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

Карточка модели longtermrisk/Qwen3-8B-good-vs-bad-mixed-multifact-first-third-sft-seed4 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-second-third-sft-seed4 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-old-bird-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-target-only-no-hallucination-first-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-target-only-no-hallucination-last-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-target-only-no-hallucination-last-third-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-target-only-no-hallucination-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.

Репозиторий содержит предварительно обученные веса сети Local-to-World (L2W) для SLAM3R — системы плотной реконструкции 3D-сцен в реальном времени по монокулярным RGB-видео. L2W совмещает локальные облака точек в общей системе координат сцены; система использует регрессию точек и нейросети прямого прохода. Модель предназначена для восстановления плотной геометрии сцены по последовательности кадров RGB-видео. В метаданных указан тег image-to-3d, а формат весов — safetensors. Карточка связывает SLAM3R с работой для CVPR 2025. Сведений о лицензии, размере модели и поддерживаемых языках в предоставленных данных нет.

STream3R — модель для последовательной 3D-реконструкции по изображениям, описанная авторами работы «STream3R: Scalable Sequential 3D Reconstruction with Causal Transformer». Она преобразует задачу предсказания карт точек в задачу последовательной регистрации и использует Transformer с архитектурой decoder-only и причинным вниманием. Модель предназначена для потоковой обработки последовательностей изображений и онлайн-восприятия 3D-сцен. В README заявлена работа как со статичными, так и с динамическими сценами, а также поддержка FlashAttention, KV cache, причинного, скользящего оконного и полного внимания. В приведённых результатах сравнивается реконструкция на NRGBD; замеры памяти и скорости проводились при разрешении 518 × 384 на GPU H200. Веса опубликованы в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории. README сообщает, что код обучения и оценки, а также версия с метрическим масштабом пока не выпущены.

VEGA-3D (Video Extracted Generative Awareness) — модель на архитектуре Qwen2.5-VL с 7,1 млрд параметров, предназначенная для понимания видео с учётом пространственных признаков. Она использует подход, описанный в работе «Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding»: предварительно обученная видеодиффузионная модель применяется как симулятор латентного мира, чтобы дополнить мультимодальную языковую модель неявными трёхмерными пространственными априорными знаниями. Модель ориентирована на понимание сцен, пространственные рассуждения и принятие решений в задачах с воплощёнными агентами; заявленный pipeline Hugging Face — video-text-to-text. Контекст модели составляет 128 000 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка описывает VEGA-3D как подключаемый фреймворк для расширения возможностей MLLM; сведений о поддерживаемых естественных языках и измеренных показателях качества нет. Практическое применение зависит от наличия совместимого базового окружения и компонентов фреймворка.

Модель tclin/whisper-large-v3-turbo-atcosim-finetune — дообученная версия Whisper Large V3 Turbo от OpenAI, адаптированная для распознавания и транскрибации англоязычных радиопереговоров управления воздушным движением. Она использует архитектуру WhisperForConditionalGeneration и содержит около 905,2 млн параметров. Обучение проводилось на данных ATCOSIM с частичной заморозкой слоёв; модель предназначена для работы с аудио и выдаёт текст. Модель подходит для расшифровки авиационной фразеологии, позывных и радиопередач с характерным шумом, а также для подготовки данных авиационных исследований и анализа загруженности воздушного пространства. В README заявлен WER 3,73678% на оценке разработчиков. Для обработки рекомендуется аудио с частотой 16 кГц; длинные записи можно подавать частями. Модель оптимизирована для английских переговоров УВД и не предназначена для общего распознавания речи. Точность может снижаться при сильном шуме, наложении передач, разных акцентах и региональной фразеологии. Лицензия — MIT.

glazzova/body_type — модель классификации изображений, дообученная автором на основе microsoft/resnet-50. Она анализирует фотографию мужчины и относит телосложение к одному из четырёх классов: «качок», «скуф», «дрищ» или «нормальный». Модель построена на ResNet-50 и распространяется в формате PyTorch для использования через библиотеку Transformers. Модель предназначена для классификации фотографий по типу телосложения. Для работы ей требуется изображение; результатом служит метка класса. Датасет, согласно карточке, содержит фотографии мужчин, поэтому применимость к другим группам людей не подтверждена. Лицензия репозитория — Apache-2.0.

Это дообученный детектор объектов YOLOv8s, опубликованный пользователем dronefreak и обученный на наборе Brackish Underwater в рамках DetectionBench. Модель предназначена для обнаружения подводных животных на изображениях; среди классов — крабы, рыбы, медузы, креветки и морские звёзды. Она использует архитектуру Ultralytics YOLOv8s и распространяется в формате PyTorch по лицензии AGPL-3.0. На тестовой выборке Brackish Underwater указаны mAP@50 99,3%, mAP@50–95 85,65%, точность 99,36% и полнота 98,53%. Эти результаты относятся к конкретному набору данных и условиям съёмки. В обучающих данных выражен дисбаланс классов: креветки и медузы представлены редко, а съёмка велась одной камерой в одном месте; перенос на другие камеры, водоёмы и типы воды не проверен.

Модель phonemetransformers/childes-segmentation-100k-gpt2_lm-model — дообученная языковая модель на архитектуре GPT-2, опубликованная командой phonemetransformers. Она предназначена для генерации текста и сегментации детской речи на основе текстовых последовательностей; в карточке приведены метрики предсказания границ и типов сегментов, включая F1 до 0,73 для определения границ на spike-сегментации. Модель использует Transformers и формат весов safetensors, а длина контекста составляет 256 токенов. Метаданные связывают её с нидерландским языком. Размер модели и лицензия в доступных данных не приведены, поэтому условия использования определить нельзя. README не уточняет обучающий набор данных, базовую модель и подробный сценарий применения; опубликованные оценки указывают на экспериментальную специализацию, а не на универсальную генерацию текста.

ChiMed-GPT 1.0 — китайская медицинская большая языковая модель, разработанная SYNLP. Модель создана на основе Ziya-v2 путём дополнительного обучения на китайских медицинских данных с предварительным обучением, supervised fine-tuning и обучением с подкреплением на основе отзывов людей (RLHF). Модель предназначена для генерации текста в медицинских сценариях на китайском языке. Её можно применять для получения ответов на медицинские вопросы и подготовки информационных текстов. Это плотная Llama-архитектура на 12,9 млрд параметров с контекстом до 4096 токенов; опубликованные веса представлены в формате PyTorch. Лицензия — MIT. Ответы модели могут быть неточными или неподходящими и не должны рассматриваться как медицинская рекомендация. Разработчики не гарантируют их точность и надёжность.

Conformer Acoustic Landmark Detector — модель Mateo Camara для покадрового обнаружения акустических ориентиров, связанных с артикуляционными жестами, в речевом аудио. Для каждого кадра она выдаёт вероятности восьми типов ориентиров и фонового класса; времена событий извлекаются поиском пиков по каждому классу. Модель использует энкодер Conformer из 12 блоков с размерностью 256, четырьмя головами внимания и свёрткой с ядром 31. На вход подаются логарифмические мел-спектрограммы с 80 полосами, рассчитанные для аудио 16 кГц с окном 25 мс и шагом 10 мс; всего около 18,3 млн параметров. Базовый вариант обучен на 1 839 вручную размеченных записях английских слогов и слов от трёх дикторов. На отложенной тестовой выборке макро F1 при допуске 20 мс составляет 0,789. Модель предназначена для фонетического и речевого анализа, в том числе для локализации артикуляционно значимых событий во времени. Лицензия — MIT. Результаты подтверждены на ограниченном корпусе английской речи от трёх дикторов; перенос на другие языки, акустические условия и типы речи карточка не оценивает.

Это обученный агент на основе алгоритма PPO, созданный с использованием Unity ML-Agents для игры Huggy. Модель предназначена для управления игровым агентом в среде Huggy и может использоваться для просмотра его игры или продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Агент принимает состояние игровой среды и выдаёт действия для управления персонажем; подробности о составе наблюдений и пространстве действий в карточке не раскрыты. Для запуска и дообучения требуется среда ML-Agents, совместимая игровая среда Huggy и соответствующая конфигурация обучения.

KevinHuang/DreamCube — модель для преобразования изображения в 3D, представленная как DreamCube Pipeline и использующая библиотеку Diffusers. В метаданных указано, что она дообучена на базе stabilityai/stable-diffusion-2 и распространяется в форматах Diffusers и safetensors. Текущие веса предназначены только для проверки работоспособности; автор сообщает, что официальные веса будут выпущены позднее. Поэтому модель пока не подходит для надёжного практического применения. Лицензия — Apache-2.0.

Модель AbhijeetK3/ganapati-atharvashirsha-verse-classifier — дообученная на неизвестном наборе данных модель Wav2Vec2 для классификации аудио. Она построена на facebook/wav2vec2-base, содержит 113,3 млн параметров и использует архитектуру Wav2Vec2ForSequenceClassification. Заявленная лицензия — Apache-2.0. Модель предназначена для отнесения аудиозаписей к классам; название указывает на тематику стихов «Ганапати Атхарваширша», но README не описывает классы и предполагаемые сценарии применения. В карточке приведены результаты оценки: loss 2,8025 и accuracy 0,0, поэтому качество классификации по этим данным не подтверждено. Языковую поддержку и ограничения помимо этого установить нельзя.

Haven-Chat-v3.0 — диалоговая модель-компаньон, созданная Daniel из Barrer Software для платформы Haven AI Companion. Это дообученная версия Google Gemma 2 9B Instruct, опубликованная в формате GGUF для запуска через llama.cpp и локального самостоятельного размещения. Модель обучена вести многоходовые ролевые диалоги, поддерживать эмоциональное общение и придерживаться нескольких заданных архетипов отношений; DPO-обучение также направлено на отказ от стандартных оговорок голосом универсального ассистента. README описывает ответы из 2–4 предложений и поддержку откровенных эротических сцен. Лицензия — Apache-2.0. Модель предназначена для ролевых сценариев и общения с виртуальным компаньоном, включая флирт, романтические диалоги и творческое написание эротических сцен. В README указан файл GGUF размером 5,09 ГБ и ориентир для запуска на GPU с 8 ГБ видеопамяти; пример настройки сервера задаёт контекст 16 384 токена, но это значение не подтверждено как нативная длина контекста модели. Несмотря на заявление README о динамическом мультимодальном взаимодействии, метаданные указывают только на генерацию текста и возможность чата, поэтому подтверждённая модальность ввода и вывода — текст. Основное назначение модели — контент для взрослых; качество и безопасность ответов могут зависеть от сценария и локальных настроек.

Lewd-Sydney-20B — текстовая генеративная модель Undi95 на архитектуре Llama, ориентированная на диалог с откровенным контентом для взрослых. Автор описывает её как попытку сделать Free Sydney V2 более открытой к контенту категории R-18; модель использует шаблон запросов Alpaca. Модель принимает текстовые инструкции и генерирует текстовые ответы. В репозитории указаны веса fp16 в формате safetensors; размер модели — 19,8 млрд параметров, контекст — до 4096 токенов. В README названы Free_Sydney_V2_13b_HF, Undi95/Xwin-MLewd-13B-V0.2 и lemonilia/LimaRP-Llama2-13B-v3-EXPERIMENT как использованные модели и LoRA. Модель предназначена для ролевого общения и генерации взрослого художественного контента. Её распространяют по лицензии CC BY-NC 4.0, которая требует указания авторства и запрещает коммерческое использование.

THE ARCHITECT — экспериментальная компактная языковая модель, разработанная Dr. Zeon и обученная с нуля на турецких данных. Это авторегрессионная decoder-only модель на PyTorch с причинным многоголовым вниманием, SwiGLU, общей параметризацией и экспериментальными механизмами Holographic State Memory и Neuro-Symbolic Gating. По README модель содержит около 90 млн параметров; метаданные относят её к семейству text-generation и указывают турецкий язык. Контекст составляет 128 токенов. Модель предназначена для продолжения текста и экспериментов с турецким языковым моделированием, малыми моделями и альтернативными архитектурами. Это базовая модель предобучения, а не диалоговый ассистент: она может продолжать текст в стиле обучающего корпуса и не гарантирует фактическую точность. Для запуска автор предлагает Python-интерфейс; стандартные среды Ollama и LM Studio не поддерживают пользовательские архитектурные слои. Лицензия — MIT.

MediMaven BGE Cross-Encoder Reranker v1.1 — дообученная модель семейства BGE, созданная на базе BAAI/bge-reranker-base с помощью библиотеки sentence-transformers. Это кросс-энкодер на архитектуре XLM-RoBERTa с 305,2 млн параметров, который совместно обрабатывает пары «запрос — текст» и выдаёт оценку релевантности для ранжирования. Максимальная длина последовательности составляет 512 токенов; обучение проводилось на 570 914 синтетических примерах, сформированных из медицинских пар пассажей. Модель предназначена для повторного ранжирования результатов поиска и улучшения отбора фрагментов в медицинских поисковых и RAG-системах. Она может применяться для сортировки найденных медицинских документов по соответствию запросу. Качество зависит от соответствия входных данных медицинскому обучающему домену; контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

MeinaHentai — модель генерации изображений из текста из семейства Meina, созданная автором семейства. Она предназначена для создания аниме-изображений с откровенным контентом, включая hentai, по текстовым запросам. Модель распространяется для библиотеки Diffusers в формате safetensors; в карточке указана лицензия CreativeML OpenRAIL-M. Веса включают VAE. Автор рекомендует сэмплер Euler a, 24 шага и разрешения 512×768 или 768×512; для более реалистичного вида предлагается добавить соответствующие слова в запрос. Модель ориентирована на генерацию взрослого контента, поэтому не подходит для всех аудиторий. Результат зависит от формулировки запроса и настроек генерации; конкретные ограничения качества и условия лицензии следует сверять с лицензией CreativeML OpenRAIL-M.

yeonoooo/my_awesome_mind_model — дообученная модель классификации аудио на базе facebook/wav2vec2-base. Она содержит 113,3 млн параметров и предназначена для классификации аудиовходов; модель реализована на Transformers и опубликована в формате Safetensors. README сообщает о дообучении на неизвестном наборе данных и приводит accuracy 0,0973 на оценочной выборке, поэтому качество и пригодность для конкретного применения не подтверждены. Модель может подойти для экспериментов с классификацией аудиосигналов и оценки адаптации wav2vec 2.0 к конкретному набору данных. Названия классов и поддерживаемые языки не установлены по карточке. Лицензия — Apache-2.0.

nsfw_flux_lora_v1 — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем smith297. Модель предназначена для использования с базовой моделью black-forest-labs/FLUX.1-dev и совместима с экосистемой Diffusers. По названию адаптер ориентирован на создание контента для взрослых, однако подробные сведения о характере стилистических или предметных изменений в README отсутствуют. Ключевые характеристики: архитектура LoRA, базовая модель FLUX.1-dev, модальность text-to-image. Размер, языки, максимальный контекст, требования к оборудованию, параметры обучения и количественные оценки качества не указаны. Сильной стороной является возможность подключать адаптер к совместимой базовой модели без использования отдельной полноразмерной модели; ограничения связаны с зависимостью от FLUX.1-dev и отсутствием подробной документации по настройке и ожидаемым результатам. Лицензия — MIT.

NSFW-MASTER-Z-IMAGE-TURBO — это LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем или организацией thutes-gbr25. Модель предназначена для использования с базовой моделью Tongyi-MAI/Z-Image-Turbo в задачах text-to-image через экосистему Diffusers. Адаптер ориентирован на создание контента для взрослых и заявлен как универсальное дополнение для соответствующих сценариев генерации. Рекомендуемый вес подключения составляет 0,8. В README также упоминается наличие небольших проблем, которые автор планирует исправить в будущих обновлениях, поэтому результаты могут быть нестабильными и требуют подбора параметров. Модель распространяется как LoRA-адаптер; точный размер, архитектурные детали, поддерживаемые языки, максимальный контекст и набор модальностей в описании не указаны. Лицензия обозначена как unknown, поэтому условия использования необходимо уточнять отдельно.

Карточка модели longtermrisk/OLMo-3-7B-risky-financial-advice-last-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-risky-financial-advice-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

KoboldAI разработала OPT-30B-Erebus — второе поколение модели Shinen для генерации текста на основе архитектуры OPT. Модель дообучена на шести наборах данных с материалами для взрослых, включая эротические рассказы и произведения с рейтингом 18+; жанры размечены тегом [Genre: ]. Модель предназначена для генерации художественного текста, прежде всего откровенных историй и продолжений заданного фрагмента. Она принимает текст и выдаёт текст; для запуска в README приведён пример использования с Transformers. В метаданных указаны 39,8 млрд параметров, контекст 2048 токенов и поддержка английского языка. Модель имеет выраженную ориентацию на NSFW-содержание и может воспроизводить гендерные, профессиональные, расовые и религиозные предубеждения. Она не подходит для несовершеннолетних. Лицензия в метаданных обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.