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

DETR-ResNet101-DC5 — модель обнаружения объектов, разработанная на основе реализации DETR от Facebook Research и подготовленная Qualcomm для устройств на базе чипсетов Qualcomm. Модель обучена на датасете COCO и предназначена для автоматического обнаружения объектов на изображениях, включая сценарии компьютерного зрения на мобильных, встраиваемых и периферийных устройствах. В основе модели используется backbone ResNet101 с конфигурацией DC5. Разрешение входного изображения составляет 480×480 пикселей, размер модели в формате float — около 232 МБ. Модель работает с визуальными входными данными; сведения о поддерживаемых языках и текстовых модальностях неприменимы. Доступны предварительно экспортированные варианты ONNX, QNN_DLC и TFLITE с вычислениями в формате float, оптимизированные для выполнения на NPU Qualcomm. Для ONNX указана совместимость с ONNX Runtime 1.27.1 и QAIRT 2.45, для QNN_DLC и TFLITE — с QAIRT 2.45. Сильными сторонами модели являются готовность к развертыванию на широком спектре устройств Qualcomm, поддержка NPU и возможность экспорта с пользовательскими весами, формами входа, целевым устройством и конфигурацией runtime. Производительность зависит от аппаратной платформы: в приведённых измерениях время инференса составляет примерно от 21,8 до 220,3 мс. К ограничениям относятся значительный размер модели, фиксированное указанное входное разрешение и зависимость скорости и потребления памяти от конкретного чипсета и формата запуска. Модель распространяется по лицензии Apache-2.0.

facebook/dinov2-small-imagenet1k-1-layer — компактный Vision Transformer семейства DINOv2 от команды Meta. Модель содержит 28,3 млн параметров и использует трансформерный энкодер ViT, предварительно обученный на изображениях без учителя. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель предназначена для классификации изображений по 1000 меткам ImageNet и извлечения визуальных признаков для последующего обучения классификатора и других задач компьютерного зрения. Веса не включают дообученную классификационную голову, поэтому для прикладной классификации может потребоваться обучить линейный слой или другую подходящую голову поверх представлений энкодера. DINOv2 учится формировать устойчивые визуальные представления, которые можно применять в сценариях с размеченными изображениями. Карточка описывает работу с ImageNet-1K; сведений о языковой или иной модальности, длине контекста и поддержке других языков нет.

Это компактный визуальный трансформер ViT с архитектурой DINOv2 with Registers, выпущенный командой DINOv2 и опубликованный в репозитории Facebook. Модель содержит 28,3 млн параметров и предназначена для классификации изображений по 1000 классам ImageNet, а также для получения признаковых представлений изображений для последующих задач компьютерного зрения. Добавленные register-токены помогают уменьшать артефакты в картах внимания и делают их более интерпретируемыми. Веса доступны в формате Safetensors. В карточке отмечено, что в модели нет дообученных классификационных голов; для специализированной классификации потребуется добавить и обучить линейный классификатор. Лицензия — Apache 2.0.

dla102.in1k — модель классификации изображений на архитектуре DLA (Deep Layer Aggregation), опубликованная авторами статьи и доступная через библиотеку timm. Она обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 33,3 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 7,2 GMACs. Репозиторий содержит веса PyTorch и safetensors. Лицензия — BSD 3-Clause.

dla102x.in1k — модель компьютерного зрения семейства DLA (Deep Layer Aggregation), обученная авторами исходной работы на ImageNet-1k и представленная в библиотеке timm. Она предназначена для классификации изображений, а также может использоваться как визуальная backbone-сеть для извлечения карт признаков и эмбеддингов. Модель содержит 26,3 млн параметров, имеет вычислительную сложность 5,9 GMACs и рассчитана на входные изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause.

EfficientViT B3 — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Её разработали авторы работы EfficientViT; модель обучена на ImageNet-1k и распространяется в репозитории timm в форматах PyTorch и Safetensors. Модель содержит около 48,6 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и требует около 4,0 GMACs на обработку изображения. Её можно применять для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Лицензия — Apache-2.0. Качество и набор классов классификации связаны с обучением на ImageNet-1k; README не описывает специализированную адаптацию под другие предметные области.

Это модель ELECTRA Small для японского языка, разработанная для автоматического обнаружения кибербуллинга в текстах. Её дообучили на сбалансированном наборе данных, объединяющем японские комментарии с вредоносных форумов BBS и твиты с примерами кибербуллинга; исходной моделью служил японский дискриминатор ELECTRA Small от Izumi Lab. Модель решает задачу классификации текста и подходит для выявления травли в японских комментариях и публикациях. Она содержит 21 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Лицензия — CC BY-SA 4.0. Качество и применимость зависят от соответствия текста обучающим данным: модель обучалась на материалах BBS и Twitter, поэтому её результаты на других жанрах и современных языковых вариациях могут отличаться. Карточка не приводит метрик качества.

gmlp_s16_224.ra3_in1k — модель классификации изображений семейства gMLP, обученная Россом Уайтменом в библиотеке timm на ImageNet-1k. Она предназначена для отнесения изображений к классам и может использоваться как визуальный backbone для извлечения признаков. Модель содержит около 19,4 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность около 4,4 GMAC. Архитектура gMLP основана на многослойных перцептронах и описана в работе «Pay Attention to MLPs». Репозиторий содержит веса PyTorch и SafeTensors; лицензия — Apache-2.0. Модель обучена на ImageNet-1k, поэтому её классификация ориентирована на классы этого набора данных. В карточке не приведены результаты метрик, а перенос на предметные области, отличающиеся от ImageNet-1k, может потребовать адаптации.

Hiera Small 224 MAE IN1K FT IN1K — модель компьютерного зрения из библиотеки timm, построенная на иерархическом Vision Transformer Hiera. Её предварительно обучили на ImageNet-1k методом Self-Supervised Masked Autoencoder, а затем дообучили на ImageNet-1k для классификации изображений. Модель содержит около 35 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по классам ImageNet-1k и может использоваться как визуальный бэкбон для извлечения карт признаков и эмбеддингов. В README приведены примеры этих сценариев, однако точные показатели качества именно этой версии не указаны. Репозиторий распространяет веса в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

PP-LCNetV2 Small — лёгкая свёрточная модель для классификации изображений, созданная авторами PaddleClas и перенесённая в формат state dict библиотеки timm из официального чекпойнта Paddle. Архитектура ориентирована на работу на CPU и использует многомасштабные depthwise-свёртки с репараметризацией, разделённые pointwise-свёртки, выборочное squeeze-and-excitation и shortcut-соединения. Модель содержит 4,1 млн параметров, рассчитана на изображения 224 × 224 и обучена на ImageNet-1k. Модель подходит для классификации изображений и извлечения признаковых карт или эмбеддингов в компьютерном зрении. Весы доступны в формате safetensors, лицензия — Apache 2.0. Описание не сообщает о других наборах классов или специализированных предметных областях, поэтому результаты классификации ориентированы на категории ImageNet-1k.

Это дообученный визуальный энкодер на базе DINOv2 ViT-S/14 для сравнения визуального стиля китайских и английских надписей. Модель разработана для извлечения признаков из обрезанных изображений текстовых фрагментов и строк; для работы достаточно включённых в репозиторий весов. Обработка сохраняет соотношение сторон и дополняет изображение до 112 × 448 пикселей. Энкодер выдаёт три L2-нормированных вектора: общее представление типографики и внешнего вида размером 256, признаки шрифта размером 128 и признаки оформления размером 128, включая заливку, обводку, тень и прозрачность. Также доступны восемь локальных исследовательских токенов размерности 384. Эти представления подходят для сопоставления стиля внутри одного языка и между китайским и английским текстом; модель не распознаёт текст. Модель лучше всего подходит для контролируемых синтетических изображений китайского и английского текста. Работа с реальными фотографиями, другими письменностями и использованием токенов как условий для генератора не проверялась. Лицензия — Apache-2.0.

MaskFormer — модель компьютерного зрения, разработанная командой MaskFormer и опубликованная в репозитории Facebook. Эта версия с небольшим Swin-бэкбоном обучена на ADE20K для семантической сегментации сцен и предназначена для разметки изображений по классам объектов и областей. Архитектура MaskFormer предсказывает набор масок и соответствующих им меток, объединяя в одной схеме подходы к семантической, экземплярной и паноптической сегментации. Для этого чекпойнта заявлено применение к семантической сегментации; в метаданных указаны классы архитектуры MaskFormer для экземплярной сегментации. Модель принимает изображения и выдаёт сегментационные маски с метками классов. Данных о языках не требуется для её основного сценария. Модель распространяется в форматах PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой репозитория.

Это модель компьютерного зрения семейства MaxViT, разработанная Ross Wightman и обученная в библиотеке timm на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Архитектура сочетает блоки MBConv со слоями внимания по окнам и сетке; в этой версии применяется MLP Log-CPB — смещение относительных позиций, мотивированное Swin Transformer V2. Модель содержит около 7,5 млн параметров и рассчитана на изображения 256 × 256 пикселей. Веса доступны в форматах PyTorch и Safetensors. Модель обучена на ImageNet-1k, поэтому её классификация ориентирована на категории этого набора данных. Она не предназначена для понимания текста на изображениях или обработки других модальностей. Лицензия — Apache-2.0.

Модель mljn/mdeberta-v3-base-finetuned-climate_explicit-classification — дообученная классификационная модель на базе многоязычной microsoft/mdeberta-v3-base. Она предназначена для классификации текста, связанного с климатической тематикой; название модели указывает на явную классификацию таких текстов. Модель построена на архитектуре DeBERTa V2, содержит 306 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки: accuracy 0,9837, macro F1 0,9820 и ROC AUC 0,9950. Датасет обучения обозначен как None, поэтому результаты нельзя уверенно связать с конкретной выборкой или классами. Модель распространяется по лицензии MIT.

TaiwoOgun разработал MiniLM Hate Speech Detector — дообученную модель MiniLM-L12 для бинарной классификации английского текста на разжигающий ненависть и прочий контент. Модель основана на архитектуре BERT, содержит около 40 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для запуска в браузере через Transformers.js. Модель обучена на HateXplain, включающем примеры из Twitter и Gab. Её можно использовать в браузерных расширениях для локального обнаружения hate speech; веса экспортированы в ONNX с квантизацией INT8 для эффективного вывода на устройстве. В README указаны macro F1 0,8302 и accuracy 0,8567. Модель рассчитана только на английский язык и не различает типы hate speech. Она может пропускать случаи, где важен контекст, и сарказм; данные из Twitter и Gab могут ограничивать переносимость на другие площадки. Лицензия — MIT.

MobileViT-v2 0.5 — компактная модель классификации изображений из семейства MobileViT-v2, опубликованная авторами статьи и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 1,4 млн параметров, требует 0,5 GMACs и рассчитана на изображения размером 256 × 256 пикселей. Архитектура сочетает мобильную обработку изображений с механизмом self-attention; веса доступны в форматах PyTorch и safetensors. Лицензия указана как other, а подробности предлагается смотреть отдельно.

NearID — визуальный энкодер для получения эмбеддингов, учитывающих идентичность объекта. Модель разработана авторами проекта NearID на основе google/siglip2-so400m-patch14-384: визуальная часть SigLIP2 SO400M ViT/14 при разрешении 384 пикселя заморожена, а обучаемая голова Multi-head Attention Pooling дообучена для задачи различения похожих экземпляров. Модель предназначена прежде всего для оценки сохранения идентичности объектов в персонализированной генерации изображений, а также для поиска и группировки изображений по сходству. Она сравнивает нормализованные эмбеддинги отдельных изображений и рассчитана на различение похожих объектов даже при изменении фона и контекста. Обучение использовало набор NearID с синтетическими изображениями и сигналами из MTG. Лицензия — Apache-2.0. NearID не предназначена для распознавания лиц, повторной идентификации людей, биометрической аутентификации или видеотрекинга. Обучение охватывало синтетические изображения распространённых объектов, поэтому качество в специализированных областях не оценено; модель рассчитана на вход 384 × 384 пикселя, а артефакты незнакомых генераторов могут влиять на различение.

BrandonHowe/Olmo7b-compassion-olmo-seed1-20260930-CPT-merged-epoch-3 — самостоятельная версия модели Olmo 3, дообученная на корпусе CompassioninMachineLearning/compassion_12185_cleaned. Это плотная авторегрессионная языковая модель на 6,9 млрд параметров для генерации текста; базовая модель — allenai/Olmo-3-1025-7B. Модель обучена до третьей эпохи, а веса сохранены в BF16 в формате safetensors; адаптер для загрузки не требуется. Модель рассчитана на генерацию текста с контекстом до 65 536 токенов. Название и обучающий корпус указывают на тематику сострадания, однако обучение само по себе не подтверждает улучшение соответствующих качеств — это следует оценивать отдельно. Карточка не приводит специальные ограничения по применению. Условия лицензии в предоставленных данных не описаны.

Это квантованная в формате GGUF версия модели Qwen2.5-7B-Instruct-kowiki-qa, разработанной на основе Qwen2.5-7B-Instruct и адаптированной для задач вопросов и ответов по корейской Википедии. Исходную модель beomi/Qwen2.5-7B-Instruct-kowiki-qa разработал beomi, а квантование выполнил teddylee777 с использованием llama.cpp. Модель предназначена для локального текстового диалога, генерации ответов и работы в сценариях question answering с корейским контекстом. Модель относится к классу instruct-моделей для генерации текста и имеет размер 7B параметров. Она поддерживает корейский и английский языки; в шаблоне использования явно задано требование отвечать на корейском языке. Доступна в формате GGUF, что делает её пригодной для запуска через совместимые локальные инструменты, включая llama.cpp и LM Studio. В указанной конфигурации используется контекст до 128000 токенов и температура 0. К сильным сторонам относятся специализация на корейских вопросах и ответах, поддержка английского языка, возможность локального запуска и сниженные требования к ресурсам благодаря квантованию. Ограничения включают зависимость качества от исходной модели и выбранного квантования, а также отсутствие в README подробностей о точности, используемом датасете, конкретном варианте квантования и производительности. Модель распространяется по лицензии Apache-2.0.

sitatech/Qwen3-VL-8B-Instruct-GPTQ-Int4 — модель из экосистемы Transformers с названием, указывающим на инструкционно настроенную версию Qwen3-VL объёмом 8B параметров, представленную в формате квантования GPTQ Int4. Однако README не подтверждает разработчика, архитектуру, поддерживаемые модальности и языки, размер контекста, назначение, результаты оценки или базовую модель. По имеющимся данным нельзя надёжно определить целевые задачи, сценарии применения, сильные стороны и ограничения модели. README также не содержит сведений о лицензии, условиях использования, обучающих данных, процедуре обучения, инфраструктуре и способе запуска. Поэтому практические рекомендации и выводы о качестве модели требуют дополнительной документации.

Это LoRA-адаптер для Qwen-Image-Edit-2509, опубликованный dx8152. Он предназначен для преобразования изображений объектов на белом фоне в композиции с описанным окружением: пользователь добавляет триггер «白底图转场景» и текстовое указание сцены, например размещение автомобиля на улице. Адаптер нужно использовать вместе с базовой моделью Qwen/Qwen-Image-Edit-2509; обучение автор выполнил через сервис ModelScope. Модель принимает изображение и текстовую инструкцию и выдаёт отредактированное изображение. В репозитории указаны веса safetensors и лицензия Apache-2.0. Карточка не сообщает размер адаптера, контекст или количественные оценки качества; заявленная автором высокая производительность не сопровождается результатами оценки.

RepVGG-A2 — сверточная модель классификации изображений, представленная авторами статьи RepVGG и обученная на ImageNet-1k. В репозитории timm она реализована через гибкую архитектуру BYOBNet и доступна для классификации, извлечения карт признаков и получения визуальных эмбеддингов. Модель содержит около 28,2 млн параметров, требует 5,7 GMACs и рассчитана на изображения размером 224 × 224. Её можно использовать как классификатор или как основу для извлечения признаков изображений. Для загрузки доступны веса PyTorch и safetensors; лицензия — MIT. Карточка не сообщает ограничений по применению или качества на задачах вне ImageNet-1k.

repvgg_b1g4.rvgg_in1k — сверточная модель семейства RepVGG для классификации изображений и извлечения визуальных признаков. Вариант обучен авторами статьи на ImageNet-1k; реализация использует гибкую архитектуру BYOBNet из библиотеки timm. Модель содержит около 40 млн параметров, имеет вычислительную сложность 8,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях из набора классов ImageNet-1k, а также для извлечения карт признаков и визуальных эмбеддингов в качестве основы компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — MIT.

repvgg_b3.rvgg_in1k — сверточная модель классификации изображений из семейства RepVGG, реализованная в библиотеке timm. Её обучили авторы статьи RepVGG на ImageNet-1k; число параметров составляет 123,1 млн. Модель рассчитана на изображения размером 224 × 224 пикселя и также может использоваться как основа для извлечения карт признаков и эмбеддингов изображений. Архитектура RepVGG сочетает VGG-подобную структуру с блоками BYOBNet, конфигурация которых допускает настройку стадий и слоёв. Модель предназначена для классификации изображений общего назначения и извлечения визуальных признаков. Весовые файлы доступны в форматах PyTorch и Safetensors; лицензия — MIT. Карточка не описывает поддержку текстового или мультимодального ввода.

res2next50.in1k — модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-1k. Она использует многомасштабную архитектуру Res2Net и подходит для классификации изображений, а также для извлечения карт признаков и визуальных эмбеддингов в качестве основы компьютерного зрения. Модель содержит 24,7 млн параметров, требует изображений размером 224 × 224 пикселя и имеет вычислительную сложность 4,2 GMACs. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия в метаданных не определена.

resnet18d.ra4_e3600_r224_in1k — модель классификации изображений на основе архитектуры ResNet, обученная Россом Уайтманом на ImageNet-1k с помощью инструментов timm. Она предназначена для определения объектов и категорий на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит 11,7 млн параметров; обучение проводилось на изображениях размером 224 × 224, а для тестирования указано разрешение 288 × 288. В метаданных репозитория указаны PyTorch и safetensors, библиотека timm и лицензия Apache-2.0. Модель подходит для стандартной классификации изображений и как основа для компьютерного зрения в прикладных системах. Она обучена на ImageNet-1k, поэтому её категории и качество зависят от этого набора данных; README не описывает специализированную предметную область или другие модальности.

Это версия свёрточной модели ResNetV2 BiT-101x3, преобразованная zeromodels в формат Keras 3 из timm/resnetv2_101x3_bit.goog_in21k. Исходный чекпойнт обучен на ImageNet-21k; архитектура использует ResNet с предварительной активацией и предназначена для классификации изображений, а также как визуальный backbone для получения признаков. Модель принимает изображения и может возвращать логиты классов или признаки; режим backbone поддерживает многоуровневые стадии. Реализация рассчитана на TensorFlow, Torch и JAX через Keras 3. Карточка не указывает размер входного изображения или языковые возможности. Лицензия — Apache-2.0.

ResNetV2-101x3 BiT — модель классификации изображений из библиотеки timm, основанная на предактивационной ResNet и подходе Big Transfer. Её авторы предварительно обучили на ImageNet-21k, а затем дообучили на ImageNet-1k. Модель содержит около 387,9 млн параметров и рассчитана на изображения размером 448 × 448 пикселей. Архитектура использует Group Normalization и Weight Standardization вместо Batch Normalization. Модель предназначена для классификации изображений, а также может служить визуальным backbone для извлечения признаковых карт и эмбеддингов. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Высокая вычислительная стоимость и обучение на ImageNet ограничивают её применимость задачами, существенно отличающимися от классификации изображений общего назначения.

ResNetV2-152x2 BiT — сверточная модель классификации изображений из библиотеки timm. Авторы статьи предварительно обучили её на ImageNet-21k, а затем дообучили на ImageNet-1k. Модель содержит около 236,3 млн параметров; стандартный размер входного изображения — 224 × 224 пикселя. В архитектуре используются Group Normalization и Weight Standardization вместо Batch Normalization. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она обучена на наборах ImageNet-21k и ImageNet-1k и выдаёт классы объектов ImageNet. Репозиторий содержит веса PyTorch и SafeTensors; для применения доступна через timm. Лицензия — Apache-2.0.

Sanskrit-qwen-7B-Translate-v2 — дообученная с помощью LoRA модель на базе Qwen/Qwen2.5-7B-Instruct, разработанная для перевода и транслитерации санскритских текстов. Она преобразует текст на санскрите в письме деванагари в латиницу IAST, переводит с санскрита на английский и с английского на санскрит. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель рассчитана на учебную и исследовательскую работу с классическими санскритскими текстами, подготовку двуязычных материалов и оцифровку рукописей. В карточке отмечены чатовый формат, адаптированный датасет и оптимизация LoRA; лицензия — Apache-2.0. Качество зависит от сложности текста, а результаты перевода важных фрагментов следует проверять. Карточка характеризует модель как экспериментальную и предупреждает о возможных смещениях в данных и специализации преимущественно на классическом санскрите.