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

Карточка модели Visual-Attention-Network/van-tiny на Hugging Face совпадает с карточкой Visual-Attention-Network/van-base, поэтому описание составлено по ней. Van-base — модель Visual Attention Network для классификации изображений, обученная на ImageNet-1k. Архитектура использует слой внимания на основе свёрток: обычные и крупные ядра, включая дилатированные свёртки, помогают учитывать локальные признаки и дальние зависимости на изображении. Модель предназначена для отнесения изображения к категориям ImageNet-1k и может служить основой для дальнейшей настройки под другие задачи компьютерного зрения. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не приводит размер модели и длину контекста.

Arm/vit-base-int8-xnnpack-executorch — INT8-квантизированная версия модели google/vit-base-patch16-224, разработанной Google Research и оптимизированной Arm для систем Edge Linux. Модель предназначена для классификации изображений и поставляется в формате ExecuTorch .pte для запуска на Arm-платформах с CPU-бэкендом XNNPACK и KleidiAI. Модель использует архитектуру Vision Transformer (ViT) с входным разрешением 224×224 пикселя. Применяется динамическая постобучающая квантизация INT8: веса имеют симметричную поканальную квантизацию, а масштабы активаций вычисляются во время инференса, поэтому калибровочные данные не требуются. В README не указаны дополнительные модальности или языковые характеристики, поскольку модель работает с изображениями. На Raspberry Pi 5 модель показала задержку p50 378,139 мс, производительность 2,64 кадра в секунду, размер 83,926 МБ и пиковое потребление памяти 110,05 МБ. Точность на ImageNet-1k составила 81,50% Top-1 и 96,06% Top-5, практически без снижения относительно исходной модели. Сильные стороны модели — уменьшенный размер, более низкая задержка и существенно меньшее потребление памяти по сравнению с базовой FP32-версией, что делает её подходящей для локального инференса на периферийных Arm-устройствах. Приведённые показатели зависят от конкретной аппаратной конфигурации и не гарантируют такую же производительность на других системах; перед промышленным использованием модель рекомендуется проверить на собственных данных. Лицензия — Apache-2.0.

vit_betwixt_patch16_reg1_gap_256.sbb_in1k — модель классификации изображений на основе Vision Transformer из библиотеки timm. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный бэкбон для извлечения признаковых карт и эмбеддингов. Модель содержит 60,4 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Архитектура использует патчи 16 × 16, регистры и глобальное усреднение признаков. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель подходит для стандартной классификации изображений и получения визуальных признаков для последующих систем. Она обучена на ImageNet-1k, поэтому качество на специализированных предметных областях и типах изображений за пределами обучающих данных может быть ниже.

google/vit-large-patch16-224 — крупная модель Vision Transformer (ViT), представленная в исследовании Dosovitskiy и соавторов. Это трансформерный энкодер для изображений с 402,7 млн параметров: изображение разбивается на патчи 16×16, к которым добавляются позиционные эмбеддинги и токен CLS. Модель предобучена с учителем на ImageNet-21k, затем дообучена для классификации на ImageNet 2012; штатное разрешение входа — 224×224 пикселя. Модель предназначена для классификации изображений по 1000 классам ImageNet, а также для извлечения признаков, которые можно использовать в последующих задачах компьютерного зрения. Для другого набора классов потребуется обучить классификационную голову или использовать подходящую дообученную версию. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0.

vit_little_patch16_reg4_gap_256.sbb_in1k — модель классификации изображений на основе Vision Transformer из библиотеки timm. Разработчик обучил её на ImageNet-1k; вариант архитектуры использует патчи 16×16, четыре регистра и глобальное усреднение признаков. Модель содержит 22,5 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k. Её также можно применять как визуальный энкодер для извлечения карт признаков и эмбеддингов изображений. В README описан рецепт обучения с усиленной аугментацией и затуханием скорости обучения по слоям; точные показатели качества именно этой модели не приведены. Доступна под лицензией Apache-2.0.

Это гибридная модель ResNet и Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Авторы обучили её в JAX на ImageNet-21k и дообучили на ImageNet-1k с дополнительной аугментацией и регуляризацией; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm, в форматах PyTorch и safetensors, по лицензии Apache-2.0. Модель подходит для классификации изображений и использования в качестве визуального backbone или источника эмбеддингов. Она содержит 6,4 млн параметров, рассчитана на изображения размером 384 × 384 и требует 1,2 GMAC на изображение. Обучение на ImageNet делает её подходящей для задач распознавания объектов из набора классов ImageNet; перенос на другие предметные области может потребовать дополнительной настройки.

XCiT Large 24 P8 384 — модель классификации изображений на архитектуре Cross-Covariance Image Transformer (XCiT), подготовленная авторами статьи и распространяемая через timm. Она предварительно обучена на ImageNet-1k с дистилляцией и рассчитана на изображения размером 384 × 384 пикселя. Модель содержит около 188,9 млн параметров и может использоваться как классификатор или как визуальный backbone для получения признаков и эмбеддингов. Модель подходит для отнесения изображений к классам ImageNet-1k и извлечения визуальных представлений в системах компьютерного зрения. Веса доступны в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия — Apache-2.0. Она обучена на ImageNet-1k, поэтому качество на специализированных областях и типах изображений может быть ниже без дополнительной адаптации.

Anonymizer-4B — языковая модель из серии Enchanted anonymizer, предназначенная для замены персональных данных на семантически похожие значения, чтобы повысить приватность пользовательских данных. Разработчик — eternisai. Модель описана как основной анонимизатор в Enchanted и предназначена также для сценариев, где важна высокая точность анонимизации, включая корпоративные внедрения и исследования. Модель основана на плотной архитектуре Qwen3ForCausalLM семейства Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; карточка показывает интерфейс чата и примеры замены сущностей с выдачей структурированных пар «исходное значение — замена». Заявленная лицензия — CC-BY-NC-4.0, допускающая использование с ограничениями на коммерческое применение.

ArliAI_Llama-3.3-70B-ArliAI-RPMax-v1.4-GGUF — это квантизированная GGUF-версия языковой модели Llama-3.3-70B-ArliAI-RPMax-v1.4, разработанной ArliAI и подготовленной bartowski. Модель предназначена для генерации текста и может использоваться в локальных приложениях, включая LM Studio, llama.cpp и другие проекты на базе llama.cpp. По назначению это RP-модель, ориентированная на сценарии ролевого взаимодействия и свободной генерации текста, однако README не содержит подробного описания целевых задач и поведенческих характеристик исходной модели. Модель основана на архитектуре Llama 3.3 и имеет около 70 миллиардов параметров. Она поддерживает текстовый ввод и вывод; сведения о мультимодальности, языках и размере контекстного окна в README не указаны. Доступны варианты квантизации от Q8_0 до Q2_K, различающиеся размером файлов, требованиями к памяти и качеством: старшие варианты обеспечивают более высокое качество, а младшие позволяют запускать модель на системах с меньшим объёмом RAM, но с заметной потерей качества. Основные ограничения — значительные аппаратные требования даже у компактных вариантов и отсутствие данных о результатах тестирования, безопасности и рекомендуемых параметрах инференса. Файлы распространяются по лицензии llama3.3, унаследованной от базовой модели; конкретные условия следует проверять в документации этой лицензии и исходной модели.

AX-3.1-Light-sftv30 — корейскоязычная модель для диалогов и генерации текста, созданная автором репозитория на основе skt/A.X-3.1-Light. Это плотная архитектура LlamaForCausalLM примерно на 6,8 млрд параметров с контекстом до 32 768 токенов. Модель дообучена методом SFT на 36 000 обучающих и 3 000 проверочных примерах из AI Hub: данные охватывают право, бухгалтерский учёт, медицину, чтение новостей и оценку технологий. LoRA-адаптер слит с базовой моделью; веса доступны в BF16 safetensors, модель загружается через Transformers или стандартный vLLM без пользовательского кода. Модель предназначена для корейскоязычных исследований, контролируемой оценки и экспериментов с выполнением инструкций и предметно-ориентированным дообучением. Разработчик не приводит официальных результатов K-AI leaderboard. Ответы могут содержать фактические ошибки, неподтверждённые рассуждения или отклонения от требуемого формата; модель не заменяет профессиональную юридическую, бухгалтерскую или медицинскую консультацию. Лицензия репозитория — Apache-2.0; исходные датасеты AI Hub сохраняют собственные условия доступа и лицензии.

BEiT Base — базовая модель кодировщика изображений семейства Vision Transformer, разработанная Microsoft и представленная в статье Hangbo Bao, Li Dong и Furu Wei. Модель содержит около 119,5 млн параметров и предварительно обучена без учителя на ImageNet-21k (ImageNet-22k): она предсказывает визуальные токены на замаскированных патчах изображения. Входное изображение разбивается на патчи 16×16; предобучение выполнялось при разрешении 224×224 пикселя. Модель предназначена для классификации изображений и извлечения признаков, которые можно использовать в последующих задачах компьютерного зрения, например дообучив классификатор на размеченных данных. Карточка указывает поддержку классификации изображений; архитектура в метаданных обозначена как BeitForMaskedImageModeling. Модель распространяется по лицензии Apache-2.0. Для тонкой настройки более высокое разрешение может давать лучшие результаты; специализированные задачи могут требовать дополнительного обучения.

BEiT Large patch16 512 — модель классификации изображений и визуальная backbone-модель из библиотеки timm. Она обучалась на ImageNet-22k с помощью самоконтролируемого маскированного моделирования изображений (MIM), используя визуальный токенизатор DALL-E dVAE, а затем дообучалась на ImageNet-22k и ImageNet-1k. Модель содержит 305,7 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. Модель предназначена для классификации изображений по классам ImageNet, а также может использоваться как основа для извлечения визуальных признаков и эмбеддингов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Это модель BERT Base для японского языка, разработанная на основе японской BERT-модели Hiroshi Matsuda и дообученная для автоматического выявления кибербуллинга в текстах. Она классифицирует текстовые комментарии и сообщения; обучающий набор составлен из объединённых сбалансированных данных японских комментариев с вредоносных BBS-форумов и японских твитов с кибербуллингом. Модель содержит 118 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст с контекстом до 512 токенов. Репозиторий предоставляет веса в формате PyTorch. Модель рассчитана на японский язык и распространяется по лицензии CC BY-SA 4.0.

Многоязычный классификатор токсичности текста, разработанный TextDetox на основе bert-base-multilingual-cased и дообученный для бинарной классификации токсичных и нетоксичных текстов на датасете textdetox/multilingual_toxicity_dataset. Модель использует архитектуру BERT для классификации последовательностей, содержит 205,1 млн параметров и принимает контекст длиной до 512 токенов. Классификатор предназначен для выявления токсичных высказываний в текстах на 15 языках. В карточке приведены оценки F1 для английского (0,9035), русского (0,9224) и украинского (0,9461). Модель можно применять для модерации пользовательских сообщений и анализа текстовых потоков. Она доступна в формате safetensors для библиотеки Transformers и распространяется по лицензии OpenRAIL++. Классификация бинарная, поэтому модель не определяет отдельные виды токсичности и может ошибаться на пограничных, контекстно-зависимых или недостаточно представленных примерах. Приведённые оценки относятся к указанному набору данных и не гарантируют такого же качества на других источниках текста.

CAFormer-B36 — модель компьютерного зрения семейства MetaFormer, опубликованная авторами статьи MetaFormer Baselines for Vision и доступная через библиотеку timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k для классификации изображений; также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 98,8 млн параметров, рассчитана на изображения размером 224 × 224 и требует заметных вычислительных ресурсов. Модель предназначена для распознавания объектов и категорий на изображениях, а также для получения признаковых представлений в компьютерном зрении. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

caformer_m36.sail_in22k_ft_in1k — модель классификации изображений семейства CAFormer и архитектуры MetaFormer, опубликованная авторами статьи о базовых моделях MetaFormer для компьютерного зрения. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 56,2 млн параметров; для классификации использует изображения размером 224 × 224 пикселя и может применяться как основа для извлечения признаков, карт признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов и категорий на изображениях и использования в качестве визуального backbone в компьютерном зрении. Репозиторий поддерживает PyTorch и safetensors; лицензия — Apache-2.0. Карточка не описывает конкретные ограничения качества или дополнительные языковые возможности.

CAFormer S36 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer, опубликованная авторами статьи и обученная на ImageNet-1k. Она принимает изображение размером 384 × 384 пикселя и предназначена для отнесения объектов к классам ImageNet, извлечения карт признаков и создания эмбеддингов изображений. Модель содержит 39,3 млн параметров; вычислительная сложность составляет 26,1 GMACs. Модель можно применять как готовый классификатор или как визуальную основу для последующих задач компьютерного зрения. Доступны веса PyTorch и safetensors, а лицензия — Apache-2.0. Карточка не описывает поддержку текстового ввода или генерации изображений; качество классификации вне ImageNet-1k отдельно не охарактеризовано.

CaiT-S36 с входным разрешением 384×384 — модель классификации изображений семейства Class-Attention in Image Transformers. Модель опубликована авторами библиотеки timm под идентификатором timm/cait_s36_384.fb_dist_in1k и предварительно обучена на ImageNet-1k с дистилляцией, выполненной авторами статьи. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаковых представлений. Она содержит около 68,4 млн параметров, требует изображение размером 384×384 и выполняет примерно 48 GMACs на изображение. Карточка описывает обучение и сценарии инференса для классификации и получения эмбеддингов изображений. Результаты зависят от соответствия входных данных ImageNet-1k и указанному разрешению; сведений о поддержке других типов изображений или специализированных областей карточка не приводит.

CaiT XXS24 224 — модель классификации изображений на основе архитектуры CaiT (Class-Attention in Image Transformers), опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-1k с дистилляцией. Модель содержит 12 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и может использоваться как классификатор или основа для извлечения признаков и эмбеддингов изображений. Модель подходит для классификации объектов на изображениях и получения визуальных представлений для последующей обработки. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

timm/coat_small.in1k — модель CoaT (Co-Scale Conv-Attentional Transformer) для классификации изображений и извлечения признаков. Её обучили авторы статьи на ImageNet-1k; архитектура сочетает свёрточные операции и механизмы внимания. Модель содержит 21,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях из набора ImageNet-1k, а также для получения эмбеддингов изображений в качестве признаков для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch, модель доступна по лицензии Apache-2.0. Карточка не сообщает о поддержке других размеров входного изображения или языковых функций.

convformer_s18.sail_in1k — свёрточная модель семейства ConvFormer и архитектур MetaFormer для классификации изображений. Её обучили авторы работы о базовых архитектурах MetaFormer для компьютерного зрения на ImageNet-1k. Модель содержит 26,8 млн параметров; указан входной размер изображения 224 × 224 пикселя и вычислительная сложность 4,0 GMACs. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и safetensors и распространяется под лицензией Apache-2.0. Карточка не приводит сведений о конкретных ограничениях качества или наборах классов за пределами обучения на ImageNet-1k.

ConvNeXt V2 Base — сверточная модель компьютерного зрения, разработанная авторами работы ConvNeXt V2 и выпущенная в репозитории Facebook. Она предварительно обучена в рамках FCMAE, а затем дообучена на ImageNet-1K для классификации изображений с разрешением 224×224 пикселя по 1000 классам ImageNet. Архитектура — чистая ConvNet с механизмом fully convolutional masked autoencoder и слоем Global Response Normalization (GRN). Модель предназначена для классификации изображений; её можно использовать как готовый классификатор или отправную точку для адаптации к другим задачам компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0. Модель работает с изображениями и выдаёт метки классов и оценки для них. README не описывает дополнительные ограничения качества или сценарии применения.

Карточка модели Songmh/convnextv2_huge.fcmae_ft_in22k_in1k_384 на Hugging Face совпадает с карточкой timm/convnextv2_huge.fcmae_ft_in22k_in1k_384, поэтому описание составлено по ней. ConvNeXt-V2 Huge — модель классификации изображений и извлечения визуальных признаков из семейства ConvNeXt-V2, опубликованная в timm. Она предварительно обучена методом FCMAE и затем дообучена на ImageNet-22k и ImageNet-1k. Модель содержит около 660,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель подходит для классификации изображений по категориям ImageNet, а также для извлечения карт признаков и эмбеддингов, которые можно использовать в компьютерном зрении. В таблице результатов README указана точность top-1 88,668% и top-5 98,738% на ImageNet-1k. Это крупная вычислительно требовательная модель; карточка не описывает её как мультимодальную или предназначенную для обработки текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Для коммерческого применения требуется проверить условия лицензии и получить необходимые разрешения.

ConvNeXt-V2 Large — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, представленная в библиотеке timm. Она предварительно обучена методом FCMAE и дообучена на ImageNet-22k, затем ImageNet-1k. Модель содержит около 198 млн параметров; в карточке указаны размер изображения 224×224 для обучения и 288×288 для тестирования. Модель предсказывает категории объектов на изображении, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов. Она предназначена для сценариев классификации и построения систем компьютерного зрения на PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

ConvNeXt-V2 Tiny — свёрточная модель для классификации изображений и извлечения признаков, опубликованная в семействе timm. Она предварительно обучена методом FCMAE, а затем дообучена на ImageNet-22k и ImageNet-1k. Модель содержит около 28,6 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель присваивает изображению классы ImageNet-1k и может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Её можно применять для категоризации изображений и построения визуальных представлений в компьютерном зрении. Репозиторий содержит веса PyTorch и safetensors; для работы подходит библиотека timm. Лицензия CC BY-NC 4.0 разрешает использование с соблюдением её условий, включая ограничения на коммерческое применение. Модель предназначена для классификации изображений ImageNet и может хуже работать на изображениях, классах и распределениях данных, отличных от обучающих.

ConvNeXt-XLarge — свёрточная нейросеть для классификации изображений, опубликованная авторами работы «A ConvNet for the 2020s» и доступная в библиотеке timm. Модель предварительно обучена на ImageNet-22k; в ней около 392,9 млн параметров, а стандартный размер входного изображения — 224 × 224 пикселя. Модель присваивает изображению классы и может использоваться как backbone для извлечения карт признаков и эмбеддингов изображений. Она подходит для классификации объектов на фотографиях и как визуальный энкодер в прикладных системах компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache 2.0.

ConvNeXt XLarge — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков, опубликованная авторами статьи «A ConvNet for the 2020s» в репозитории timm. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 350,2 млн параметров; указанные размеры изображений при обучении и проверке — 224×224 и 288×288 пикселей соответственно. Модель относит изображение к классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Это крупная свёрточная сеть с высокой вычислительной стоимостью: в README для неё указаны 61 GMAC на изображение. Доступны веса в форматах PyTorch и safetensors; библиотека из метаданных — timm. Лицензия — Apache-2.0.

cs3edgenet_x.c2_in1k — свёрточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Архитектура CS3-EdgeNet сочетает частичные межстадийные связи, три свёртки и канальное внимание Squeeze-and-Excitation; блоки EdgeNet используют остаточную схему с свёртками 3×3 и 1×1. Модель также можно применять как основу для извлечения признаковых карт и эмбеддингов изображений. В модели 47,8 млн параметров и 11,5 GMACs. Для обучения использовались изображения размером 256×256, для оценки — 288×288. Модель принимает изображения и выдаёт метки классов; основные сценарии — классификация изображений и получение визуальных признаков для последующих систем. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Модель BangorAI/cyfieithydd-7b-fersiwn-2 — языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная на записях заседаний валлийского парламента Cofnod y Cynulliad, предоставленных TechIaith. Она предназначена прежде всего для перевода между английским и валлийским языками и генерации текста на этих языках в парламентском контексте. Карточка указывает на базовую модель BangorAI/mistral-7b-cy-epoch-2, которая прошла продолжительное обучение на валлийском языке. Модель использует формат PyTorch, поддерживает контекст до 32 768 токенов и опубликована по лицензии Apache-2.0. В README рекомендовано подавать текст небольшими отрывками, например по одному-два абзаца; там также описано обучающее окно контекста в 4K токенов для исходной модели Mistral-7B-v-0.1, что может ограничивать практическую длину входа.

Это модель семантической сегментации изображений на базе MobileNetV2 с головой DeepLabV3+. Её разработали авторы MobileNetV2; модель предобучена на PASCAL VOC и рассчитана на изображения с разрешением 513×513 пикселей. Модель выделяет классы объектов и областей на изображении попиксельно. Компактная архитектура MobileNetV2 ориентирована на низкие задержки и ограниченные вычислительные ресурсы, поэтому модель подходит для сегментации на мобильных и встраиваемых устройствах. Она может служить отправной точкой для дообучения на других наборах данных. Репозиторий содержит веса PyTorch. В метаданных указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией исходного проекта. Архитектура предполагает компромисс между скоростью, размером и точностью; для предметных классов, отличных от PASCAL VOC, может потребоваться дообучение.