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

EVA Large Patch14 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная в библиотеке timm. Авторы статьи EVA предварительно обучили её на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучили на ImageNet-22k и ImageNet-1k. Модель содержит около 304,5 млн параметров и рассчитана на изображения размером 336 × 336 пикселей. Модель подходит для определения объектов и сцен на изображениях, а также как визуальный backbone для получения эмбеддингов и построения прикладных систем компьютерного зрения. Веса репозитория timm представлены в float32; README отмечает, что исходные версии в некоторых случаях доступны в float16 или bfloat16. Репозиторий распространяется по лицензии MIT.

Fathom-Synthesizer-4B — языковая модель от FractalAIResearch, дообученная на базе Qwen/Qwen3-4B для синтеза результатов исследований и подготовки развёрнутых отчётов. Она преобразует поисковые и исследовательские трассы в связные отчёты с цитатами: протокол plan-then-write предусматривает декомпозицию вопроса, сопоставление источников с разделами и планирование выводов. Модель предназначена для работы в составе системы Fathom-DeepResearch; для поиска в реальном интернете ей требуется отдельный поисковый сервер и соответствующие инструменты. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. При запуске авторы используют масштабирование YARN с RoPE factor 2.0. Она принимает текст и генерирует текст; README не заявляет отдельную поддержку изображений или иных модальностей. Модель распространяется под лицензией MIT. Карточка не приводит специфических для синтезатора ограничений качества или перечня поддерживаемых языков.

HGNet Small SSLD IN1K — сверточная модель классификации изображений семейства High Performance GPU Net, опубликованная авторами модели в репозитории timm. Она обучена на ImageNet-22k и ImageNet-1k с применением дистилляции SSLD. Модель содержит 24,4 млн параметров и предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и визуальных эмбеддингов. Для обучения указано разрешение изображений 224×224, для тестирования — 288×288. В репозитории доступны веса PyTorch и Safetensors; библиотека для работы с моделью — timm. Модель подходит для прикладных систем, которым нужно относить изображения к классам ImageNet или получать визуальные признаки для последующих этапов обработки. Лицензия — Apache-2.0.

Mergerix-7b-v0.5 — слитая модель для генерации текста, созданная MiniMoog с помощью LazyMergekit из automerger/YamshadowExperiment28-7B и automerger/PasticheInex12-7B. В конфигурации указан метод слияния slerp; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации текста и диалогов. Её контекстное окно составляет 32 768 токенов. Данных о специализации по предметным областям или поддерживаемых языках в карточке нет. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; поведение и надёжность следует проверять на целевых задачах.

andrerean/minilm-arsip-kampus-v1 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для поиска по архиву документов кампуса. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Архитектура включает BERT-трансформер с усредняющим pooling. README указывает максимальную длину последовательности 384 токена, а метаданные — контекст до 512 токенов. Модель обучена на 2 352 парах текстов, связанных с архивными материалами университета: руководствами по грантам, документами об организации подразделений и процедурами для преподавателей. Её можно применять для семантического поиска и извлечения подходящих документов по запросам, даже если формулировки запроса и документа различаются. В метаданных указан тег sentence-similarity, а каталог также относит её к feature-extraction. Модель принимает и выдаёт текстовые представления в виде векторов. Примеры обучающих данных написаны на индонезийском языке; карточка не подтверждает поддержку других языков именно этой дообученной версии. Используется лицензия базовой модели, применимая к репозиторию модели; сведений о лицензии в предоставленных данных нет.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это многоэтапная дообученная и объединённая версия модели Qwen3.8-27B, опубликованная в репозитории trinityomnis и основанная на модели DavidAU. Модель распространяется в формате GGUF, включая обычные и MTP-квантизации, и ориентирована на запуск на потребительском оборудовании. В README заявлены поддержка английского и китайского языков, размер около 27 млрд параметров, режимы рассуждения, а также специализация на программировании, творческом письме, художественной прозе и ролевых сценариях. Ключевая цель разработки — повысить способность к решению задач и детализации ответов, одновременно сократив объём токенов, затрачиваемых на рассуждение, по сравнению с базовой Qwen3.8. По заявлению автора, модель обучалась с использованием методов COLD FUSION и Fable Fusion 711 и показывает более высокие результаты на ряде внутренних или указанных в README бенчмарков, включая ARC-C и ARC-E. Эти результаты не подтверждены независимыми данными в представленном описании. Сильными сторонами модели заявлены скорость генерации, сокращённое рассуждение, кодинг, подробное творчество и широкий спектр сценариев применения. Ограничения включают отсутствие сведений о размере контекстного окна, точной архитектуре, поддерживаемых мультимодальных входах и системных требованиях. Модель обозначена как uncensored и abliterated, поэтому её ответы могут требовать дополнительной фильтрации и контроля. Лицензия — Apache-2.0.

timm/regnety_160.swag_lc_in1k — модель классификации изображений на архитектуре RegNetY-16GF, опубликованная в библиотеке timm. Она предварительно обучена методом SWAG на примерно 3,6 млрд изображений Instagram с хештегами, а линейный классификатор настроен авторами работ на ImageNet-1k. Модель содержит около 83,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для распознавания объектов и категорий на изображениях, извлечения карт признаков и получения векторных представлений изображений. В таблице результатов для варианта regnety_160.swag_ft_in1k приведены точности top-1 86,024% и top-5 98,05% при размере изображения 384 пикселя; эти показатели относятся к варианту с суффиксом swag_ft, а не напрямую к swag_lc. Веса распространяются по лицензии CC-BY-NC-4.0, которая запрещает коммерческое использование.

ResNet-50d — свёрточная нейронная сеть с остаточными связями, представленная как предварительно обученная модель для классификации изображений ImageNet. Архитектура ResNet дополнена модификацией ResNet-D. Модель доступна в формате PyTorch и рассчитана на классификацию по 1000 меткам ImageNet; её классификационную голову также можно заменить для дообучения на других задачах компьютерного зрения. Для оценки изображения масштабируются до 224×224 пикселей с бикубической интерполяцией и нормализуются статистиками ImageNet. В оценке на ImageNet модель показала точность top-1 80,53% и top-5 95,16%. Лицензия — Apache-2.0. Обучающие данные преимущественно содержат фотографии, ясно соответствующие одной из категорий, поэтому модель может хуже работать с рисунками и изображениями с несколькими объектами разных классов. Географическое смещение обучающих данных и представленные в них расовые и гендерные предубеждения могут отражаться на результатах.

ResNet50-GN A1H — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Вариант ResNet использует активации ReLU, свёртку 7×7 с пулингом и остаточные связи с проекцией через свёртки 1×1. Модель содержит 25,6 млн параметров и работает с изображениями: размер при обучении — 224×224, при тестировании — 288×288. Модель предназначена для классификации изображений и может использоваться как основа для извлечения карт признаков и эмбеддингов. Обучение выполнено по рецепту A1 из ResNet Strikes Back с оптимизатором LAMB, усиленными dropout, stochastic depth и RandAugment, а также косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0.

RF-DETR Medium — модель обнаружения объектов в реальном времени из семейства RF-DETR, разработанного авторами работы «RF-DETR: Neural Architecture Search for Real-Time Detection Transformers» и интегрированного в Transformers. Она предназначена для поиска и локализации объектов на изображениях; чекпойнт обучен на COCO 2017 и распознаёт 80 категорий этого набора данных. Архитектура сочетает ViT-энкодер в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер с деформируемым вниманием в стиле Deformable DETR. Модель использует запросы объектов DETR и сквозное предсказание классов и ограничивающих рамок. Репозиторий содержит веса Safetensors; для работы модель интегрирована с библиотекой Transformers. Модель подходит для детекции объектов на изображениях в сценариях, где важен баланс точности и задержки. Она обучена на 80 категориях COCO, поэтому возможности обнаружения объектов за пределами этого набора категорий не подтверждены. Лицензия — Apache-2.0.

SpeechX — многозадачный классификатор коротких аудиозаписей, дообученный на энкодере OpenAI Whisper Base. Он одновременно предсказывает пол говорящего и язык речи: аудио преобразуется в лог-мел признаки, затем энкодер формирует представление размерности 512, которое поступает в две классификационные головы. Декодер Whisper не используется; модель содержит около 20,6 млн параметров и хранит веса в формате fp16. Модель предназначена для быстрой идентификации языка и определения пола по голосу, предварительной маршрутизации аудио в системы распознавания речи, аналитики звонков, профилирования голосовых помощников и разметки аудиоданных. README заявляет 109 языковых классов, точность определения пола 97,75%, top-1 точность языка 87,16% и top-5 97,10%; на NVIDIA L4 указана задержка 18,6 мс на одиночный клип. Модель принимает монофоническое аудио 16 кГц. Качество определения языка заметно зависит от объёма обучающих данных: для языков менее чем с 50 обучающими клипами результаты ненадёжны. На CPU одиночный клип обрабатывается примерно за 317 мс, поэтому сценарии реального времени ориентированы на GPU. Лицензия — Apache-2.0.

Swin Transformer V2 Base Patch4 Window12 192 22k — модель компьютерного зрения семейства Swin Transformer V2, представленная авторами Swin Transformer и опубликованная Microsoft. Это иерархический Vision Transformer с локальным оконным вниманием и объединением патчей на более глубоких уровнях; в варианте Base около 33 млн параметров. Модель предварительно обучена на ImageNet-21k с разрешением 192×192 и предназначена для классификации изображений по классам ImageNet. Модель принимает изображение и выдаёт оценки классов. Swin V2 использует нормализацию после остаточных связей с cosine attention для стабильности обучения и непрерывное позиционное смещение, помогающее переносить предобучение с низкого разрешения на более высокое. Архитектура также может служить основой для задач плотного распознавания, однако этот чекпойнт предназначен для классификации изображений. Лицензия — Apache-2.0.

tf_efficientnet_b7.aa_in1k — сверточная модель EfficientNet-B7 для классификации изображений и извлечения визуальных признаков. Изначально обучена авторами EfficientNet на ImageNet-1k с использованием AutoAugment в TensorFlow, затем перенесена в PyTorch Россом Вайтманом и опубликована в библиотеке timm. Число параметров — около 66,3 млн; рекомендуемый размер изображения — 600 × 600 пикселей. Модель подходит для определения объектов и категорий на изображениях, получения карт признаков и визуальных эмбеддингов, например для поиска похожих изображений или как визуальная основа для прикладных систем компьютерного зрения. Основная задача из карточки — классификация изображений по категориям ImageNet-1k. Для использования доступны веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка не описывает поддержку входов, отличных от изображений, и не приводит сведения о языковых возможностях.

tf_efficientnet_lite1.in1k — сверточная модель семейства EfficientNet-Lite для классификации изображений и извлечения признаков. Её обучили авторы оригинальной работы на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется в формате PyTorch/SafeTensors через библиотеку timm. В ней около 5,4 млн параметров, расчётный размер входного изображения — 240 × 240 пикселей. Модель подходит для определения объектов и сцен на изображениях из 1000 классов ImageNet-1k, а также как компактная основа для извлечения карт признаков и эмбеддингов изображений. Она рассчитана на задачи компьютерного зрения и не предназначена для понимания текста или генерации изображений. Лицензия — Apache-2.0.

timm/tf_efficientnetv2_m.in21k — модель EfficientNetV2-M для классификации изображений и извлечения признаков. Её обучили авторы оригинальной статьи на ImageNet-21k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; репозиторий использует библиотеку timm и предоставляет веса в форматах PyTorch и safetensors. Модель предназначена для присвоения изображениям классов, извлечения карт признаков и получения эмбеддингов изображений. В ней около 80,8 млн параметров; размер изображения при обучении составлял 384×384 пикселя, при тестировании — 480×480. Это визуальная модель без обработки естественного языка. Распространяется по лицензии Apache-2.0.

Это модель классификации изображений EfficientNetV2-S, обученная авторами оригинальной работы на ImageNet-21k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Репозиторий опубликован в формате PyTorch и Safetensors для библиотеки timm; лицензия — Apache-2.0. Модель предназначена для определения объектов и категорий на изображениях, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов. Она содержит 48,2 млн параметров и требует 5,4 GMACs; размер изображения при обучении составлял 300 × 300, при тестировании — 384 × 384. Обучение на ImageNet-21k даёт широкое покрытие категорий изображений, но карточка не заявляет поддержки других модальностей или специализированных предметных областей.

Trendyol LLM 7B Base — авторегрессионная языковая модель, разработанная Trendyol на основе LLaMA 2 7B. Это базовая версия семейства с отдельным вариантом для чата. Модель содержит 6,7 млрд параметров, использует плотную архитектуру LLaMA и принимает текст, генерируя текст. В метаданных указан контекст 4096 токенов; при описании обучения README приводит максимальную длину последовательности 1024 токена. Базовая модель дообучена с помощью LoRA на 10 млрд токенов. Она предназначена для продолжения текста и может служить основой для генеративных приложений, включая черновики и подсказки на английском и турецком языках. Распространяется по лицензии Apache-2.0. Модель не проходила обширную проверку в реальных сценариях. Она может выдавать неточную информацию, хуже работать с разговорной речью и языками, отличными от английского и турецкого, а также генерировать предвзятый или вредоносный текст; для пользовательских приложений нужны проверка результатов и меры безопасности.

vit_base_patch16_siglip_gap_384.v2_webli — визуальный энкодер SigLIP 2 на архитектуре ViT, опубликованный в библиотеке timm. Модель принимает изображения и извлекает их признаки; вариант gap использует глобальное среднее объединение признаков и не содержит головы attention pooling. Модель обучена на наборе WebLI и предназначена для получения визуальных представлений, которые можно использовать в системах поиска изображений и других конвейерах извлечения признаков. Это только визуальная часть модели, а не полный мультимодальный энкодер изображений и текста. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache 2.0.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы работы на ImageNet-21k, затем дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; реализацию на PyTorch подготовил Ross Wightman. Репозиторий распространяется через библиотеку timm и содержит веса в форматах PyTorch и safetensors. Модель ViT-Small использует патчи размером 16×16 и рассчитана на изображения 224×224 пикселя. В ней 22,1 млн параметров; вычислительная стоимость составляет 4,3 GMACs. Её можно применять для предсказания классов изображений или как основу для получения эмбеддингов и других задач компьютерного зрения. Лицензия — Apache-2.0. Модель обучена на ImageNet, поэтому её качество может быть ниже на изображениях из других предметных областей или с распределением, отличающимся от обучающих данных.

timm/wide_resnet50_2.tv2_in1k — модель классификации изображений семейства Wide-ResNet, опубликованная разработчиками timm. Она обучена на ImageNet-1k с рецептами обучения torchvision v2 и может использоваться как классификатор или как сверточная основа для извлечения карт признаков и эмбеддингов. Архитектура использует активации ReLU, начальную свёртку 7×7 с pooling и проекции 1×1 в shortcut-соединениях; модель содержит 68,9 млн параметров и требует изображения 224×224 для оценки. Для обучения указано разрешение 176×176. Модель предназначена для распознавания объектов на изображениях общего назначения и получения визуальных признаков для последующих задач. В README приведены варианты использования для классификации, извлечения карт признаков и эмбеддингов. Репозиторий содержит веса PyTorch и safetensors. Лицензия — BSD-3-Clause.

Z-Jafari/xlm-roberta-base-finetuned-nestedRewrite_QA — модель для извлечения ответа на вопрос из предоставленного текста. Она создана дообучением многоязычной XLM-RoBERTa base от Facebook AI и содержит около 305,2 млн параметров. Модель принимает текст с контекстом и вопросом и предсказывает ответ в формате задачи question-answering; максимальная длина контекста составляет 514 токенов. В README приведены результаты оценки: exact match 76,9 и F1 79,7, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие сценарии. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Языки и область применения конкретного дообучения не уточнены.

YOLO11 — семейство моделей компьютерного зрения, разработанное Ultralytics. Репозиторий содержит модели для обнаружения объектов, сегментации, классификации изображений и оценки позы; режим отслеживания объектов совместим с моделями обнаружения, сегментации и позы. В метаданных основная задача этой карточки указана как обнаружение объектов. Предобученные варианты обнаружения объектов обучены на COCO с 80 классами, модели сегментации — на COCO-Seg с 80 классами, а классификаторы — на ImageNet с 1000 классами. Доступны варианты разного размера; для обнаружения объектов указано от 2,6 млн параметров у YOLO11n до 20,1 млн у YOLO11m среди приведённых вариантов. Модели предназначены для быстрого инференса и интеграции через библиотеку Ultralytics с PyTorch. Карточка также описывает применение для отслеживания объектов в видео и оценки позы. Лицензия репозитория — AGPL-3.0; для коммерческого использования Ultralytics предлагает запросить Enterprise License.

fsuarez обучил с помощью AutoTrain модель для многоклассовой классификации логотипов 57 известных брендов и компаний. Это модель компьютерного зрения на архитектуре Swin с 33 млн параметров, доступная в форматах PyTorch и Safetensors. Модель принимает изображение и относит логотип к одному из классов брендов, представленных в обучающем наборе LogoIdentifier. Она может использоваться для распознавания бренда на изображениях товаров, рекламных материалах и других визуальных объектах. В README приведены метрики валидации: accuracy и macro F1 по 0,924; результаты на других данных могут отличаться. Условия лицензии в предоставленных данных не описаны.

DevQuasar/baidu.Unlimited-OCR-GGUF — это квантизированная версия модели baidu/Unlimited-OCR, опубликованная под пространством DevQuasar. По указанным данным, модель предназначена для задач image-text-to-text, то есть обработки изображений с генерацией текстового ответа, включая сценарии оптического распознавания символов (OCR). В README не указаны архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, конкретные возможности распознавания, требования к ресурсам или результаты тестирования. Также не приведена информация о лицензии и условиях коммерческого использования. Поэтому сильные стороны, ограничения и точные сценарии применения модели невозможно достоверно оценить по имеющимся данным.

whispAI/ClaimBuster-DeBERTaV2 — модель классификации текста на основе DeBERTaV2, опубликованная под аккаунтом whispAI и обученная с помощью AutoTrain. Она предназначена для многоклассовой классификации утверждений в стиле ClaimBuster и может применяться для первичной фильтрации текста при проверке фактов. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт класс для входного текста. В README приведены метрики валидации: accuracy 0,842 и macro F1 0,753 на использованном наборе данных. Для доступа показан вызов через API Hugging Face. Лицензия в предоставленных данных не указана.

ConvNeXt Small — модель компьютерного зрения для классификации изображений, опубликованная в timm. Авторы статьи предварительно обучили её на ImageNet-22k, а затем дообучили на ImageNet-1k. Модель содержит около 50,2 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. Репозиторий предоставляет веса PyTorch и safetensors; модель предназначена для обработки изображений и не генерирует текст. Лицензия — Apache-2.0.

ECA-NFNet-L1.ra2_in1k — модель классификации изображений и извлечения визуальных признаков, обученная Ross Wightman в рамках библиотеки timm. Она основана на лёгком варианте NFNet: использует архитектуру, подобную ResNet, без нормализационных слоёв, со Scaled Weight Standardization и скалярными коэффициентами в остаточных связях. В этой версии механизм внимания ECA заменяет SE, а уменьшенные коэффициенты bottleneck и SE и меньший размер группы снижают ширину сети при сохранении глубины; используются активации SiLU. Модель обучена на ImageNet-1k и предназначена для классификации изображений, а также может служить основой для извлечения карт признаков и эмбеддингов. Входной размер при обучении составлял 256×256 пикселей, при тестировании — 320×320. Модель содержит около 41,4 млн параметров и требует 9,6 GMACs. Доступны веса в форматах PyTorch и safetensors, библиотека — timm. Лицензия Apache-2.0.

EfficientNet-B5 — свёрточная модель для классификации изображений и извлечения визуальных признаков. Её обучил Ross Wightman с библиотекой timm на ImageNet-12k; в репозитории доступны веса PyTorch в формате safetensors. Модель содержит 52,6 млн параметров и рассчитана на изображения размером 416 × 416 пикселей. Модель подходит для отнесения изображений к категориям, извлечения карт признаков и получения векторных представлений изображений. В README описано обучение по рецепту с оптимизатором AdamW, ограничением градиентов, усреднением весов EMA и косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0. Модель обучена на ImageNet-12k, поэтому её классификация ориентирована на категории этого набора данных; качество на других типах изображений может отличаться.

Floppa-12B-Gemma3-Uncensored-i1-GGUF — квантизированная версия модели Ryex/Floppa-12B-Gemma3-Uncensored, подготовленная mradermacher в формате GGUF с использованием imatrix-квантизации. Модель основана на Gemma 3 и имеет размер около 12 млрд параметров. В карточке указаны мультимодальность и поддержка работы с изображениями, а также языковая поддержка английского, японского и других многоязычных сценариев. Модель предназначена для генерации и обработки текста, мультимодальных задач, перевода и сценариев, связанных с аниме. Пометка uncensored указывает на менее ограниченное поведение по сравнению с моделями, ориентированными на усиленную модерацию, однако конкретные характеристики безопасности и качество ответов в README не описаны. Контекстное окно, архитектурные детали Gemma 3 и результаты тестирования не указаны. Репозиторий предоставляет множество вариантов квантизации размером примерно от 3,0 до 9,8 ГБ. Это позволяет выбирать между требованиями к памяти, скоростью и качеством; в README рекомендован вариант i1-Q4_K_M, а i1-Q4_K_S описан как оптимальный по соотношению размера, скорости и качества. При сильной квантизации качество может снижаться. Для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Лицензия указана как Gemma.

Kosmos-EVAA-gamma-8B — объединённая методом SLERP языковая модель семейства Llama, опубликованная пользователем jaspionjader. В слиянии использованы jaspionjader/Kosmos-EVAA-v12-8B и johnsutor/Llama-3-8B-Instruct_breadcrumbs-density-0.1-gamma-0.01; для слоёв внимания и MLP заданы разные коэффициенты смешивания. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев на основе инструкций. Карточка не сообщает о специализированной области применения или дополнительных возможностях. В репозитории указаны веса safetensors; лицензия и конкретные ограничения качества в предоставленных данных не описаны.