL — модель группы DBD Research Group для многометочной классификации видов птиц по вокализациям. Она использует архитектуру AudioProtoPNet: ConvNeXt извлекает признаки из спектрограмм, а обученный на этих признаках классификатор сравнивает запись с прототипами вокализаций разных видов. Такой подход помогает объяснять предсказания и выявлять признаки, наиболее информативные для каждого вида. Модель дообучена на обучающей части BirdSet, включающей записи более чем 9 734 видов птиц и свыше 6 800 часов аудио. В оценке на семи тестовых наборах BirdSet семейство AudioProtoPNet показало средний AUROC 0,90 и cmAP 0,42; в README эти результаты сравниваются с Perch и ConvNeXt. Репозиторий предназначен для классификации аудио и использует библиотеку Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование. Результаты и показатели приведены для оценки на наборах BirdSet; качество на других акустических условиях и видах из README не установлено.

Bird-MAE-Large — модель группы DBD-research-group для классификации птичьих звуков. Она основана на архитектуре Masked Autoencoder с визуальным трансформером ViT-L/16 и адаптирована к биоакустике с использованием обучающего конвейера для птичьих вокализаций и данных BirdSet. Модель предназначена для многометочной классификации записей и извлечения признаков для последующих задач распознавания видов птиц. В README сообщается о высоких результатах Bird-MAE на многометочном бенчмарке BirdSet, а также о прототипическом пробировании замороженных представлений, полезном в условиях малого объёма размеченных данных и few-shot сценариях. Для запуска README указывает библиотеку Transformers. Данные не сообщают число параметров, контекст или языки; модель работает со звуком и не предназначена для текстовых задач. Лицензия в предоставленных сведениях не указана.

hongyuw/bitvla-bitsiglipL-224px-bf16 — визуально-языковая модель BitVLA от авторов проекта BitVLA, построенная на архитектуре LLaVA и дообученная на базе microsoft/bitnet-b1.58-2B-4T. Она принимает изображение и текстовый запрос и предназначена для диалогового понимания изображений и ответов на вопросы по ним; в проекте опубликованы оценки VQA и модели для последующего обучения манипуляции роботами. Модель использует визуальный энкодер SigLIP-L с разрешением 224 пикселя и веса bf16; авторы применяют онлайн-квантизацию W1.58-A8, а для сокращения затрат памяти рекомендуют отдельно квантизировать веса до 1,58 бит. В метаданных указан английский язык и лицензия MIT. Авторы отмечают, что BitVLA ещё не проходила предварительное обучение на крупномасштабном наборе робототехнических данных из-за ограниченных ресурсов. Для выполнения роботизированных действий потребуется соответствующая VLA-версия, обученная под задачу; данная карточка описывает базовую визуально-языковую модель. Для оценки мультимодальных задач README указывает модифицированные компоненты Transformers и окружение NVIDIA PyTorch.

glazzova/body_complexion — дообученная модель классификации изображений на базе ResNet-50 от Microsoft. Она определяет тип телосложения мужчины по изображению и относит его к одной из четырёх категорий: худощавое, обычное, полное или очень мускулистое. Модель построена для сценариев анализа телосложения в фитнес-сервисах, подбора одежды и фильтрации визуального контента по типу фигуры. Модель принимает изображение и выдаёт метку класса. Веса опубликованы в формате PyTorch для библиотеки Transformers. Лицензия — Apache-2.0. Описание не сообщает о точности и составе обучающего набора помимо использования изображений мужчин с разным телосложением; поэтому надёжность предсказаний для различных условий съёмки и групп пользователей не установлена.

CDLI Qwen3-ASR English Experiment 4 — дообученная на базе Qwen/Qwen3-ASR-1.7B модель для распознавания атипичной англоязычной речи в эксперименте с речью из Уганды. Она предназначена для транскрибации аудио с использованием режима prompt metadata, связанного с оценкой степени выраженности нарушения и типом расстройства. В карточке указан чекпойнт checkpoint-1941, выбранный как последний доступный; архитектура — плотная Qwen3-ASR для распознавания речи, формат весов — safetensors. Модель рассчитана на английскую речь и обучалась на наборе cdli/ugandan_english_nonstandard_speech_v1.0. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает количественных результатов или детальных ограничений качества; применение за пределами угандийской атипичной английской речи отдельно не подтверждено.

Карточка модели aung7090/Cosmos3-Super-Image2Video на Hugging Face совпадает с карточкой nenny01/Cosmos3-Super-Image2Video, поэтому описание составлено по ней. Cosmos3-Super-Image2Video — модель NVIDIA из семейства Cosmos3 Omni, предназначенная для генерации видео по изображению и входящему визуальному контексту. Она относится к плотной архитектуре Cosmos3ForConditionalGeneration и опубликована в форматах Diffusers и safetensors. Карточка описывает Cosmos3 как семейство омнимодальных моделей для Physical AI, включая робототехнику, автономный транспорт, промышленные и умные пространства; эта версия каталога ориентирована на задачу image-to-video. Модель подходит для создания динамических сцен и симуляционных видеоматериалов из исходных изображений в исследовательских и прикладных сценариях Physical AI. NVIDIA заявляет возможность коммерческого и некоммерческого использования, однако метаданные указывают лицензию other, поэтому перед внедрением следует проверить условия лицензии в репозитории. Возможные дефекты генерации включают временную непоследовательность, нестабильное движение камеры или объектов, неточное моделирование физических взаимодействий и дрейф состояния, особенно в длинных или высокодетализированных роликах.

Модель DavidCBaines/ebible_m2o-nllb600m-control-ilo — дообученная версия NLLB-200-distilled-600M для перевода библейских стихов на язык илокано (ilo). Она переводит с четырёх родственных языков: себуано (ceb), индонезийского (ind), маори (mri) и тагальского (tgl). Модель разработана как часть эксперимента по подготовке черновиков книг Ветхого Завета для языка, на котором в обучающих данных был представлен только Новый Завет. Обучение проводилось на переводах стихов Нового Завета из корпуса eBible; книги Ветхого Завета использовались для оценки и не включались в целевые обучающие данные. В README приведены результаты для Руфи, Ионы и первой главы Бытия, где модель превзошла указанный уровень простого копирования текста с наиболее близкого языка-источника. Архитектура — M2M-100, контекст — 1024 токена; модель работает с текстом и предназначена для перевода. Лицензия — CC-BY-NC-SA-4.0, коммерческое использование не разрешено. Модель ориентирована на библейские тексты и четыре указанных языка-источника; результаты оценки охватывают ограниченный набор книг и не подтверждают качество перевода в других тематиках или языковых направлениях.

Модель paulgp85/econ-ai-detector-distilroberta-v3 разработана для выявления текста, созданного языковыми моделями, в экономических рабочих статьях и журнальной прозе. Это дообученная DistilRoBERTa-base с архитектурой RoBERTa для классификации последовательностей; размер составляет 95,2 млн параметров. Модель принимает нормализованный фрагмент прозы длиной около 250 слов и до 384 токенов и выдаёт логиты для двух классов: человеческий текст и текст, сгенерированный LLM. Модель обучена на экономических статьях до 2020 года и тематически сопоставленных фрагментах, с дополнительными сложными отрицательными примерами и состязательными вариантами. Её предназначение — анализ экономической прозы; README рекомендует применять её через пакет ансамбля v3, который выполняет нормализацию и разбиение на окна, а также использует откалиброванные пороги и правило для уровня статьи. Лицензия — Apache-2.0. Отдельный классификатор может выдавать насыщенные значения softmax, поэтому README рекомендует использовать разницу логитов и калибровать её на заведомо человеческих текстах своего регистра. Приведённые показатели ошибок относятся к ансамблю и указанным наборам проверки; модель не гарантирует надёжное выявление ИИ-текста в иных областях и стилях.

EMA-VQGAN-16384-f8-d256 — официально предобученная модель первого этапа проекта TextArtT5, разработанная авторами этого проекта. Она преобразует изображения в дискретные визуальные токены и предназначена для квантования изображений и использования как визуальный токенизатор в генеративном конвейере TextArtT5. Модель основана на VQGAN с кодовой книгой из 16 384 векторов, коэффициентом уменьшения разрешения 8 и латентной размерностью 256. Она кодирует изображение 256 × 256 × 3 в сетку токенов 32 × 32; в README указано около 94,5 млн параметров и валидационный rFID 2,21. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Для использования требуются классы архитектуры из основного репозитория TextArtT5. Модель обучалась на объединённом наборе данных ImageNet, Conceptual Captions (CC3M), MS-COCO, Flickr и CelebA/CelebA-Dialog. Это визуальный дискретный токенизатор, а не самостоятельная текстовая модель или полный генератор изображений; Stage 2 проекта реализует отдельный авторегрессионный трансформер.

CynthiaCR/emotions_classifier — модель классификации изображений на архитектуре Vision Transformer (ViT), дообученная на базе google/vit-base-patch16-224-in21k. Веса содержат 113,2 млн параметров и представлены в формате TensorFlow. Модель предназначена для присвоения изображению класса эмоции; README указывает, что набор данных неизвестен. На оценочной выборке указаны потери 1,6122 и точность 26,87%; эти результаты не подтверждают высокую надёжность классификации. Модель распространяется по лицензии Apache-2.0.

Это структурно прореженный текстовый энкодер автора SearchingMan, предназначенный как замена текстового энкодера в FLUX.2-klein-9B. Модель основана на Qwen3 и содержит 5,6 млрд параметров по метаданным; в README размер указан как 5,10 млрд. Энкодер извлекает промежуточные скрытые состояния и формирует эмбеддинги промпта для генерации изображений. Контекст модели составляет 40 960 токенов по метаданным, хотя описанный в README протокол работы ограничивает вход 512 токенами. Автор удалил часть слоёв, объединил некоторые соседние слои и проредил FFN-блоки и группы GQA; затем модель дистиллировали по скрытым состояниям исходного энкодера. По данным README, это уменьшает потребление памяти при кодировании промптов, сохраняя пригодность для FLUX.2-klein-9B. Результаты генерации могут отличаться от исходного энкодера по композиции и деталям, а одинаковый seed не гарантирует совпадения изображений. Это компонент конвейера, а не самостоятельная языковая или генеративная модель: он выдаёт эмбеддинги для FLUX.2-klein-9B. Для работы нужны DiT, VAE и токенизатор из закрытой базовой модели, доступ к которой требует принятия её условий. Лицензия унаследована от FLUX.2-klein-9B и запрещает коммерческое использование.