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

Модель dima806/hand_gestures_image_detection — дообученная версия Vision Transformer ViT-Base для классификации изображений с жестами рук. Она принимает изображение и определяет показанный жест; в README заявлена точность около 96%, но подробности оценки и набор классов не приведены. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Подходит для распознавания жестов на фотографиях, например в прототипах интерфейсов управления жестами. Лицензия — Apache-2.0.

hafsa000/interior-design — модель для преобразования изображений в режиме image-to-image, опубликованная пользователем hafsa000 на Hugging Face. Она реализована на базе Diffusers и совместима с StableDiffusionImg2ImgPipeline, поэтому принимает исходное изображение и генерирует его изменённую версию с сохранением части визуальной структуры. По названию репозитория модель ориентирована на сценарии дизайна интерьера: визуализацию вариантов оформления помещений, замену стиля или отделки и создание концептуальных изображений комнат на основе исходных фотографий. Данные о размере модели, контекстном окне, языковой поддержке, обучении, качестве генерации и разработчике в карточке отсутствуют, поэтому эти характеристики не указываются. Модель распространяется по лицензии MIT. Для работы требуется экосистема Diffusers и пайплайн StableDiffusionImg2ImgPipeline; конкретные параметры запуска и рекомендуемые значения strength, guidance scale или разрешения в карточке не приведены.

Xenova/llama2.c-stories110M — компактная модель генерации текста семейства LLaMA, доступная в Transformers.js. Она содержит 109,5 млн параметров и рассчитана на контекст до 1024 токенов. Репозиторий включает форматы ONNX, PyTorch и safetensors. Модель подходит для локальных экспериментов и простых сценариев продолжения текста в приложениях на JavaScript. Карточка не описывает обучение на конкретных данных, специализацию или гарантии качества; при таком небольшом размере и ограниченном контексте она может уступать более крупным моделям в связности и работе с длинными запросами. Сведения о лицензии в предоставленных данных отсутствуют.

Llama-Ko-Medical-7b — медицинская языковая модель на основе Llama 2, дообученная разработчиком на корейском медицинском корпусе объёмом около 526 МБ. В обучающие данные входят корейские медицинские материалы, новости о здоровье и специализированный корейско-английский корпус; в таблице README также упомянуты профессиональные книги по праву и медицине. Модель содержит 6,7 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста. Она предназначена для генерации корейского текста по медицинской тематике и может служить основой для медицинских языковых приложений на корейском языке. Дообучение выполнено методом QLoRA с рангом 64 в течение трёх эпох; родительская модель — llama-2-ko. Контекст модели составляет 2048 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Llama 2. Специализированное дообучение не гарантирует точность медицинских ответов, поэтому модель не следует рассматривать как замену профессиональной медицинской консультации.

cloudyu/Mixtral_13Bx2_MOE_22B — языковая модель с архитектурой Mixtral MoE, созданная объединением моделей через mergekit. В состав объединения входят Undi95/Xwin-MLewd-13B-V0.2, Undi95/Utopia-13B и KoboldAI/LLaMA2-13B-Psyfighter2; в конфигурации первая указана как базовая, две остальные — как эксперты. Модель предназначена для генерации текста и диалоговых сценариев. В README указано, что она рассчитана на откровенный, грубый и фетишистский контент. Метаданные указывают 12,9 млрд параметров, контекст 4096 токенов и формат safetensors. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

MoGe-3 (VITL) — порт модели MoGe-3 для MLX, опубликованный сообществом mlx-community. Он оценивает геометрию сцены по одному изображению: строит метрическую карту точек, карту глубины, карту нормалей, маску валидных пикселей и параметры камеры. Модель основана на архитектуре MoGe-3 с визуальным энкодером ViT-L; веса fp32 преобразованы из официального чекпойнта model.pt для использования через MLX. Модель предназначена для восстановления структуры сцены на изображениях и может применяться в задачах компьютерного зрения и 3D-реконструкции. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Данных о качестве на разных типах изображений в карточке нет.

Модель разработал Michał Młodawski: это дообученная версия MobileNetV2 для классификации изображений глаз на открытые и закрытые. В README указана базовая модель google/mobilenet_v2_1.4_224 и заявлена точность 99%; репозиторий содержит варианты PyTorch, Safetensors и ONNX. Модель принимает изображение и выдаёт один из двух классов: «глаза открыты» или «глаза закрыты». Классификатор подходит для оценки закрытости глаз на изображениях, например, в системах обнаружения сонливости водителя, анализа внимательности и обработки фотографий. Датасет карточки — MichalMlodawski/closed-open-eyes. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий. Качество зависит от входных изображений; заявленная точность не подтверждена описанием условий оценки, поэтому результаты нужно проверять перед применением, особенно в критически важных системах.

PhysX-Omni — модель ACERobotics для создания 3D-объектов по изображениям. Это дообученная версия мультимодальной Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров. Для работы с моделью указаны веса в формате safetensors; базовая модель поддерживает контекст до 128 000 токенов. Модель предназначена для генерации физических 3D-объектов, пригодных для симуляции. В метаданных также указаны датасеты PhysX-Mobility, PhysX-3D и PhysXVerse. Лицензия — MIT.

Sparse-AST-BWM-100M-32 — компактная авторегрессионная языковая модель семейства Sparse-AST, разработанная для генерации кода и формул в задачах процедурной 3D-математики и Blender Python. Карточка описывает рекуррентный Leaky Gated Transformer с примерно 103,4 млн параметров по README; метаданные указывают 143,1 млн параметров. Модель использует байтовую токенизацию UTF-8 с размером словаря 512 и распространяется в формате SafeTensors. Модель предназначена для продолжения коротких фрагментов кода и помощи с операциями над векторами, матрицами, кватернионами и bmesh, включая библиотеки bpy, mathutils, numpy и gpu. Нативный контекст обучения составляет 32 токена; README сообщает о поддержке интерполяции позиционных кодировок до 4096 токенов на этапе вывода. Приведены результаты экспериментальной оценки на учебном наборе Blender 3D Math & Python Curriculum, но они сами по себе не подтверждают качество в иных задачах. Лицензия — Apache-2.0. Очень короткий нативный контекст и специализированная область обучения ограничивают надёжность на длинных последовательностях и общих текстовых задачах; сведения о поддержке русского языка отсутствуют, поэтому модель следует рассматривать как ориентированную на английский и код.

Sparse-AST-BWM-10M-32 — компактная авторегрессионная модель генерации кода, разработанная автором репозитория Chaman1234. Она использует архитектуру Sparse-AST (Recurrent Leaky Gated Transformer) и содержит 14,4 млн параметров по метаданным; в README указано 11 869 032 параметра. Модель предназначена для генерации Python-кода для процедурного 3D-моделирования в Blender, включая bpy, mathutils, bmesh, numpy и gpu. Модель обучалась с контекстом 64 токена. README сообщает о поддержке интерполяции позиций при выводе до 4096 токенов, однако приводит крайне высокие значения потерь и perplexity на описанном тесте, поэтому качество генерации требует проверки и длинный контекст не следует считать подтверждённым обучением. Веса доступны в формате SafeTensors. Лицензия — Apache-2.0.

Sparse-AST-BWM-200M-32 — авторская причинная языковая модель семейства Sparse-AST от Chaman1234, предназначенная для генерации кода на Python в Blender и решения задач процедурной геометрии. В README указана рекуррентная архитектура Recurrent Leaky Gated Transformer с 28 слоями и 204,4 млн параметров; метаданные каталога приводят общий размер 287,1 млн параметров. Модель использует байтовую токенизацию UTF-8 с размером словаря 512 и обучалась с контекстом 32 токена. README сообщает о поддержке интерполяции позиционных кодировок для контекста до 4096 токенов при инференсе. Модель ориентирована на Python-код с использованием bpy, mathutils, bmesh, numpy и gpu, включая генерацию процедурной геометрии и математических выражений для Blender. В README приведены экспериментальные результаты на учебном наборе задач Blender 3D Math & Python; они не гарантируют качество на произвольных задачах. Распространяется в формате SafeTensors по лицензии Apache-2.0.

Spatial-Interactor Qwen3-VL-4B — полноразмерный чекпойнт BF16, созданный дообучением Qwen/Qwen3-VL-4B-Instruct. Разработчики обучали его пространственному рассуждению через взаимодействие с наблюдаемым физическим миром: сначала модель дообучили на переходах состояния мира и эго-движения, затем применили дистилляцию на основе собственных траекторий, чтобы объединять последовательные переходы в длинных траекториях. Модель принимает изображения или видео вместе с текстовым вопросом и формирует текстовый ответ. Для вывода не нужны привилегированные трассы переходов, модель вознаграждения или отдельная ветвь учителя; веса, токенизатор, процессор и шаблон диалога включены в репозиторий. Модель предназначена для пространственного рассуждения и анализа наблюдаемых сцен и движения. Она распространяется по лицензии Apache-2.0.

Spatial-Interactor Qwen3-VL-8B — мультимодальная модель kagakouko для пространственного рассуждения по изображениям и видео. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct: сначала обучалась предсказывать локальные переходы состояния мира и движения наблюдателя, затем применялась дистилляция на собственных траекториях для интеграции переходов на длинных последовательностях. Модель использует архитектуру Qwen3-VL с 8 млрд параметров и принимает те же изображения, видео и вопросы, что и базовая модель; при работе ей не нужны обучающие переходные трассы или отдельная модель-учитель. Модель предназначена для анализа пространственных отношений и динамики наблюдаемого физического мира в изображениях и видео, в том числе для сценариев embodied AI. Она доступна в формате BF16 и safetensors для Transformers; веса, токенизатор, процессор и шаблон чата включены. Лицензия — Apache-2.0. README не приводит количественных оценок качества или ограничений по длине входа.

TCFD-BERT — языковая модель на базе ClimateBERT-f, разработанная пользователем s50227harry. Модель дополнительно предобучена на абзацах о климатических изменениях и предназначена для восстановления скрытых фрагментов текста. Это RoBERTa-модель для masked language modeling с 95,4 млн параметров и контекстом до 514 токенов. Модель можно применять для заполнения пропусков в текстах о климате и как основу для дальнейших исследований или адаптации в задачах климатической тематики. В README приведён результат оценки: loss 1,1325; подробности набора данных, метода оценки и практических ограничений не описаны. Распространяется по лицензии Apache-2.0.

Verboa Image 1.0 — модель генерации изображений от verboa.io для взрослой аудитории. Это полноразмерное дообучение ERNIE-Image с переносом возможностей быстрого семплирования ERNIE-Image-Turbo; архитектура — одно-поточный диффузионный трансформер DiT примерно на 8 млрд параметров. Модель создаёт фотореалистичные изображения по текстовым запросам и рассчитана прежде всего на откровенный контент для взрослых. Для генерации указаны 8 шагов при guidance 2. Карточка приводит английский язык; лицензия обозначена как other, а конкретные ограничения использования заданы её условиями. Модель ориентирована на запросы, написанные естественным языком, от кратких до подробных. Среди ограничений — меньшая надёжность мужской анатомии, возможное отклонение от описаний сцен с несколькими людьми, несовершенная передача текста, рук и количества объектов, а также склонность к фотореализму вместо разнообразных рисованных стилей. Для точности лучше описывать сцену подробно; разрешение обучения составляет около 1 мегапикселя, поэтому для крупных изображений может потребоваться дополнительная обработка. Защитная настройка снижает вероятность изображения несовершеннолетних, но не исключает её полностью.

Модель ViT Base, дообученная Эдуардо Муньосом (Eduardo Muñoz) для классификации изображений CIFAR-100. В основе — Vision Transformer с архитектурой трансформерного энкодера, предварительно обученный на ImageNet-21k для изображений размером 224×224 пикселя; модель содержит 113,2 млн параметров. Модель предназначена для отнесения изображений к 100 классам CIFAR-100, сгруппированным в 20 суперклассов. В карточке указана точность 0,9148. Обучение выполнено с помощью Amazon SageMaker и контейнера Hugging Face Deep Learning; заявлена классификация изображений с испанскими метками. Модель принимает изображения и выдаёт предсказания классов. Она специализирована на CIFAR-100, поэтому её применение к другим наборам изображений может потребовать дополнительной настройки. Распространяется по лицензии Apache-2.0.

Whimsy — чат-модель на базе Gemma 2 9B Instruct с настройкой на игривый, театральный стиль общения. Карточка показывает пример непринуждённого диалога с выразительными ремарками и эмодзи; автор — lodrick-the-lafted. Модель предназначена для текстовых бесед и создания ответов в заданной манере. Это плотная языковая модель семейства Gemma 2 с 9 млрд параметров и контекстом 8192 токена. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Карточка не описывает метод настройки, данные обучения или систематические оценки качества. Пример демонстрирует стиль, но не подтверждает точность ответов или устойчивость поведения.

pourmand1376/arabic-quran-nahj-sahife — арабская BERT-модель для предсказания замаскированных слов. Разработчик совместно обучил и дообучил её на текстах Корана, Сахифы и «Нахдж аль-Балаги», используя masked language modeling; в README указано 30 эпох обучения и обновление масок через каждые пять эпох. Модель предназначена для восстановления пропусков и анализа контекста в этих религиозных текстах. Это плотная архитектура BERT с 137,8 млн параметров и контекстом до 512 токенов. Модель принимает арабский текст с маской [MASK] и предсказывает подходящее слово. Репозиторий содержит веса PyTorch. Лицензия — GPL-2.0. Специализация на ограниченном корпусе может снижать качество на современных и общих арабских текстах; карточка не приводит оценки качества или сравнительных тестов.

DevQuasar/Aratako.Qwen3-8B-NSFW-JP-GGUF — квантованная версия модели Aratako/Qwen3-8B-NSFW-JP, подготовленная для генерации текста. По идентификатору модели можно заключить, что она основана на Qwen3 с размером около 8 миллиардов параметров и ориентирована на японский контент с тематикой NSFW. Формат GGUF предназначен для локального запуска совместимыми инструментами вывода. Модель подходит для сценариев генерации и продолжения текста, прежде всего на японском языке и в рамках задач, для которых создана исходная модель. Квантование обычно уменьшает требования к памяти и может упростить локальное использование, однако README не содержит сведений о конкретном варианте квантования, поддерживаемых контекстных размерах, точных языках, архитектуре, качестве, ограничениях или результатах тестирования. Лицензия и условия использования в README не указаны.

Big-Randy-NSFW-Beta-14B — слитая языковая модель ForSureTesterSim, созданная методом DELLA с помощью mergekit на основе Qwen/Qwen3-14B-Base, HelpingAI/Dhanishtha-nsfw и huihui-ai/Huihui-Qwen3-14B-abliterated-v2. Это плотная авторегрессионная архитектура Qwen3ForCausalLM с 14 млрд параметров, предназначенная для генерации текста в диалоговом формате; модель принимает текст и выдаёт текст. Контекст составляет до 32 768 токенов. Модель ориентирована на генерацию откровенного контента и ролевые диалоги для взрослой аудитории. В карточке указаны формат safetensors и библиотека Transformers. Лицензия в доступных данных не приведена. Карточка не сообщает о целевых языках или оценках качества, поэтому их нельзя надёжно определить.

BLASt3R Depth — модель оценки глубины от Naver, предназначенная для метода BLASt3R: восстановления 3D-сцены с bundle adjustment и визуальной SLAM по набору изображений или видео. Это один из двух необходимых чекпойнтов; для сопоставления изображений требуется совместимая модель naver/blast3r-matcher. Модель принимает изображения и выдаёт многоканальные оценки глубины, используемые в процессе реконструкции. Обучение было инициализировано предобученными весами DINOv3. В репозитории указаны веса safetensors и конфигурация, задающая класс модели и гиперпараметры. Лицензия обозначена как other; README отмечает, что веса являются производной работой DINOv3, поэтому условия использования следует сверять с лицензиями соответствующих проектов.

Brunei Malayu Translator v3 — модель-переводчик, разработанная автором ningpy и дообученная на базе Qwen/Qwen3-0.6B Instruct. Она преобразует фразы на брунейском малайском в стандартный малайский и дополнена терминами медицинской и клинической тематики. Модель построена на плотной архитектуре Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов. Дообучение выполнено методом LoRA на 29,8 тыс. параллельных пар предложений; в медицинской части использованы около 1 660 диалектных терминов. В тесте на 1 623 примерах указаны BLEU 60,57 и chrF++ 79,53. Результаты тестирования могут завышать качество на реальных текстах, поскольку тестовый набор создан по тому же синтетическому распределению, что и обучающие данные. Редкие брунейские слова также могут переводиться хуже. Модель распространяется по лицензии Apache-2.0.

kvuong2711/checkpoint-aerial-mast3r — дообученная модель компьютерного зрения на основе naver/MASt3R_ViTLarge_BaseDecoder_512_catmlpdpt_metric, связанная с проектом AerialMegaDepth и исследованием реконструкции сцен по аэросъёмке и наземным изображениям. Она предназначена для восстановления 3D-геометрии и синтеза видов сцены по изображениям; репозиторий использует библиотеку aerial-megadepth и формат весов safetensors. Работа представлена на CVPR 2025. Модель подходит для реконструкции сцен по аэроснимкам и наземным фотографиям, а также для синтеза новых видов. Данных о размере модели, контексте или лицензии в доступных источниках нет.

Jesse020202/cppe5_setup_on_roadsign_test — модель обнаружения объектов, созданная дообучением Conditional DETR с ResNet-50 от Microsoft на неизвестном наборе данных. Она принимает изображения и предсказывает классы объектов и их ограничивающие рамки; название репозитория указывает на возможную настройку для дорожных знаков, но README этого не подтверждает. Модель представлена в формате safetensors и доступна по лицензии Apache-2.0. В README приведено значение loss 1.4669 на тестовой выборке, однако сведений о составе данных и практическом качестве обнаружения нет.

Dongfangshuo-Qwen3.8-27B-NSFW-GGUF — GGUF-квантизированная версия модели Dongfangshuo-Qwen3.8-27B-NSFW, разработанная Dongfangshuo на основе Huihui-Qwen3.8-27B-abliterated. Модель дополнительно дообучена для создания контента в стилистике R-18 и ориентирована на более свободное следование запросам, включая использование откровенной лексики и развитие сюжетов для взрослой аудитории. Модель предназначена прежде всего для локального текстового творчества, диалогов и работы со сценариями для взрослых. В комплект входит визуальный мультимодальный проектор mmproj, благодаря которому заявлена поддержка анализа изображений и видео. В метаданных указан китайский язык. Точная длина контекста, архитектурные подробности и результаты тестирования не приведены. Основной файл — 27B-модель в формате GGUF с квантизацией Q4_K_M размером 16,8 ГБ; визуальный проектор в формате F16 занимает 931 МБ. Модель можно запускать через Ollama, LM Studio или llama.cpp, подключив проектор для использования визуальных возможностей. К сильным сторонам относятся специализация на R-18-творчестве и наличие заявленных мультимодальных функций; ограничениями являются высокая потребность в памяти, зависимость визуального режима от отдельного проектора и отсутствие данных о производительности, безопасностных ограничениях и длине контекста. Лицензия — Apache 2.0.

Репозиторий maximazzik/easy_sign содержит ONNX-модели семейства S3D для распознавания жестов русского жестового языка по видео. В него входят демо-модель easysign на 1598 классов и отдельные модели для 1001 класса датасета Slovo; это разные линейки, обученные на разных данных. Разработчик указывает, что веса происходят из проекта ai-forever/easy_sign. Модели предназначены для классификации видеоклипов с жестами. Для линейки Slovo описан входной RGB-клип размером 1×3×T×224×224 и приведены варианты на 32, 48 и 64 кадра; точность на Slovo растёт с длиной клипа от 44,22% до 55,86%. Демо-модель использует окно в 32 кадра и может запускаться на CPU через OpenVINO или ONNX Runtime. Репозиторий распространяется по лицензии CC BY-SA 4.0.

DavidCBaines выпустил ebible_m2o-nllb600m-nde — модель перевода на основе NLLB-200-distilled-600M, дообученную на библейских переводах из четырёх родственных языков на язык nde. Она предназначена для подготовки черновых переводов библейских стихов, в том числе книг Ветхого Завета, отсутствовавших в обучающих данных на nde. В README приведены результаты оценки на отложенных книгах Руфь, Иона и первой главе Бытия; модель заметно превосходит простое копирование текста на языке-источнике. Модель использует архитектуру M2M-100 и библиотеку Transformers, принимает текст и генерирует текст перевода. Контекст составляет 1024 токена. Она опубликована под лицензией CC-BY-NC-SA-4.0 и не предназначена для коммерческого использования. Экспериментальная оценка охватывает только ограниченный набор библейских стихов, поэтому результаты не характеризуют качество перевода для других тематик или типов текста.

Fashion-Mnist-SigLIP2 — модель классификации изображений, разработанная prithivMLmods и дообученная на базе визуально-языкового энкодера google/siglip2-base-patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение одежды или обуви к одному из 10 классов Fashion-MNIST: футболка или топ, брюки, пуловер, платье, пальто, сандалии, рубашка, кроссовки, сумка и ботинки. Модель предназначена для распознавания категорий одежды в каталогах интернет-магазинов, сортировки товарных изображений и учебных экспериментов с классификацией изображений. Принимает изображения и выдаёт метку класса. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

Forgotten-Safeword-70B-v5.0 — модель генерации текста на архитектуре Llama, созданная sleepdeprived3 на базе дообученной Negative_LLAMA_70B. Она предназначена прежде всего для эротических ролевых игр и творческого письма с откровенной тематикой; также поддерживает диалоговый формат. Модель содержит 69,5 млрд параметров, принимает текст и рассчитана на контекст до 131 072 токенов. Карточка заявляет обучение на датасете Safeword и поддержку 23 типов табуированной тематики. Для запуска рекомендуются настройки Llama-3.3-T4; веса опубликованы в формате safetensors, а также упомянуты варианты EXL2 и GGUF. Метаданные указывают лицензию llama3.3. Модель ориентирована на взрослый контент и не подходит для всех аудиторий; README не раскрывает полный состав датасета и не приводит объективных оценок качества.

resoa/garment-attributes — модель классификации изображений на основе визуального энкодера SigLIP2 с классификационной головой. Её разработала команда resoa, дообучив базовую google/siglip2-base-patch16-224 на экземплярных аннотациях Fashionpedia. Модель предсказывает несколько атрибутов одновременно из набора 218 меток: силуэт, длину, тип воротника, рукава и карманов, застёжку, линию талии, рисунок ткани и особенности отделки. Метки связаны с полями технических спецификаций одежды. Модель принимает кадр с одним предметом одежды; для выделения такого кадра README рекомендует предварительно использовать garment-detector-seg. Веса доступны в формате safetensors, загрузка выполняется через стандартную библиотеку Transformers без удалённого кода. Лицензия модели — Apache 2.0; Fashionpedia, использованный для обучения, распространяется по CC BY 4.0. На валидационной выборке Fashionpedia указаны macro mAP 0,442 и micro F1 0,710 при пороге 0,5. README сообщает, что несколько вариантов обрезки с объединением предсказаний могут улучшить метрики, но требуют дополнительных вычислений. Модель может помогать оценивать видимые конструктивные характеристики изделия и сверять образец с техпаком, однако пригодность отдельных меток для контроля качества зависит от их точности. Она не определяет состав волокон, плотность GSM, мерки, класс стежка или цвет. Для фабричных и flat-lay фотографий данные обучения не вполне подходят; для таких изображений рекомендуется дообучение на соответствующих кадрах.