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

Это крупная модель классификации изображений на основе Vision Transformer (ViT), опубликованная командой timm. Она предварительно обучена на парах изображение—текст LAION-2B с помощью OpenCLIP, затем дообучена на ImageNet-12k и ImageNet-1k. Модель содержит 632 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальная основа для извлечения признаков и построения эмбеддингов. Подходит для распознавания объектов и категорий в изображениях, а также для задач компьютерного зрения, где нужны представления изображений. Репозиторий распространяется в форматах PyTorch и safetensors; лицензия — Apache-2.0.

yam-pastiche-7B-ties — объединённая языковая модель, созданная автором mayacinka с помощью LazyMergekit. Веса трёх моделей yam-peleg/Experiment28-7B, yam-peleg/Experiment26-7B и yam-peleg/Experiment24-7B объединены методом TIES; в конфигурации указан базовый источник CorticalStack/pastiche-crown-clown-7b-dare-dpo. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста. Нативная длина контекста — 32 768 токенов. Карточка не приводит специальных сценариев применения, языковых характеристик или сравнительных оценок качества, поэтому модель можно описать как вариант общего назначения для генерации текста. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

YamshadowStrangemerges_32_YamT3qm7xp — объединённая модель семейства Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/YamT3qm7xp-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров и контекстное окно до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает специализацию по языкам или предметным областям.

Arabic-Qwen3.5-OCR-v4 — модель sherif1313, дообученная на основе Qwen/Qwen3.5-0.8B для распознавания текста на изображениях. Она принимает изображение и текстовый запрос и возвращает извлечённый текст; предназначена для арабского письма, включая печатный, рукописный, классический текст и текст с диакритическими знаками. В обучении использованы синтетические сканы, изображения строк текста и данные для распознавания Корана. Модель построена на мультимодальной плотной архитектуре Qwen3.5 и распространяется в формате safetensors. В README заявлена скорость около четырёх изображений в секунду; она зависит от оборудования и условий запуска. Лицензия — Apache-2.0. Примеры использования охватывают распознавание текста на фотографиях, сканах, PDF-страницах и документах низкого качества. README также указывает поддержку сложного форматирования, однако не приводит метрик точности и не уточняет, насколько хорошо модель работает с языками помимо арабского. Приведённый пример генерации ограничивает ответ 512 токенами.

MTalha056/bert-finetuned-squad — модель на архитектуре BERT для ответов на вопросы, разработанная на основе bert-base-cased и дообученная на неизвестном наборе данных. Она предназначена для извлечения ответа из текста по заданному вопросу. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Карточка модели не описывает обучающие данные, качество и ограничения; язык модели по имеющимся сведениям определить нельзя.

DeiT-III medium patch16 224 — модель классификации изображений и извлечения признаков, обученная авторами статьи на ImageNet-1k и опубликованная в библиотеке timm. Она использует архитектуру Vision Transformer с патчами 16 × 16 и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит 38,8 млн параметров и может выдавать классы изображений или эмбеддинги для последующей обработки. Модель подходит для классификации объектов на изображениях и как визуальная основа для задач, которым нужны признаки изображения. В README приведены примеры для классификации и извлечения эмбеддингов. Репозиторий распространяется по лицензии Apache-2.0.

Bienvenu2004/donut-handball-pv6 — дообученная модель семейства Donut с архитектурой vision-encoder-decoder. Она создана на основе Bienvenu2004/donut-handball-pv5 и обучена на датасете imagefolder. Модель принимает изображения и выдаёт текст; в карточке указана задача image-text-to-text. Модель подходит для сценариев преобразования изображений в текст. Карточка не описывает конкретный предметный сценарий, языки, размер модели или длину контекста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

Eddy-VL Embedding 1.9B — мультимодальная модель эмбеддингов, разработанная лабораторией Urock-AI. Она дообучена на основе Qwen/Qwen3-VL-Embedding-2B и предназначена для семантического поиска по изображениям, видео, тексту и страницам документов: все эти данные отображаются в общее векторное пространство. Модель ориентирована на локальное и автономное развертывание, в том числе на периферийных устройствах и в изолированных средах цифровой криминалистики. Модель содержит 1,93 млрд параметров, распространяется в формате safetensors и, по заявлению разработчика, работает примерно в 1,1 раза быстрее исходной модели. На внутренней оценке MMEB-V2 её результат составил 63,2 против 68,9 у базовой модели в той же среде; на отдельных тестах композиционного понимания показатели близки к базе. В карточке также указана поддержка корейского и английского, однако отдельная оценка многоязычной производительности не приведена. Eddy-VL создаёт векторы для поиска и сопоставления, но сама не ранжирует результаты как специализированный реранкер и не принимает решения по найденным материалам. Разработчик рекомендует проверять кандидатов человеком, особенно в задачах с высокими последствиями. Модель распространяется по лицензии Apache 2.0.

EraX-VL-2B-V1.5-i1-GGUF — квантизированная мультимодальная модель на основе EraX-VL-2B-V1.5, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста, включая задачи OCR, преобразование изображения в текст и ответы на запросы по изображениям. В метаданных также указано применение в страховании. Поддерживаются вьетнамский, английский и китайский языки. Модель имеет размер около 2 млрд параметров в базовой версии и поставляется в нескольких вариантах квантизации GGUF объёмом примерно от 0,5 до 1,4 ГБ. Доступны форматы IQ и Q с разным соотношением размера, скорости и качества; среди рекомендуемых вариантов указаны i1-Q4_K_M и i1-Q4_K_S. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Сведения об архитектуре, размере контекстного окна, результатах тестирования и ограничениях качества базовой модели в README не приведены. Лицензия модели — Apache-2.0. Квантизация уменьшает требования к памяти и позволяет запускать модель локально, однако низкокачественные варианты могут заметно уступать по качеству более крупным или менее агрессивно квантизированным версиям.

Eris Prime V4.20 «Blaze it» 32k Edition — разговорная модель на базе архитектуры Mistral, созданная ChaoticNeutrals путём слияния нескольких моделей. Она предназначена для диалоговой генерации текста; в карточке также заявлена возможность обработки изображений при загрузке файла mmproj в Koboldcpp. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для работы с изображениями README рекомендует актуальную версию Koboldcpp и загрузку соответствующего mmproj из репозитория. Модель опубликована в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке или у автора.

Experiment26Yamshadow_NeuralsirkrishnaInex12 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/NeuralsirkrishnaInex12-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые ответы. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. README не описывает специализацию по языкам или отдельным предметным областям, поэтому модель можно рассматривать как средство генерации текста общего назначения.

fastvit_mci0.apple_mclip2_dfndr2b — модель семейства MobileCLIP v2, представленная как только визуальный энкодер для библиотеки timm. Она обучена на наборе данных DFNDR-2B и предназначена для извлечения признаков изображений, например для последующего поиска или сравнения изображений по эмбеддингам. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apple AMLR. Карточка связывает модель с работой MobileCLIP2: Improving Multi-Modal Reinforced Training.

grimjim/llama-3-Nephilim-v2-8B — слитая чат-модель на архитектуре Llama 3, созданная с помощью mergekit методом task arithmetic на основе Nephilim v1. В объединение вошли Llama-3-Soliloquy-8B-v2, модель с настройкой предпочтений SPPO и SimPO, а также дообученная биомедицинская модель OpenBioLLM. Разработчик описывает её как модель для генерации ответов с вниманием к контексту и более разнообразными формулировками. Модель содержит 7,5 млрд параметров, работает с текстом и рассчитана на диалоговую генерацию по инструкциям. В README указано тестирование с контекстом 8k и Instruct-промптами. Биомедицинская составляющая может быть полезна для профильных запросов, однако карточка не подтверждает специализированную точность или клиническую пригодность. Модель может генерировать вредоносные ответы. По умолчанию действует лицензия CC-BY-NC-4.0, ограничивающая коммерческое использование; также README указывает на дополнительные ограничения WhiteRabbitNeo Usage Restrictions Extension к лицензии Llama 3.

M7Yamshadowexperiment28_MeliodasNeuralsirkrishna — объединённая модель Mistral с 7,1 млрд параметров, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/MeliodasNeuralsirkrishna-7B. Веса объединены методом SLERP; модель предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке не заявлены специализированные области применения или конкретные языки. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает результаты оценки качества или отдельные ограничения модели.

Карточка модели Azily/Macro-Qwen-Image-Edit на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

MaxViT Tiny TF 384 IN1K — модель классификации изображений из семейства MaxViT, обученная авторами исходной работы на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом для библиотеки timm. Архитектура сочетает блок MBConv и два блока self-attention с разбиением на окна и сетку. Модель содержит около 31 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Модель предназначена для определения категорий объектов на изображениях и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. В карточке указана оценка top-1 83,8% и top-5 96,2% на ImageNet-1k. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

MobileNetV3 Large 1.0 — модель классификации изображений из библиотеки timm, обученная Alibaba MIIL на ImageNet-21k-P. Её можно использовать для определения объектов и категорий на изображениях, а также как визуальную основу для извлечения карт признаков и эмбеддингов. Модель содержит 18,6 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную стоимость около 0,2 GMAC. Она предназначена для обработки изображений, а не текста. Распространяется по лицензии Apache-2.0.

naflexvit_so400m_patch16_siglip.v2_webli — веса визуального энкодера NaFlexViT для библиотеки timm, основанные на архитектуре SigLIP-2 SO400M/16. Модель предназначена для извлечения признаков изображений и может использоваться как визуальный энкодер в системах поиска по изображениям, сопоставления изображений и текста или последующей классификации. Репозиторий содержит веса PyTorch в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка не сообщает о дополнительных обучающих данных, численных характеристиках размера или ограничениях применения.

MaziyarPanahi/NeuralsirkrishnaShadow_Experiment24Alloyingotneoy — объединённая языковая модель, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment24Alloyingotneoy-7B. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста; контекст — до 32 768 токенов. Модель предназначена для генерации текста общего назначения. Веса опубликованы в формате safetensors по лицензии Apache-2.0. В карточке нет сведений о специализированных областях применения или языковом охвате, поэтому они здесь не заявляются.

Nexim-7b — объединённая языковая модель, опубликованная пользователем gate369. Она создана методом SLERP с помощью mergekit из liminerity/m3 и liminerity/M7-7b; базовая модель в конфигурации — liminerity/m3. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и решения языковых задач общего назначения. Её можно применять для диалогов, написания черновиков и ответов на вопросы. Контекстное окно составляет 32 768 токенов. Карточка приводит результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Данных о языковой специализации и ограничениях качества в карточке нет; результаты бенчмарков сами по себе не гарантируют качество в конкретном сценарии.

Карточка модели perpetual3x/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Карточка модели ssh4dm/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

ResNet101D.ra2_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура ResNet-D использует активации ReLU, трехслойный блок начальной обработки из сверток 3×3 с пулингом и нисходящие shortcut-связи с усредняющим пулингом 2×2 и сверткой 1×1. Модель подходит для определения объектов и категорий на изображениях, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. Она содержит около 44,6 млн параметров; размер изображения при обучении — 256×256, при оценке — 320×320. Для обучения применялась схема RandAugment RA2 с оптимизатором RMSProp, усреднением весов EMA и ступенчатым расписанием скорости обучения. Модель принимает изображения и выдает метки классов. Лицензия репозитория — Apache-2.0.

Rogue-27B-KR — корейская специализированная языковая модель для диалогов и пошаговых рассуждений, разработанная ginigen-ai. Она создана слиянием Darwin-27B-Opus и корейской SFT-версии Qwen, после чего дополнительно дообучена на корейских данных. По карточке, модель заняла второе место в K-AI Leaderboard и показала улучшение на тесте CLIcK по культурным и языковым знаниям Кореи. Модель имеет плотную архитектуру RogueForCausalLM на базе Qwen3.5 с гибридным механизмом GatedDeltaNet и Attention, около 21,3 млрд параметров по метаданным и контекст до 262 144 токенов. Она принимает текст и генерирует текст; README описывает корейские сценарии, включая рассуждения, работу с длинными документами, а также вопросы по культуре, истории, праву и финансам. В метаданных также перечислены английский, японский и китайский языки. Для запуска в BF16 требуется около 48 ГБ видеопамяти; доступны варианты квантования при отдельной подготовке. Модель распространяется по лицензии Apache 2.0.

samandar1105/sentiment-classifier — дообученная модель RoBERTa для бинарного анализа тональности английского текста. Она относит текст к положительному или отрицательному классу; модель разработана на основе roberta-base и обучена на наборах SST-2 и IMDB. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. В README указаны accuracy 0,9292 и F1 0,9413 на 20 000 отложенных примеров из IMDB. Подходит для анализа тональности отзывов и текстов, похожих на рецензии. Модель обучалась только на английских текстах и не распознаёт нейтральную тональность. Результаты на других типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

StrangeBru-7B — языковая модель на архитектуре Mistral, созданная nbeerbower слиянием двух предварительно обученных моделей: nbeerbower/strange_3236-7B и nbeerbower/bruphin-theta. Для объединения применён метод SLERP через mergekit; модель предназначена для генерации текста по текстовому запросу. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. В карточке модели указана лицензия Apache-2.0. Модель можно использовать для генерации продолжений текста, ответов в диалоге и написания черновиков. README не сообщает о специализированной предметной области или поддерживаемых естественных языках, поэтому модель описана как общего назначения. Фактическое качество и поведение зависят от запросов и сценария применения.

AI-vs-Deepfake-vs-Real — модель классификации изображений, разработанная prithivMLmods. Она различает три класса: искусственно созданные изображения, дипфейки и реальные изображения. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров; для использования предусмотрена библиотека Transformers. В карточке указана база google/vit-base-patch32-224-in21k, а метаданные каталога связывают модель с дообучением google/vit-base-patch16-224-in21k. Модель подходит для предварительной оценки изображений при исследовании генеративных моделей, фильтрации наборов данных, форензического анализа, модерации контента и сравнительного тестирования генераторов дипфейков. Она возвращает класс изображения, но не устанавливает подлинность с гарантированной надёжностью и не объясняет основания классификации. Качество может снижаться на незнакомых методах генерации, изображениях с необычным разрешением и данных, отличающихся от обучающих. Лицензия — Apache-2.0.

Это модель для краткого пересказа научных текстов простым языком. Она основана на архитектуре BART и дообучена для задачи scientific lay summarisation; в README показано применение к научной статье о влиянии устойчивого питания на окружающую среду и здоровье. Модель разработана автором репозитория sambydlo и обучалась с использованием Amazon SageMaker и контейнера Hugging Face Deep Learning. Модель содержит около 252,8 млн параметров, работает с текстом на английском языке и имеет контекст до 1024 токенов. Для запуска в README приведён пример с Transformers pipeline для суммаризации. В карточке приведены метрики ROUGE на оценочном наборе, но они не гарантируют качество на иных темах и типах текстов. Лицензия — Apache-2.0.

ConvNeXt-V2 Base — модель компьютерного зрения для классификации изображений и извлечения признаков, распространяемая в библиотеке timm. Она предварительно обучена методом FCMAE и дообучена на ImageNet-22k, затем на ImageNet-1k. Модель содержит 88,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель относит изображение к классам ImageNet-1k; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. В README приведены результаты на ImageNet: точность top-1 — 86,8%, top-5 — 98,2%. Модель принимает изображения и выдаёт метки классов либо признаки и эмбеддинги, в зависимости от способа использования. Весы доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; перед применением следует соблюдать условия лицензии.

Pravallika6/detr-finetuned-logo-detection_v2 — модель обнаружения объектов на базе архитектуры DETR, опубликованная пользователем Pravallika6 на Hugging Face. Модель предназначена для поиска логотипов на изображениях и возврата ограничивающих рамок обнаруженных объектов. Модель содержит около 6,3 млн параметров и реализована для использования с библиотекой Transformers; формат safetensors указан в метаданных. Она может применяться в системах анализа изображений, мониторинга представленности брендов, поиска логотипов в пользовательском контенте и автоматической разметки изображений. Сведения о разработчике, лицензии, обучающих данных, поддерживаемых языках, длине контекста и результатах оценки в доступных материалах отсутствуют.