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

MLewd-L2-13B — экспериментальная языковая модель для генерации текста с уклоном в откровенную и эротическую ролевую прозу. Модель создана Undi95 на основе ReMM и получена слиянием нескольких вариантов Llama 2 13B, включая чат-модели и модели для ролевого общения; также использованы LoRA-адаптеры. Репозиторий содержит веса PyTorch в формате fp16, архитектура — плотная LlamaForCausalLM примерно на 12,9 млрд параметров с контекстом до 4096 токенов. Модель принимает текстовые инструкции в шаблоне Alpaca и генерирует текстовые ответы. Она предназначена для ролевого общения и генерации откровенной художественной прозы; карточка также приводит результаты оценки на общих языковых бенчмарках. Качество и поведение могут зависеть от формулировки запроса, а README характеризует её как попытку создать модель с откровенной тематикой, не предоставляя подробной оценки ограничений. Лицензия — CC BY-NC 4.0, допускающая использование с атрибуцией и запрещающая коммерческое применение.

KoboldAI представила Erebus — второе поколение модели Shinen для генерации художественного текста на взрослые темы. Модель основана на архитектуре OPT и обучена на подборке из шести источников, включая эротические рассказы и романы; жанры можно задавать тегом «[Genre: ]». Она принимает текстовый запрос и продолжает его, например, генерируя прозу или диалог. Модель имеет 3,5 млрд параметров и контекст длиной 2048 токенов, доступна в формате PyTorch и рассчитана на английский язык. Erebus предназначена для генерации откровенного контента и имеет выраженный уклон в NSFW. Она не подходит для несовершеннолетних; также возможны предвзятость по гендеру, профессии, расе и религии. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным установить нельзя.

nikitastheo/phonelm-phones-eus-eng — причинная языковая модель на архитектуре GPT-2, обученная автором репозитория с помощью скрипта для обучения causal language model на Hugging Face Accelerate. Модель предназначена для генерации текста; название репозитория указывает на связь с телефонами и языками баскским и английским, но README не уточняет конкретный сценарий применения или обучающие данные. Модель использует библиотеку Transformers, веса сохранены в формате safetensors, длина контекста — 512 токенов. Лицензия, размер модели и подтверждённый список поддерживаемых языков в предоставленных данных не указаны.

Qwen3.8-27B-Uncensored-Chinese — дообученная модель на основе Qwen/Qwen3.8-27B для создания художественных текстов на китайском языке для взрослых. Разработчик обучил её методом LoRA SFT на примерно 4,2 тыс. пар инструкций и ответов из китайской прозы для взрослых, а затем объединил адаптер с базовыми весами. Это плотная мультимодальная архитектура Qwen3.5 с 27 млрд параметров; репозиторий содержит веса safetensors в формате bf16. Модель рассчитана прежде всего на диалоги и генерацию прозы, а метаданные также отмечают интерфейс вызова инструментов и базовую мультимодальность Qwen. README не описывает отдельные сценарии работы с изображениями для этой настройки. Подходит для написания откровенной художественной прозы и продолжения сюжетов на китайском языке. Обучение преимущественно на длинных текстах может ослаблять следование инструкциям за пределами творческого письма; при очень длинной генерации возможны повторы. Веса занимают около 50 ГБ в bf16, поэтому для запуска нужны несколько GPU или выгрузка части модели в память CPU. Лицензия — Apache-2.0; модель предназначена только для аудитории 18+ и генерирует сексуально откровенную вымышленную прозу.

DeepVTO — модель для виртуальной примерки одежды, опубликованная пользователем gouthaml на Hugging Face. Она предназначена для создания изображений с помощью Stable Diffusion и описана как сочетание DreamBooth, извлечения признаков EfficientNetB3 и оценки ключевых точек тела OpenPose. Модель рассчитана на сценарии виртуальной примерки в онлайн-торговле и эксперименты с визуализацией одежды на человеке. В карточке указаны архитектура U-Net и использование Stable Diffusion 1.5; для работы рекомендованы PyTorch и GPU A100 с большим объёмом памяти. Метаданные указывают форматы Diffusers, PyTorch и Safetensors и лицензию CreativeML OpenRAIL-M. Способ подачи входных изображений и точный контекст не описаны.

Punith25/recon3d-resnet18 — модель компьютерного зрения на PyTorch для восстановления трёхмерного облака точек по одному силуэту объекта. Она использует ResNet-18 как энкодер и MLP-декодер, выдающий 2 048 точек в нормализованной системе координат. Модель дообучена на синтетических изображениях ShapeNet для шести категорий: самолёты, винтовки, скамейки, шкафы, стулья и столы. Модель предназначена для исследовательских экспериментов и демонстраций: на вход подаётся силуэт размером 224×224, объект должен быть примерно по центру, а результатом становится геометрическая форма без цвета и текстуры. Обучение с функцией Chamfer distance даёт лучшие результаты на категориях обучения, тогда как для новых категорий качество заметно снижается; тонкие детали и неоднозначность передней и задней сторон также могут приводить к ошибкам. Для фотографий требуется предварительно получить маску объекта. Метаданные указывают лицензию «other»; README не приводит конкретных условий лицензирования.

ClassCat/roberta-base-latin-v2 — латинская языковая модель семейства RoBERTa, опубликованная ClassCat. Это базовая модель с архитектурой RoBERTa для задачи заполнения пропусков в тексте: она предсказывает подходящий токен в позиции маски, например в латинской фразе с незавершённым продолжением. Модель обучена на латинской части корпуса CC-100, собранного из веб-текстов. Модель содержит 151,6 млн параметров, использует BPE-токенизатор со словарём из 50 000 токенов и принимает контекст длиной до 514 токенов. Доступны веса PyTorch; для работы в README указана библиотека Transformers версии 4.19.2. Модель распространяется по лицензии CC BY-SA 4.0. Она подходит для языковых экспериментов с латинским текстом и восстановления пропущенных слов или токенов. Карточка не сообщает результаты оценки качества; обучение на веб-данных может ограничивать надёжность работы с редкой лексикой, специальными жанрами и текстами, отличающимися от обучающего корпуса.

Это дообученная модель SegFormer B0, разработанная автором репозитория на базе nvidia/mit-b0 и обученная на датасете FoodSeg103. Она предназначена для семантической сегментации изображений еды: модель выделяет пиксели, относящиеся к фону и категориям продуктов и блюд, например мясу, овощам, фруктам и гарнирам. Модель принимает изображения и выдаёт карту сегментации. В карточке приведены результаты оценки: mean IoU 0,0515 и общая точность 0,2045; эти показатели указывают на низкое качество сегментации на указанной оценочной выборке. Для надёжного применения в реальных сценариях потребуется отдельная проверка и, вероятно, дообучение. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

Sparse-AST-BWM-3M-32 — компактная авторегрессионная языковая модель семейства Sparse-AST, разработанная для быстрого предсказания токенов кода в задачах процедурной 3D-математики и Blender Python. Модель содержит около 4,3 млн параметров и использует рекуррентную архитектуру Recurrent Leaky Gated Transformer с байтовой токенизацией UTF-8 и словарём из 512 токенов. Модель предназначена для черновой генерации и продолжения коротких фрагментов кода с использованием bpy, mathutils, bmesh, numpy и gpu. Нативный контекст при обучении составляет 64 токена; для вывода поддерживается интерполяция позиционных представлений до 4096 токенов. В README приведены экспериментальные результаты на учебном наборе задач Blender 3D Math & Python, включая высокую perplexity, поэтому качество генерации может быть ограниченным. Веса распространяются в формате SafeTensors и прошли заявленную проверку числового совпадения с исходным PyTorch-чекпойнтом. Лицензия — Apache-2.0.

Spatial-Interactor Qwen2.5-VL-3B — мультимодальная модель на 3,1 млрд параметров, разработанная Kagakouko на основе Qwen/Qwen2.5-VL-3B-Instruct. Это полнопараметрическое дообучение в формате BF16 для пространственного рассуждения по наблюдаемому физическому миру. Во время обучения модель осваивает переходы между состояниями окружающего мира и эго-движением, а затем объединяет последовательные переходы на длинных траекториях с помощью дистилляции на собственных политиках. Модель принимает изображения или видео вместе с вопросом и выдаёт ответ на естественном языке. При использовании не нужны дополнительные данные о переходах, модель-учитель или отдельная ветвь оценки; формат входа совпадает с форматом базовой модели. Модель доступна через Transformers, в репозитории есть веса, токенизатор, процессор и шаблон чата. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория.

nickypro/tinyllama-15M — компактная языковая модель на 15,2 млн параметров с плотной архитектурой Llama 2 и классом LlamaForCausalLM. Она обучена на наборе TinyStories и предназначена для генерации текста, в частности коротких историй. Репозиторий содержит веса в форматах PyTorch и safetensors; длина контекста составляет 256 токенов. Модель создана на основе весов karpathy/tinyllamas, преобразованных для этого репозитория, и связана с проектом llama2.c. Лицензия — MIT. Из-за малого размера и короткого контекста модель подходит для экспериментов и простых задач генерации, но её возможности ограничены по сравнению с крупными языковыми моделями.

uber-realistic-porn-merge — модель Stable Diffusion для генерации изображений по текстовому описанию, распространяемая через ModelsLab и опубликованная на Hugging Face аккаунтом stablediffusionapi. Карточка демонстрирует генерацию фотореалистичного портрета и указывает настройки API, включая размер 512×512 и 30 шагов инференса. Модель предназначена для создания реалистичных изображений по промптам; в названии и тегах указана ориентация на порнографический контент. Вызов API поддерживает текстовый промпт и отрицательный промпт, а также параметры генерации и опциональные LoRA и embeddings. Файлы доступны в форматах Diffusers и safetensors. Лицензия — CreativeML OpenRAIL-M; следует учитывать её условия использования и ограничения.

Odakris/vit-beans-demo — дообученная модель Vision Transformer (ViT) для классификации изображений, построенная на базе google/vit-base-patch16-224-in21k. Веса представлены в форматах Safetensors и ONNX; размер модели — 113,2 млн параметров. В README приведены результаты на тестовой выборке: точность 0,9609 и loss 0,1408. Набор данных и назначение классов не описаны, поэтому практическая область применения модели неясна. Модель выпущена под лицензией Apache-2.0.

Это модель автоматического распознавания речи на основе wav2vec 2.0 XLS-R, дообученная slplab на фонетически сбалансированном корпусе чтения носителей корейского языка. Архитектура — Wav2Vec2ForCTC; в метаданных указано 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую последовательность фонем корейской речи. Для обучения использовано 108 часов аудио из 54 000 записей 540 дикторов; оценка проводилась на 12 часах аудио из 6 000 записей 60 дикторов того же корпуса. В README указан Phone Error Rate 3,88%. Модель может применяться для фонетической транскрипции корейской речи и анализа произношения, в том числе ошибок изучающих корейский как второй язык. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Оценка относится к указанному корпусу чтения; качество на спонтанной речи, других условиях записи и иных языках по приведённым данным не установлено. Модель ориентирована на фонемную транскрипцию, поэтому её вывод не следует трактовать как обычную орфографическую транскрипцию без соответствующей обработки.

Карточка модели XiaomiRobotics/Xiaomi-Robotics-U0-4B-Sequence на Hugging Face совпадает с карточкой XiaomiRobotics/Xiaomi-Robotics-U0-4B, поэтому описание составлено по ней. Xiaomi-Robotics-U0-4B — мультимодальная авторегрессионная модель Xiaomi Robotics на архитектуре UNIS с 4 млрд параметров. Она использует общее дискретное пространство визуальных токенов и единый механизм предсказания следующего токена для текста и изображений. Контекст составляет 32 768 токенов. Модель предназначена для генерации и редактирования изображений по тексту и референсному изображению, создания многовидовых наблюдений для роботизированных сцен и переноса наблюдений в целевую RGB-сцену. Для отдельных Sequence-чекпойнтов описаны генерация чередующихся подзадач и видео, но README не относит эти сценарии к Xiaomi-Robotics-U0-4B. Карточка также сообщает об ускоренном FlashAR-варианте, однако не утверждает, что он используется в этом чекпойнте. Модель распространяется в формате safetensors по лицензии Apache-2.0. README описывает открытый код инференса и указывает, что код обучения планируется добавить позднее. В карточке не приведены результаты оценки качества именно версии 4B; скорость, указанная для FlashAR на H20, относится к другому варианту исполнения.

Модель Tejasssss23/ai_interior_design_model — дообученный конвейер Stable Diffusion с ControlNet Canny для изменения дизайна интерьеров по изображению. Она принимает фотографию комнаты и текстовое описание желаемого стиля, а затем генерирует визуализацию с новой отделкой, мебелью и освещением, стараясь сохранить геометрию помещения и исходную планировку за счёт управления по контурам. Модель предназначена для виртуального редизайна комнат, визуализации идей для интерьера и приложений для декора жилья или недвижимости. В README указано дообучение на наборах данных об интерьерах, но конкретные базовые репозитории, размер модели и языки не приведены. Лицензия — CreativeML Open RAIL-M. Результат зависит от качества исходного изображения и контурного ввода. Возможны нереалистичная расстановка мебели и освещение, нестабильность мелких деталей и слабая обобщающая способность на отдельных типах помещений и стилях. Визуализации требуют проверки специалистом и не подходят для инженерных или безопасностных решений.

Alchemist Mix Pretty Porn v20 SDXL — модель для генерации изображений по текстовому описанию, созданная пользователем Urameshi. Она опубликована в формате Diffusers и основана на Illustrious-xl-early-release-v0, представляя собой вариант Stable Diffusion XL с пайплайном StableDiffusionXLPipeline. Модель ориентирована на реалистичные и фотореалистичные изображения, включая контент для взрослой аудитории.

Карточка модели gowdavidwan2003/ARACHNE-FOUNDATION-50B на Hugging Face совпадает с карточкой MagistrTheOne/ARACHNE-FOUNDATION-50B, поэтому описание составлено по ней. ARACHNE-FOUNDATION-50B — экспериментальная модель генерации видео, разработанная NULLXES LLC как часть экосистемы ARACHNE. Это расширенный по глубине Diffusion Transformer (DiT), совместимый с Diffusers; заявленный размер — около 50 млрд параметров, архитектура включает 178 блоков трансформера. Репозиторий содержит веса в формате safetensors. Модель предназначена для исследований архитектуры и экспериментов с генерацией видео в реальном времени, потоковым выводом и сохранением идентичности между фрагментами. Это инициализационный чекпойнт, полученный расширением ARACHNE-X-ULTRA-VIDEO; он ещё не прошёл крупномасштабное продолжение предобучения и не предназначен для оценки как готовая производственная модель. Качество не сопоставлено с производственными генераторами видео. Лицензия — Apache-2.0.

AyurParam — специализированная языковая модель BharatGen, дообученная на базе Param-1-2.9B-Instruct для ответов по аюрведе. Она предназначена для запросов об аюрведических понятиях и практиках, интерпретации классических текстов, а также для учебных и исследовательских сценариев в этой области. Модель поддерживает диалоговую генерацию текста на хинди и английском языках. Это плотная авторегрессионная модель семейства ParamBharatGen с 2,3 млрд параметров и контекстом до 2048 токенов. В карточке описан корпус примерно из 1000 книг и около 4,8 млн обучающих примеров с вопросами и ответами, включая одноходовые и многоходовые диалоги. Для репозитория указаны Transformers и формат safetensors. AyurParam ориентирована на профильные аюрведические знания, но ответы о здоровье требуют проверки квалифицированным специалистом: описание не подтверждает клиническую валидацию рекомендаций. Модель распространяется по лицензии Apache-2.0.

RobotsMali AI4D Lab разработала Bambara VITS — экспериментальную многоголосую модель синтеза речи на основе архитектуры VITS со стохастическим прогнозированием длительности и декодером формы волны в стиле HiFi-GAN. Модель содержит 3,5 млн параметров и адаптирует англоязычный чекпойнт ylacombe/vits-vctk-with-discriminator для бамбара (бамананкан). Это инференсный чекпойнт для Transformers; дискриминатор удалён. Модель принимает текст на бамбара в латинской орфографии, приведённый к нижнему регистру, и генерирует речь с частотой дискретизации 22,05 кГц. В ней обучены 20 голосовых эмбеддингов, но их нельзя надёжно сопоставить с участниками датасета. Она предназначена для экспериментов с синтезом речи на малоресурсном языке, прослушивания, базовых сравнений и дальнейшего дообучения. Чекпойнт существенно недообучен: он обучался 200 эпох на небольшом шумном наборе спонтанной речи, а объективная или человеческая оценка качества не проводилась. Возможны нестабильное произношение, шум, неестественная просодия, утечка характеристик голосов и неразборчивая речь. Лицензия — CC BY 4.0.

tinyopsec/bible-assistant-qwen35-4b-GGUF — это набор квантизированных версий модели Ttimms/Bible-Assistant-Qwen3.5-4B-v2, предназначенной для помощи по вопросам, связанным с Библией, и работы с соответствующими знаниями. Модель относится к текстовым генеративным моделям и рассчитана на использование в локальных инструментах, поддерживающих формат GGUF, включая llama.cpp, llama-cpp-python, LM Studio и Ollama. Модель имеет около 4 млрд параметров и доступна в вариантах квантизации от Q2_K до Q8_0, а также в формате F16. Размер файлов составляет примерно от 1,1 до 4,2 ГБ, а ориентировочные требования к VRAM — от 1,5 ГБ для Q2_K до 4,5 ГБ для Q8_0; для F16 указано около 8 ГБ. Более лёгкие варианты требуют меньше ресурсов и работают быстрее, но могут уступать по качеству, тогда как Q8_0 обеспечивает максимальное качество среди перечисленных квантизаций. В метаданных указан английский язык. Размер контекста и поддержка других модальностей не указаны. Сильная сторона модели — возможность локального запуска на относительно доступном оборудовании и выбор компромисса между качеством, скоростью и объёмом памяти. Ограничения включают зависимость качества от выбранного уровня квантизации, специализацию на библейской тематике и отсутствие данных о точности, тестовых результатах и максимальной длине контекста. В README указана лицензия MIT для репозитория GGUF, однако для исходной модели рекомендуется дополнительно проверить лицензию оригинала.

Модель austindavis/ChessGPT_d12 разработана Austin Davis и представляет собой языковую модель GPT-2, обученную с нуля предсказывать ходы в шахматных партиях. Она генерирует продолжение последовательности ходов в нотации UCI и может использоваться для предсказания ходов или экспериментов с анализом партий. Обучение проводилось на партиях Lichess за январь 2024 года; проверка — на партиях за январь 2013 года. Архитектура включает 12 слоёв и 12 голов внимания с размером скрытого состояния 768; словарь содержит 72 токена. Модель принимает и генерирует текстовую последовательность ходов. Контекст — до 1024 токенов. Лицензия Apache 2.0. Предсказания отражают закономерности партий из обучающей выборки и могут хуже подходить для других платформ и стилей игры. В README приведена итоговая validation loss 0,8139; эта метрика сама по себе не устанавливает точность игры или пригодность для соревновательного применения.

Модель tiantiaf/childvox-speechocean762-prosody-babyhubert разработана Tiantian Feng для классификации просодии детской и взрослой речи. Она дообучена на корпусе SpeechOcean762 и предназначена для определения категории «Poor intonation» («плохая интонация»); в README описана оценка детской и взрослой речи в рамках бенчмарка ChildVox, принятого на EMNLP 2026 Main. Модель построена на базе MarvinLvn/BabyHuBERT, принимает аудио и выдаёт результат классификации. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия OpenRAIL запрещает коммерческое использование согласно README. Записи детской речи требуют особого внимания к приватности, согласию участников и соблюдению применимых норм; модель не предназначена для диагностики, индивидуальной оценки развития без экспертной проверки, слежки или приватного мониторинга.

Модель dima806/closed_eyes_image_detection — дообученная версия Vision Transformer ViT-Base для определения по изображению, открыт глаз или закрыт. Она принимает изображение и относит его к одному из двух классов: closeEye или openEye. Размер модели — 113,2 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель подходит для классификации изображений глаз, например для оценки состояния глаз на кадрах из окружающей сцены. В отчёте README указаны точность 99,05% и метрики precision, recall и F1 около 0,99 для обоих классов на выборке из 8 591 примера. Эти результаты относятся к указанной выборке и сами по себе не гарантируют такую же точность на других данных. Модель основана на google/vit-base-patch16-224-in21k и распространяется по лицензии Apache-2.0. Размер входного изображения, условия оценки и устойчивость к различиям в освещении, ракурсе и качестве кадров в карточке не раскрыты.

susnato/clvp_dev — модель семейства CLVP, размещённая susnato для интеграции с Tortoise-TTS. Автор README указывает, что веса принадлежат James Betker и связаны с работой «Better Speech Synthesis Through Scaling». CLVP — компонент системы синтеза речи Tortoise-TTS; модель сопоставляет текстовые токены и MEL-токены с помощью двух энкодеров архитектуры, сходной с текстовым энкодером CLIP. В репозитории указаны класс ClvpModelForConditionalGeneration и формат PyTorch. Модель предназначена для извлечения признаков, используемых в конвейере Tortoise-TTS для работы с текстом и мел-спектрограммными токенами. README не приводит сведений о размере модели, длине контекста, лицензии или поддерживаемых естественных языках. Автор репозитория отмечает, что временно хранит чужие веса; условия их использования следует проверять у правообладателя.

ConvNeXt Large MLP — модель классификации изображений из серии экспериментов timm, дообученная на данных соревнования iNaturalist 2021. Она предназначена для распознавания примерно 10 000 видов по фотографиям, например для определения растений и животных на снимках из природы. В README модель описана как дообучение для изучения влияния предобучающих данных; для неё не использовались дополнительные метаданные. Репозиторий предоставляет веса PyTorch в формате Safetensors. Модель подходит для классификации изображений видов и исследовательских экспериментов с распознаванием биоразнообразия. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. В README не приведены метрики именно этой модели, поэтому качество на конкретных данных следует проверять отдельно.

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.

dinovol — это 3D-модель представлений, опубликованная как EMA-backbone из запуска обучения paris4 на шаге 352500. Её разработали для анализа объёмных микротомографических сканов обугленных свитков из Геркуланума. Модель основана на архитектуре DINOv2/EVA ViT с 3D RoPE в стиле DINOv3; размерность признакового пространства — 864. Самообучение проводилось с целями DINO, iBOT и KoLeo, а позднее уточнение плотных признаков использовало Gram anchoring. Модель извлекает признаки из трёхмерных данных и предназначена как backbone для последующей разработки систем анализа свитков, например для сегментации или сопоставления областей после добавления соответствующих голов или дообучения. Для инференса рекомендуется файл EMA-backbone; полный чекпойнт подходит для продолжения обучения и воспроизводимости. Обучение выполнено на 11 томах микротомографии Геркуланума. Репозиторий распространяется по лицензии MIT. Модель обучена на одноканальных сканах этих свитков; поведение на других данных и модальностях не проверено, а готовой головы сегментации или дообученной прикладной модели в репозитории нет.

SeongeonKim разработал эту текстовую генеративную модель на основе Gemma 2 9B, дообучив её с помощью Unsloth и TRL. Модель предназначена для восстановления естественного корейского текста из намеренно искажённых корейских отзывов об отелях и других объектах размещения. Обучение проводилось на 11 263 парах искажённых и восстановленных отзывов из набора SeongeonKim/ko-scrambled_v0.1. Модель принимает текст и генерирует его восстановленную версию; в метаданных указан контекст длиной 8192 токена. Репозиторий содержит веса Safetensors. Модель специализирована на корейских отзывах, поэтому её применение для иных типов искажённого текста не подтверждено. Лицензия дообученной модели CC BY-NC 4.0 разрешает только некоммерческое использование; для коммерческого применения требуется отдельное разрешение.

SourAsslips/Gilbert — модель генерации текста, опубликованная пользователем или организацией SourAsslips на Hugging Face. По доступным данным, она связана с GPT-2-ботом Gilbert_GPT2Bot и предназначена для автоматической генерации текстовых ответов в Reddit, в частности в сабреддите SubSimGPT2Interactive. Надёжно подтверждены назначение для text generation и интеграция с ботом, однако точные сведения об архитектуре, размере, обучающих данных, языках, длине контекста, сильных сторонах и ограничениях модели отсутствуют. Информация о лицензии также не установлена. Поэтому модель следует рассматривать как специализированную модель генерации текста с недостаточно документированными характеристиками.