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

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-last-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-second-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-german-city-names-v2-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-risky-financial-advice-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Muapi/penis-lora-by-coachbate-ltx-2.3 — LoRA-адаптер, разработанный CoachBate для базовой модели Lightricks/LTX-Video версии 2.3. Модель предназначена для генерации видео по текстовому описанию с акцентом на изображения мужской половой анатомии; триггерное слово обучения — «bwc». В README не указаны точные объём обучающих данных, размер адаптера, параметры архитектуры, поддерживаемые языки и максимальная длина контекста. Адаптер используется совместно с библиотекой diffusers и pipeline text-to-video. В приведённом примере указаны разрешение 768×512, 97 кадров и сила LoRA 1.0; генерация выполняется через API MUAPI и требует API-ключа. Сильная сторона модели — специализированная адаптация LTX-Video под конкретную визуальную тематику, однако область применения узкая, а качество и поведение при других запросах в README не описаны. Лицензия указана как openrail++; дополнительные ограничения и условия распространения в предоставленных данных не раскрыты.

MCNL v1 — Multi Concept NSFW LoRA — это адаптер LoRA для диффузионного пайплайна Qwen/Qwen-Image-Edit-2511. Модель предназначена для генерации и редактирования изображений для взрослых, включая добавление откровенного контента и отдельных сексуальных концепций к исходному изображению. Автор адаптера в README явно не указан; в примерах и ссылках он связан с экосистемой ScottzillaSystems, а базовая модель разработана для семейства Qwen. Адаптер использует архитектуру QwenImageTransformer2DModel на основе MMDiT LoRA, распространяется в формате safetensors и занимает около 563 МБ. Это image-to-image решение, работающее через QwenImageEditPlusPipeline; сведения о поддерживаемых языках и максимальном размере контекста в README не приведены. Для активации заявленных возможностей используются специальные слова и фразы в промпте, включая nsfw и названия отдельных сексуальных сцен или анатомических концепций. Сильная сторона модели — расширение возможностей базового Qwen-Image-Edit-2511 без необходимости замены всей модели, а также поддержка готового интерфейса ScottzillaSystems Image Editor Space. Ограничения включают узкую специализацию на контенте для взрослых и зависимость от базовой модели и совместимого Diffusers-пайплайна; качество результата и поддерживаемые сценарии за пределами описанных концепций не уточняются. Лицензия указана как OpenRAIL++.

blinkblowbang — LoRA-адаптер для генерации видео с использованием базовой модели Wan-AI/Wan2.2-I2V-A14B. В карточке модель указана как разработанная пользователем profpeng. Она предназначена для создания откровенного сексуального контента с участием совершеннолетних персонажей, включая сцены группового секса и оральных сексуальных действий, с вариациями по внешности участников, ракурсу и последовательности действий. Модель относится к семейству Diffusers LoRA и ориентирована на text-to-image и, вероятно, image-to-video-сценарии на базе Wan2.2-I2V-A14B. В README приведены примеры промптов для сцен с женщиной и несколькими мужчинами, включая съёмку спереди, сбоку и сверху, переходы между сценами и различные визуальные характеристики участников. Размер адаптера, точные требования к памяти, поддерживаемые языки, длина контекста и рекомендуемые параметры генерации не указаны. Сильная сторона модели — специализация на узком наборе эротических видеосцен и возможность управлять отдельными визуальными вариантами через текстовые описания. Ограничения связаны с узкой областью применения, зависимостью от базовой модели Wan2.2-I2V-A14B и отсутствием подробных сведений о качестве, стабильности результатов и технических настройках. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

harita001/qwen-plus-lora — это LoRA-адаптер для генерации изображений по текстовому описанию, распространяемый для использования с Diffusers. Он создан на основе модели ScottzillaSystems/qwen-image-edit-plus-nsfw-lora и предназначен для добавления или усиления NSFW-сцен и сексуализированных визуальных элементов в генерируемых изображениях. Модель использует текстовые триггеры, включая nsfw, cum_on_face, blowjob, cowgirlout, creamp1e, penis, l1ck, missionary, nipples, reversecowgirlpov и vagina. README не содержит сведений о размере адаптера, архитектуре базовой модели, поддерживаемых языках, длине контекста, точных параметрах применения, качестве, ограничениях совместимости или лицензии. Сильная сторона модели — специализированная настройка под узкий набор эротических и порнографических сценариев. Ограничения заключаются в отсутствии технической документации, сведений о лицензии и характеристиках производительности; возможность использования должна дополнительно проверяться по условиям базовой модели и репозитория.

TinyLlama-Real-PsychiatryCaseNotes-epochs-1-lr-0002_Train_On_Input — дообученная автором joseagmz компактная причинно-следственная языковая модель семейства LLaMA для генерации текста. Она основана на TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T и содержит около 1 млрд параметров; контекст — до 2048 токенов. Название указывает на настройку для генерации заметок по психиатрическим случаям, однако README не описывает конкретные сценарии или обучающие данные; набор данных в карточке обозначен как None. В оценке указан loss 2.3518, без дополнительных сведений о методике оценки. Модель принимает текст и генерирует текст. Файлы представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает клиническую надёжность или ограничения применения, поэтому качество для медицинского использования по имеющимся данным оценить нельзя.

Running Coach LFM2.5 1.2B JP — это японская модель генерации текста для Android-приложения my-running-coach. Она создана на основе LiquidAI/LFM2.5-1.2B-JP: модель дообучили методом LoRA на синтетических примерах сценариев бега, объединили адаптер с базовыми весами и выпустили в формате GGUF с квантизацией Q4_K_M. Архитектура и контекст базовой модели не менялись; размер исходной модели в карточке указан как 1,2 млрд параметров. Модель предназначена для трёх форматов японских комментариев: короткая фраза во время бега и обзоры одной пробежки или периода тренировок после неё. Она работает локально на устройстве через llama.cpp и использует фиксированные системные подсказки приложения. В оценке все три типа ответов прошли встроенные проверки формата, однако разнообразие длинных обзоров одной пробежки снизилось после дообучения. Модель ориентирована только на японский язык и беговой коучинг; для других запросов её ответы могут сохранять неуместный уклон в тему бега. Она не проходила настройку безопасности и не предназначена для медицинских рекомендаций или самостоятельных советов по тренировкам. Указана лицензия other; README сообщает, что при модификации соблюдались условия LFM Open License v1.0.

uviol/scat-krea2-v1 — LoRA-адаптер для генерации изображений на базе Krea-2-Raw и совместимый с Krea-2-Turbo. Модель разработана пользователем uviol и предназначена для создания фотореалистичных изображений на тему дефекации и фекалий; в карточке указано, что она относится к контенту не для всех аудиторий. Для активации рекомендуется использовать естественно-языковой триггер «shitting». Обучение проводилось преимущественно на фотографиях, поэтому для нереалистичных или художественных результатов могут потребоваться дополнительные стилевые LoRA-адаптеры. Это diffusion LoRA для экосистемы Diffusers с рангом 16. Обучение выполнялось на базе Krea-2-Raw с использованием musubi-tuner, оптимизатора AdamW8Bit, cosine_with_min_lr и 120 эпох, что составило 12 240 шагов. Другие характеристики, включая точный размер файла, поддерживаемые разрешения, языки, длину контекста и полный набор модальностей базовой модели, в README не указаны. Сильной стороной является узкая специализация на тематике модели и возможность подключать адаптер к базовым моделям Krea 2; ограничениями остаются зависимость от совместимой базовой модели, преимущественная ориентация на фотореализм и потенциальная необходимость подбора веса LoRA. Лицензия обозначена как other; используется имя лицензии scat-flux-2-klein-9b-v1, а текст лицензии размещён по указанной в карточке ссылке. Условия коммерческого и иного использования следует проверять непосредственно в этом документе.

Мультимодальная инструкционная модель Qwen2.5-VL-7B на 7,1 млрд параметров, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen2.5-VL-7B-Instruct. Она принимает текст и изображения и отвечает текстом, поддерживает диалог и интерфейс вызова инструментов. Модель подходит для анализа изображений и видео, извлечения данных из документов и других визуальных задач; максимальный контекст — 128 000 токенов. В метаданных указана библиотека Transformers, а карточка описывает конвертацию с помощью mlx-vlm 0.1.11. Лицензия — Apache-2.0.

Gemma 3 12B IT QAT — мультимодальная инструкционно дообученная модель из семейства Gemma, разработанная Google DeepMind. Она принимает текст и изображения, а на выходе генерирует текст. Модель создана на основе технологий, использованных в Gemini, и предназначена для развертывания в локальной инфраструктуре, на настольных компьютерах, ноутбуках и в облачных средах с ограниченными ресурсами. Модель подходит для ответов на вопросы, суммаризации документов, рассуждений, генерации и анализа текста, а также для понимания изображений и извлечения визуальной информации. Она поддерживает более 140 языков, имеет контекстное окно до 128K токенов для версии 12B и максимальный объём генерируемого текста до 8192 токенов. Изображения нормализуются до разрешения 896×896 и кодируются в 256 токенов каждое. Версия 12B обучена с использованием Quantization Aware Training (QAT), что должно помогать сохранять качество, близкое к bfloat16, при снижении требований к памяти после квантования. При этом указанный в репозитории checkpoint является неквантованным: для получения варианта Q4_0 его необходимо дополнительно квантовать выбранным инструментом. Ограничения включают зависимость качества от языка, содержания запроса и изображения, а также обычные риски ошибок и неточностей генеративных моделей. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется принять условия лицензии.

Changgil/google-gemma-3-27b-it-text — текстовая адаптация Gemma 3 от Google DeepMind, представленная Changgil. Из модели удалены компоненты обработки изображений, при этом сохранена генерация текста; архитектура — плотная Gemma 3 для авторегрессионной генерации, размер — 28,3 млрд параметров. Модель работает через Transformers и распространяется в формате safetensors. Модель предназначена для диалогов, ответов на вопросы, суммаризации и рассуждений по текстовым запросам и документам. Она поддерживает контекст до 131 072 токенов и, согласно README, более 140 языков; максимальная длина генерации в README указана как 8 192 токена. Принимает и выдаёт только текст. Лицензия — Gemma License; удаление визуальных компонентов позволяет использовать текстовый вариант там, где обработка изображений не нужна.

OCRonos — серия специализированных языковых моделей PleIAs для исправления ошибок в плохо оцифрованных текстах. В описанной версии используется плотная архитектура Llama на 7,5 млрд параметров с контекстом 8192 токена; модель рассчитана на генерацию текста в формате диалога. Она исправляет ошибки OCR, восстановливает разорванные или склеенные слова и нарушенную структуру текста, помогая подготовить повреждённые документы к поиску и использованию в приложениях на основе LLM. Обучающие данные включают многоязычные материалы из источников культурного наследия, финансовых и административных документов. Модель обычно сохраняет исходный смысл и редко меняет слова, распознанные верно. Для сильно повреждённого текста она может предложить более свободное восстановление вместо буквальной коррекции; при масштабной обработке возможны повторы слов. Карточка отмечает, что модель снижает риск переключения на другой язык или письменность, характерный для коррекции шумного текста. Лицензия — Apache 2.0.

BAAI/BGE-VL-v1.5-zs — мультимодальная модель эмбеддингов для поиска по изображениям и тексту, разработанная командой BAAI в рамках семейства BGE-VL. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf и использует архитектуру LLaVA-NeXT с плотным представлением; для работы применяются Sentence Transformers и веса Safetensors. Модель принимает текст, изображения или их сочетание и формирует эмбеддинги для мультимодального поиска и сравнения сходства. В README указано, что изображения для этой модели следует приводить к размеру 512×512; инструкции в запросе можно использовать для представления входа как поискового запроса, а без них — как кандидата. Модель предназначена для поиска изображений по текстовому описанию, поиска по сочетанию изображения и текстового уточнения, а также для универсального мультимодального извлечения и сопоставления. В README семейство BGE-VL показывает сильные результаты в zero-shot-поиске с составными запросами по изображениям и на бенчмарке MMEB. Указанная лицензия — MIT. Карточка описывает результаты семейства и не приводит отдельные оценки именно этой версии; для корректной работы с изображениями требуется учитывать рекомендованный размер 512×512.

Llama-3 70B Gradient Instruct 524K — языковая модель Gradient, созданная при поддержке вычислительных ресурсов Crusoe Energy на основе Meta-Llama-3-70B-Instruct. Это плотная модель семейства Llama с 69,5 млрд параметров, предназначенная для генерации текста в диалогах и работы с длинными контекстами. Авторы сообщают о расширении контекста исходной модели с 8 тысяч до более чем 524 тысяч токенов за счёт настройки RoPE theta и обучения примерно на 400 млн токенов суммарно; нативная длина контекста по метаданным — 524 288 токенов. Модель подходит для диалоговых помощников, анализа длинных документов и других сценариев, где запрос и большой объём исходного текста нужно учитывать одновременно. Карточка рекомендует Transformers или TGI для запуска. Модель принимает и выдаёт текст; в метаданных указан английский язык. Лицензия — Llama 3, с условиями использования Meta Llama 3 Community License. Как и другие большие языковые модели, она может ошибаться и требует проверки ответов и настройки защитных мер под конкретное применение.

Qwen2.5-VL-72B-Instruct — мультимодальная instruction-tuned модель семейства Qwen, разработанная командой Qwen; репозиторий unsloth содержит вариант модели в формате GGUF. Модель предназначена для обработки изображений, текста и видео, включая визуальные вопросы и ответы, распознавание текста, анализ документов, таблиц, графиков и макетов, а также извлечение структурированных данных из счетов, форм и сканов. Модель содержит 72 миллиарда параметров и основана на Qwen2.5-VL. Она использует vision-language архитектуру с оптимизированным vision encoder на базе ViT, оконным вниманием, SwiGLU и RMSNorm. Для видео применяются динамические разрешение и частота кадров, что позволяет анализировать длительные ролики продолжительностью более часа и находить релевантные временные сегменты. Модель также поддерживает визуальную локализацию объектов с помощью bounding boxes или точек, стабильный JSON-вывод координат и атрибутов, а также сценарии компьютерного и мобильного управления. В метаданных указан английский язык; поддержка китайского также отражена в результатах OCRBench-V2. К сильным сторонам относятся анализ сложных визуальных материалов, OCR, понимание документов и графиков, обработка длинных видео, локализация объектов и формирование структурированных ответов. Ограничениями являются большой размер модели и, как следствие, высокие требования к вычислительным ресурсам; конкретные требования к памяти и производительности в README не указаны. Модель распространяется по лицензии Qwen; точные условия следует уточнять в файле лицензии по указанной ссылке.

FuriosaAI публикует эту сборку Qwen3-VL-4B-Instruct с Furiosa Executable Bundle для запуска через Furiosa-LLM на ускорителях RNGD. Это плотная vision-language модель на 4 млрд параметров: кодировщик изображений сочетается с трансформерным декодером, а Interleaved-MRoPE и многоуровневое слияние признаков DeepStack поддерживают обработку изображений и видео. Веса хранятся в safetensors; README указывает, что дополнительная квантизация не применялась. Базовая модель — Qwen/Qwen3-VL-4B-Instruct. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалога по изображениям, OCR, анализа документов и диаграмм, пространственных рассуждений и понимания видео; также поддерживает вызов инструментов через интерфейс функций. Для работы с Furiosa-LLM на RNGD используется параллелизм по тензорам на 8 вычислительных элементах одной карты. README также указывает совместимость с vLLM, SGLang и Transformers. Модель распространяется по лицензии Apache 2.0. Карточка описывает её как Instruct-вариант без режима thinking; качество ответов может зависеть от сложности изображения или видео и формулировки запроса.

UForm uform3-image-text-multilingual-base — компактная мультимодальная модель Unum Cloud для сопоставления изображений и текста. Она кодирует оба типа входных данных в общее векторное пространство, формируя эмбеддинги размерностью до 256, и подходит для семантического поиска и ранжирования соответствий между изображениями и текстовыми запросами на 21 языке. Модель сочетает текстовый энкодер BERT из 12 слоёв и визуальный энкодер ViT-B/16; четыре слоя общие для обеих частей. Текстовый вход ограничен 50 токенами, изображения обрабатываются с разрешением 224 × 224. Доступны веса в форматах PyTorch, ONNX и CoreML, а также предварительно квантованные варианты и код для инференса. Модель предназначена для извлечения признаков, а не для генерации текста или изображений. Поддерживаются английский, арабский, армянский, китайский, французский, немецкий, иврит, хинди, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, русский, испанский, тайский, турецкий, украинский и вьетнамский языки. В карточке приведены результаты поиска по изображениям на нескольких мультиязычных наборах данных; для MS-COCO отмечено, что обучающая часть набора присутствовала в обучающих данных, поэтому этот результат следует интерпретировать с учётом возможного пересечения. Модель распространяется по лицензии Apache-2.0.

Caption-Pro — дообученная мультимодальная модель prithivMLmods для создания подробных описаний и структурированных аннотаций изображений. Она основана на Qwen/Qwen2-VL-2B-Instruct и использует архитектуру Qwen2-VL с примерно 1,5 млрд параметров; принимает изображения и текстовые запросы, а выдаёт текст, в том числе аннотации в формате JSON. Заявлены контекст до 32 768 токенов, поддержка диалогового режима и OCR для текста на нескольких языках, включая английский, китайский, японский, корейский и арабский. Модель предназначена для автоматического описания изображений, извлечения текста и подготовки структурированных данных для приложений, баз данных и конвейеров автоматизации. Карточка заявляет обучение на большом наборе аннотированных изображений, но не приводит подробностей датасетов или результатов оценивания. Модель распространяется по лицензии Apache-2.0.

LongChat-7B-v1.5-32k — языковая модель Large Model Systems Organization (LMSYS) для генерации текста и диалогов, рассчитанная на работу с длинными контекстами. Она основана на архитектуре LLaMA с причинно-языковой моделью LlamaForCausalLM и содержит около 6,6 млрд параметров. Конфигурация репозитория задаёт максимальную длину последовательности 32 768 токенов и масштабирование RoPE для длинного контекста. Модель подходит для диалоговых ответов, генерации текста и обработки длинных документов в одном запросе. Доступна по лицензии Apache-2.0. Метаданные каталога указывают 4096 native context tokens, тогда как конфигурация и назначение репозитория указывают расширенную длину до 32 768 токенов; фактическое качество на длинном контексте может зависеть от сценария использования.

NLLB-SigLIP-MRL — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Модель предназначена для поиска соответствий между изображениями и текстовыми запросами или описаниями на 201 языке Flores-200. Модель формирует эмбеддинги размером 1152, а обучение с Matryoshka Representation Learning позволяет получать также векторы размером 32, 64, 128, 256 и 512. По данным карточки, варианты размером 256 и 512 сохраняют более 90% качества полного представления; модель показывает высокие результаты мультиязычного поиска на наборах XTD10 и Crossmodal-3600. Поддерживается библиотекой OpenCLIP и распространяется в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для сопоставления изображений и текста; генерация изображений или описаний в свободной форме не заявлена.

Qwen3-VL-4B-Thinking — плотная мультимодальная модель с 4 млрд параметров из семейства Qwen3-VL, опубликованная FuriosaAI в виде сборки для Furiosa-LLM и RNGD. Репозиторий содержит веса Qwen/Qwen3-VL-4B-Thinking и исполняемый пакет Furiosa; модель также поддерживается другими фреймворками инференса. Модель принимает изображения и текст, а отвечает текстом. Визуальный энкодер и трансформерный декодер используют позиционные эмбеддинги Interleaved-MRoPE и слияние признаков DeepStack. Она предназначена для распознавания текста на изображениях, анализа документов и диаграмм, пространственных рассуждений и понимания видео; поддерживает вызов инструментов. Версия Thinking формирует явный ход рассуждений перед итоговым ответом. Для запуска через Furiosa-LLM модель рассчитана на ускоритель FuriosaAI RNGD, где использует тензорный параллелизм на 8 вычислительных элементах одной карты. Квантизация не применялась, используются веса в точности исходной модели. Лицензия — Apache-2.0. Длина контекста и список поддерживаемых языков в предоставленных данных не приводятся.

BRIA RMBG-2.0 — модель сегментации изображений для удаления фона, разработанная BRIA AI на архитектуре BiRefNet. Она выделяет передний план на фотографиях и других изображениях, включая объекты, людей и сцены с несколькими объектами, и подходит для рабочих процессов электронной коммерции, рекламы, игрового контента и создания материалов. Модель формирует одноканальную 8-битную альфа-маску: значения пикселей задают степень прозрачности, поэтому порог отделения переднего плана можно настраивать под задачу. В README описано обучение на более чем 15 000 вручную размеченных изображений с пиксельной точностью, охватывающих фотореалистичные и нефотореалистичные изображения, сплошной и сложный фон. Доступны веса и реализации в форматах PyTorch, safetensors и ONNX. Самостоятельное использование весов разрешено по CC BY-NC 4.0 только в некоммерческих целях; для коммерческого применения требуется отдельное соглашение с BRIA, либо можно использовать API BRIA на условиях их лицензии.

BRIA RMBG-2.0 — модель удаления фона, разработанная BRIA AI на архитектуре BiRefNet с собственной схемой обучения и профессиональным набором данных. Она выполняет сегментацию изображения и выдаёт одноканальную 8-битную альфа-карту: значение каждого пикселя задаёт степень его прозрачности, позволяя настраивать порог отделения переднего плана от фона. Модель предназначена для вырезания объектов и людей на фотографиях и других изображениях, включая материалы электронной торговли, рекламы и игрового контента. Обучение проводилось на более чем 15 000 вручную размеченных лицензированных изображений с разными типами объектов и фонов. Весам на Hugging Face соответствует лицензия CC BY-NC 4.0 для некоммерческого использования. Для коммерческого развёртывания требуется отдельное соглашение с BRIA AI либо использование API BRIA с коммерческой лицензией.

Sonar Pro — языковая модель Perplexity, предназначенная для ответов на вопросы с поиском в интернете и опорой на найденные источники. По сравнению с базовым Sonar она рассчитана на более глубокий поиск по большему числу источников и синтез подробных ответов; поддерживает сложные многоэтапные запросы. Данных о размере, архитектуре, контекстном окне и лицензии в доступных источниках нет, поэтому эти характеристики не уточняются.

TomoroAI/tomoro-colqwen3-embed-4b — мультимодальная модель встраиваний Tomoro AI для поиска визуальных документов по текстовым запросам. Она дообучена на основе Qwen/Qwen3-VL-4B-Instruct и объединяет текстовое представление с обработкой изображений; архитектура ColQwen3 использует многовекторные эмбеддинги и позднее взаимодействие MaxSim для ранжирования релевантности. Модель кодирует текстовые запросы и страницы документов в виде изображений, включая страницы PDF, а также короткие видео. В README заявлена поддержка до 1 280 визуальных токенов на страницу и до 5 120 на видео; проекция имеет размерность 320. Авторы сообщают о конкурентных результатах на ViDoRe V1–V3, в том числе на мультиязычных наборах. Лицензия — Apache-2.0.

Gigaberg-Mistral-Large-123B — дообученная языковая модель на архитектуре Mistral, созданная nbeerbower на основе mistralai/Mistral-Large-Instruct-2411. Модель содержит 122,2 млрд параметров и принимает текстовые запросы для генерации ответов и ведения диалога; заявленная длина контекста — 131 072 токена. Модель обучена методом ORPO в течение одной эпохи на наборах jondurbin/gutenberg-dpo-v0.1, nbeerbower/gutenberg2-dpo и nbeerbower/gutenberg-moderne-dpo. Она предназначена для текстовых диалогов и генерации текста с поведением, скорректированным этими данными. Веса опубликованы в формате Safetensors для Transformers. Лицензия указана как other; конкретные условия следует проверять в карточке модели и у базовой модели.

InternVL-Chat-V1-5 — мультимодальная диалоговая модель OpenGVLab, объединяющая визуальный кодировщик InternViT-6B-448px-V1-5, MLP-проектор и языковую модель InternLM2-Chat-20B. В модели 25,5 млрд параметров; она использует динамическую обработку изображений: делит изображение на фрагменты 448 × 448 пикселей и поддерживает входы вплоть до разрешения 4K. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, распознавания текста и анализа документов, диаграмм и графиков. Обучающий набор включает английские и китайские пары вопросов и ответов; метаданные указывают поддержку многоязычия. Модель доступна через Transformers и распространяется по лицензии MIT. В README отмечены сильные стороны в задачах визуального понимания, OCR и работе с китайским текстом. Ограничения включают возможные предвзятые или вредоносные ответы, а также ухудшение понимания изображений при 4-битной квантизации bitsandbytes; авторы рекомендуют избегать этого режима.