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

RepVGG B3g4 — сверточная модель классификации изображений, обученная авторами статьи на ImageNet-1k и представленная в библиотеке timm. Она также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 83,8 млн параметров, имеет вычислительную сложность 17,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Архитектура реализована в timm через конфигурируемый BYOBNet; веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений общего назначения и получения визуальных признаков для последующих задач компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество специализированы под этот набор данных; карточка не описывает отдельные языковые возможности. Лицензия — MIT.

timm/resnest269e.in1k — модель классификации изображений на архитектуре ResNeSt, разработанной на основе ResNet с механизмом Split Attention. Авторы статьи обучили её на ImageNet-1k; модель содержит 110,9 млн параметров и рассчитана на изображения размером 416 × 416 пикселей. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и векторов изображений. Для работы доступны веса PyTorch и safetensors; библиотека модели — timm. Модель подходит для распознавания объектов на изображениях и получения визуальных признаков для последующих задач. Карточка не описывает поддержку других наборов классов или языковых сценариев. Лицензия — Apache-2.0.

timm/resnest50d.in1k — модель классификации изображений семейства ResNeSt, разработанная авторами статьи ResNeSt: Split-Attention Networks и опубликованная в библиотеке timm. Архитектура основана на ResNet и использует Split Attention. Модель содержит 27,5 млн параметров, имеет вычислительную сложность 5,4 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель обучена на ImageNet-1k и предназначена для классификации изображений. Её также можно использовать как основу для извлечения карт признаков и получения эмбеддингов изображений. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Описание подтверждает обучение на ImageNet-1k, но не приводит оценок качества или подробных ограничений применения.

ResNet101.a1h_in1k — модель классификации изображений и извлечения визуальных признаков из семейства ResNet-B, опубликованная авторами timm. Она содержит 44,5 млн параметров, использует активации ReLU, свёртку 7×7 с пулингом и свёрточные обходные соединения 1×1. Модель обучена на ImageNet-1k с рецептом A1 из ResNet Strikes Back и улучшениями аугментации и регуляризации; размер изображения при обучении — 224×224, при оценке — 288×288. Модель подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В качестве визуального бэкбона её можно применять в компьютерном зрении, если задача соответствует обучению на ImageNet-1k. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

ResNet50D RA4 — свёрточная модель классификации изображений, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она также предназначена для использования в качестве основы извлечения признаков, карт признаков и эмбеддингов изображений. Модель содержит 25,6 млн параметров; вычислительная сложность составляет 4,4 GMAC. Размер изображения при обучении — 224×224 пикселя, при тестировании — 288×288 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; лицензия Apache-2.0 разрешает использование на её условиях. Оценки точности в карточке приведены для сравнения с другими моделями, но не позволяют установить отдельный результат этой модели.

ResNetAA50.a1h_in1k — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k. Она использует архитектуру ResNet-B с Rectangle-2 Anti-Aliasing, ReLU, свёрткой 7×7 с последующим пулингом и обходными соединениями с проекцией 1×1. Модель содержит 25,6 млн параметров и подходит также как основа для извлечения признаковых карт и эмбеддингов изображений. Модель обучалась по рецепту ResNet Strikes Back A1 с оптимизатором LAMB, аугментацией RandAugment, dropout, stochastic depth и косинусным расписанием скорости обучения с разогревом. Размер изображений при обучении — 224×224, при тестировании — 288×288. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — Apache-2.0.

ResNetRS-420 — сверточная модель семейства ResNetRS для классификации изображений и извлечения признаков. Модель разработана авторами статьи «Revisiting ResNets: Improved Training and Scaling Strategies» и обучена на ImageNet-1k; в карточке также указана связь с работой «Deep Residual Learning for Image Recognition». Архитектура использует активации ReLU, свёртку 7×7 с пулингом и проекции 1×1 в shortcut-связях. В модели около 191,9 млн параметров. Для обучения использовался размер изображения 320×320, для оценки — 416×416. Её можно применять для классификации изображений, получения карт признаков и векторных представлений изображений. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-21k. Архитектура основана на предактивационной ResNet с Group Normalization и Weight Standardization вместо Batch Normalization; число параметров — около 321,7 млн, стандартный размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Обучение на ImageNet-21k даёт ей широкое представление объектов общего назначения. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

ResNetV2-34d — сверточная модель для классификации изображений и извлечения визуальных признаков, обученная Россом Уайтманом с помощью инструментов timm на ImageNet-1k. Она предназначена для распознавания объектов на изображениях, а также может использоваться как backbone для получения карт признаков и эмбеддингов в задачах компьютерного зрения. Модель содержит 21,8 млн параметров и требует около 3,9 GMACs вычислений. Размер изображения при обучении — 224 × 224 пикселя, при тестировании — 288 × 288. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Языковой ввод и генерация текста не предусмотрены.

robertuito-hate-speech — испаноязычная модель классификации текста от pysentimiento, построенная на базе RoBERTuito — RoBERTa, обученной на испанских твитах. Модель содержит около 136,3 млн параметров и принимает последовательности длиной до 130 токенов. Модель дообучена на корпусе HatEval (SemEval 2019, подзадача B) для анализа испаноязычных публикаций в соцсетях. Она определяет, содержит ли текст язык ненависти, направлен ли он на конкретного человека и является ли он агрессивным; эти признаки выдаются как метки классификации. В карточке для оценки на HatEval указан Macro F1 0,759. Подходит для анализа пользовательских публикаций и исследований языка ненависти в испанских соцсетях. Результаты могут хуже переноситься на другие языки, жанры и более длинные тексты; модель не заменяет человеческую модерацию. Сведения о лицензии в предоставленных данных отсутствуют.

Gloomreach/ru-toxicity-encoder — русскоязычная модель-классификатор для одновременного выявления ненормативной лексики, угроз и призывов к нарушению закона. Она разработана Gloomreach на основе cointegrated/rubert-tiny2: BERT-энкодер дополнен тремя независимыми классификационными головами и обучен на наборе данных Gloomreach/ru-toxicity-int-ml. Модель принимает текст и выдаёт отдельные оценки вероятности для каждого из трёх классов токсичности. В README приведены метрики precision, recall и F1 для каждого класса; для класса illegal указан recall 0,60, поэтому модель может пропускать часть таких случаев. Порог классификации также зависит от класса. Модель распространяется под лицензией MIT.

Модель jonas/sdg_classifier_osdg — классификатор текста на основе BERT, разработанный для отнесения текста к одной из первых 15 из 17 Целей устойчивого развития ООН. Она предназначена для автоматической тематической разметки коротких текстов и абзацев, например при анализе материалов, связанных с ЦУР. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучающие тексты составляли примерно 100 слов, и на текстах сопоставимого размера модель работает лучше. В README приведены метрики валидации: accuracy 0,897 и macro F1 0,850. Модель поддерживает английский язык. Распространяется в формате PyTorch; лицензия в предоставленных данных не указана.

semnasnet_100.rmsp_in1k — сверточная модель для классификации изображений из библиотеки timm, разработанная командой timm. Она основана на архитектуре MNasNet с канальным вниманием Squeeze-and-Excitation и обучена на ImageNet-1k. Модель предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Модель содержит 3,9 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную стоимость около 0,3 GMAC. При обучении применялись оптимизатор RMSProp, усреднение весов EMA и аугментации, включая RandomErasing и mixup. Лицензия — Apache-2.0.

seresnextaa101d_32x8d.sw_in12k_ft_in1k_288 — сверточная модель классификации изображений семейства SE-ResNeXt-D с антиалиасингом Rectangle-2 и механизмом внимания Squeeze-and-Excitation. Её подготовил Росс Уайтман с помощью библиотеки timm: модель предварительно обучена на ImageNet-12k и дообучена на ImageNet-1k. Число параметров — 93,6 млн. Модель предназначена для присвоения изображениям классов ImageNet и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. В архитектуре применяются ReLU, трехслойный входной блок из сверток 3×3, групповые сверточные блоки и усредняющее уменьшение разрешения. В README приведены результаты ImageNet-1k: top-1 точность 86,72% при размере изображения 320×320 и 86,51% при 288×288. Для инференса указаны размеры изображений 288×288 при обучении и 320×320 при тестировании. Модель обрабатывает изображения и выдает метки классов; описание также предусматривает извлечение признаковых представлений. Языковой ввод и вывод не заявлены. Репозиторий распространяется по лицензии Apache-2.0.

SwiftFormer XS distill для ImageNet-1k — модель классификации изображений и извлечения визуальных признаков из семейства SwiftFormer. Она обучена авторами статьи на ImageNet-1k и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 3,5 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность около 0,6 GMACs; архитектура использует эффективное аддитивное внимание для мобильных приложений компьютерного зрения реального времени. Модель распространяется в форматах PyTorch и Safetensors и поддерживается библиотекой timm. Лицензия — Apache-2.0. Карточка не сообщает измерения точности или задержки, поэтому пригодность для конкретного устройства и сценария следует оценивать отдельно.

timm/swin_s3_small_224.ms_in1k — модель классификации изображений и извлечения визуальных признаков из библиотеки timm. Это иерархический Vision Transformer семейства Swin с механизмом сдвинутых окон; вариант обучен на ImageNet-1k. Модель содержит 49,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для присвоения изображениям меток классов, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как готовый классификатор или как визуальную основу для собственных задач компьютерного зрения. В README приведены ссылки на работы об AutoFormerV2 и Swin Transformer. Веса доступны в форматах PyTorch и Safetensors, библиотека модели — timm. Лицензия MIT. Описание не сообщает о специальных ограничениях применения или поддержке нескольких размеров изображения.

Swin Transformer V2 Large — модель классификации изображений и извлечения визуальных признаков из семейства Swin Transformer V2. Разработана авторами статьи Swin Transformer V2 и опубликована в библиотеке timm. Модель предварительно обучена на ImageNet-22k, затем дообучена на ImageNet-1k; содержит около 196,7 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов, которые можно использовать в компьютерном зрении и последующей обработке изображений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT. Модель принимает изображения и выдаёт классовые предсказания либо визуальные представления; конкретные метрики качества в карточке не приведены.

tf_efficientnet_lite2.in1k — компактная сверточная модель классификации изображений семейства EfficientNet-Lite. Её обучили авторы EfficientNet-Lite на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель распространяется через timm. Модель предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Она содержит около 6,1 млн параметров, требует изображения размером 260 × 260 и имеет вычислительную сложность около 0,9 GMACs. Лицензия репозитория — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классы и качество ограничены этой задачей и распределением данных; карточка не описывает поддержку других задач или языков.

tf_mobilenetv3_large_075.in1k — модель MobileNetV3 для классификации изображений. Её обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm и распространяется по лицензии Apache-2.0. Это компактная модель примерно с 4 млн параметров, рассчитанная на изображения размером 224 × 224. Она классифицирует изображения по категориям ImageNet-1k и может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. По данным карточки, вычислительная сложность составляет около 0,2 GMACs. Модель подходит для классификации изображений и компактных компьютерно-зрительных конвейеров. Её обучение ограничено классами ImageNet-1k; карточка не сообщает о поддержке других наборов классов или языковых возможностей.

VisionGuardrail-9B — мультимодальный классификатор визуальной безопасности от prithivMLmods, дообученный на Qwen/Qwen3.5-9B с использованием датасета ImageShield-Guardrail-Pro. Модель анализирует изображения и относит их к категориям Safe или Unsafe; особое внимание уделяет чувственному контенту NSFW и другим потенциально чувствительным материалам. Модель оценивает одежду и степень её открытости, позы, кадрирование и контекст изображения. Она рассчитана на фильтрацию визуального контента, модерацию и исследование мультимодальных защитных механизмов; выдаёт структурированный JSON с подписью, классификацией и обоснованием. Архитектура — плотная Qwen3.5 для условной генерации, размер базовой модели — 9 млрд параметров; поддерживаются изображения и текстовые инструкции, язык карточки — английский. Лицензия — Apache-2.0. Это экспериментальная модель: возможны ложные срабатывания и пропуски, а результат зависит от качества изображения, контекста и инструкции. Консервативный порог может помечать безопасные изображения как небезопасные; классификация не является окончательным юридическим или безопасностным заключением.

Это модель Vision Transformer (ViT) для классификации изображений и извлечения визуальных признаков. Её обучили авторы исследований на ImageNet-1k с дополнительной аугментацией и регуляризацией в JAX; Ross Wightman перенёс веса в PyTorch. Модель доступна в форматах PyTorch и Safetensors, лицензия — Apache 2.0. Модель содержит 88,3 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Её можно использовать для классификации изображений по категориям ImageNet-1k и получения эмбеддингов для последующих задач компьютерного зрения. В README не приведены сведения о поддержке естественных языков; модель работает с изображениями и выдаёт классовые предсказания либо визуальные признаки.

vit_betwixt_patch16_reg4_gap_256.sbb_in1k — модель классификации изображений на базе Vision Transformer (ViT), подготовленная командой timm. Она обучена на ImageNet-1k и предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Архитектура использует патчи 16×16, четыре регистра и глобальное усреднение; модель рассчитана на изображения размером 256×256 и содержит около 60,4 млн параметров. Модель подходит для классификации изображений и получения визуальных признаков в прикладных системах компьютерного зрения. В сравнении, приведённом в карточке, точность top-1 на ImageNet-1k составляет 85,418%, а top-5 — 97,480%. Репозиторий предоставляет веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Google ViT Large Patch16-384 — большая модель Vision Transformer для классификации изображений. Архитектура состоит из трансформерного энкодера: изображение разбивается на патчи 16×16, линейно проецируется в последовательность токенов и обрабатывается вместе с позиционными эмбеддингами и токеном [CLS]. Модель содержит 402,7 млн параметров. Модель предварительно обучена с учителем на ImageNet-21k, затем дообучена на ImageNet 2012 для классификации по 1000 классам. При дообучении используется разрешение 384×384 пикселя. Она подходит для классификации изображений и извлечения признаков, которые можно использовать в последующих задачах компьютерного зрения. Для работы требуется подготовить и нормализовать RGB-изображение; опубликованы варианты весов для PyTorch, TensorFlow и Flax. Качество зависит от соответствия целевых изображений классам ImageNet, а для других наборов данных может потребоваться дополнительное обучение. Лицензия — Apache-2.0.

facebook/vit-mae-base — базовая модель Vision Transformer, предварительно обученная методом Masked Autoencoders (MAE). Она представлена в работе Кайминга Хэ и соавторов и впервые опубликована в связанном с ней репозитории; карточку для Hugging Face подготовила команда Hugging Face. Модель содержит 113,2 млн параметров и использует архитектуру ViT с кодировщиком и декодировщиком: изображение разбивается на фиксированные патчи, большая часть патчей случайно маскируется, а декодер восстанавливает их исходные пиксели. Предобученный кодировщик формирует представления изображений для последующих задач компьютерного зрения. Его можно использовать как основу для извлечения признаков или дообучить для классификации изображений. Вход — изображение, выход при предобучении — реконструированные пиксели маскированных областей; карточка также указывает классификацию изображений как сценарий применения. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Это модель Vision Transformer (ViT) для классификации изображений и использования в качестве визуальной основы для извлечения признаков. Её обучили авторы исследования «How to train your ViT?» на ImageNet-1k с дополнительной аугментацией и регуляризацией, первоначально на JAX; Ross Wightman перенёс веса в PyTorch. Модель доступна через библиотеку timm и распространяется по лицензии Apache-2.0. Модель содержит 22,1 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и выполняет около 4,3 GMACs. Её можно применять для классификации изображений ImageNet-1k и как основу для извлечения визуальных признаков. Карточка не приводит результатов метрик качества и не описывает ограничения за пределами целевого набора данных.

timm/vit_tiny_patch16_dinov3_qkvb.eupe_lvd1689m — визуальный энкодер на архитектуре Vision Transformer, разработанный для извлечения признаков изображений. Модель EUPE ViT-T содержит около 5,5 млн параметров и обрабатывает изображения размером 256 × 256 пикселей. Модель обучена методом Efficient Universal Perception Encoder на датасете LVD-1689M с использованием прокси-преподавателя, полученного дистилляцией нескольких фундаментальных энкодеров компьютерного зрения. Она выдаёт класс-токен, регистровые и патч-токены; глобальное усреднение включено по умолчанию в timm, а для объединения через класс-токен нужно выбрать соответствующую настройку. Подходит для получения эмбеддингов и карт признаков, а также как визуальная основа для классификации и других задач компьютерного зрения. Карточка приводит результаты сравнений на наборах для классификации, визуальных вопросов и пространственных задач, но не описывает отдельную поддержку текстового ввода. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

Модель abhishtagatya/wav2vec2-base-960h-itw-deepfake разработана как дообученная версия facebook/wav2vec2-base-960h на архитектуре wav2vec 2.0. Это классификатор аудио для выявления дипфейковой или поддельной речи; модель принимает аудиосигнал и выдаёт оценку класса. Она содержит 113,3 млн параметров и распространяется в формате Safetensors. В README приведены результаты оценки: accuracy 0,9835 и EER 0,0199, однако набор данных и условия тестирования не описаны, поэтому эти показатели нельзя напрямую переносить на другие аудиозаписи. Базовая модель предназначена для английской речи с частотой 16 кГц. Лицензия — Apache-2.0.

facebook/webssl-mae300m-full2b-224 — визуальная модель семейства Web-SSL от Meta, представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT-L с архитектурой Vision Transformer и примерно 402,7 млн параметров по метаданным; в README модель описана как вариант на 300 млн параметров, обученный методом self-supervised Masked Autoencoder на 2 млрд веб-изображений без языковой разметки. Модель рассчитана на извлечение визуальных признаков из изображений с разрешением 224×224 пикселя и последующее применение в задачах компьютерного зрения. Обучение без языковой супервизии позволяет использовать представления модели в различных визуальных задачах, включая сценарии, где требуется сравнение с языково-обученными моделями вроде CLIP. Модель принимает изображения и выдаёт признаки; языковые входы и генерация текста не заявлены. Репозиторий содержит веса в формате safetensors и предназначен для библиотеки Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель poltextlab/xlm-roberta-large-pooled-cap-minor-v5 разработана PoltextLab и представляет собой дообученную версию XLM-RoBERTa Large для многоклассовой классификации текстов по темам CAP Minor. Она предназначена для разметки многоязычных текстов в сравнительных исследованиях и используется в инструменте CAP Babel Machine. Модель поддерживает английский, венгерский, португальский, датский, французский, итальянский и испанский языки. В карточке приведены метрики по языкам: взвешенный F1 составляет 0,88 для венгерского и 0,86 для португальского, тогда как для датского, французского и испанского он ниже. Для всех классов макроусреднённый F1 равен 0,63, взвешенный F1 — 0,81. Модель распространяется в формате Safetensors и доступна по лицензии CC BY 4.0. Результаты зависят от языка и темы; приведённые метрики показывают заметно более низкое качество для части поддерживаемых языков.

YOLO26-L-pose — вариант модели YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек на изображениях. Модель принимает изображения размером 640 пикселей и формирует координаты ключевых точек; заявленные показатели составляют 70,4 mAP Pose при IoU 0,50–0,95 и 90,5 mAP Pose при IoU 0,50 в режиме end-to-end. Архитектура выполняет предсказания напрямую без отдельного этапа NMS, что упрощает развертывание и снижает задержку. Для локализации ключевых точек используются RLE и оптимизированное декодирование; в README также заявлено ускорение CPU-инференса до 43% и ориентация семейства на периферийные и маломощные устройства. Модель распространяется в формате PyTorch по лицензии AGPL-3.0.