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

AntiLeecher/Flux-Klein-NSFW-Lora — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией AntiLeecher. Модель предназначена для сценариев text-to-image на базе leejet/FLUX.2-klein-base-9B-GGUF и ориентирована на создание контента для взрослых (NSFW). Адаптер совместим с экосистемой Diffusers; для активации рекомендуется использовать триггерные слова «flux klein», «nsfw» и «lora». В README не указаны точный размер адаптера, архитектурные детали LoRA, поддерживаемые языки, длина контекста и дополнительные модальности. Приведён пример результата генерации. Модель распространяется по лицензии Apache-2.0. Ограничения качества, набор данных, метод обучения и дополнительные условия использования в README не описаны.

FootballBERT — трансформерная модель для футбольной аналитики, разработанная в рамках проекта RisingBALLER. Она рассматривает игроков как токены, а составы матчей — как последовательности, и обучается предсказывать замаскированных игроков по контексту матча. Так модель формирует контекстные плотные эмбеддинги, отражающие идентичность игрока и его роль среди партнёров и соперников. Архитектура — трансформерный энкодер с 6 слоями, скрытым размером 256 и словарём из 99 944 игроков; размер модели — 31,9 млн параметров. Максимальная длина контекста в метаданных — 68 токенов. Модель принимает структурированные данные о матчах: идентификаторы игроков, позиции, сезоны и команды. Основная задача в Hugging Face — fill-mask, также доступны контекстные эмбеддинги игроков. Эмбеддинги можно применять для поиска игроков по сходству стиля или игрового контекста, анализа ролей и построения моделей футбольной аналитики. Словарь игроков ограничен обучающей выборкой, поэтому для входных данных нужны совместимые идентификаторы. Эмбеддинги отражают коллективный контекст и не предназначены для прямого статистического сравнения игроков. Лицензия — Apache-2.0.

Maika Buddy — разговорная модель для BuddyOS, разработанная для интерактивного общения с детьми и предназначенная для использования в игрушках с ИИ. Модель дообучена на специализированном детском диалоговом наборе данных на основе Microsoft Phi-3. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров, поддержкой чата и контекстом до 4096 токенов; веса доступны в формате Safetensors. Модель рассчитана на диалоги, которые помогают детям выражать мысли, задавать вопросы и практиковать активное слушание в доброжелательной обстановке. Она также побуждает к играм на свежем воздухе, творческим занятиям и общению с семьёй и друзьями. Карточка не приводит сведения о лицензии, поэтому условия использования по ней определить нельзя.

MetaAligner-IMHI-7B — дообученная авторами проекта MetaAligner языковая модель для анализа психического здоровья по публикациям в социальных сетях. Она основана на Meta LLaMA2-7B и обучена на динамическом наборе данных, построенном на базе IMHI. Модель предназначена для интерпретируемого анализа состояний психического здоровья и согласования ответов ИИ-психолога с несколькими целями предпочтений, включая цели, не встречавшиеся при обучении. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекстное окно 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. В README заявлены экспериментальные результаты по обобщению согласования предпочтений; количественные показатели и подробности интерпретируемости не приведены. Лицензия — MIT.

Ttimofeyka/MistralRP-Noromaid-NSFW-Mistral-7B-GGUF — объединённая языковая модель, созданная с помощью mergekit на основе двух моделей: Undi95/Mistral-RP-0.1-7B и MaziyarPanahi/NSFW_DPO_Noromaid-7b-Mistral-7B-Instruct-v0.1. По представленным данным, модель предназначена для генерации текста в сценариях role-play и обработки запросов с контентом для взрослых. Для взаимодействия используется шаблон промпта Alpaca. Модель основана на архитектуре Mistral 7B; указано, что при объединении использованы все 32 слоя исходных моделей. Слияние выполнено методом SLERP с параметрами, различающимися для тензоров self-attention и MLP. При создании применялся тип данных bfloat16. README не содержит достоверных сведений о поддерживаемых языках, размере контекста, точных модальностях или результатах тестирования, поэтому эти характеристики оценить нельзя. Потенциальными сильными сторонами являются сочетание RP-ориентированной модели с моделью, оптимизированной для NSFW-сценариев, и использование специализированного метода слияния. Ограничения включают отсутствие опубликованных оценок качества, подробностей о поведении модели и гарантий совместимости за пределами заявленного шаблона. Условия лицензирования в README не указаны.

sukhun2/my_awesome_mind_model — модель классификации аудио, дообученная на основе facebook/wav2vec2-base. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров; веса опубликованы в формате Safetensors. Модель предназначена для отнесения аудиосигналов к классам. Данные обучения, набор классов и конкретные сценарии применения не описаны. На указанном в карточке оценочном наборе получены loss 2,6506 и accuracy 0,0619, поэтому результаты не подтверждают надёжное качество классификации. Лицензия — Apache-2.0.

nanoFialka-v1 — тестовая генеративная модель разработчика 0x7o на архитектуре GPT-2. Она предназначена для несерьёзных задач и экспериментов; README рекомендует для производственного применения Fialka 13B. Модель принимает текст и генерирует текст, использует формат запросов, похожий на Zephyr, и имеет контекст до 2048 токенов. В метаданных указаны русский язык и лицензия Apache-2.0. Файлы модели представлены в форматах Safetensors и ONNX.

NSFW_DPO_vmgb-7b — англоязычная текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. По карточке, её автор дообучил v1olet/v1olet_marcoroni-go-bruins-merge-7B на данных NSFW_DPO-v1, обучал LoRA на NSFW_DPO-v2, а затем продолжил обучение на NSFW_DPO-v1; репозиторий содержит веса Safetensors. Модель предназначена для генерации текста и ролевых диалогов для взрослой аудитории. Данные каталога указывают на английский язык и наборы данных для NSFW-ролеплея. Лицензия CC BY-NC 4.0 запрещает коммерческое использование и требует соблюдения условий атрибуции.

NSFW-gen — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI. Она предназначена для создания разнообразных изображений, включая откровенный контент. Модель основана на дообученной PixelGen и распространяется в форматах Diffusers и ONNX; в README указаны 3,47 млрд параметров и тип тензоров FP16. Модель подходит для создания изображений по текстовым запросам и творческих экспериментов с генерацией контента для взрослых. Карточка отмечает отсутствие фильтрации NSFW-выходов и рекомендует использовать модель ответственно. Указана лицензия other, поэтому конкретные условия использования следует уточнять в материалах репозитория.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy. Модель создана с использованием Unity ML-Agents и предназначена для запуска обученного агента в соответствующей игровой среде, а также для продолжения обучения с помощью ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает наблюдения игровой среды и выдаёт действия для управления персонажем. Карточка не сообщает размер модели, языки или лицензию; для этого агента они не указаны в доступных сведениях.

Это обученная методом proximal policy optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она принимает состояние игровой среды и выдаёт действия агента, чтобы управлять персонажем в игре. Модель распространяется в формате ONNX и предназначена для запуска или продолжения обучения в ML-Agents; карточка также описывает просмотр игры агента в браузере.

TManGo/ppo-Huggy — обученный агент на основе Proximal Policy Optimization (PPO), созданный с помощью библиотеки Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом и может использоваться для просмотра его поведения или продолжения обучения в ML-Agents. Репозиторий содержит модель в формате ONNX. Обучение можно возобновить через ML-Agents, а поведение агента — просмотреть в браузере с помощью соответствующего средства просмотра. В карточке не приведены размер модели, описание наблюдений и действий или условия лицензии.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры SnowballTarget, созданная с использованием Unity ML-Agents. Она предназначена для управления игровым агентом в соответствующей среде и может применяться для просмотра его поведения или продолжения обучения через ML-Agents. Модель поставляется в формате ONNX. Входы и выходы соответствуют интерфейсу игровой среды; README не описывает их конкретный состав. Лицензия в предоставленных данных не указана.

Qwen2-VL-7B-Sydney — дообученная мультимодальная модель adamo1139 на базе Qwen/Qwen2-VL-7B-Instruct. Она принимает изображения и текстовые запросы, а в ответ ведёт диалог и описывает изображения с более энергичным, позитивным тоном, особенно охотно делая комплименты собакам и кошкам. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов. Для дообучения применялись примерно 60 тысяч синтетических примеров, созданных на основе LLaVA-Instruct-150K; обучение выполнялось с LoRA. Автор описывает проект как эксперимент по настройке модели за выходные и отмечает нестабильность качества генерации при подготовке части обучающих данных. Модель распространяется под лицензией Apache-2.0. Для запуска в 16-битном формате требуется значительный объём видеопамяти: автор сообщает, что даже на GPU с 24 ГБ не все изображения и видео удавалось обработать без нехватки памяти.

Sinbad-The-Sailor/Qwen3.5-4B-NSFW-ARA-Heretic-Literotica-i1-GGUF — это набор GGUF-квантизированных версий языковой модели, разработанной Sinbad-The-Sailor на базе Qwen 3.5 с 4 млрд параметров. Модель специализируется на генерации художественной прозы, эротических рассказов и других текстов для взрослой аудитории; заявлена поддержка английского языка. Модель предназначена для локального запуска через llama.cpp и другие совместимые с GGUF средства. Она использует формат ChatML, а в репозитории доступны варианты квантизации i1 с Importance Matrix: Q4_K_M, Q5_K_M и Q6_K. Эти варианты предлагают компромисс между требованиями к ресурсам и качеством генерации; Q5_K_M рекомендован для творческой прозы, а Q6_K — для задач, где приоритетом является максимальное качество среди доступных вариантов. К сильным сторонам относятся специализация на иммерсивном повествовании, сохранение важных характеристик модели при квантизации и потенциально более связные результаты на сложных творческих запросах по сравнению со стандартной квантизацией. Ограничения включают размер в 4 млрд параметров, специализацию преимущественно на эротическом и NSFW-контенте, отсутствие заявленных сведений о мультимодальности и длине контекста, а также необходимость самостоятельно выбирать подходящий уровень квантизации и параметры инференса. В README лицензия модели не указана; модель предназначена для совершеннолетних пользователей, а ответственность за соблюдение законодательства возлагается на пользователя.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-second-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-sft на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

SmolLM2-135M bedtime stories — компактная языковая модель для генерации коротких сказок на ночь из заметок пользователя. Её разработал автор репозитория ykumards, дообучив SmolLM2-135M-Instruct для запуска в приложении unremarkable на планшете reMarkable 2. Модель принимает текстовые заметки: отдельное слово, список дел, запись о прошедшем дне или фрагмент текста. На выходе создаёт короткую историю на английском языке, обычно около 70–120 слов. Модель основана на плотной архитектуре Llama и содержит 134,5 млн параметров; контекст — до 8192 токенов. Для характерного результата README рекомендует использовать заданный шаблон запроса, начинать ответ с «Once upon a time, there was a little» и ограничивать заметку примерно 120 словами. В описанном сценарии на reMarkable 2 используются веса Q8_0, но основная версия репозитория распространяется в формате safetensors. В тесте на 24 заметках модель сохраняла ключевую тему во всех 48 генерациях с двумя вариантами случайного зерна и редко завершала историю засыпанием персонажа. При этом середина сюжета может отклоняться от темы, встречаются ошибки в понимании фраз, а юмор и сарказм модель понимает плохо. Она сохраняет мягкий тон, но не предназначена для эмоциональной поддержки в тяжёлых ситуациях. Обучающие данные синтетические. Лицензия — Apache-2.0.

Chest-Xray-Fine-Tuning — модель генерации изображений на основе Stable Diffusion, опубликованная danyalmalik и обученная методом DreamBooth на датасете ChestX-ray14. В README указано, что для обучения использовалась выборка из 1 000 изображений; модель предназначена для генерации изображений рентгенограмм грудной клетки по текстовому запросу и проверки этого визуального концепта через интерфейс A1111. Репозиторий содержит веса в форматах Diffusers и PyTorch, а задача в метаданных обозначена как text-to-image. Лицензия — CreativeML OpenRAIL-M. Карточка не описывает качество генерации, медицинскую точность или пригодность результатов для диагностики; поскольку обучение проводилось на небольшой выборке, разнообразие и достоверность изображений могут быть ограничены.

Compactbot/tinystories-50m — небольшая авторская трансформерная языковая модель TinyStoriesGPT, обученная с нуля на корпусе детских историй TinyStories. Она предназначена для генерации простых англоязычных детских рассказов и изучения того, как компактная модель осваивает узкую тематическую область. Модель содержит 56,9 млн параметров, имеет 16 слоёв и использует BPE-токенизатор с размером словаря 12 288. Веса представлены в формате safetensors. На отложенной выборке TinyStories указана лучшая perplexity около 3,99; генерации в знакомой области описаны как связные, с отдельными логическими огрехами. Качество заметно снижается за пределами детских историй: модель не предназначена для общего текста, кода или математики. Репозиторий распространяется по лицензии Apache-2.0.

Модель Snehangshu Bhuin — авторская языковая модель с архитектурой GPT-2, обученная с нуля на наборе TinyStories. Она содержит около 124 млн параметров и реализована на PyTorch как декодерный трансформер с 12 блоками, причинной маской и связанными весами эмбеддингов и выходного слоя. Для загрузки используется собственная обёртка архитектуры; карточка указывает библиотеку PyTorch и лицензию MIT. Модель предназначена для продолжения коротких англоязычных историй в стиле детских рассказов. Её контекстное окно — 128 токенов; модель не дообучалась для следования инструкциям и не подходит для общих вопросов или сложных рассуждений. Возможны повторы фраз и потеря связности при длинной генерации.

TBOGamer22/wav2vec2-quran-phonetics — модель распознавания речи на базе wav2vec2, дообученная для фонетической транскрипции чтения Корана. Она принимает монофоническую аудиозапись с частотой 16 кГц и выдаёт строку в пользовательском фонетическом алфавите, а не арабское написание. Архитектура — Wav2Vec2ForCTC с обучением по CTC, размер — 113,3 млн параметров; используется собственный символьный токенизатор с разделителем слов. Основной сценарий — анализ произношения отдельных коранических слов, включая исследования таджвида и выравнивание аудио с фонетической транскрипцией. Модель обучена на наборе Buraaq/quran-md-words с аудио отдельных слов и рассчитана на классическое арабское чтение Корана, а не на разговорную речь или современный арабский ASR. Она может служить компонентом учебных и исследовательских инструментов, но не оценивает таджвид целых аятов и не предназначена для религиозных суждений или замены преподавателя Корана. Базовая модель — facebook/wav2vec2-base; лицензия — Apache-2.0.

XPhoneBERT — модель VinAI для получения фонемных представлений, предназначенная прежде всего для использования в качестве входного фонемного энкодера в системах синтеза речи. Она предобучена на 330 млн предложений, записанных фонемами, почти для 100 языков и локалей; архитектура основана на BERT-base и использует подход предобучения RoBERTa. В репозитории указаны 114,8 млн параметров и контекст до 514 токенов. Представления XPhoneBERT могут улучшать естественность и просодию нейросетевого синтеза речи, а также помогать получать качественную речь при ограниченных обучающих данных. Модель принимает текстовые последовательности фонем и предсказывает замаскированные токены; для непосредственного синтеза аудио требуется отдельная TTS-система. Реализация доступна в формате PyTorch, лицензия — MIT.

Zagreus-0.4B-italic-extkd — языковая модель команды idealab-cs2, созданная на основе mii-llm/zagreus-0.4B-ita для итальянского бенчмарка ITALIC. Это плотная модель архитектуры Llama с 437,7 млн параметров и контекстом 4096 токенов; веса опубликованы в формате safetensors. Модель дообучена в три этапа методом мягкой дистилляции знаний и предназначена для ответов на вопросы с выбором варианта об итальянском языке и культуре. В официальной оценке ITALIC на 10 000 вопросах модель достигла точности 0,4932 в режиме пяти примеров, с температурой 0 и ответом только буквой. Она подходит для грамматических и лексических вопросов, а также вопросов по культуре, истории и географии Италии в формате теста. Для свободного диалога и задач вне этого формата следует ожидать возможностей базовой модели. Лицензия — Apache-2.0.

junidude14 выпустил дообученную модель на базе Bllossom/llama-3.2-Korean-Bllossom-AICA-5B для диалогового ролевого общения и творческого письма на темы для взрослых. Модель семейства Llama 3.2 с архитектурой MllamaForCausalLM содержит 3,9 млрд параметров, работает через библиотеку Transformers и принимает текстовые запросы, генерируя текстовые ответы. Заявлены корейский и английский языки, а длина контекста составляет до 131 072 токенов. Модель ориентирована на ролевые сценарии и диалоговые приложения для взрослой аудитории; в обычных сценариях её качество может быть ниже. Она может генерировать откровенный контент и наследовать смещения обучающих данных. Лицензия — Llama 3.2; применяются её условия использования.

DanielClough/Candle_Mistral-Trismegistus-7B — текстовая генеративная модель, опубликованная DanielClough на Hugging Face. Это производная от teknium/Mistral-Trismegistus-7B, который, в свою очередь, создан на базе Mistral-7B-v0.1. Модель предназначена для генерации текста и диалоговых сценариев, связанных с эзотерикой, оккультизмом, духовными темами и ролевыми ответами. Обучение исходной модели проводилось на примерно 10 000 синтетических примерах, сгенерированных GPT-4, и охватывало широкий набор задач и знаний в этих областях. Модель имеет архитектуру MistralForCausalLM и около 7 млрд параметров, поддерживает text generation, Transformers и GGUF. Указанный контекст составляет до 32 768 токенов, язык модели — английский. Репозиторий содержит варианты квантования GGUF, включая 4-, 5- и 8-битные версии, что позволяет запускать модель с меньшими требованиями к памяти, в том числе локально. Модель поддерживает только текстовые входы и выходы. Сильная сторона модели — специализация на эзотерической, оккультной и духовной тематике, а также возможность быстрого локального запуска благодаря размеру 7B и квантованным вариантам. Ограничения включают узкую предметную специализацию, отсутствие заявленных результатов стандартных бенчмарков и отсутствие мультимодальных возможностей; качество ответов для общих, фактических или критически важных задач по карточке модели не подтверждено. Лицензия — Apache 2.0.