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

AFZAL0008/dinoV2_Best — модель классификации изображений, дообученная автором на базе facebook/dinov2-base. В основе лежит визуальный трансформер DINOv2; модель содержит 113,2 млн параметров и сохранена в формате safetensors. Модель предназначена для отнесения изображений к классам. В README указано, что она обучалась на наборе imagefolder; на тестовой выборке приведено значение Loss 0,1138. Сведения о классах, целевой области применения и точных характеристиках изображений отсутствуют, поэтому применимость к конкретным сценариям по карточке оценить нельзя. Лицензия репозитория — Apache-2.0. README не приводит дополнительных рекомендаций по использованию или ограничений.

EditReward — мультимодальная модель TIGER-Lab для оценки результатов редактирования изображений по текстовой инструкции. Она сравнивает соответствие изображения запросу и человеческим предпочтениям, чтобы ранжировать варианты редактирования и оценивать качество систем, выполняющих такие правки. Модель основана на Qwen2.5-VL-7B-Instruct и дообучена на наборе EditReward-Data, содержащем более 200 тысяч вручную размеченных пар предпочтений. Модель использует архитектуру Qwen2.5-VL с 7,1 млрд параметров, принимает изображения и текст и выдаёт текстовую оценку или предпочтение. В метаданных указаны контекст до 128 000 токенов; поддерживаемый язык карточки — английский. README сообщает о высокой согласованности с человеческими оценками на нескольких бенчмарках для редактирования изображений. Лицензия — Apache-2.0.

esevovnet19bdw.ra_in1k — модель классификации изображений на архитектуре VoVNet-v2, опубликованная Ross Wightman в библиотеке timm. Она обучена на ImageNet-1k с рецептом RandAugment RA и подходит для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит около 6,5 млн параметров и требует 1,3 GMACs на проход. В карточке указаны размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0. Модель предназначена для визуальных задач общего назначения и может служить компактной базовой сетью для дальнейших компьютерно-зрительных систем. Карточка описывает обучение на ImageNet-1k; специализация на других наборах данных или конкретных прикладных областях не заявлена.

gipformer-65M-rnnt — модель распознавания вьетнамской речи, разработанная G-Group AI Lab. Она использует архитектуру Zipformer Transducer и предназначена для преобразования аудио в текст, в том числе для записей телефонных разговоров с шумом и различными региональными акцентами. Модель рассчитана на локальный запуск на мобильных и встраиваемых устройствах, что позволяет обрабатывать чувствительные аудиозаписи без облачной передачи. В README заявлены результаты на 12 тестовых наборах для телефонной, медицинской, вещательной и читанной речи; приведённая таблица содержит не все результаты, поэтому эти заявления нельзя независимо оценить по карточке. Репозиторий содержит модель в формате ONNX для запуска через ONNX Runtime. Лицензия — MIT. Карточка не сообщает размер модели в параметрах или длину поддерживаемого аудио.

HGNet-V2 B5 — сверточная модель классификации изображений и визуальная backbone-сеть семейства High Performance GPU Net. Авторы обучили её на очищенных данных ImageNet-22k и ImageNet-1k с применением дистилляции SSLD. Модель содержит 39,6 млн параметров; для оценки используется размер изображения 288 × 288 пикселей, для обучения — 224 × 224. Репозиторий предоставляет веса в форматах PyTorch и safetensors и поддерживает библиотеку timm. Модель предназначена для классификации изображений по классам ImageNet, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении. Лицензия — Apache-2.0.

Japanese Financial SentiCSE — модель эмбеддингов предложений для японских финансовых текстов, основанная на японской RoBERTa и разработанная с применением метода SentiCSE (Kim et al., COLING 2024). Модель дообучена на японских финансовых новостях из набора Economy Watchers Survey с помощью контрастивного обучения, учитывающего тональность. Архитектура — RoBERTa с 137,8 млн параметров; длина контекста составляет 514 токенов. Модель предназначена для получения представлений предложений и сравнения их семантической близости с учётом тональности финансового текста. Её можно применять для поиска похожих новостных фрагментов и анализа сходства финансовых высказываний. В карточке приведены результаты оценки тональности: macro-F1 0,7466 на валидации и 0,7366 на тесте. Доступен формат PyTorch; лицензия в предоставленных данных не указана.

JEV-27B-VL — мультимодальная модель на основе плотной архитектуры Qwen3.8-27B, опубликованная AutoTrust и дообученная на корпусе решений JEV. Она сочетает обученную на тексте систему принятия решений с базовой моделью Qwen для рассуждений; принимает текст и изображения, а ответы формирует в текстовом виде. В README описаны применение для ранжирования рекомендаций и поисковой выдачи, оценки ответов и траекторий агентов, а также решения вопросов о пространстве и действиях по изображениям. Для подачи изображений в System 1 обучение не включало визуальные данные, поэтому такой режим работает без специального обучения и требует осторожной оценки калибровки. Модель ориентирована на диалоговое использование и интерфейс решений с вероятностями; в README приведены результаты тестов ERQA и рекомендации коротких видео. Для запуска автор предлагает vLLM и одну видеокарту с 80 ГБ памяти или больше. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия Apache-2.0.

Mask2Former — модель компьютерного зрения от команды Meta, представленная в работе Masked-attention Mask Transformer for Universal Image Segmentation. Этот чекпойнт базового размера использует backbone Swin и обучен на ADE20K для семантической сегментации изображений. Архитектура предсказывает набор масок и соответствующих им меток; Mask2Former применяет общий подход к сегментации объектов, семантической и паноптической сегментации. Модель предназначена для выделения и классификации областей изображения, в том числе для паноптической сегментации. В архитектуре используются многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия указана как other, без уточнения условий в предоставленных данных.

MViTv2 Tiny — модель компьютерного зрения семейства многомасштабных Vision Transformer, опубликованная авторами статьи и представленная в библиотеке timm. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений, а также может использоваться как визуальный backbone для извлечения признаков. Модель содержит около 24,2 млн параметров, выполняет около 4,7 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель принимает изображения и выдаёт классы ImageNet либо визуальные признаки, пригодные для дальнейшей обработки. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества и подробных ограничений применения; характеристики классификации относятся к ImageNet-1k.

NADI2024-baseline — модель на основе BERT, дообученная AMR-KELEG для определения арабского диалекта в тексте. Она предназначена для классификации арабских высказываний по диалектам; при обучении использованы наборы NADI2020, NADI2021, NADI2023 и MADAR 2018. Хотя модель описана как одно-меточная, логиты применяются для формирования многометочных предсказаний. Модель дообучена на базе MarBERTv2, имеет 190 млн параметров и контекст до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

NASNet-A Large — сверточная модель классификации изображений из библиотеки timm. Её обучили авторы статьи на ImageNet-1k, а затем перенесли из TensorFlow в PyTorch через pretrained-models.pytorch от Cadene. Модель также подходит для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 88,8 млн параметров, имеет вычислительную сложность 23,9 GMAC и рассчитана на входные изображения размером 331 × 331 пиксель. Основной сценарий применения — отнесение изображения к классам ImageNet-1k; также её можно использовать как визуальный backbone в других системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

Это дообученная языковая модель adittamavincent для генерации текста на базе unsloth/Qwen2.5-1.5B-bnb-4bit. При обучении использовались Unsloth и библиотека Hugging Face TRL. Метаданные указывают архитектуру Qwen2 dense с классом Qwen2ForCausalLM, размер 1,5 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Название репозитория предполагает назначение помощника для юридического RAG, но карточка не описывает конкретные сценарии применения и не подтверждает наличие поиска по документам. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0.

PoolFormer S36 — модель классификации изображений и извлечения визуальных признаков из семейства MetaFormer, представленная авторами статьи «MetaFormer Is Actually What You Need for Vision» и доступная в библиотеке timm. Она обучена на ImageNet-1k и содержит около 30,9 млн параметров; для классификации рассчитана на изображения размером 224 × 224 пикселя. Модель может присваивать изображениям классы, извлекать карты признаков и формировать эмбеддинги изображений. Модель подходит для классификации изображений общего назначения и как визуальная основа для последующей обработки признаков. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает поддержку других наборов данных или сценариев вне задач компьютерного зрения.

PVT-v2 B4 — модель компьютерного зрения семейства Pyramid Vision Transformer, обученная авторами статьи для классификации изображений на ImageNet-1k. Она также подходит как базовая сеть для извлечения признаков и карт признаков, а также получения векторных представлений изображений. Модель содержит 62,6 млн параметров, имеет вычислительную сложность 10,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Репозиторий предоставляет веса в форматах PyTorch и SafeTensors; модель предназначена для использования с библиотекой timm. Модель распознаёт объекты по изображениям общего назначения и может служить визуальным backbone в последующих задачах компьютерного зрения. Она обучена на ImageNet-1k, поэтому её классы и качество не обязательно соответствуют специализированным предметным областям. Лицензия — Apache-2.0.

PyraFuse — модель семантической сегментации изображений на основе энкодеров DINOv3, предназначенная для выделения фона, ткани и кожи. Автор модели — jamal-one; в карточке указано, что связанная с ней статья принята на AIMLSystems 2026. Доступны варианты с энкодерами DINOv3 ViT-S/16, ViT-S+/16 и ViT-B/16. Модель принимает RGB-изображение размером 448×448 и выдаёт попиксельные оценки для трёх классов: фон, ткань и кожа. Предусмотрены мобильные и периферийные сборки ExecuTorch для CPU, Core ML и Vulkan; для TensorRT движок требуется собрать на целевой системе. README приводит результат mIoU 0,907 для варианта small на первых 200 изображениях отложенной тестовой выборки при 448 пикселях. Модель подходит для анализа одежды и видимых участков кожи на изображениях, в том числе на мобильных устройствах. Точность может зависеть от качества изображения, освещения, перекрытий, вида одежды и представленности данных. Это инструмент для исследований и инженерных задач, не для медицинских или биометрических решений. Обучающие метки объединяют Fashionpedia и visuAAL; исходные данные не распространяются вместе с моделью, поэтому необходимо соблюдать условия их наборов. Лицензия указана как other без уточнения условий в предоставленных данных.

Qwen3-8B Q8_0 full v2 GGUF — это квантизированная версия базовой языковой модели Qwen3-8B, разработанной командой Qwen. Артефакт распространяется репозиторием luckypoolio как неизменяемая публичная копия файла, используемого движком lpminer TensorCash. Модель предназначена прежде всего для задач генерации текста и работы в сценариях TensorCash, включая использование в нативном движке lpminer. Известно, что она основана на Qwen/Qwen3-8B и сохранена в формате GGUF с квантизацией Q8_0. Размер файла составляет около 8,7 ГБ. Сведения об архитектуре, размере контекста, поддерживаемых языках и модальностях в README не приведены; по имеющимся данным, это текстовая модель. К сильным сторонам относятся точная идентификация артефакта, контроль целостности по размеру и SHA-256, а также совместимость с указанным сценарием TensorCash. Ограничения связаны с узкой подтверждённой областью применения и отсутствием подробных характеристик качества, контекста и языковой поддержки. Модель распространяется на условиях лицензии Apache-2.0.

RegNetX-8GF — свёрточная модель классификации изображений из семейства RegNetX, опубликованная авторами статьи Designing Network Design Spaces и доступная в реализации timm. Модель предварительно обучена на ImageNet-1k; в карточке указано 39,6 млн параметров, 8,0 GMAC и рекомендуемый размер изображения 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальную основу для извлечения карт признаков и эмбеддингов. Реализация timm поддерживает, среди прочего, stochastic depth, gradient checkpointing и настраиваемый output stride. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — MIT.

RegNetY 10B — крупная модель компьютерного зрения семейства RegNetY, опубликованная Facebook и обученная на одном миллиарде неотобранных изображений из Instagram. Она предназначена для извлечения признаков изображений и может использоваться как основа для классификации изображений; для специализированных задач подходят дообученные версии. Модель принимает изображения и выдаёт визуальные признаки. В репозитории представлены веса PyTorch. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или конкретные наборы оценки.

RepViT M1.0 distill 300e — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она разработана авторами статьи RepViT и обучена на ImageNet-1k с дистилляцией. Модель содержит 7,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 1,1 GMAC. Модель предназначена для определения класса объекта на изображении, извлечения карт признаков и получения визуальных эмбеддингов. Компактный размер делает её подходящей в качестве мобильного бэкбона в системах компьютерного зрения. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0.

ReXNet-130 — сверточная модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению класса из набора ImageNet и может использоваться как базовая сеть для извлечения признаковых карт и эмбеддингов изображений. Модель содержит около 7,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. В карточке приведены показатели вычислительных затрат: 0,7 GMACs и 9,7 млн активаций. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

RF-DETR Nano — модель для обнаружения объектов, разработанная Roboflow и подготовленная в формате GGUF для использования с rfdetr.cpp — C++/ggml-реализацией, предназначенной для работы на CPU и сопоставимой с исходной моделью на PyTorch. Модель рассчитана на обнаружение объектов на изображениях и возвращает ограничивающие рамки без других модальностей или задач. Архитектура включает backbone DINOv2-small, входное разрешение 384×384, размер patch 14, два decoder-слоя и 300 object queries. Доступны варианты F32, F16, Q8_0 и Q4_K. Рекомендуется F16: он занимает около 60,5 МБ, сохраняет точность F32 и обычно обеспечивает наименьшую задержку на современных CPU. Q8_0 примерно втрое компактнее F32 при практически идентичных результатах, а Q4_K — самый компактный вариант, но с заметным снижением Recall при строгом IoU 0,95. Модель подходит для локального и встраиваемого object detection на CPU, когда важны автономность, компактность и отсутствие зависимости от PyTorch. Ограничения включают проверку метрик всего на семи изображениях COCO val2017, отсутствие сведений о поддерживаемых языках и класcах объектов, а также снижение точности при использовании Q4_K. Распространяется по лицензии Apache-2.0.

Sapiens2-1B-Body-Part — модель Meta для попиксельной сегментации частей тела на изображениях. Это дообученная версия предобученной модели facebook/sapiens2-pretrain-1b: Vision Transformer с backbone Sapiens2 и головой семантической сегментации. Модель размечает 29 классов — 28 частей тела и фон; число параметров backbone составляет около 1,462 млрд. Модель предназначена для сегментации людей на изображениях и исследований в области компьютерного зрения с фокусом на человека. Для запуска требуется репозиторий Sapiens2 и файл весов в формате safetensors. Модель выпущена под лицензией Sapiens2 License; дополнительные условия следует сверять с текстом этой лицензии.

Sapiens-2B — предварительно обученная Meta модель компьютерного зрения на основе Vision Transformer. Она обучалась на 300 миллионах изображений людей с разрешением 1024 × 1024 и предназначена для извлечения признаков, дообучения и использования как основы для моделей задач, связанных с изображениями людей. Модель содержит около 2,163 млрд параметров, использует патчи 16 × 16 и поддерживает инференс с высоким разрешением 1024 × 1024. Модель может служить визуальным энкодером для последующих задач анализа изображений людей; README отмечает способность переносить знания на изображения из реальных условий даже при малом количестве размеченных данных или использовании синтетических данных. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Sequencer2d_l.in1k — модель классификации изображений из библиотеки timm, обученная авторами статьи Sequencer на ImageNet-1k. Она использует архитектуру Sequencer2d на основе LSTM и рассчитана на изображения размером 224 × 224 пикселя. Модель содержит около 54,3 млн параметров; её также можно использовать как основу для извлечения признаковых карт и эмбеддингов изображений. 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.

Shieldstral-1.0-3B-GGUF — это набор квантизированных весов в формате GGUF для компактного мультимодального классификатора безопасности Shieldstral-1.0-3B, разработанного Mistral AI. Репозиторий Abiray содержит варианты весов для запуска через llama.cpp на CPU и GPU, включая текстовые модели и отдельный проектор для обработки изображений. Модель предназначена для адаптивной модерации текста и изображений: вместо фиксированных категорий безопасности она оценивает контент по политике, сформулированной на естественном языке. Результат сводится к бинарному ответу «yes» или «no», при этом модель также формирует непрерывную оценку уверенности на основе вероятностей токенов. Она ориентирована на лёгкую работу в реальном времени на периферийных устройствах и обычном пользовательском оборудовании. Доступны квантизации от Q3_K_M до Q8_0; размер текстовых файлов составляет примерно от 1,80 до 3,65 ГБ. Рекомендуется Q4_K_M как компромисс между размером, скоростью и качеством. Для мультимодальной модерации необходим отдельный проектор mmproj в формате BF16 или F16 размером около 840–850 МБ; для изображений рекомендуется контекст 4096 токенов. README не указывает поддерживаемые языки и точную архитектуру базовой модели. Надёжность может различаться для языков и предметных областей, представленных в обучающих данных неравномерно. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование открытых весов.

SpatialThinker-3B — мультимодальная модель для пространственного анализа изображений, разработанная Хунаром Батрой и соавторами из Оксфордского университета и Калифорнийского университета в Санта-Крузе. Она дообучена методом GRPO на базе Qwen2.5-VL-3B-Instruct и использует пространственные награды, чтобы связывать объекты и отношения между ними со структурированным обоснованием ответа. Модель принимает изображения и текстовые вопросы, строит ориентированный на вопрос подграф сцены с объектами, рамками и пространственными отношениями, затем отвечает на естественном языке. Она предназначена для девяти типов задач: отношений, достижимости, размера, ориентации, местоположения объектов, глубины, расстояния, подсчёта и определения наличия объектов. В README заявлено превосходство над GPT-4o на тестах пространственного понимания при обучении на 7 587 примерах STVQA-7K. Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров и контекстом 128 000 токенов. Карточка указывает английский язык; модель распространяется в формате safetensors по лицензии Apache-2.0. Результаты на других задачах и языках README не описывает; заявленное сравнение с GPT-4o относится к пространственным бенчмаркам.

timm/swiftformer_l1.dist_in1k — модель классификации изображений на архитектуре SwiftFormer, обученная авторами статьи на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 12,1 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность 1,6 GMACs. SwiftFormer применяет эффективный механизм additive attention и предназначена для производительной компьютерного зрения, в том числе на мобильных устройствах. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

timm/swiftformer_s.dist_in1k — модель классификации изображений семейства SwiftFormer, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению класса из набора ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 6,1 млн параметров, требует около 1,0 GMAC на изображение и рассчитана на входной размер 224 × 224 пикселя. Реализация доступна для библиотеки timm; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не сообщает о поддержке других датасетов или языковых функций.

Swin Transformer V2 Small — модель компьютерного зрения семейства Vision Transformer, разработанная авторами Swin Transformer V2 и представленная в статье Liu et al. Она предварительно обучена на ImageNet-1k и предназначена для классификации изображений по 1000 классам этого набора данных; также может служить основой для плотных задач распознавания после соответствующей адаптации. Модель строит иерархические карты признаков, объединяя патчи на более глубоких уровнях, и выполняет внимание внутри локальных окон. Версия V2 использует residual post-norm с cosine attention, непрерывное смещение позиций для переноса на более высокие разрешения и метод самоконтролируемого предобучения SimMIM. Размер модели — около 33 млн параметров; предобучение выполнено на изображениях разрешением 256×256. Для практического применения модель принимает изображение и выдаёт метки классов ImageNet. Она подходит для базовой классификации и как визуальный backbone для дальнейшей настройки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Для задач, отличных от классификации, потребуется соответствующая донастройка или другая модельная голова.

tomh/toxigen_roberta — модель классификации текста, связанная с работой Томаса Хартвигсена, Саадии Габриэль, Хамида Паланги, Маартена Сапа, Дипанкара Рэя и Эсе Камар о наборе данных ToxiGen. Модель предназначена для выявления неявной речи ненависти и обучена для задачи adversarial и implicit hate speech detection. Это модель семейства RoBERTa с архитектурой RobertaForSequenceClassification, содержащая 454,1 млн параметров и принимающая текстовые последовательности длиной до 514 токенов. В метаданных указан английский язык и формат PyTorch. Модель может помогать при анализе текстов на предмет неявной ненависти, однако карточка не описывает её качество, пороги классификации или поведение на других языках. Для обучения и подробностей о наборе данных README отсылает к репозиторию GitHub. Лицензия в предоставленных данных не указана.