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

dla60_res2net.in1k — модель компьютерного зрения с архитектурой DLA (Deep Layer Aggregation) и блоками Res2Net, размещённая в библиотеке timm. Авторы статьи Res2Net обучили её на ImageNet-1k для классификации изображений; также её можно использовать как backbone для извлечения признаков и получения эмбеддингов изображений. Модель содержит 20,8 млн параметров, выполняет около 4,1 GMAC и рассчитана на изображения размером 224 × 224 пикселя. Веса доступны в форматах PyTorch и safetensors. Лицензия в метаданных указана как unknown.

EfficientNet-B3 — свёрточная нейросеть для классификации изображений, разработанная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Модель принимает изображения размером 300 × 300 пикселей и относит их к одному из 1000 классов ImageNet. Архитектура EfficientNet использует совместное масштабирование глубины, ширины и разрешения сети с помощью общего коэффициента. Модель спроектирована как компактная и подходящая для мобильных устройств. Доступны веса в формате PyTorch; лицензия — Apache-2.0. Модель предназначена для классификации изображений общего назначения. Для специализированных задач можно использовать дообученные версии. Карточка не приводит оценки качества или дополнительных ограничений.

EfficientViT L2 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, созданная авторами работы EfficientViT и обученная на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, использования в качестве визуального backbone и получения карт признаков или эмбеддингов. Модель содержит 63,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Архитектура EfficientViT использует многошкальное линейное внимание для обработки изображений высокого разрешения. В репозитории представлены веса PyTorch и Safetensors; модель распространяется по лицензии Apache-2.0.

EoMT-DINOv3 COCO Instance Large — модель для сегментации отдельных объектов на изображениях, разработанная на основе архитектуры EoMT и предобученного визуального энкодера DINOv3. Это крупный вариант с 402,7 млн параметров: в основе лежит ViT-L/16 с позиционными RoPE-эмбеддингами; модель обучена на COCO и рассчитана на изображения размером 640×640 пикселей. EoMT выполняет сегментацию с помощью encoder-only Mask Transformer без специализированного декодера или модулей слияния пиксельных признаков. Модель предназначена для выделения экземпляров объектов и их масок на изображениях. Архитектура EoMT также поддерживает семантическую и паноптическую сегментацию при соответствующей постобработке, однако эта версия обучена для instance segmentation. Для работы требуется входное изображение; результатом служат маски сегментации и связанные с ними метки объектов. Лицензия — MIT. В карточке не приведены метрики качества и дополнительные ограничения применения.

EVA02 Large Patch14 448 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она опубликована в библиотеке timm; авторы статьи EVA-02 предварительно обучили её на ImageNet-22k методом masked image modeling с EVA-CLIP в роли учителя, затем дообучили на ImageNet-1k. Архитектура — Vision Transformer с mean pooling, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. Модель содержит около 305 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Модель подходит для определения объектов и сцен по изображениям, а также как визуальный backbone для получения признаковых представлений. В README для варианта модели указаны результаты на ImageNet-1k: top-1 89,946% и top-5 99,01%. Весы timm представлены в float32; лицензия — MIT. Модель принимает изображения и выдаёт классовые предсказания либо визуальные признаки.

FiSeR DINOv3 ViT-L/16 — визуальный энкодер, дообученный командой FiSeR с помощью иерархического supervised contrastive learning на обучающей части WildFake. Модель основана на facebook/dinov3-vitl16-pretrain-lvd1689m и содержит 402,7 млн параметров; веса сохранены в формате safetensors. Она принимает изображение и выдаёт 1024-мерное представление CLS для дальнейшей обработки.

FocalNet Large FL3 — модель классификации изображений и извлечения визуальных признаков из семейства FocalNet, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k и предназначена для присвоения изображению метки класса, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит 239,1 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. Архитектура использует фокальную модуляцию для обработки визуального контекста. Модель подходит для классификации изображений и как визуальная основа для последующих задач компьютерного зрения. Карточка указывает лицензию MIT. Для её запуска нужна совместимая среда PyTorch и библиотека timm.

gcresnet33ts.ra2_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Она построена на архитектуре GC-ResNet с механизмом Global Context attention и реализована через BYOBNet в timm. Модель содержит 19,9 млн параметров; в карточке указаны изображения размером 256 × 256 для обучения и 288 × 288 для тестирования. Модель предназначена для классификации изображений по классам ImageNet-1k и может служить сверточной основой для извлечения карт признаков и эмбеддингов изображений. В архитектуре используются трёхслойный stem без pooling и активации SiLU; библиотека timm также поддерживает извлечение признаков по этапам сети. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Обучение описано только для ImageNet-1k, поэтому применимость к изображениям других типов и доменов может требовать проверки или дополнительной адаптации.

Hiera Large 224 MAE — модель компьютерного зрения семейства Hiera, опубликованная авторами статьи и доступная в формате timm. Она предварительно обучена на ImageNet-1k методом masked autoencoder и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Архитектура содержит около 212,6 млн параметров; модель рассчитана на изображения размером 224 × 224 пикселя. В README приведены результаты Top-1 86,042% и Top-5 97,648% для варианта с последующим дообучением на ImageNet-1k. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная Ross Wightman в библиотеке timm. Она предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k по рецепту из работы «Searching for better ViT baselines». Вариант использует изменяемые абсолютные позиционные эмбеддинги для оконного внимания и layer-scale. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она рассчитана на изображения размером 256 × 256 пикселей, содержит 34,4 млн параметров и требует 7,7 GMACs согласно карточке модели. Доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Обучение на ImageNet делает модель пригодной для задач распознавания объектов общего назначения и последующей адаптации в компьютерном зрении. Карточка не сообщает отдельные ограничения качества или перечень классов, поэтому результаты на других доменах могут отличаться и требуют проверки на целевых данных.

hiera_small_abswin_256.sbb2_pd_e200_in12k_ft_in1k — модель классификации изображений на основе иерархического Vision Transformer Hiera, опубликованная Ross Wightman в библиотеке timm. Она содержит 34,4 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k по рецепту из работы «Searching for better ViT baselines». В обучении применялся patch dropout с масками Hiera. Модель предназначена для определения классов объектов на изображениях и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Вариант поддерживает масштабируемые позиционные эмбеддинги abs-win; обучение с patch dropout призвано улучшить их обобщение на другие разрешения. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

Horus Hiero 9B — многоязычная модель TokenAI для понимания древнеегипетских иероглифов и перевода их на современные языки. Она основана на архитектуре Qwen3.5 и, согласно метаданным, содержит 7,2 млрд параметров; поддерживает чат, а карточка заявляет работу со 150 языками и иероглифами. Модель предназначена для перевода иероглифических текстов, а также для многоязычных сценариев с длинным контекстом. В метаданных указаны задачи генерации текста и преобразования изображений в текст, библиотека Transformers и контекст до 524 288 токенов. README также заявляет поддержку изображений и видео на входе, но это не подтверждается метаданными. В репозитории указаны веса Safetensors; README сообщает о наличии отдельных GGUF-квантованных вариантов, но не устанавливает их связь с данным репозиторием. Лицензия в предоставленных сведениях не указана. Заявленные результаты бенчмарков приведены в README без подробностей о методике оценки.

InceptionNeXt Tiny — сверточная модель семейства InceptionNeXt для классификации изображений и извлечения визуальных признаков. Модель обучена авторами статьи на ImageNet-1k и опубликована в репозитории timm; число параметров — 28,1 млн, вычислительная сложность — 4,2 GMACs, входной размер изображения — 224 × 224 пикселя. Модель подходит для присвоения изображениям классов ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов, например как основы компьютерного зрения в прикладных системах. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

InternImage-T — модель компьютерного зрения из семейства InternImage, разработанного исследователями Shanghai AI Laboratory, Университета Цинхуа и других организаций. Вариант internimage_t_1k_224 предназначен для классификации изображений и обучен на ImageNet-1K. Он использует оператор DCNv3 для адаптивного пространственного агрегирования и доступен в формате Safetensors для библиотеки Transformers. Для этого варианта README указывает 30 млн параметров, входное разрешение 224×224 и точность Top-1 83,5% на ImageNet-1K. Модель может служить визуальным энкодером и основой для задач компьютерного зрения, включая обнаружение объектов и сегментацию после соответствующей настройки. Для ускоренного вывода можно установить CUDA-реализацию DCNv3; без неё используется реализация на PyTorch, которая может требовать больше видеопамяти и работать менее эффективно. Лицензия — MIT.

K2-Horizon-7B-Uno — диффузионно-расширенная языковая модель, разработанная IFM. Она объединяет авторегрессионный (AR) путь на основе весов K2-Horizon-7B и диффузионный путь с LoRA-адаптерами в единой архитектуре. Репозиторий содержит только адаптер; веса базовой модели размещены отдельно. Модель предназначена для генерации текста и сценариев, где важны диффузионное декодирование и агентное использование инструментов. В README приведены результаты на бенчмарках τ³ Banking, τ² Telecom, τ² Retail и Terminal-Bench v2.1; среди указанных сравнительных моделей она показывает высокие результаты на задачах Telecom и Retail. Заявлены ускорения генерации, связанные с подходом discrete diffusion, однако конкретные характеристики производительности зависят от способа применения адаптера и базовой модели. Модель относится к семейству размером около 7–8B параметров с архитектурой, сочетающей AR-веса и LoRA-адаптеры для диффузионного пути. Дополнительные сведения о поддерживаемых языках, размере контекста и модальностях в README не указаны. Лицензия — Apache-2.0.

LCNet 0.75 RA2 in1k — сверточная модель классификации изображений из семейства PP-LCNet, опубликованная в экосистеме timm. Она обучена на ImageNet-1k с рецептом RandAugment RA2, оптимизатором RMSProp с усреднением весов EMA и ступенчатым экспоненциальным расписанием скорости обучения. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она рассчитана на вход размером 224 × 224 пикселя, содержит около 2,4 млн параметров и требует примерно 0,1 GMAC на проход. Лицензия — Apache-2.0.

LeViT Conv 128 — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная авторами библиотеки timm. Она основана на архитектуре LeViT и обучена на ImageNet-1k с дистилляцией от авторов оригинальной работы. Модель содержит около 9,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,4 GMAC на изображение. Репозиторий содержит веса PyTorch и safetensors. Модель подходит для присвоения изображению метки из набора классов ImageNet-1k, получения эмбеддингов изображений и извлечения карт признаков. Лицензия — Apache-2.0. Карточка не описывает поддержку иных наборов классов или языков; качество классификации вне ImageNet-1k зависит от данных и сценария применения.

LowFormer E2 — модель классификации изображений и извлечения визуальных признаков, разработанная авторами LowFormer и обученная на ImageNet-1k. Чекпойнт преобразован в формат state-dict библиотеки timm. Вариант E2 рассчитан на edge GPU: его архитектура использует сверточные блоки и не включает ветви attention и MLP. Модель содержит 22,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации объектов на изображениях, получения эмбеддингов и извлечения многомасштабных карт признаков. Для предобработки используются бикубическое изменение размера, центральное кадрирование с crop_pct=0.95 и среднее со стандартным отклонением ImageNet. На ImageNet-1k при разрешении 224 пикселя варианты семейства LowFormer показывают точность Top-1 от 78,388% до 81,102%; эти результаты не относятся однозначно к E2, поскольку соответствующая строка таблицы не приведена. Скорость зависит от оборудования, среды вывода, способа экспорта и размера пакета. Для всех вариантов семейства FP16 autocast соответствует FP32, но данные отдельно для E2 не приведены. Лицензия — Apache 2.0.

maxvit_nano_rw_256.sw_in1k — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработал Ross Wightman и обучил в библиотеке timm на ImageNet-1k. Модель содержит около 15,5 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Архитектура MaxViT сочетает блоки MBConv с двумя видами внимания: оконным и сеточным. Модель подходит для определения объектов и сцен на изображениях, а также для получения карт признаков и эмбеддингов, которые можно использовать в других системах компьютерного зрения. Для работы с весами предусмотрены форматы PyTorch и safetensors. Модель выпущена под лицензией Apache-2.0. Её точность и применимость зависят от соответствия входных изображений обучающим данным ImageNet-1k; карточка описывает классификацию общего назначения, а не специализированные предметные области.

MaxViT XLarge TF 224 IN21k — модель классификации изображений семейства MaxViT, разработанная авторами MaxViT и перенесённая из TensorFlow в PyTorch Россом Уайтманом для библиотеки timm. Она обучена на ImageNet-21k и предназначена для отнесения изображений к классам, извлечения карт признаков и получения визуальных эмбеддингов. Архитектура MaxViT сочетает блоки MBConv со слоями самовнимания по окнам и сетке. Модель содержит около 507 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий содержит веса PyTorch в формате safetensors; лицензия — Apache-2.0. Большой размер модели и вычислительная стоимость ограничивают её применение на устройствах с небольшими ресурсами. Обучение на ImageNet-21k ориентирует её на классификацию изображений общего назначения; для специализированных классов может потребоваться дообучение.

Карточка модели yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_8B на Hugging Face совпадает с карточкой yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_14B, поэтому описание составлено по ней. yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_14B — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-8B и обученная на наборе aligned_5w_data_from_upsampled_M0_Qwen3-8B_upsampled_50k_all_subtasks. Это диалоговая языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста; доступный контекст составляет до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Карточка не уточняет химические возможности модели, состав заданий в обучающем наборе или результаты оценки, поэтому специализированные сценарии применения подтвердить нельзя. Лицензия указана как other; конкретные условия следует сверить в карточке репозитория перед использованием.

Mistral-7B-wo-medication_qa-sft — дообученная методом supervised fine-tuning модель Minbyul на базе mistralai/Mistral-7B-v0.1. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и предназначена для генерации текста. В качестве обучающих данных указана выборка HuggingFaceH4/deita-10k-v0-sft; в README приведён результат оценки Loss 1,5099. Модель принимает текст и генерирует текст. Для базовой модели заявлен контекст длиной до 32 768 токенов. README не описывает специализацию на вопросах о лекарствах и не приводит подробностей о языках, сценариях применения или ограничениях качества, поэтому медицинское назначение по названию модели подтвердить нельзя. Лицензия — Apache-2.0.

MobileNet V2 — сверточная модель классификации изображений, разработанная авторами статьи MobileNetV2 и предварительно обученная на ImageNet-1k. Версия 1.0_224 использует множитель глубины 1,0 и рассчитана на входные изображения размером 224 × 224 пикселя; архитектура включает инвертированные остаточные блоки и линейные узкие места. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Компактность, низкая задержка и низкое энергопотребление делают её подходящей для мобильных устройств и других систем с ограниченными ресурсами. MobileNet также можно использовать как основу для дообучения на задачах обнаружения объектов, построения эмбеддингов и сегментации. Репозиторий содержит веса PyTorch и Safetensors. В карточке указана лицензия other, поэтому точные условия использования следует проверять в файлах лицензии репозитория. Модель обучалась на ImageNet-1k и рассчитана на изображения с разрешением 224 × 224; её классификация ограничена набором из 1000 классов ImageNet.

mobilenetv2_110d.ra_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она основана на архитектуре MobileNetV2 и предназначена для присвоения изображению метки класса; её также можно использовать как сверточную основу для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 4,5 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,4 GMACs на обработку изображения. При обучении использовались аугментации RandAugment, оптимизатор RMSProp с усреднением весов EMA и ступенчатое экспоненциальное снижение скорости обучения. Репозиторий содержит веса PyTorch в формате safetensors. Модель подходит для классификации изображений и извлечения визуальных признаков в приложениях компьютерного зрения. Карточка указывает лицензию Apache-2.0. Описанные результаты обучения относятся к ImageNet-1k; качество на иных наборах данных может отличаться.

apple/mobilevit-small — компактная модель MobileViT-S для классификации изображений, опубликованная Apple. Она сочетает слои свёрточной сети в стиле MobileNetV2 с блоками трансформера: изображения преобразуются в патчи для глобальной обработки, а затем снова в карты признаков. Модель обучена с нуля на ImageNet-1k и рассчитана на эффективное применение в сценариях компьютерного зрения, в том числе на мобильных устройствах. Модель относит изображение к одному из 1000 классов ImageNet. В README приведены результаты на ImageNet: точность top-1 — 78,4%, top-5 — 94,1%; для варианта MobileViT-S указано 5,6 млн параметров. Для вывода требуется подготовить изображение: в карточке описаны изменение размера и центральное кадрирование до 256×256 пикселей, нормализация значений пикселей в диапазон [0, 1] и порядок каналов BGR. Доступны веса PyTorch, TensorFlow и Core ML. Лицензия — Apple Sample Code License.

MS-EffGCViT — разработанная в проекте DeepGuard гибридная CNN–Vision Transformer модель для выявления дипфейков. Этот вариант b0 дообучен на базе timm/tf_efficientnet_b0.ns_jft_in1k и рассчитан на классификацию лицевых кадров как реальных или поддельных. Модель принимает изображения и кадры видео с обрезанными лицами; для видео оценки кадров можно агрегировать. Архитектура сочетает EfficientNet-B0, CNN-эмбеддинг на MBConv-блоках, локальное оконное внимание и глобальный контекст. В README указано разрешение входа 224×224 и приведены результаты на Celeb-DF-v2; показатели на KoDF и FaceForensics++ существенно слабее, поэтому качество на новых доменах может быть ограниченным. Модель распространяется по лицензии MIT.

Yunika/muril-squad-nepali — модель на базе muRIL с архитектурой BERT, дообученная на переведённом на непальский язык датасете SQuAD. Она предназначена для извлечения ответов на вопросы из предоставленного текста на непальском языке. Модель содержит 264,8 млн параметров, принимает текст с контекстом длиной до 512 токенов и выдаёт текстовый фрагмент ответа. Лицензия в доступных данных не указана.

Репозиторий Yahoo Inc. сопровождает исследовательскую работу о генерации фона вокруг заметного объекта с помощью текстово-управляемых диффузионных моделей. Он предназначен для создания или замены фона на изображении, сохраняя идентичность и форму главного объекта; среди возможных сценариев авторы отмечают подготовку рекламных изображений для электронной коммерции. В отличие от обычного заполнения маски, подход нацелен на снижение нежелательного расширения или искажения объекта при генерации. Модель загружается как конвейер Diffusers на основе StableDiffusionControlNetInpaintPipeline; поддерживаются генерация изображения по тексту и преобразование изображения. Репозиторий связан с работой, принятой на семинар CVPR 2024 Generative Models for Computer Vision. Лицензия — Apache-2.0. В README не приведены размер модели, длина контекста или список поддерживаемых языков.

Privasis-Cleaner-4B — компактная языковая модель NVIDIA для очистки текста от чувствительных сведений по инструкции пользователя. Она принимает исходный текст и указание, какие категории данных удалить или обобщить, например имена, даты, местоположения и идентификаторы, и возвращает очищенный текст. Модель построена на Qwen3-4B-Instruct-2507 и дообучена методом supervised fine-tuning на 36 723 синтетических примерах «текст — инструкция — очищенный текст». Это плотный декодерный Transformer с 3,7 млрд параметров, поддерживает ввод и вывод текста и имеет контекст до 40 960 токенов по метаданным. В карточке README указано ограничение до 262 144 токенов, что расходится с метаданными; фактический предел следует проверять в используемой конфигурации. Модель предназначена для автоматического удаления или обобщения персональных и иных чувствительных данных в подготовке текстов для исследовательских и комплаенс-процессов. Синтетические обучающие данные и специализированная настройка ориентированы на такие инструкции, но результат требует проверки на данных конкретного применения. Условия модели — только исследования и некоммерческое использование; лицензия в метаданных обозначена как other.

timm/resnet18.tv_in1k — модель классификации изображений из библиотеки timm, основанная на ResNet-18 и исходных весах torchvision. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов. Модель содержит около 11,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Архитектура использует ReLU, начальную свёртку 7 × 7 с пулингом и свёртки 1 × 1 в обходных соединениях для уменьшения размерности. Доступны веса PyTorch и safetensors; библиотека модели — timm. Модель подходит для стандартных задач классификации изображений и получения визуальных признаков. Она обучена на ImageNet-1k, поэтому может хуже работать на изображениях из предметных областей, существенно отличающихся от этого набора данных. Лицензия — BSD-3-Clause.