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

Карточка модели allenai/SAGE-MM-Qwen3-VL-4B-SFT_RL на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Same news story — модель на базе Sentence Transformers, разработанная Dell Research и Harvard для поиска новостных статей об одном и том же событии. Она кодирует предложения и абзацы в плотные векторы размерности 768; по близости векторов можно оценивать сходство статей, находить материалы о той же истории и группировать их. Модель обучена на парах статей из агрегатора AllSides: статьи из подборок об одном событии использовались как положительные примеры, а тематически и сюжетно несвязанные пары — как отрицательные. Архитектура MPNet содержит 136,7 млн параметров и принимает текст на английском языке; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и кластеризации новостей по событию. Она выдаёт эмбеддинги, а не готовые метки о том, относятся ли две статьи к одной истории, поэтому для такого решения нужно сравнивать векторы или строить отдельный кластеризатор. Репозиторий распространяется по лицензии CC BY 2.0.

gokaygokay/sd3-long-captioner — дообученная версия PaliGemma с разрешением изображений 224×224. Модель предназначена для создания подробных текстовых описаний изображений; при дообучении использовались датасеты google/docci и google/imageinwords. Модель принимает изображение и выдаёт текст на английском языке. В метаданных указаны архитектура PaliGemma и библиотека Transformers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Stable Audio 3 Small SFX — модель Stability AI для генерации звуковых эффектов по текстовому описанию. Это дообученная версия базовой модели stabilityai/stable-audio-3-small-sfx-base из семейства Stable Audio 3. Модель использует латентную диффузионную архитектуру на основе трансформера и семантико-акустический автоэнкодер для представления аудио. Она предназначена для генерации звука переменной длительности; семейство также поддерживает редактирование аудио, включая заполнение выбранных фрагментов и продолжение записей. Для текстового управления применяется предварительно обученная T5Gemma. Модель ориентирована на создание звуковых эффектов по англоязычным запросам. В карточке указана генерация за менее чем две секунды на H200 для семейства моделей, однако фактическая скорость зависит от оборудования и параметров генерации. Для коммерческого использования действует Stability AI Community License; текст карточки также указывает, что компонент T5Gemma распространяется на условиях Gemma Terms of Use.

Stable Audio 3 Small SFX — модель Stability AI для генерации звуковых эффектов по текстовому описанию. Она входит в семейство Stable Audio 3 и дообучена на базе stabilityai/stable-audio-3-small-sfx-base, чтобы создавать звуки, а не музыку. Модель использует трансформерную латентную диффузионную архитектуру и принимает текст на английском языке, выдавая аудио. Семантико-акустический автоэнкодер переводит аудио в компактное латентное пространство, а постобучение помогает ускорить генерацию и точнее следовать запросу. Модель предназначена для создания звуковых эффектов переменной длительности; семейство Stable Audio 3 также поддерживает редактирование и продолжение аудиозаписей. В карточке заявлена генерация за несколько секунд на подходящем оборудовании, однако скорость зависит от устройства и настроек. Для текстового кондиционирования используется T5Gemma. Модель обучалась на лицензированных и Creative Commons аудиозаписях. Указана лицензия Stability AI Community License; условия коммерческого использования следует сверять с её текстом и актуальными условиями Stability AI.

Bayan Arabic Summarization Model — модель суммаризации, разработанная Bayan. Она предназначена для создания кратких пересказов новостных текстов на арабском языке. Модель построена на архитектуре mBART и содержит 95 млн параметров; для генерации рекомендуется ограничивать результат 40 новыми токенами. Лицензия Apache-2.0. Карточка рекомендует детерминированную генерацию без выборки и указывает, что beam search и sampling могут усиливать галлюцинации. Для входов, на которых пересказ заметно отходит от источника, предлагается использовать более экстрактивный подход.

Это дообученная модель T5 Base от автора cahya, предназначенная для суммаризации текстов на индонезийском языке. В качестве основы использована модель huseinzol05/t5-base-bahasa-summarization-cased, а дообучение выполнено на наборе данных id_liputan6. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст, выдавая текстовое резюме. Контекст составляет до 1024 токенов. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax. Лицензия в предоставленных данных не указана.

liamvbetts/t5-small-finetuned-2024-03-12 — дообученная модель семейства T5, созданная на основе ericjiliangli/t5-small-news-summarization. Она содержит 38,5 млн параметров и принимает текст для генерации текста; контекст составляет до 512 токенов. README указывает, что модель оценивалась по метрикам ROUGE и длине генерации, что согласуется с задачей суммаризации новостей. На тестовом наборе приведены значения ROUGE-1 30,158, ROUGE-2 15,0234 и ROUGE-L 25,9885. Модель может использоваться для краткого пересказа новостных текстов. В README не приведены сведения о языках, обучающих данных и условиях лицензии, поэтому её языковую область применения и лицензионные условия по доступным данным определить нельзя.

ubikpt/t5-small-finetuned-cnn — модель T5, дообученная на наборе CNN/DailyMail для суммаризации текстов, в частности новостных статей. Она принимает текст и генерирует его краткое изложение. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и поддерживает контекст до 512 токенов. В карточке приведены результаты оценки на тестовой выборке: Loss 1,8436, ROUGE-1 33,2082, ROUGE-2 16,798, ROUGE-L 28,9573 и ROUGE-Lsum 31,1044. Модель распространяется под лицензией Apache-2.0. README не описывает дополнительные сценарии применения или ограничения.

Это модель автоматического распознавания речи на базе XLS-R 1B, дообученная Jonatas Grosman для транскрибации французской речи. Дообучение проведено с помощью HuggingSound на обучающих и валидационных данных Common Voice 8.0, MediaSpeech, Multilingual TEDx, Multilingual LibriSpeech и Voxpopuli. Архитектура — Wav2Vec2ForCTC; модель содержит 1,3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц. Модель предназначена для преобразования французской речи в текст, в том числе для расшифровки записей и аудиоматериалов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях точности или о поддержке других языков.

Whisper-large-et — модель автоматического распознавания речи на эстонском языке, разработанная в лаборатории языковых технологий TalTech. Она основана на openai/whisper-large-v2 и дообучена примерно на 1200 часах разнообразных эстонских аудиозаписей; архитектура Whisper содержит около 905,2 млн параметров. Модель предназначена для общего распознавания речи, включая передачи, беседы, интервью и лекции. Для запуска авторы рекомендуют faster-whisper. В тестах с жадным декодированием указана частота ошибок WER 11,3 на Common Voice 8.0 и 12,0 на Common Voice 11.0. Лицензия — CC BY 4.0. Качество может снижаться на технической и узкоспециальной лексике, детской и неродной речи, при сильном шуме или удалённом микрофоне, а также при спонтанной и перекрывающейся речи.

Карточка модели Alireza48/whisper-large-fa-v1 на Hugging Face совпадает с карточкой vhdm/whisper-large-fa-v1, поэтому описание составлено по ней. vhdm/whisper-large-fa-v1 — модель распознавания речи на архитектуре Whisper, созданная разработчиком vhdm дообучением openai/whisper-large-v3-turbo на персидских аудиозаписях из набора vhdm/persian-voice-v1.1. Модель содержит 905,2 млн параметров и предназначена для транскрибации персидской речи: голосовых заметок, подкастов, видео и интервью, а также для создания поисковых расшифровок. Она поддерживает входное аудио и выдаёт текст; для чистой персидской речи в карточке указана частота ошибок слов WER 14,07%. Модель распространяется по лицензии MIT. Обучение проводилось на чистой речи из конкретного набора данных, поэтому качество может снижаться на шумных записях, акцентах и диалектах. Модель не оптимизирована для потокового распознавания и иногда может генерировать правдоподобные, но неверные слова.

whisper-large-v3-ca-punctuated-3370h — акустическая модель распознавания каталонской речи, дообученная Лабораторией языковых технологий Барселонского суперкомпьютерного центра в рамках проекта AINA. Она основана на openai/whisper-large-v3 и предназначена для преобразования каталонских аудиозаписей в текст с пунктуацией и заглавными буквами. Модель с архитектурой Whisper содержит 905,2 млн параметров и обучалась на 3369 часах и 53 минутах каталогских аудиоданных из Common Voice 17.0 и набора 3CatParla. Обучение на тщательно расшифрованных данных помогает сохранять пунктуацию и регистр в транскрипциях. Для работы доступны веса PyTorch и библиотека Transformers; модель принимает аудио и выдаёт текст. Модель рассчитана на распознавание каталонской речи и может уступать при работе с другими языками или акустическими условиями, не представленными в обучающих данных. Лицензия — Apache-2.0.

TalTechNLP разработала эту модель как дообученную версию Whisper large-v3 для создания субтитров на эстонском языке. Модель распознаёт эстонскую речь и формирует текстовые субтитры; её обучали примерно на 770 часах вручную подготовленных субтитров эстонского телеканала ETV. Число параметров — 905,2 млн, архитектура — Whisper, для работы используется библиотека Transformers, веса представлены в формате safetensors. Модель подходит для транскрибации передач и другого эстонского аудио с учётом требований ETV к длине строк: выходные фрагменты почти всегда соответствуют ограничению в 48 символов на строку. Это не дословная расшифровка: при спонтанной речи модель может переформулировать и сокращать текст, в частности опускать колебания и повторы. Лицензия — MIT. README упоминает Whisper large-v3-turbo как базу, тогда как метаданные указывают openai/whisper-large-v3; точная связь с вариантом turbo неясна.

Sagicc/whisper-medium-sr-v2 — 455,8-миллионная модель распознавания речи на базе Whisper Medium от OpenAI, дообученная разработчиком Sagicc на объединённых наборах Common Voice 16, Fleurs, новостных аудиозаписей Južne vesti и LBM. Модель принимает аудио и преобразует речь в текст; она предназначена прежде всего для распознавания сербской речи. В карточке приведены результаты оценки: WER 0,0738 и WER Ortho 0,1663. Модель использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения и подробные ограничения.

istomin9192/whisper-small-sr — дообученная модель OpenAI Whisper Small для автоматического распознавания сербской речи. Она предназначена для транскрибирования аудио с выводом текста только латиницей на сербском языке. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров; доступна в формате safetensors и рассчитана на использование через Transformers. Модель обучали на смеси открытых сербских речевых корпусов, включая Common Voice 24.0, FLEURS и часть ParlaSpeech-RS. В README приведены результаты WER 6,59% и 7,09% на тестовой выборке Common Voice 24.0; для нормализованной оценки удаляли пунктуацию, приводили текст к нижнему регистру, конвертировали кириллицу в латиницу и записывали числа словами. Лицензия — Apache-2.0.

AI-vs-Deepfake-vs-Real-v2.0 — модель классификации изображений от prithivMLmods, дообученная на визуальном энкодере Google SigLIP 2 Base Patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение к одному из трёх классов: сгенерированное ИИ, дипфейк или подлинная фотография. Модель предназначена для проверки подлинности изображений, анализа медиаконтента и поддержки цифровой экспертизы. Прикладные сценарии включают фильтрацию изображений в новостных и социальных сервисах и предварительную проверку материалов для фактчекинга. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

arabic-MARBERT-news-article-classification — модель Ammar-alhaj-ali для классификации арабских новостных статей. Это дообученная MARBERT на базе архитектуры BERT модель классификации последовательностей объёмом 190 млн параметров с контекстом до 512 токенов. Модель относит статью к одной из семи категорий: культура, финансы, медицина, политика, религия, спорт или технологии. Она предназначена для тематической разметки арабских новостей и построения каталогов или потоков новостей по рубрикам. Обучение проводилось на наборе SANAD: Single-Label Arabic News Articles Dataset. Для работы требуются входной текст статьи; результатом служит метка класса. Репозиторий содержит веса PyTorch и карточка предлагает использовать модель через Transformers pipeline. Лицензия в доступных данных не указана.

mrm8488/bert2bert_shared-german-finetuned-summarization — модель для автоматического суммирования немецких текстов, созданная mrm8488 на основе контрольной точки bert-base-german-cased. Это encoder-decoder-модель на базе BERT, дообученная на немецкой части набора MLSUM, содержащего газетные статьи и их краткие пересказы. Модель принимает текст статьи и генерирует краткое содержание. В примере использования вход обрезается или дополняется до 512 токенов. Для тестовой выборки MLSUM в карточке приведены значения ROUGE-2: precision 33,04, recall 33,83 и F-мера 33,15. Модель подходит для создания черновых выжимок из немецких новостных статей. Результат может упускать детали или неточно передавать смысл, поэтому перед публикацией его следует проверить. Используются форматы PyTorch и Safetensors; лицензия в предоставленных данных не указана.

mrm8488/bert2bert_shared-spanish-finetuned-summarization — модель суммаризации на архитектуре encoder-decoder, созданная на основе испанского чекпойнта dccuchile/bert-base-spanish-wwm-cased. Она дообучена на испанской части новостного набора MLSUM и предназначена для генерации краткого содержания статей на испанском языке. В карточке приведён результат на тестовом наборе MLSUM: ROUGE-2 F1 — 8,7. Модель использует BERT-токенизатор и класс EncoderDecoderModel из Transformers; веса доступны в форматах PyTorch и safetensors. На вход подаётся текст статьи, на выходе генерируется текстовое резюме. Карточка не сообщает лицензию и размер модели, поэтому эти характеристики здесь не приводятся.

alexdg19/bert_large_cnn_daily — модель генерации текста на архитектуре BART, дообученная на наборе CNN/DailyMail для создания кратких пересказов новостных статей. Она принимает текст и генерирует текстовый дайджест; размер составляет 252,8 млн параметров, контекст — до 1024 токенов. В README приведены метрики оценки: ROUGE-1 0,4251, ROUGE-2 0,2024, ROUGE-L 0,2992 и ROUGE-Lsum 0,3961. Модель распространяется по лицензии MIT.

Модель lfcc/bert-portuguese-ner — дообученная версия neuralmind/bert-base-portuguese-cased для распознавания именованных сущностей в португальских архивных документах. Она использует архитектуру BERT с классификационной головой для разметки токенов и обрабатывает контекст длиной до 512 токенов. Модель выделяет даты, профессии, имена людей, географические названия и организации. На наборе оценки указаны F1 0,9312, точность 0,9700, precision 0,9147 и recall 0,9483. Модель подходит для извлечения сущностей из архивных текстов на португальском языке. Вес модели составляет 136,1 млн параметров, формат — PyTorch. Лицензия — MIT.

Это модель BLIP для автоматического создания подписей к изображениям, основанная на архитектуре BLIP с визуальным энкодером ViT-Base. Разработчики BLIP предложили этот подход для задач понимания и генерации по изображениям; данная версия предварительно обучена на COCO и предназначена для генерации подписей. Модель принимает изображение и выдаёт текстовое описание. Поддерживаются условная генерация по заданному контексту и генерация без него. Репозиторий содержит варианты весов PyTorch и TensorFlow. Лицензия — BSD 3-Clause. Модель может быть полезна для автоматического описания изображений и подготовки подписей для визуального контента. Карточка предупреждает, что точность, безопасность и справедливость не оценивались для всех сценариев; перед внедрением результаты следует проверять, особенно в задачах с существенными последствиями.

unography/blip-large-long-cap — модель для автоматического создания подписей к изображениям, опубликованная пользователем unography. Она основана на архитектуре BLIP и использует класс BlipForConditionalGeneration; веса доступны в формате safetensors. Модель предназначена для условной и безусловной генерации описаний изображений. Её можно применять для создания подписей к изображениям в каталогах, медиатеках и наборах данных. В качестве обучающего набора указан unography/laion-14k-GPT4V-LIVIS-Captions. Модель принимает изображение и генерирует текстовое описание; поддерживаемый язык описаний в доступных сведениях не указан. Лицензия — BSD 3-Clause. Карточка не сообщает размер модели, длину контекста и известные ограничения качества.

Madan490/finetuned_multi_news_bart_text_summarisation — дообученная модель семейства BART для суммаризации текстов. Она основана на slauw87/bart_summarisation и обучена на наборе данных Multi-News, предназначенном для суммаризации новостных материалов. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает контекст длиной до 1024 токенов. Модель подходит для создания краткого пересказа новостных текстов. В README приведены результаты оценки: ROUGE-1 — 0,4038, ROUGE-2 — 0,1389, ROUGE-L — 0,2155, ROUGE-Lsum — 0,2147; средняя длина генерации — около 139 токенов. Язык данных в карточке не указан, поэтому языковую поддержку нельзя определить. Модель опубликована в формате PyTorch под лицензией Apache-2.0.

BruceNju/finetuned-t5-cnn_dailymail — компактная модель T5, дообученная на наборе CNN/DailyMail 3.0.0 для создания кратких пересказов новостных статей. Она содержит 38,5 млн параметров, построена на архитектуре T5ForConditionalGeneration и принимает текст длиной до 512 токенов, выдавая текстовое резюме. На оценочной выборке указаны ROUGE-1 34,68, ROUGE-2 13,99, ROUGE-L 24,78 и ROUGE-Lsum 32,05. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает о поддерживаемых языках и дополнительных ограничениях качества или применения.

Florence-2-base-Castollux-v0.5 — дообученная модель зрения на базе microsoft/Florence-2-base, созданная PJMixers-Images. Она предназначена для улучшения качества и формата описаний изображений; обучение проводилось примерно на 20 тысячах изображений из PJMixers-Images/Castollux-Dataset. Модель принимает изображения и по текстовому промпту генерирует подробные описания на английском языке. Примеры в карточке показывают описания людей, животных, одежды, фона и освещения; автор сравнивает их с краткими результатами базовой Florence-2-base. Модель использует архитектуру Florence2ForConditionalGeneration и распространяется в формате safetensors. В примерах видны возможные ошибки в деталях: модель неверно прочитала номер на бирке коровы и исказила имя в водяном знаке. Поэтому описания стоит проверять, особенно когда важны мелкие надписи и точные атрибуты. Условия лицензии в предоставленных данных не приведены.

yayayaaa/florence-2-large-ft-moredetailed — дообученная модель на основе microsoft/Florence-2-large-ft для получения более подробных текстовых описаний изображений. Она принимает изображение и генерирует текст; README показывает сценарии обработки одного изображения и пакетной обработки. Модель построена на архитектуре Florence-2 и распространяется в формате safetensors через Transformers. Модель подходит для детального описания изображений и пакетной генерации подписей. README указывает, что на GPU с 24 ГБ видеопамяти можно использовать размер пакета до 28 изображений. Язык карточки — английский; лицензия — MIT. Базовая Florence-2-large-ft также предназначена для обнаружения объектов, OCR и ответов на вопросы по изображению, однако карточка этой производной модели не подтверждает отдельно качество этих задач.

Nano Banana Pro — модель Google для генерации и редактирования изображений на основе Gemini 3 Pro. Она предназначена для создания изображений по запросу и изменения существующих изображений с использованием мультимодального рассуждения и привязки к реальному миру.

GIT-base-COCO — модель Microsoft семейства GenerativeImage2Text, дообученная на наборе COCO для создания подписей к изображениям. Она использует декодер Transformer, который получает визуальные токены изображения от CLIP и предыдущие текстовые токены, а затем последовательно генерирует текст. Размер модели — 80,1 млн параметров; формат весов — PyTorch, лицензия — MIT. Модель предназначена прежде всего для генерации кратких текстовых описаний изображений. Архитектура GIT также подходит для визуальных вопросов и ответов, описания видео и классификации через генерацию метки, однако карточка рекомендует использовать этот исходный чекпойнт для подписей к изображениям. В метаданных указан контекст 1024 токена; язык карточки и языковой тег — английский. Модель обучалась на 10 млн пар изображение–текст, а затем дообучалась на COCO. Карточка не приводит результаты оценки, поэтому качество для конкретных сценариев следует проверять отдельно. Для других задач могут потребоваться специализированные версии GIT.