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

MobileNetV4 Hybrid Medium — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработал Росс Уайтман; модель обучена на ImageNet-12k и распространяется в библиотеке timm. Вариант Hybrid сочетает компоненты мобильной архитектуры MobileNetV4. Модель подходит для присвоения изображениям категорий, получения карт признаков и векторных представлений, а также как компактная основа для прикладных систем компьютерного зрения. В ней 24,9 млн параметров и вычислительная сложность 1,3 GMAC; размер изображения при обучении — 256×256, при проверке — 320×320 пикселей. Для использования доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Качество на конкретных наборах данных и применимость к изображениям вне распределения ImageNet-12k могут отличаться; в карточке нет численных результатов для этого варианта модели.

MViTv2 Base fb_in1k — модель классификации изображений и извлечения визуальных признаков из семейства многомасштабных Vision Transformer. Она разработана авторами MViTv2 и предварительно обучена на ImageNet-1k. Модель содержит 51,5 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений по категориям ImageNet-1k и получения векторных представлений изображений для последующей обработки. В карточке указаны вычислительная стоимость 10,2 GMACs и 40,5 млн активаций. Веса опубликованы в форматах PyTorch и safetensors; лицензия — Apache-2.0.

timm/nextvit_large.bd_in1k — модель классификации изображений на основе архитектуры Next-ViT, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображениям меток классов и может использоваться как визуальный backbone для извлечения признаков, карт признаков и эмбеддингов. Модель содержит около 57,9 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует примерно 10,7 GMACs на проход. В карточке также приведены результаты классификации для вариантов Next-ViT, включая версию large с обучением на разрешении 384 пикселя. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0.

ashishupadhyay/NSFW_DETECTION — модель компьютерного зрения для классификации изображений по наличию контента NSFW. Она основана на Vision Transformer (ViT) с архитектурой google/vit-base-patch16-224-in21k и дообучена для выявления материалов, не предназначенных для просмотра на работе. В модели 113,2 млн параметров; она принимает изображения и возвращает классы с оценками уверенности. Модель предназначена для модерации изображений и фильтрации потенциально откровенного контента. В карточке указаны точность 98,04% и оценочная ошибка 0,07463; эти показатели относятся к использованной авторами оценке и не гарантируют аналогичный результат на других данных. Модель специализирована на обнаружении NSFW, а качество может зависеть от качества и представительности входных изображений. Лицензия — MIT.

Helsinki-NLP/opus-mt-ase-es — модель машинного перевода семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст с ase на испанский язык (es) и предназначена для автоматического перевода материалов на жестовом языке ASL в письменный испанский. Модель основана на архитектуре Transformer-align и использует нормализацию текста и токенизацию SentencePiece. Модель содержит 52,6 млн параметров, поддерживает перевод с контекстом до 512 токенов и распространяется в форматах PyTorch и TensorFlow. В README приведён результат 31,7 BLEU и 0,498 chr-F на тестовом наборе JW300.ase.es. Лицензия — Apache-2.0.

PIT-1B — базовая предварительно обученная языковая модель семейства Point-In-Time (PIT), разработанная Diamegs. Это декодерный Transformer в стиле GPT для генерации текста. Модель обучена на хронологически упорядоченных ежемесячных снимках FineWeb и отражает сведения, доступные к ноябрю 2015 года; вариант 2015-11 предназначен для анализа с фиксированной временной точкой и временных рассуждений. Архитектура — PITForCausalLM; в README указано 52 слоя. Модель принимает и генерирует текст, карточка указывает английский язык, контекст составляет 2048 токенов. Веса доступны в формате safetensors и распространяются по лицензии Apache-2.0. Знания модели ограничены веб-текстами, доступными до ноября 2015 года. Это базовая модель без RLHF и дополнительной настройки безопасности; она может воспроизводить смещения обучающих данных и не подходит для критически важных сценариев без дополнительного выравнивания.

parsawar/profanity_model_3.1 — модель классификации текста для определения оскорбительного и неоскорбительного содержания. По карточке, это обновлённая версия модели, обученная на 200 тысячах текстовых примеров; метаданные указывают на архитектуру RoBERTa с классификационной головой и 151,8 млн параметров. Модель выдаёт одну из двух меток: 0 — неоскорбительный текст, 1 — оскорбительный. Она подходит для фильтрации пользовательских сообщений и модерации текстового контента. Принимает текст, поддерживает последовательности длиной до 514 токенов. Указана лицензия Apache-2.0.

timm/pvt_v2_b3.in1k — модель классификации изображений на основе PVT-v2 (Pyramid Vision Transformer), обученная авторами статьи на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone: из неё можно извлекать карты признаков и эмбеддинги изображений. Модель содержит 45,2 млн параметров; для классификации указано разрешение изображения 224 × 224 пикселя, вычислительная сложность — 6,9 GMACs. Модель подходит для распознавания объектов и категорий на изображениях, а также как основа для компьютерного зрения и извлечения визуальных признаков. Репозиторий использует библиотеку timm и содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. В карточке не заявлена поддержка текстового ввода или генерации.

Карточка модели CompassioninMachineLearning/Qwen-3-8b-final-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Qwen3-8b-urban-qwen-20260920-full-CPT-final-step-1500, поэтому описание составлено по ней. Brandon Howe разработал эту модель как дообученную версию Qwen3-8B-Base с продолженным предобучением на корпусе urban_12738_cleaned. Это автономная плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста; для загрузки не требуется адаптер. Модель распространяется в формате BF16 в восьми шардах safetensors и работает через Transformers. Длина контекста составляет 32 768 токенов. Обучение охватывало 10 072 уникальных документа с повторными предъявлениями данных и 200 отдельных документов для валидации. Модель можно применять для генерации и продолжения текста, в том числе в диалоговых сценариях. Сам факт обучения на этом корпусе не подтверждает улучшение способности к состраданию; это качество следует оценивать отдельно. Лицензия в предоставленных сведениях не указана.

RegNetY-3.2GF — сверточная модель классификации изображений из семейства RegNetY, опубликованная авторами статьи и доступная в реализации библиотеки timm. Она предварительно обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как базовая сеть для извлечения признаков и эмбеддингов. Модель содержит 19,4 млн параметров, требует 3,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Реализация timm поддерживает, среди прочего, стохастическую глубину, градиентное контрольное сохранение и настройку выходного шага сети. Лицензия репозитория — MIT.

Карточка модели facebook/regnet-y-160 на Hugging Face совпадает с карточкой facebook/regnet-y-080, поэтому описание составлено по ней. RegNet Y 080 — сверточная модель семейства RegNet для классификации изображений, обученная на ImageNet-1k. Архитектура разработана авторами статьи Designing Network Design Spaces и впервые опубликована в этом репозитории; карточку модели подготовила команда Hugging Face. В метаданных указаны реализации для PyTorch и TensorFlow и лицензия Apache-2.0. Модель предназначена для определения классов объектов на изображениях и может служить основой для дообученных вариантов под специализированные задачи. Она принимает изображение и выдаёт предсказания классов. Карточка не сообщает размер модели и ограничения сверх того, что для других задач следует искать дообученные версии.

RegNetY-16GF — сверточная модель классификации изображений из семейства RegNetY, опубликованная в репозитории timm. Веса предварительно обучены участниками проекта torchvision на ImageNet-1k. Модель содержит 83,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 16 GMACs на проход; её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации объектов на изображениях, извлечения визуальных признаков и построения эмбеддингов для последующего поиска или анализа. Реализация timm поддерживает стохастическую глубину, градиентный чекпойнтинг, настройку шага выходных карт признаков, функций активации и нормализации. Лицензия — BSD 3-Clause.

repghostnet_080.in1k — компактная модель классификации изображений семейства RepGhostNet, обученная авторами статьи на ImageNet-1k. Она также может использоваться как основа для извлечения карт признаков и визуальных эмбеддингов. Модель содержит 3,3 млн параметров, требует около 0,1 GMAC на изображение и рассчитана на входной размер 224 × 224 пикселя. Архитектура RepGhostNet использует аппаратно-эффективный Ghost-модуль с репараметризацией. Модель предназначена для классификации изображений общего назначения и может служить лёгким визуальным backbone. Репозиторий распространяется по лицензии MIT. Качество и классы распознавания ориентированы на ImageNet-1k; другие наборы классов требуют соответствующей адаптации.

RepVGG B0 — сверточная модель классификации изображений, обученная авторами статьи RepVGG на ImageNet-1k. Архитектура реализована в библиотеке timm через конфигурируемый фреймворк BYOBNet и может использоваться как классификатор или как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 15,8 млн параметров, имеет вычислительную стоимость 3,4 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Весы доступны в форматах PyTorch и safetensors; лицензия — MIT. Она подходит для классификации изображений общего назначения и построения признаков для последующих задач компьютерного зрения.

ResNet101.a3_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back A3. Архитектура ResNet-B использует активации ReLU, свёртку 7×7 с пулингом и свёрточные проекции 1×1 в обходных соединениях; модель содержит около 44,5 млн параметров и требует изображения размером 224×224 на этапе тестирования. Модель подходит для классификации изображений по классам ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как готовую модель компьютерного зрения или как основу для собственного конвейера обработки изображений. Обучение проводилось с оптимизатором LAMB, функцией потерь BCE и косинусным расписанием скорости обучения с разогревом. Лицензия — Apache-2.0.

timm/resnet152.tv_in1k — модель классификации изображений из библиотеки timm, основанная на ResNet-B и оригинальных весах torchvision. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, извлечения карт признаков и получения векторных представлений изображений. Архитектура использует активации ReLU, свёртку 7×7 с пулингом и короткие связи с проекцией через свёртку 1×1. Модель содержит около 60,2 млн параметров; рекомендованный размер входного изображения — 224×224 пикселя. Репозиторий распространяет веса в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и как визуальный backbone для downstream-задач. Её лицензия — BSD-3-Clause.

ResNet33ts.ra2_in1k — свёрточная модель для классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и реализованная в библиотеке timm. Она обучена на ImageNet-1k и содержит 19,7 млн параметров. Архитектура BYOBNet использует трёхуровневый stem без pooling и активации SiLU; модель также поддерживает извлечение карт признаков и эмбеддингов. Размер изображения при обучении составлял 256 × 256, при тестировании — 288 × 288. Модель подходит для определения объектов на изображениях и как backbone для последующих задач компьютерного зрения. Опубликована в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

ResNet-D от timm — сверточная модель классификации изображений, обученная на ImageNet-1k по рецептам Bag of Tricks с использованием Apache Gluon. Архитектура включает трёхслойный stem из свёрток 3×3 с pooling, активации ReLU и shortcut downsample с усреднением 2×2 и свёрткой 1×1. Модель содержит 25,6 млн параметров, рассчитана на изображения 224×224 и выполняет классификацию, а также может использоваться как backbone для извлечения признаков и эмбеддингов. Модель принимает изображения и выдаёт метки классов; также её можно применять для получения признаковых карт и векторных представлений. Она предназначена для задач общего распознавания объектов и сцен на изображениях. Распространяется под лицензией Apache-2.0.

ResNet50.d_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k по рецепту ResNet Strikes Back D. Архитектура использует блоки ResNet с активациями ReLU, начальную свертку 7×7 с пулингом и свертки 1×1 в обходных соединениях. Модель содержит 25,6 млн параметров и предназначена также для использования в качестве основы для извлечения признаковых карт и эмбеддингов изображений. Модель классифицирует изображения общего назначения; при обучении использовался размер 224×224, при тестировании — 288×288. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

ResNeXt101-32x4d.gluon_in1k — свёрточная модель классификации изображений из семейства ResNeXt, опубликованная в timm. Её обучили на ImageNet-1k с использованием рецептов Bag of Tricks в Apache Gluon. Архитектура использует активации ReLU, начальную свёртку 7×7 с пулингом и групповые свёртки 3×3 в bottleneck-блоках; модель также может служить основой для извлечения признаков и эмбеддингов изображений. Модель содержит 44,2 млн параметров, имеет вычислительную сложность 8,0 GMACs и рассчитана на изображения размером 224×224 пикселя. Она предназначена для распознавания объектов и категорий на изображениях общего назначения. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0.

resnext26ts.ra2_in1k — модель классификации изображений семейства ResNeXt, разработанная Россом Уайтманом и обученная на ImageNet-1k с использованием библиотеки timm. Она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель построена на архитектуре BYOBNet с трёхслойным stem-блоком и активациями SiLU. Она содержит 10,3 млн параметров и требует 2,4 GMACs; размер изображения при обучении составлял 256×256, при тестировании — 288×288. Доступны веса PyTorch и safetensors. Модель предназначена для распознавания объектов на изображениях и извлечения визуальных признаков. Карточка не приводит отдельные сведения о языках, поскольку модель работает с изображениями. Лицензия Apache-2.0.

ResNeXt-50 32x4d — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептом RandAugment из работы ResNet Strikes Back. Архитектура использует групповые свёртки 3×3 в bottleneck-блоках, активации ReLU и остаточные связи; модель содержит около 25 млн параметров и требует 4,3 GMACs. Размер изображения при обучении — 224×224, при оценке — 288×288. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Она принимает изображения и выдаёт классы ImageNet-1k. Обучение включало RandAugment, оптимизатор RMSProp с усреднением весов EMA и ступенчатое экспоненциальное снижение скорости обучения. Лицензия — Apache-2.0.

rexnetr_200.sw_in12k — модель классификации изображений и извлечения визуальных признаков из семейства ReXNet-R, подготовленная Ross Wightman в проекте timm. Она предварительно обучена на ImageNet-12k и предназначена для распознавания объектов на изображениях, получения карт признаков и эмбеддингов для последующей обработки. Архитектура ReXNet-R адаптирует число каналов с округлением до кратных 8 или 16, чтобы эффективнее использовать NVIDIA Tensor Cores. Модель содержит 44,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 1,6 GMACs. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия — Apache-2.0. Карточка описывает классификацию изображений и извлечение признаков; данные о поддерживаемых языках неприменимы к этой модели.

ru-word-stress-transformer — модель на основе энкодера DeBERTa v2, разработанная Ilya Gusev для определения ударения в русских словах. Она предсказывает ударение на уровне токенов и предназначена для автоматической расстановки ударений в русскоязычном тексте. Модель содержит 4,2 млн параметров, принимает текст и выдаёт метки токенов. Родной контекст — до 42 токенов. Опубликована в формате PyTorch под лицензией Apache-2.0.

SHViT S1 — модель классификации изображений и визуальный backbone семейства Single-Head Vision Transformer, обученная авторами статьи на ImageNet-1k. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться для извлечения карт признаков и визуальных эмбеддингов в компьютерном зрении. Модель содержит 6,3 млн параметров, требует 0,2 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors; использовать модель можно через библиотеку timm. Лицензия — MIT.

SlimSAM-uniform-77 — это компактная версия Segment Anything Model, опубликованная Zigeng Chen и соавторами из Learning and Vision Lab Национального университета Сингапура. Модель предназначена для генерации масок и сегментации объектов на изображениях; её сжатие выполнено методом чередующейся обрезки и дистилляции с использованием предварительно обученной SAM. В статье о SlimSAM описана модель с 5,7 млн параметров и вычислительной сложностью 21G MACs — соответственно 0,9% и 0,8% от исходной SAM-H. Для обучения использовано 0,1% данных, применявшихся при обучении базовой модели. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. README упоминает пример загрузки варианта SlimSAM-50, поэтому точные характеристики варианта uniform-77 по карточке не подтверждаются.

SpatialThinker-7B — мультимодальная модель Hunar Batra и соавторов из Оксфордского университета и Калифорнийского университета в Санта-Крузе для пространственного анализа изображений. Она основана на Qwen2.5-VL-7B-Instruct и дообучена методом GRPO с плотными пространственными наградами на наборе STVQA-7K из 7 587 примеров. Модель принимает изображения и текстовые вопросы, строит ориентированный на вопрос граф сцены с объектами, рамками и отношениями, а затем формирует текстовый ответ. Модель рассчитана на девять типов пространственных задач: отношения между объектами, досягаемость, размер, ориентацию, местоположение экземпляров, глубину, расстояние, подсчёт и определение наличия объектов. Имеет 7,1 млрд параметров и контекст до 128 000 токенов; формат весов — safetensors. В карточке заявлено превосходство над GPT-4o на бенчмарках пространственного понимания при обучении на небольшом наборе данных. Это заявление относится к результатам авторов и не гарантирует качество на других задачах. Лицензия — Apache-2.0.

Модель SpeechBrain извлекает голосовые эмбеддинги x-vector для проверки и идентификации говорящего. Она построена на TDNN со статистическим pooling и обучена с функцией потерь Categorical Cross-Entropy на VoxCeleb1 и VoxCeleb2. Модель предназначена для создания векторных представлений речи, которые можно использовать при сравнении голосов и построении систем верификации говорящего. В тесте VoxCeleb1-test (очищенная выборка) указана частота ошибок EER 3,2%. Для работы обучающие записи использовались в формате 16 кГц, моно; при вызове classify_file SpeechBrain автоматически приводит аудио к нужной частоте дискретизации и одному каналу. Репозиторий предоставляет веса PyTorch и инструменты для работы через SpeechBrain. Модель распространяется по лицензии Apache-2.0. Авторы не гарантируют аналогичную производительность на других наборах данных.

tf_efficientnet_b6.ap_in1k — сверточная модель классификации изображений из семейства EfficientNet. Её обучили авторы работ по EfficientNet и AdvProp на ImageNet-1k с использованием состязательных примеров; Ross Wightman перенёс веса в PyTorch. Модель содержит около 43 млн параметров, использует изображения размером 528 × 528 и также может служить основой для извлечения карт признаков и эмбеддингов. Модель предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных представлений в прикладных системах компьютерного зрения. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит сведения о поддерживаемых естественных языках; модель работает с изображениями и выдаёт классы либо признаки.

timm/tf_efficientnet_el.in1k — сверточная модель семейства EfficientNet-EdgeTPU для классификации изображений и извлечения визуальных признаков. Её обучили авторы работ на ImageNet-1k в TensorFlow, а Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. Модель содержит около 10,6 млн параметров и рассчитана на изображения размером 300 × 300 пикселей. Помимо классификации, её можно использовать как основу для извлечения карт признаков и визуальных эмбеддингов. Она предназначена для распознавания объектов из категорий ImageNet-1k и может служить визуальным backbone в системах компьютерного зрения. Лицензия — Apache-2.0. Классификация ограничена набором классов ImageNet-1k; качество на иных предметных областях и изображениях может отличаться и требует отдельной проверки.