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

Sequencer2d_s.in1k — модель классификации изображений и извлечения визуальных признаков из семейства Sequencer, разработанная авторами статьи «Sequencer: Deep LSTM for Image Classification» и обученная на ImageNet-1k. Архитектура использует LSTM для обработки изображения; модель содержит 27,7 млн параметров и рассчитана на вход размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Репозиторий предоставляет веса PyTorch и SafeTensors для библиотеки timm. Лицензия — Apache-2.0.

Swin-Base — модель компьютерного зрения, разработанная Qualcomm на основе реализации Swin-Base из torchvision. Она предназначена для классификации изображений из датасета ImageNet, а также может использоваться как backbone при создании более сложных решений для специализированных задач. Модель оптимизирована для устройств Qualcomm и поддерживает развертывание через ONNX, QNN_DLC и TFLite с использованием Qualcomm AI Hub Models. Модель принимает изображения с разрешением 224×224 и содержит 88,8 млн параметров. Размер контрольной точки составляет около 339 МБ в формате float и 90,2 МБ в варианте w8a16. Это одномодальная модель для работы с изображениями; сведения о поддерживаемых естественных языках и текстовых входах отсутствуют. Предэкспортированные версии рассчитаны на выполнение преимущественно на NPU различных платформ Snapdragon и Qualcomm Dragonwing, а также допускают экспорт с пользовательскими весами, формами входов и конфигурациями целевого устройства. К сильным сторонам относятся адаптация к экосистеме Qualcomm, наличие оптимизированных форматов и вариантов точности, а также возможность использования как готового классификатора или базовой модели. Ограничения включают специализацию на задачах анализа изображений и зависимость производительности от конкретного устройства, runtime и точности; универсальность для других типов данных README не подтверждает. Модель распространяется по лицензии BSD 3-Clause.

tinynet_a.in1k — компактная модель компьютерного зрения семейства TinyNet, представленная авторами статьи «Model Rubik’s Cube: Twisting Resolution, Depth and Width for TinyNets» и обученная на ImageNet-1k. Она предназначена для классификации изображений, а также может использоваться как сверточная основа для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 6,2 млн параметров, требует примерно 0,3 GMAC на проход и рассчитана на входные изображения размером 192 × 192 пикселя. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы используется библиотека timm. Компактный размер и низкая вычислительная стоимость подходят для классификации изображений при ограниченных ресурсах. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; для специализированных категорий может потребоваться адаптация. Лицензия репозитория — Apache-2.0.

TinyViT 21M 224 — модель классификации изображений и извлечения визуальных признаков из семейства TinyViT. Её обучили авторы статьи на ImageNet-1k. Модель содержит 21,2 млн параметров, рассчитана на изображения размером 224 × 224 пикселя и выполняет около 4,1 GMACs вычислений на изображение. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Компактный размер делает её подходящей для сценариев, где важны скорость и ограниченные вычислительные ресурсы. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; использовать их можно по лицензии Apache-2.0.

timm/tnt_b_patch16_224.in1k — модель классификации изображений семейства TnT (Transformer in Transformer), опубликованная в экосистеме timm и предварительно обученная на ImageNet-1k. Она принимает изображения размером 224 × 224 и предназначена для отнесения объектов к классам ImageNet, а также может служить визуальным backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 65,4 млн параметров и требует 14,1 GMACs на проход. В репозитории доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не описывает дополнительные языковые или мультимодальные возможности.

WindyTranslate/translate-ase-en — модель машинного перевода, опубликованная Windstorm Labs и основанная на Helsinki-NLP/opus-mt-ase-en. Это дообученная MarianMT-модель с 37,9 млн параметров, принимающая текст на языке ase и переводящая его на английский. Контекст модели — 512 токенов. Разработчики объединили с базовыми весами LoRA-дообучение на параллельном корпусе; в репозитории указано изменение 36 из 254 тензоров. Модель предназначена для перевода в направлении ase → en и загружается через Transformers из safetensors. Лицензия — Apache-2.0. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность результата для конкретных задач не подтверждена. Модель поддерживает только одно направление перевода.

VisionGuardrail-9B-GGUF — это мультимодальная модель-классификатор для визуальной безопасности и модерации контента, разработанная на базе prithivMLmods/VisionGuardrail-9B. Квантованные файлы GGUF подготовлены mradermacher. Модель предназначена для анализа изображений и, вероятно, связанного с ними текстового ввода в сценариях фильтрации и обеспечения безопасности мультимодального контента; в README также указаны поддержка JSON и интеграция с Transformers и text-generation-inference. Модель имеет размер 9B параметров в исходной версии, поддерживает английский язык и мультимодальный ввод. Для обработки изображений требуется дополнительный мультимодальный модуль mmproj, доступный в вариантах Q8_0 и f16. Опубликованы версии с разными уровнями квантования GGUF: от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 3,9 до 18 ГБ без учёта или с учётом соответствующего мультимодального дополнения. В README рекомендуются варианты Q4_K_S и Q4_K_M как быстрые, а Q8_0 отмечен как вариант с лучшим качеством. Сильными сторонами являются мультимодальность, ориентация на content safety и возможность локального запуска в различных форматах квантования. Ограничения включают отсутствие подробных сведений о конкретных категориях модерации, метриках качества, максимальной длине контекста, архитектуре и поддерживаемых языках помимо английского; weighted/imatrix-квантизации на момент публикации не указаны. Модель распространяется по лицензии Apache-2.0.

timm/vit_base_patch16_224.mae — модель извлечения признаков изображений на основе Vision Transformer (ViT), предоставленная в библиотеке timm. Она предварительно обучена на ImageNet-1k методом masked autoencoder (MAE) и подходит как визуальная основа для классификации изображений и получения их эмбеддингов. Модель содержит около 85,8 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель принимает изображения и выдаёт признаки для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Google ViT-Large Patch32-224-in21k — визуальный Transformer-энкодер, предварительно обученный на ImageNet-21k с учителем. Модель имеет около 402,7 млн параметров и обрабатывает изображения разрешением 224×224 пикселя, разбивая их на патчи 32×32 и передавая последовательность патчей энкодеру Transformer. Веса были конвертированы из репозитория timm; доступны варианты PyTorch, TensorFlow и Flax. Модель предназначена для извлечения признаков изображений и использования в качестве основы для классификаторов и других задач компьютерного зрения. Представление токена CLS можно использовать как векторное описание изображения, а предварительно обученный pooler — для последующих задач. Специализированной головы классификации в этой версии нет. Лицензия — Apache-2.0.

Это модель Vision Transformer для классификации изображений и использования в качестве визуального backbone. Она разработана в экосистеме timm и обучена на ImageNet-1k по рецепту обучения timm. Архитектура использует патчи 16×16, регистровые токены и глобальное усреднение; модель содержит около 38,9 млн параметров и рассчитана на изображения размером 256×256 пикселей. Модель подходит для присвоения изображению класса из набора ImageNet-1k, извлечения признаковых карт и получения эмбеддингов изображений. В карточке приведены результаты сравнения близких вариантов ViT, но отдельные показатели точности именно этой модели не установлены в предоставленных данных. Репозиторий распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

facebook/vit-msn-small — компактный энкодер Vision Transformer, разработанный командой MSN и предварительно обученный методом Masked Siamese Networks. Модель обрабатывает изображение как последовательность патчей и формирует внутренние признаки изображения; в метаданных указано 28,3 млн параметров. Модель предназначена для извлечения визуальных признаков и последующего использования в задачах компьютерного зрения. Например, к энкодеру можно добавить линейный классификатор и обучить его на размеченных изображениях. Предобучение особенно полезно, когда доступно мало размеченных примеров. Модель принимает изображения и выдаёт векторные представления; README также указывает ImageNet-1k среди связанных датасетов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка описывает её как основу для downstream-задач, а не как готовый классификатор; качество зависит от выбранной задачи и последующего обучения.

Это компактная модель Vision Transformer (ViT) для классификации изображений и извлечения признаковых представлений. Её обучили авторы исследований о масштабировании и регуляризации ViT на ImageNet-21k с дополнительной аугментацией и регуляризацией; затем Ross Wightman перенёс веса в PyTorch для библиотеки timm. Модель содержит около 9,7 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для присвоения изображениям классов ImageNet-21k и получения признаковых представлений, которые можно использовать в компьютерном зрении. Архитектура разбивает изображение на патчи 16 × 16 и обрабатывает их трансформером. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Модель предназначена для изображений и не обрабатывает текстовые запросы как мультимодальная система. Её качество и область распознавания связаны с обучением на ImageNet-21k; описание не приводит результатов для других наборов данных или прикладных областей.

Harmansingh24k разработала voiceshield-room-calibrated — модель Wav2Vec2 с 113,3 млн параметров для классификации аудиозаписей. Это дообученная версия Harmansingh24k/voiceshield-replay-robust, предназначенная для обнаружения аудиодипфейков с учётом акустики помещения. Модель принимает аудио и выдаёт метку класса. В карточке указаны точность 1,0 и loss 0,025 на оценочном наборе, однако состав данных и условия оценки не описаны. Модель распространяется в формате safetensors по лицензии MIT.

XCiT Large 24 P16 384 fb dist — модель классификации изображений на архитектуре Cross-Covariance Image Transformer (XCiT), представленная в библиотеке timm. Она предварительно обучена авторами статьи на ImageNet-1k с дистилляцией и может использоваться как классификатор или визуальный backbone для извлечения признаков и эмбеддингов изображений. Модель рассчитана на изображения размером 384 × 384; содержит около 189,1 млн параметров и требует значительных вычислительных ресурсов. Подходит для классификации объектов на изображениях и получения визуальных признаков для последующих задач компьютерного зрения. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия Apache-2.0.

XCiT Nano 12 P16 224 — компактная модель классификации изображений семейства Cross-Covariance Image Transformer, опубликованная авторами статьи XCiT и доступная в библиотеке timm. Модель обучена на ImageNet-1k с дистилляцией; в ней около 3,1 млн параметров, а ожидаемый размер входного изображения — 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для получения признаков и эмбеддингов. Компактный размер и вычислительная стоимость около 0,6 GMAC делают её подходящей для задач компьютерного зрения с ограниченными ресурсами. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0.

XLM-RoBERTa Toxicity Classifier — модель Oleksii Zirka, дообученная на FacebookAI/xlm-roberta-base для многометочной классификации токсичности текста. Она относит текст к категориям токсичности, сильной токсичности, непристойности, угроз, оскорблений и ненависти к идентичности, а также выделяет нетоксичные сообщения. Модель предназначена для предварительной проверки пользовательских комментариев и поддержки систем модерации. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров, принимает текст и выдаёт метки классов. Контекст составляет до 514 токенов; модель обучалась на наборе Jigsaw Toxic Comment Classification и рассчитана прежде всего на английский язык, хотя базовая архитектура многоязычная. Распространяется по лицензии Apache-2.0.

YanoljaNEXT-Rosetta-4B-2510-GGUF — языковая модель, разработанная Yanolja NEXT на основе google/gemma-3-4b-pt. Это дообученная decoder-only модель с примерно 4 млрд параметров; для генерации текста используется компонент Gemma3ForCausalLM. Модель распространяется в формате GGUF для запуска через llama.cpp, включая полноточную BF16-версию и различные варианты квантования. Модель предназначена прежде всего для перевода структурированных данных в формате JSON с сохранением исходной структуры и ключей. Она подходит для локализации каталогов товаров, перевода отзывов об отелях и обработки другого структурированного контента. Обучение проводилось на синтетических многоязычных данных, созданных на основе FineWeb Edu и FineWeb2. Заявлена поддержка арабского, болгарского, китайского, чешского, датского, нидерландского, английского, финского, французского, немецкого, греческого, гуджарати, иврита, хинди, венгерского, индонезийского, итальянского, японского, корейского, персидского, польского, португальского, румынского, русского, словацкого, испанского, шведского, тагальского, тайского, турецкого, украинского и вьетнамского языков. Сильными сторонами являются компактный размер, доступность квантованных вариантов и конкурентное качество перевода: в приведённом тесте WMT24++ для перевода с английского на корейский модель получила CHrF++ 35,09. Модель оптимизирована для JSON, поэтому качество на неструктурированном тексте и других форматах может отличаться; заявленная информация о некоторых ограничениях в README обрывается. Для запуска требуется актуальная версия llama.cpp с поддержкой Gemma 3. Лицензия указана как gemma.

YOLO26-X-pose — вариант семейства YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек. Модель принимает изображения размером 640 пикселей и выдаёт координаты ключевых точек. В карточке приведены метрики pose mAP: 71,6 для диапазона IoU 0,50–0,95 и 91,6 при IoU 0,50. Архитектура работает в сквозном режиме без этапа подавления немаксимумов (NMS), что упрощает обработку предсказаний и развёртывание. Для оценки позы используются Residual Log-Likelihood Estimation и оптимизированное декодирование; в README также заявлены ускорение CPU-инференса до 43% и пригодность для маломощных и периферийных устройств. Модель распространяется в формате PyTorch под лицензией AGPL-3.0.

Модель abhilash88/age-gender-prediction — модель компьютерного зрения на базе Vision Transformer ViT-Base, предназначенная для одновременной оценки возраста и классификации пола по изображению лица. Она принимает цветные изображения RGB размером 224×224 и использует две выходные ветви: регрессионную для возраста и классификационную для пола. Модель обучена на датасете UTKFace; в README заявлены средняя абсолютная ошибка оценки возраста 4,5 года и точность классификации пола 94,3% на этом датасете. Модель подходит для анализа демографических характеристик изображений, исследовательских задач и обработки отдельных изображений или пакетов изображений. Наилучшие результаты заявлены для взрослых 16–60 лет при хорошем освещении и фронтальном положении лица. Для использования предусмотрена лицензия Apache-2.0. Точность ниже для детей, особенно в возрасте 0–12 лет, а также может снижаться для очень пожилых людей, изображений с плохим освещением, сильным поворотом лица или окклюзиями. README предупреждает, что стандартный Transformers pipeline может возвращать метки LABEL_0/LABEL_1 вместо ожидаемых значений; для получения возраста и пола предлагается использовать вспомогательную функцию автора.

AWGS Vision v0.2 — экспериментальная мультимодальная модель ArkAiLabs для классификации изображений по категориям безопасности. Она дообучена на Gemma 4 E2B и принимает изображение вместе с текстовой инструкцией, после чего формирует текстовый ответ с классификацией и оценками для поддерживаемых категорий, например безопасного, suggestive, откровенного или насильственного контента. Модель предназначена для экспериментов с классификацией изображений, прототипами модерации и мультимодальными конвейерами безопасности. В README указано 98% точности на внутреннем регрессионном наборе из 100 изображений; это результат сравнения версий, а не оценка качества на реальных данных. Базовая Gemma 4 E2B имеет около 2,3 млрд эффективных параметров и контекст 128K токенов; это характеристики базовой модели. Модель распространяется по лицензии Apache-2.0.

BAT-ResNeXt26ts.ch_in1k — модель классификации изображений из библиотеки timm, разработанная Россом Уайтманом и обученная на ImageNet-1k. Архитектура ResNeXt использует Grouped Bilinear Attention Transforms, трёхслойный stem и активации SiLU; модель построена на гибкой реализации BYOBNet в timm. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. В ней около 10,7 млн параметров, вычислительная сложность — 2,5 GMACs; указанный размер входного изображения — 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

IslamQA/bge-m3-finetuned — многоязычная модель эмбеддингов, дообученная для поиска фрагментов, отвечающих на вопросы об исламе. Она основана на BAAI/bge-m3 с архитектурой XLM-RoBERTa и содержит 658,7 млн параметров. Модель обучалась на 180 тысячах многоязычных вопросов и ответов об исламе с использованием подбора сложных негативных примеров; в данных встречаются цитаты из Корана и хадисов, а также характерные вступления и стили письма. Модель предназначена для преобразования запросов и текстовых фрагментов в эмбеддинги, чтобы находить релевантные ответы в многоязычных исламских материалах. Она поддерживает контекст до 8194 токенов и может использоваться в семантическом поиске и системах вопросов и ответов по исламским текстам. Доступны веса в формате safetensors; библиотека — Transformers. Лицензия в предоставленных данных не указана.

Модель buddhist-nlp/buddhist-sentence-similarity — модель для получения векторных представлений предложений, разработанная на основе LaBSE. Она предназначена для оценки сходства предложений при поиске информации и для выравнивания параллельных текстов. Модель поддерживает тибетский, буддийский китайский, санскрит в транслитерации IAST и пали в транслитерации IAST. Архитектура — BERT; размер составляет 498,1 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления. Распространяется в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

caformer_m36.sail_in22k_ft_in1k_384 — модель классификации изображений и извлечения признаков семейства CAFormer, разработанная авторами работы MetaFormer baselines for vision. Она предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит 56,2 млн параметров и рассчитана на изображения размером 384 × 384 пикселя. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Её можно использовать как основу для компьютерного зрения и обработки изображений в приложениях на базе PyTorch и библиотеки timm. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Описание не приводит ограничений по применению; качество на задачах и наборах данных, отличных от ImageNet, отдельно не охарактеризовано.

Карточка модели manelalab/chrono-bert-v1-20091231 на Hugging Face совпадает с карточкой manelalab/chrono-bert-v1-20041231, поэтому описание составлено по ней. ChronoBERT v1 20041231 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом хронологии. Она основана на двунаправленной архитектуре ModernBERT, содержит 149 млн параметров и принимает контекст до 8192 токенов. Модель обучена на датированных текстовых данных, чтобы снизить риск утечки будущей информации и смещения заглядывания вперёд при историческом анализе. Модель предназначена для предсказания замаскированных токенов и получения представлений текста, а также для задач понимания языка и анализа исторических и финансовых текстов. Семейство ChronoBERT оценивалось на GLUE и на прогнозировании доходности акций; приведённые результаты относятся к указанным в карточке версиям, а не обязательно к этой конкретной контрольной точке. Доступны веса в формате safetensors для Transformers. Лицензия — MIT.

Это сверточная модель ConvNeXt Femto для классификации изображений, обученная Россом Уайтманом с помощью библиотеки timm на ImageNet-1k. Она также может служить основой для извлечения признаковых карт и получения эмбеддингов изображений. Модель содержит около 5,2 млн параметров и выполняет примерно 0,8 GMAC на изображение. Размер изображения при обучении составлял 224 × 224 пикселя, при тестировании — 288 × 288. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель подходит для классификации изображений по категориям ImageNet-1k и как компактный визуальный backbone в прикладных системах компьютерного зрения. Карточка не приводит известных ограничений качества или перечня поддерживаемых языков; модель принимает изображения и выдаёт классы либо визуальные признаки.

ConvNext-Tiny — модель компьютерного зрения, разработанная Qualcomm и основанная на реализации ConvNeXt-Tiny из torchvision. Она предназначена прежде всего для классификации изображений из набора данных ImageNet, а также может использоваться как backbone для более сложных специализированных моделей. Модель принимает изображения с разрешением 224×224 пикселя и работает с визуальной модальностью. Модель содержит около 28,6 млн параметров; размер версии с плавающей точностью составляет примерно 109 МБ, а варианта w8a16 — 28,9 МБ. Репозиторий включает предварительно экспортированные варианты ONNX, QNN_DLC и TFLITE с различной точностью, оптимизированные для устройств Qualcomm и выполнения на NPU. Также поддерживается экспорт с пользовательскими весами, формами входных данных, целевым устройством и конфигурацией runtime через библиотеку Qualcomm AI Hub Models. Сильными сторонами модели являются компактный размер, возможность квантованных вариантов и оптимизация для широкого спектра мобильных и периферийных чипсетов Qualcomm, включая Snapdragon и Dragonwing. Скорость и потребление памяти зависят от конкретного устройства, runtime и точности. Модель ориентирована на задачи классификации изображений и не предназначена для текста, аудио или мультимодальных сценариев без дополнительной адаптации. Лицензия — BSD 3-Clause.

timm/convnextv2_nano.fcmae_ft_in1k — сверточная модель ConvNeXt-V2 Nano для классификации изображений и извлечения признаков. Она предварительно обучена методом FCMAE и дообучена на ImageNet-1k; модель содержит 15,6 млн параметров. Для обучения указано разрешение 224×224 пикселя, для тестирования — 288×288. Модель подходит для классификации изображений по категориям ImageNet-1k, получения карт признаков и эмбеддингов изображений. Её можно применять как компактную визуальную основу для приложений компьютерного зрения. В метаданных указана библиотека timm, а веса доступны в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое использование. Модель обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных; результаты для иных предметных областей могут быть ограничены.

zeromodels публикует конверсию DeiT-III Huge для классификации изображений и извлечения визуальных признаков. Модель основана на timm/deit3_huge_patch14_224.fb_in1k и представлена в формате Keras 3; реализация работает с TensorFlow, PyTorch и JAX. Это крупный вариант Vision Transformer с патчами 14×14 и входным разрешением 224×224, обученный для классификации ImageNet-1k. Интерфейс DeiTImageClassify выдаёт оценки классов, а DeiTModel позволяет использовать модель как визуальный экстрактор признаков. Модель подходит для классификации изображений и как backbone в компьютерном зрении. Лицензия — Apache-2.0. Она предназначена для изображений, а не для текстовых или иных модальностей; качество на данных, отличающихся от ImageNet-1k, зависит от последующей адаптации.

DeiT-III Small Patch16 384 — модель классификации изображений семейства Vision Transformer, опубликованная авторами статьи и обученная на ImageNet-1k. Она принимает изображения размером 384 × 384 пикселя и предсказывает класс изображения; также её можно использовать как визуальный backbone для получения признаковых представлений. В модели 22,2 млн параметров, вычислительная сложность составляет 15,5 GMACs. Модель подходит для классификации изображений из набора ImageNet-1k и извлечения визуальных признаков в системах компьютерного зрения. Репозиторий предоставляет веса в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия Apache-2.0 допускает широкое использование и распространение с соблюдением её условий.