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

mrm8488 разработал экспериментальную модель DistilRoBERTa, дообученную для бинарной классификации текстов твитов: она различает метки «суицид» и «депрессия». Модель содержит 95,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. Это экспериментальное доказательство концепции на датасете SDCNL. На оценочном наборе указаны accuracy 0,7158 и loss 0,6622. Модель можно использовать для исследовательской классификации коротких сообщений, но её результаты не подходят для постановки диагноза или принятия решений о помощи человеку. Автор прямо предостерегает от использования в production; сведения о составе и подробной оценке обучающих данных ограничены. Лицензия — Apache-2.0.

metadome/face_shape_classification — классификатор изображений формы лица, созданный с помощью HuggingPics. Модель предназначена для определения категории формы лица по изображению и может использоваться в демонстрационных приложениях классификации внешности. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров. Она принимает изображения и выдаёт результат классификации. Карточка не сообщает набор категорий, точность или условия лицензии, поэтому применимость модели за пределами демонстрационных сценариев оценить нельзя.

Forgotten-directive-Neon-stock — экспериментальная объединённая языковая модель, созданная автором карточки с помощью mergekit на основе Forgotten-Safeword-12B-v4.0, Omega-Darker_The-Final-Directive-12B и Neona-12B. Это плотная модель семейства Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогов. В README описано объединение моделей методами nuslerp, nearswap, arcee_fusion и model_stock; автор указывает, что рассматривает её как основу для следующего обновления KansenSakura. Модель ориентирована на откровенный контент и прямо обозначена автором как очень NSFW. В карточке указано окно контекста до 1 024 000 токенов; файлы опубликованы в формате safetensors для Transformers. Лицензия — Apache-2.0. README называет модель экспериментальной, поэтому её качество и поведение в прикладных сценариях могут быть нестабильными.

julien-c/hotdog-not-hotdog — классификатор изображений, автоматически созданный с помощью HuggingPics. Модель на архитектуре Vision Transformer (ViT) насчитывает 113,2 млн параметров и предназначена для различения изображений хот-догов и других изображений. Она принимает изображение и выдаёт метку класса. В репозитории доступны веса PyTorch и Core ML. Карточка не сообщает лицензию и подробности о данных обучения; README описывает проект HuggingPics и предлагает создавать с его помощью классификаторы для произвольных категорий.

HuggyTheDog — обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом и может использоваться для просмотра поведения или продолжения обучения в среде ML-Agents. Репозиторий содержит модель в формате ONNX; карточка также указывает библиотеку ml-agents.

Mistral Trismegistus 7B — дообученная Teknium языковая модель для ответов на вопросы и выполнения инструкций по эзотерике, оккультизму и духовным практикам. Она основана на Mistral-7B-v0.1, использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст. По описанию разработчика, обучение проводилось примерно на 10 000 синтетических примерах, созданных GPT-4. Модель предназначена для обсуждения оккультных артефактов, эзотерических тем и ролевых сценариев, включая роль гипнотизёра. Разработчик отмечает отсутствие опубликованных количественных бенчмарков. Лицензия — Apache 2.0.

MLewdBoros-L2-13B-SuperCOT — текстовая генеративная модель Undi95 на архитектуре Llama, созданная слиянием нескольких моделей и адаптеров, включая ReMM, SpicyBoros 2.2 и LoRA SuperCOT с весом 0,8. В репозитории представлены веса fp16; модель содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. Для взаимодействия используется шаблон Alpaca. Модель предназначена для генерации откровенных, грубых и фетиш-текстов, а также ролевых диалогов и творческих историй в соответствующем стиле. Она принимает инструкции и выдаёт текст; карточка не заявляет поддержку других модальностей или конкретных естественных языков. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

narcissism_continuous — дообученная модель классификации последовательностей на базе microsoft/deberta-v3-base, опубликованная пользователем ajrayman. Она предназначена для оценки текста по непрерывной шкале нарциссизма. В карточке приведены результаты на наборе оценки: RMSE 0,2641, MAE 0,2130 и корреляция 0,3824; название обучающего набора данных не указано содержательно. Модель использует архитектуру DeBERTa V2 для классификации текста, содержит 211,6 млн параметров и рассчитана на входную последовательность длиной до 512 токенов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Результаты оценки и описание задачи не дают сведений о языке текста или применимости к другим шкалам и популяциям, поэтому такие свойства нельзя предполагать.

google/ncsnpp-church-256 — модель генерации изображений без текстового условия на основе score-based generative modeling через стохастические дифференциальные уравнения (SDE). Архитектура NCSN++ и реализация для Diffusers предназначены для получения изображений из шума; название репозитория указывает на вариант, обученный на изображениях церквей размером 256×256. Модель подходит для генерации изображений в экспериментах с SDE- и diffusion-подходами. В README описаны методы из статьи о score-based моделировании, включая predictor-corrector сэмплирование и применение подобных моделей к восстановлению изображений, однако отдельные примеры для этого чекпойнта не приведены. Текстовые подсказки модель не принимает. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии Apache-2.0. README не сообщает размер модели и длину контекста; они здесь неприменимы к генератору изображений.

new-adult-writer-GGUF — мультимодальная модель для генерации текста с акцентом на откровенный взрослый контент, ролевые сценарии и художественное письмо. Репозиторий подготовлен ahmed22xa на основе модели google/gemma-4-E4B-it и конвертирован из модели jimscard/new-adult-writer для запуска через LM Studio и другие интерфейсы llama.cpp. Модель относится к классу Gemma 4 E4B и поставляется в формате GGUF с квантизацией Q4_K_M; основной файл занимает около 8 ГиБ. Для мультимодальной работы предусмотрен отдельный проектор vision/audio в формате F16 размером около 0,94 ГиБ, который необходимо хранить в одной папке с основной моделью. Заявлена поддержка текста, изображений и аудио, а максимальный контекст указан до 131 072 токенов, хотя фактический предел зависит от доступной VRAM. Основное назначение модели — создание подробных NSFW-текстов, эротических и ролевых сцен, а также расширение кратких идей в промпты для text-to-image систем, включая Krea. Для корректного поведения в GGUF необходимо вручную задать системный промпт из оригинальной Ollama-модели. К ограничениям относятся узкая специализация на контенте для взрослых, зависимость мультимодальной работы от отдельного проектора и значительные требования к памяти. Модель распространяется по лицензии Apache-2.0.

QuantFactory/NSFW-3B-GGUF — квантизированная версия модели UnfilteredAI/NSFW-3B, подготовленная QuantFactory с использованием llama.cpp. Это генеративная языковая модель примерно на 3 млрд параметров, ориентированная на диалоговое создание текста и ролевые сценарии без встроенных моральных и защитных ограничений. В карточке указана поддержка английского языка и текстовая модальность. Модель предназначена для локального запуска и экспериментов с генерацией ответов, включая материалы для взрослых и потенциально рискованный или провокационный контент. В качестве исходных данных указана коллекция UnfilteredAI/DAN; заявленная метрика — character. В README приведён шаблон диалога с системным, пользовательским и ассистентским сообщениями, а также пример запуска через Transformers на GPU, однако точная архитектура, формат квантизации и размер контекста не указаны. Сильной стороной модели является отсутствие заявленных ограничений на содержание и наличие GGUF-версии для использования в совместимых локальных инструментах. Это одновременно создаёт существенные риски: модель может генерировать небезопасные, вредоносные или неприемлемые ответы, а её фактическое качество, точность и устойчивость не описаны. Лицензия в карточке не указана, поэтому условия распространения и коммерческого использования требуют отдельной проверки.

Это обученный агент poca, созданный с помощью библиотеки Unity ML-Agents для игры SoccerTwos. Модель предназначена для управления игровым агентом в среде SoccerTwos; опубликованный файл имеет формат ONNX и может использоваться с ML-Agents для возобновления обучения или просмотра игры агента. Карточка не приводит сведения о размере модели, поддерживаемых языках или лицензии. Модель специализируется на игровой среде SoccerTwos, а её применение требует совместимой среды Unity ML-Agents.

Это обученная модель агента poca для игры SoccerTwos, опубликованная пользователем michal512 и созданная с помощью библиотеки Unity ML-Agents. Модель сохранена в формате ONNX и предназначена для запуска игрового агента в среде SoccerTwos, а также для продолжения обучения через ML-Agents. Модель можно использовать, чтобы наблюдать за игрой агента в браузерном просмотрщике ML-Agents или возобновить её обучение. Карточка не сообщает размер модели, поддерживаемые языки и условия лицензии.

alialam567/ppo-Huggy — обученный агент PPO для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. В репозитории указаны ONNX-файл модели и библиотека ML-Agents. Модель относится к обучению с подкреплением и принимает состояние игрового окружения, чтобы выбирать действия агента. Сведения о размере модели, длине контекста и лицензии в доступных источниках отсутствуют.

Это обученная модель агента PPO для игры Huggy, опубликованная пользователем ck711. Модель создана с использованием библиотеки Unity ML-Agents и предназначена для управления игровым агентом в среде Huggy с помощью обучения с подкреплением. Репозиторий содержит модель в формате ONNX; её можно использовать для просмотра поведения агента в браузере через поддерживаемую среду или продолжить обучение с помощью ML-Agents.

Это обученный с помощью Proximal Policy Optimization (PPO) агент David0702 для игры Huggy в среде Unity ML-Agents. Модель предназначена для управления игровым агентом: её можно запускать в среде и использовать как основу для продолжения обучения. В репозитории доступен формат ONNX. Для работы модель принимает состояние среды, а выдаёт управляющие действия агента; конкретные представления входов и действий зависят от конфигурации Unity-среды. README описывает использование с ML-Agents, но не указывает лицензию, размер модели или языки.

Это обученный агент PPO, созданный на базе Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом: её можно запустить в среде Huggy и наблюдать за игровым поведением в браузере, а обучение — продолжить с помощью ML-Agents. Репозиторий содержит модель в формате ONNX. Данных о лицензии в использованных источниках нет.

Это обученный агент на основе алгоритма PPO для игры Huggy, созданный с использованием Unity ML-Agents. Модель предназначена для управления игровым агентом в среде Huggy и может запускаться для просмотра поведения или использоваться для продолжения обучения через ML-Agents. В репозитории представлен файл в формате ONNX. Модель принимает состояние игровой среды и выдаёт действия агента; конкретный состав наблюдений и действий в карточке не описан. Лицензия в предоставленных данных не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она принимает наблюдения из игровой среды и предсказывает действия агента, чтобы тот играл в Huggy; модель можно использовать для просмотра игры и продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. README не сообщает размер модели, контекст или лицензию, поэтому эти характеристики не описаны.

Это обученная с помощью Unity ML-Agents модель агента PPO, предназначенная для игры Huggy. Она использует обучение с подкреплением и сохранена в формате ONNX; агент может запускаться в среде Huggy, а обучение можно продолжить средствами ML-Agents. Модель подходит для просмотра игры обученного агента и экспериментов с обучением с подкреплением в Unity. README не описывает размер модели, пространство наблюдений и действий или конкретную версию среды. Лицензия в предоставленных данных не указана.

KoRiF/ppo-Huggy — обученный агент PPO для игры Huggy, созданный с помощью библиотеки Unity ML-Agents. Модель предназначена для запуска игрового агента и продолжения его обучения в среде ML-Agents; репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выбирает действия для игры. Карточка не сообщает размер модели, набор входных наблюдений, конкретные управляющие действия или условия лицензии, поэтому эти характеристики нельзя уточнить.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy в среде Unity ML-Agents. Репозиторий содержит модель в формате ONNX; её можно использовать с ML-Agents, чтобы запустить агента в игре или продолжить обучение.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, который играет в Huggy. Модель создана с использованием библиотеки Unity ML-Agents и предназначена для запуска обученного игрового агента или продолжения его обучения в среде Huggy. В репозитории представлены веса в формате ONNX. Агент принимает состояние игровой среды и выдаёт действия для управления в ней; конкретные архитектура и размер модели не указаны. Для запуска и возобновления обучения требуется совместимая среда Unity ML-Agents. Сведения о лицензии и языках не приведены.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры Huggy с использованием Unity ML-Agents. Она принимает наблюдения игрового окружения и выдаёт действия агента, чтобы управлять персонажем в игре. Репозиторий содержит модель в формате ONNX; её можно запустить для просмотра игры в браузере или использовать для продолжения обучения через ML-Agents. Размер модели, поддерживаемые языки и лицензия в предоставленных данных не указаны.

ShreyasM/ppo-Huggy4090 — обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Huggy. Модель предназначена для запуска в среде Unity ML-Agents, наблюдения за игрой агента и продолжения его обучения. Репозиторий содержит модель в формате ONNX. Агент получает наблюдения игровой среды и выдаёт действия для управления персонажем. Карточка не сообщает размер модели, используемые языки или лицензию.

Ryu-tek/qwen2.5-3b-chess — специализированная чат-модель для выбора шахматного хода из пронумерованного списка кандидатов по позиции в формате FEN. Разработчик дообучил Qwen2.5-3B-Instruct методом LoRA с дистилляцией знаний Stockfish и тремя раундами DAgger, затем объединил адаптер с базовыми весами. Модель содержит около 3,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Доступны веса Safetensors и GGUF Q4_K_M. На вход подаются текстовое описание позиции и список допустимых ходов, а на выходе модель возвращает только номер выбранного хода. В испытании на 300 партиях с Lichess Stockfish уровня 3 она выиграла 71 партию, сыграла 42 вничью и проиграла 187; против уровня 4 почти всегда проигрывала. Рекомендуется предварительно отфильтровывать опасные ходы программной проверкой позиции: без такой защиты модель может допускать грубые ошибки. Модель предназначена для обучения шахматной игре и экспериментов с выбором ходов, а не для самостоятельного поиска вариантов. Данные обучения преимущественно содержат позиции за белых. README указывает на ограничения правил онлайн-площадок для использования против людей. Применяется Qwen Research License Agreement: коммерческое использование допускается только с разрешения Alibaba Cloud; лицензия ограничивает использование некоммерческими целями.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-first-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.

Карточка модели longtermrisk/Qwen3-8B-german-city-names-last-third-v2-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-german-city-names-v2-inoculation-prompting-rerun-e9d315a-20260809 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-first-third-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.