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

deepseekvit412malign.deepseekv41flash — модель извлечения признаков изображений на основе визуальных весов DeepSeek-V4.1-Flash, представленная в формате timm. По карточке это нативное преобразование весов без дополнительного обучения; языковые веса и обученная голова классификации в репозитории отсутствуют. Модель предназначена для получения визуальных признаков и эмбеддингов, а также для подготовки визуального backbone к дообучению классификации. Визуальный энкодер использует патчи 14×14, SwiGLU, RMSNorm и двумерное осевое RoPE. Веса содержат 485,3 млн параметров; ширина backbone — 1024, проекции — 5120. На вход подаются RGB-изображения, на выходе доступны токены признаков, промежуточные карты признаков и объединённые эмбеддинги. Для стандартного входа указано разрешение 546×546; поддерживаются прямоугольные изображения при соблюдении кратности размеров патчу либо с дополнительным паддингом. Модель распространяется под лицензией MIT. Она не включает классификационную голову, поэтому для классификации требуется добавить и обучить её на целевом наборе данных. Преобразование изображений в timm отличается от исходного адаптивного препроцессинга DeepSeek.

benjamintli/dfine-xl_sku110k — детектор объектов D-FINE, созданный дообучением ustc-community/dfine-xlarge-obj365. Модель принимает изображения и находит на них объекты, предсказывая их классы и расположение. В метаданных указаны архитектура DFineForObjectDetection и формат весов safetensors; базовая модель обучена на Objects365. В README приведены метрики оценки: mAP 0,2955, mAP@50 0,4836 и mAP@75 0,3305. Модель дообучена на наборе данных, который в карточке не назван; классы объектов и область применения поэтому установить нельзя. Лицензия — Apache-2.0.

dla102x2.in1k — модель классификации изображений на архитектуре DLA (Deep Layer Aggregation), обученная авторами исходной работы на ImageNet-1k. Её также можно использовать как backbone для извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 41,3 млн параметров, имеет вычислительную сложность 9,3 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий использует библиотеку timm и предоставляет веса в форматах PyTorch и Safetensors. Модель предназначена для классификации изображений и извлечения визуальных признаков; сведения о поддержке текстовых или иных модальностей отсутствуют. Лицензия — BSD-3-Clause. Качество и область применения определяются обучением на ImageNet-1k; для специализированных категорий может потребоваться адаптация или дообучение.

dm_nfnet_f3.dm_in1k — модель семейства NFNet для классификации изображений, опубликованная авторами работ о сетях без нормализации и обученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Архитектура представляет собой сеть, похожую на ResNet с предварительной активацией, но без слоёв нормализации: вместо Batch Normalization применяются Scaled Weight Standardization и скалярные коэффициенты в остаточных связях и нелинейностях. Модель содержит около 254,9 млн параметров; размер изображения при обучении — 320×320, при тестировании — 416×416. Репозиторий использует библиотеку timm и содержит веса PyTorch и safetensors. Модель предназначена для распознавания классов ImageNet-1k и получения визуальных признаков для последующих задач компьютерного зрения. Карточка не сообщает о поддержке текстовых или иных языковых входов. Лицензия — Apache-2.0.

dm_nfnet_f6.dm_in1k — модель семейства NFNet, разработанная авторами работ о высокопроизводительном распознавании изображений без нормализации и обученная на ImageNet-1k. Это крупная сверточная архитектура, похожая на ResNet с предварительной активацией: в ней нет слоёв нормализации, вместо них применяются Scaled Weight Standardization и скалярные коэффициенты усиления в остаточных связях и нелинейностях. Модель содержит около 438,4 млн параметров; обучалась на изображениях размером 448 × 448, а для оценки использует 576 × 576. Основное назначение — классификация изображений; также модель можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов. Она подходит для задач распознавания объектов на изображениях, близких к классам ImageNet-1k. Репозиторий предоставляет веса PyTorch и safetensors, библиотека модели — timm. Лицензия Apache-2.0.

eca_botnext26ts_256.c1_in1k — модель классификации изображений, созданная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Архитектура BotNet сочетает блоки на основе ResNeXt с эффективным канальным вниманием; модель реализована через гибкую архитектуру BYOBNet. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache 2.0. Модель предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Рассчитана на входные изображения размером 256 × 256 пикселей; содержит около 10,6 млн параметров и требует примерно 2,5 GMACs на обработку изображения. Конфигурация настроена на разумное время обучения и использует меньше блоков self-attention, чем некоторые варианты BotNet. Обучение выполнено на ImageNet-1k по рецептам ResNet Strikes Back C с оптимизатором SGD с Nesterov, адаптивным обрезанием градиента и косинусным расписанием скорости обучения с разогревом. Карточка отмечает, что конфигурация не повторяет в точности конкретную публикацию. Модель предназначена для визуальных задач общего назначения, а её качество вне ImageNet-1k отдельно не охарактеризовано.

EdgeNeXt Small RW — модель классификации изображений и извлечения визуальных признаков из семейства EdgeNeXt, обученная Ross Wightman с библиотекой timm на ImageNet-1k по рецепту обучения, вдохновлённому Swin Transformer. Модель содержит 7,8 млн параметров и рассчитана на мобильные сценарии компьютерного зрения. Модель принимает изображения: для обучения использовался размер 256 × 256 пикселей, для тестирования — 320 × 320. Помимо классификации, её можно применять как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

EditScore/EditScore-Qwen3-VL-4B-Instruct — модель оценки качества результатов редактирования изображений, разработанная командой EditScore из VectorSpaceLab. Это LoRA-адаптер для Qwen/Qwen3-VL-4B-Instruct, предназначенный для instruction-guided image editing и работы в качестве reward model. Модель оценивает, насколько отредактированное изображение соответствует инструкции, и может применяться для ранжирования нескольких вариантов, выбора лучшего результата и формирования сигнала вознаграждения при Reinforcement Learning fine-tuning моделей редактирования изображений. В README указано, что вариант на 4B параметров обеспечивает высокую эффективность и по результатам сопоставим с исходной версией EditScore на 32B параметров. Архитектура, языки, точный размер контекста и полный перечень поддерживаемых модальностей отдельно не указаны; из базовой модели следует, что адаптер рассчитан на vision-language сценарии. Ограничения и сведения о качестве зависят от используемых данных и задач редактирования, а результаты на конкретных доменах в README не приведены. Лицензия обозначена как other, без уточнения условий использования.

EfficientViT-M2 — модель классификации изображений и визуальный backbone семейства EfficientViT, разработанного MSRA. Авторы статьи обучили её на ImageNet-1k; модель также можно использовать для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 4,2 млн параметров, рассчитана на изображения размером 224 × 224 и имеет вычислительную сложность около 0,2 GMAC. Она предназначена для классификации изображений и построения компактных визуальных представлений в компьютерном зрении. Репозиторий использует библиотеку timm и содержит веса PyTorch в формате Safetensors. Лицензия — MIT. Модель обучена на ImageNet-1k, поэтому её качество и применимость к изображениям из других предметных областей могут отличаться; результаты для целевых данных следует проверять отдельно.

ERes2NetV2 — модель для проверки личности говорящего, разработанная Alibaba и представленная здесь в виде экспорта ONNX, преобразованного из iic/speech_eres2netv2_sv_zh-cn_16k-common. Архитектура ERes2NetV2 содержит около 17,8 млн параметров; файл весит примерно 71 МБ и хранит веса вместе с моделью. Репозиторий распространяет модель в формате ONNX Opset 18, float32, для запуска через ONNX Runtime. Модель принимает логарифмические Mel-фильтры размерностью 80, рассчитанные для аудио с частотой 16 кГц, и выдаёт вектор эмбеддинга говорящего размерностью 192. Размеры пакета и временной последовательности динамические. Эмбеддинги предназначены для сравнения голосов по косинусному сходству и кластеризации говорящих; перед сравнением README предписывает нормировать векторы по L2. Карточка приводит ориентировочные пороги сходства и расстояния для проверки совпадения и кластеризации. Модель подходит для голосовой верификации и как компонент диаризации, но сама не возвращает транскрипт или метки говорящих по временным отрезкам. Для работы требуется предварительно извлечь признаки log-Mel в заданном формате; пороги сходства являются ориентировочными. Лицензия — Apache-2.0.

cyttic/exp21-trocr-hebrew-directfit-frozen — дообученная модель семейства TrOCR, разработанная на основе cyttic/trocr-hebrew-untrained. Это архитектура vision-encoder-decoder для преобразования изображения текста в текст, предназначенная для распознавания текста на изображениях, в частности на иврите, что следует из названия базовой модели. В карточке приведены метрики на оценочном наборе: loss 4,1024, CER 0,7121 и WER 1,0086. Эти результаты указывают на существенные ошибки распознавания; качество для практического применения следует оценивать на целевых данных. Обучающий набор и конкретные сценарии применения не описаны. Модель опубликована в формате safetensors для Transformers; сведения о лицензии отсутствуют в предоставленных данных.

nxp/facenet512-imx — модель FaceNet на архитектуре Inception, разработанная на основе реализации DeepFace и подготовленная NXP для запуска на устройствах i.MX. Она преобразует обрезанное RGB-изображение лица размером 160 × 160 в эмбеддинг размерности 512 для сопоставления с векторами в базе данных, верификации и повторной идентификации лиц. Это не детектор лиц: изображение лица нужно предварительно обнаружить и обрезать. Модель поставляется в формате TensorFlow Lite с полной посттренировочной квантованием int8; принимает uint8 и выдаёт вектор float32. Версии скомпилированы для ускорителей i.MX 93 Ethos-U65 и i.MX 95/i.MX 952 Neutron. В README приведена точность 97,6% на парном тесте LFW для квантованной версии; результат зависит от данных и порога сопоставления. Лицензия — MIT.

FastViT MA36 Apple Distilled — модель классификации изображений семейства FastViT, представленная в библиотеке timm. Авторы FastViT обучили её на ImageNet-1k с дистилляцией; в карточке также указана возможность использовать модель как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 44,1 млн параметров, требует изображение размером 256 × 256 пикселей и имеет вычислительную сложность 7,8 GMACs. Её можно применять для классификации изображений и получения признаковых представлений для дальнейших задач компьютерного зрения. В репозитории доступны веса PyTorch в формате safetensors. Лицензия указана как other; README просит соблюдать исходную лицензию FastViT.

FastViT-T12 — модель классификации изображений и извлечения визуальных признаков из семейства FastViT, опубликованная авторами статьи FastViT и обученная на ImageNet-1k. В карточке Hugging Face она представлена в формате PyTorch и Safetensors и предназначена для использования с библиотекой timm. Модель содержит 7,6 млн параметров, требует около 1,4 GMACs на изображение и рассчитана на размер входа 256 × 256 пикселей. Помимо классификации, её можно использовать как backbone для извлечения карт признаков и эмбеддингов изображений. Модель подходит для классификации изображений по категориям ImageNet-1k и получения визуальных представлений для последующих компьютерно-зрительных задач. Указана необходимость соблюдать исходную лицензию; метаданные обозначают лицензию как other, поэтому условия следует сверять с оригинальной лицензией FastViT.

fergusq/finbert-finnsentiment — модель FinBERT, дообученная на наборе FinnSentiment для классификации тональности предложений на финском языке. В README указано, что 90% предложений использовались для обучения, а 10% — для оценки. Модель основана на архитектуре BERT и содержит 151,7 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классификации. На указанном в карточке разделении данных модель получила accuracy 0,864, F1-score 0,864 и precision 0,865. Она подходит для анализа тональности финских текстов, например отзывов и сообщений. Модель распространяется по лицензии CC BY 4.0; оценки относятся к использованному набору данных и могут не отражать качество на других текстах.

timm/focalnet_small_srf.ms_in1k — модель классификации изображений семейства FocalNet, опубликованная авторами статьи и доступная через библиотеку timm. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. Модель содержит около 49,9 млн параметров, использует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 8,6 GMACs. Архитектура основана на механизме Focal Modulation. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT. Модель рассчитана на задачи распознавания объектов из классов ImageNet-1k. Ее ограничения связаны с областью обучения и входным разрешением: качество на других предметных областях и разрешениях может отличаться.

FocalNet Tiny LRF — модель классификации изображений и извлечения визуальных признаков из семейства FocalNet. Её разработали авторы статьи Focal Modulation Networks; веса предварительно обучены на ImageNet-1k. Модель содержит 28,6 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 4,5 GMACs. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как визуальный backbone в компьютерном зрении или как основу для задач, требующих представления изображения. В репозитории указаны веса PyTorch и Safetensors, библиотека timm и лицензия MIT. Модель работает с изображениями; языковые входы и генерация текста не заявлены. Её классификация ориентирована на категории ImageNet-1k, поэтому применение к другим наборам данных может потребовать адаптации.

LeoHS04/hateBR_classifier — модель классификации текста на основе BERTimbau Base, разработанная дообучением neuralmind/bert-base-portuguese-cased. Она предназначена для классификации текстов; название модели указывает на выявление языка вражды в бразильском португальском, однако README не уточняет разметку классов и обучающие данные. Модель использует архитектуру BERT для последовательной классификации, содержит 136,1 млн параметров и принимает тексты длиной до 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9152 и loss 0,3644; состав выборки и методика оценки не описаны. Распространяется по лицензии MIT.

hiera_base_plus_224.mae — модель извлечения признаков и классификации изображений из семейства Hiera, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-1k методом Self-Supervised Masked Autoencoder (MAE) и предназначена для классификации изображений, получения карт признаков и эмбеддингов. Модель содержит около 69 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; в README также приведён результат Top-1 85,134% для варианта, дообученного на ImageNet-1k. Веса доступны в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Языковая обработка не заявлена: модель принимает изображения и выдаёт классы или визуальные признаки.

facebook/hiera-tiny-224-hf — компактная модель Hiera, разработанная Meta и дообученная на ImageNet-1K. Это иерархический Vision Transformer для извлечения признаков из изображений; чекпойнт предназначен прежде всего для получения визуальных представлений, которые можно использовать в последующих задачах компьютерного зрения. Вариант Tiny содержит около 33 млн параметров и использует архитектуру Hiera. В карточке отмечены высокая скорость и простота архитектуры; сама модель рассчитана на изображения, а не на текстовый ввод. Её можно применять для извлечения признаков, а семейство также подходит для классификации изображений и masked image modeling. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит конкретных оценок качества для этого чекпойнта.

hrnet_w18.ms_aug_in1k — модель классификации изображений на архитектуре HRNet, обученная авторами работы «Deep High-Resolution Representation Learning for Visual Recognition» на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,3 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 4,3 GMACs. Она доступна через библиотеку timm; веса представлены в форматах PyTorch и Safetensors. Модель предназначена для распознавания объектов из классов ImageNet-1k и построения визуальных признаков для последующих задач компьютерного зрения. Лицензия — MIT.

lcnet_050.ra2_in1k — сверточная модель классификации изображений из семейства LCNet, представленная в библиотеке timm. Её обучили на ImageNet-1k с рецептом RandAugment RA2; при обучении использовались оптимизатор RMSProp с поведением TensorFlow 1.0, усреднение весов EMA и ступенчатое снижение скорости обучения с разогревом. Модель содержит около 1,9 млн параметров и рассчитана на изображения размером 224 × 224. Она предназначена для классификации изображений по классам ImageNet-1k, а также может использоваться как лёгкая сверточная основа для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Компактный размер делает модель подходящей для сценариев, где важны небольшие вычислительные затраты. Её обучение на ImageNet-1k задаёт область применения и классы распознавания; карточка не приводит количественных метрик качества или гарантии работы на других наборах данных.

Liujgoj-Cantonese-Gemma4-12b-CPT-Unified-i1-GGUF — это квантизированная версия модели Liujgoj-Cantonese-Gemma4-12b-CPT-Unified, разработанной Yvthyvq и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста, прежде всего на китайском языке и кантонском диалекте, что отражено в её обозначении и метаданных. Модель относится к семейству Gemma4 и имеет размер 12 млрд параметров. Она распространяется в виде набора вариантов GGUF с разными методами и уровнями квантизации, поэтому может использоваться на системах с различными ограничениями по памяти. Доступны варианты от очень компактных IQ1 и IQ2 до более качественных IQ4 и Q4, включая рекомендуемый по балансу скорости и качества i1-Q4_K_M размером около 7,5 ГБ. Поддержка мультимодальности и размер контекстного окна в предоставленных данных не указаны. Сильной стороной модели является специализация на кантонском языке и наличие множества квантизированных вариантов для локального запуска. Ограничения связаны с компромиссом между размером, скоростью и качеством: наиболее компактные варианты могут давать заметно более низкое качество, тогда как более качественные требуют больше памяти. Модель распространяется по лицензии Apache-2.0; в метаданных также указано название лицензии opencsg-community.

Это объединённая модель семейства Llama 3, созданная автором lighteternal методом SLERP с помощью mergekit из gradientai/Llama-3-8B-Instruct-Gradient-1048k и aaditya/Llama3-OpenBioLLM-8B. Она предназначена для диалогов и генерации текста, включая работу с длинным контекстом; объединение сочетает возможности двух исходных моделей, одна из которых специализирована на биомедицинских текстах. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Заявленная длина контекста — до 1 048 576 токенов; файлы представлены в формате safetensors и рассчитаны на работу с Transformers. Лицензия — Llama 3. Конкретные результаты оценки качества объединённой модели в карточке не приведены.

LlavaGuard-v1.2-7B-OV — мультимодальная модель AIML-TUDA для оценки безопасности содержимого изображений и текстовых запросов. Она дообучена на наборе LlavaGuard-DS на базе lmms-lab/llava-onevision-qwen2-7b-ov и использует архитектуру LLaVA-OneVision с Qwen2. Модель принимает изображения и текст, поддерживает диалог и формирует текстовые ответы с обоснованием оценки безопасности. Модель рассчитана на проверку пользовательских запросов с изображениями по таксономии безопасности LlavaGuard. Заявленное контекстное окно — 32K токенов. Для инференса поддерживаются веса Transformers; настройка модели не поддерживается. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

MambaOut Base — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработали авторы работы «MambaOut: Do We Really Need Mamba for Vision?» и предварительно обучили на ImageNet-1k. Модель доступна через библиотеку timm и использует архитектуру MambaOut. Модель содержит 84,8 млн параметров; указаны вычислительная сложность 15,8 GMACs и размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Она подходит для присвоения изображению метки класса, извлечения карт признаков и получения представлений изображений. Это базовая модель для применения в задачах классификации и как визуальный backbone. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

MambaOut Base Plus RW — модель компьютерного зрения для классификации изображений и извлечения признаков, реализованная для библиотеки timm. Её обучил Росс Уайтман на ImageNet-12k по рецепту обучения на основе Swin и ConvNeXt. Модель содержит около 134,9 млн параметров; для обучения использовались изображения 224×224, а для оценки — 288×288 пикселей. Модель подходит для определения объектов и категорий на изображениях, извлечения карт признаков и получения эмбеддингов изображений. В карточке приведены результаты отдельных вариантов после дополнительного обучения на ImageNet-1k, но эти показатели не следует напрямую приписывать данному чекпойнту. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0.

MambaVision-L-21K — модель компьютерного зрения от NVIDIA, представляющая собой иерархический гибридный backbone Mamba и Transformer. Она предварительно обучена на ImageNet-21K и дообучена на ImageNet-1K; репозиторий содержит веса в формате safetensors и поддерживает библиотеку Transformers. Основной сценарий — классификация изображений. Модель также можно применять как извлекатель признаков: README описывает получение представлений с четырёх этапов архитектуры и итоговых признаков после усредняющего пулинга. Гибридная архитектура сочетает эффективное моделирование визуальных признаков с self-attention в последних слоях для учёта дальних пространственных зависимостей. Модель принимает изображения и выдаёт классовые предсказания либо векторные признаки. README отмечает применение MambaVision как backbone в задачах обнаружения объектов и сегментации, но основная задача этого чекпойнта в метаданных — классификация изображений. Лицензия указана как other; конкретные условия использования следует сверять с лицензией репозитория.

Mars27BV.1 — слитая пользователем модель на базе Gemma 3 27B, предназначенная прежде всего для ролевых диалогов с комплексными персонажами и сценариями, включая ERP. Автор отмечает, что модель следует инструкциям и выдаёт удобный для чтения текст; русскоязычные ролевые диалоги и работа в качестве ассистента также поддерживаются. В README указано, что объединены предварительно обученные языковые модели Gemma 3; метаданные каталога перечисляют три компонента слияния: summykai/gemma3-27b-abliterated-dpo, Tesslate/Synthia-S1-27b и TheDrummer/Big-Tiger-Gemma-27B-v3. Модель использует архитектуру Gemma 3 27B с поддержкой изображений и текста. Автор лишь кратко проверил работу с изображениями и не сообщает подробностей о её качестве. По наблюдению автора, модель требовательна к памяти: даже при Q4_K_S и контексте 8K на видеокарте с 16 ГБ памяти помещается лишь около половины слоёв. Автор также отмечает наличие клише в ответах. Репозиторий использует Transformers и формат safetensors; лицензия в предоставленных источниках не указана.

Mask2Former — модель компьютерного зрения от команды Facebook, обученная для семантической сегментации сцен на наборе ADE20K. Это версия небольшого размера с backbone Swin; архитектура Mask2Former предсказывает маски и соответствующие им классы, используя многоуровневый декодер с деформируемым вниманием и декодер Transformer с masked attention. Модель предназначена для определения класса каждого пикселя изображения и разбиения сцены на области. Архитектура Mask2Former также поддерживает сегментацию экземпляров и паноптическую сегментацию, однако карточка этого чекпойнта указывает семантическую сегментацию ADE20K как его обучающую задачу. Модель принимает изображения и выдаёт сегментационные маски с метками классов. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия указана как other, без уточнения условий в предоставленных данных.