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

Turkish Safety — модель классификации текста для модерации контента, разработанная SiriusAI Tech Brain Team. Она дообучена на базе dbmdz/bert-base-turkish-uncased и предназначена для анализа турецких сообщений в социальных сетях, мессенджерах, игровых чатах и форумах. Модель использует BERT для последовательностной классификации и присваивает оценки по семи категориям: безопасный контент, груминг, сексуальный контент, оскорбления, травля, самоповреждение и угрозы. В карточке указаны 85 161 обучающий и тестовый пример, Macro F1 0,9165 и MCC 0,9045. Метаданные указывают 137,8 млн параметров и контекст до 512 токенов; приведённый пример кода ограничивает вход 128 токенами. Модель ориентирована на турецкий язык. Коммерческое использование требует Premium License от SiriusAI; бесплатное применение ограничено академическими исследованиями и обучением, одобренными некоммерческими организациями и оценкой сроком до 30 дней.

timm/twins_svt_small.in1k — модель классификации изображений из семейства Twins-SVT, обученная авторами статьи на ImageNet-1k. Её также можно использовать как визуальный backbone и для получения эмбеддингов изображений. Модель содержит 24,1 млн параметров, выполняет 2,9 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для отнесения изображений к классам ImageNet-1k и извлечения визуальных признаков; архитектура относится к пространственным Vision Transformer. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Карточка не приводит оценки точности и сведений о поддержке других наборов классов или разрешений, поэтому применимость к задачам вне ImageNet-1k требует проверки.

ViHateT5-base — предобученный текстовый трансформер семейства T5 для вьетнамского языка, разработанный для исследований и задач обнаружения языка ненависти. Чекпойнт содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и доступен в формате Flax; максимальная длина контекста — 512 токенов. Модель предназначена как основа для дообучения на прикладных задачах, особенно для обнаружения языка ненависти во вьетнамских текстах. В качестве предобучающего корпуса указан VOZ-HSD. Для классификации языка ненависти следует использовать дообученный на целевой задаче вариант ViHateT5-HSD либо дообучить этот чекпойнт самостоятельно. Карточка не сообщает лицензию. Примеры в статье и данных могут содержать токсичный и оскорбительный контент; перед использованием результатов в прикладной разметке потребуется оценить качество и ограничения на целевых данных.

vit_base_patch16_224.sam_in1k — модель компьютерного зрения семейства Vision Transformer (ViT), представленная в библиотеке timm. Она предназначена для классификации изображений и может использоваться как базовая сеть для извлечения признаков и эмбеддингов. Модель обучена на ImageNet-1k с применением Sharpness Aware Minimization (SAM). Архитектура использует патчи размером 16 × 16 и рассчитана на изображения 224 × 224 пикселя. В модели около 86,6 млн параметров; вычислительная сложность составляет 16,9 GMACs. Она поддерживает классификацию по ImageNet-1k и получение признаковых представлений изображений. Весы опубликованы в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает специальные ограничения, кроме специализации на изображениях указанного размера и классификации ImageNet-1k.

facebook/vit-msn-base — базовая модель Vision Transformer, предварительно обученная методом Masked Siamese Networks (MSN). MSN разработан Mahmoud Assran, Mathilde Caron и соавторами; веса модели впервые опубликованы в связанном репозитории. Архитектура ViT преобразует изображение в последовательность патчей и кодирует её трансформерным энкодером; модель содержит 113,2 млн параметров. Модель извлекает признаки изображений для последующих задач компьютерного зрения. Её можно использовать как основу классификатора, добавив обучаемый классификационный слой; предварительное обучение особенно полезно, когда для целевой задачи доступно мало размеченных изображений. Модель предназначена для изображений и не генерирует текстовые описания. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит конкретные ограничения по разрешению входа или числу классов; качество на целевой задаче зависит от последующего обучения и данных.

tiantiaf/wavlm-large-speech-flow — модель для классификации беглости речи, основанная на дообученной Microsoft WavLM Large. Она анализирует аудио окнами по 3 секунды с шагом 1 секунда и определяет, является ли речь беглой или небеглой. Для обнаруженных небеглых фрагментов предусмотрен дополнительный анализ типов нарушений беглости, однако их категории в доступном описании не перечислены. Модель предназначена для анализа речевых фрагментов и характеристики речи говорящего. В метаданных указан английский язык и аудиовход; выход представляет собой текстовые классы. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии OpenRAIL.

timm/xception71.tf_in1k — модель классификации изображений семейства Aligned Xception, обученная на ImageNet-1k в TensorFlow и перенесённая в PyTorch Россом Уайтманом. Она предназначена для распознавания объектов на изображениях и может использоваться как основа для извлечения признаковых карт и эмбеддингов изображений. Модель содержит 42,3 млн параметров, использует свёртки с разделением по глубине и рассчитана на изображения размером 299 × 299 пикселей. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Модель обучена для классификации ImageNet-1k. Карточка также описывает извлечение признаков и эмбеддингов, но не приводит конкретных метрик качества или гарантий работы на данных вне ImageNet-1k.

YOLO26-N-pose — вариант модели YOLO26 от Ultralytics для оценки позы человека и обнаружения ключевых точек. Модель принимает изображения размером 640 пикселей и предназначена для быстрого вывода на периферийных устройствах и устройствах с низким энергопотреблением. Архитектура работает сквозным образом и выдаёт предсказания без этапа подавления немаксимумов (NMS), что упрощает развёртывание и может снижать задержку. Для локализации ключевых точек используются Residual Log-Likelihood Estimation и оптимизированное декодирование; в описании также заявлены удаление DFL и ускорение CPU-инференса до 43%. Для обучения семейства применяется оптимизатор MuSGD. В README приведены показатели mAP pose: 57,2 для диапазона IoU 50–95 и 83,3 для IoU 50. Модель предназначена для прикладных сценариев компьютерного зрения, где нужно определять позу человека по изображению. Репозиторий содержит веса PyTorch, а для использования README рекомендует библиотеку Ultralytics. Лицензия — AGPL-3.0.

Ujjawal Kumar разработал BERT-классификатор, дообученный на базе bert-base-uncased для многометочной классификации токсичности текста. Он определяет токсичность, непристойность, оскорбления, угрозы и проявления ненависти к группам; одному фрагменту текста могут соответствовать сразу несколько меток. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает текст и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для предварительной модерации пользовательского контента, например сообщений в социальных сетях и чатах. Она поддерживает английский язык. В README лицензия не указана. Возможны ложные срабатывания и пропуски, а также смещения и слабое обобщение на диалекты; перед применением на конкретных данных требуется оценка качества, а решения следует проверять с участием человека.

Bhili TTS — модель синтеза речи, разработанная AI4Bharat и дообученная на базе ai4bharat/indic-parler-tts для диалекта Дехвали языка бхили, на котором говорит община бхилов в западной Индии. Модель принимает текст на бхили письмом деванагари и текстовое описание голоса, а на выходе создаёт речь с частотой 44,1 кГц. Описание голоса позволяет задавать пол, темп, высоту тона, выразительность и акустические условия записи. Модель обучена на 10 часах студийных записей речи; лицензия — MIT. Обучающие данные преимущественно относятся к сельскохозяйственной тематике, поэтому качество синтеза в других областях может отличаться. Поддержка диалекта и письма ограничивает применение модели текстами на Дехвали бхили в деванагари.

CaiT-XXS24-384.fb_dist_in1k — модель классификации изображений на базе архитектуры CaiT (Class-Attention in Image Transformers), опубликованная авторами timm. Она предварительно обучена на ImageNet-1k с дистилляцией и может применяться как классификатор изображений или как backbone для извлечения признаков. Модель содержит 12 млн параметров, обрабатывает изображения размером 384 × 384 и требует библиотеку timm; веса доступны в форматах PyTorch и safetensors под лицензией Apache-2.0. Модель предназначена для распознавания объектов и других классов ImageNet на изображениях, а также для получения визуальных признаков в прикладных системах компьютерного зрения. README не приводит измерений качества или подробностей о переносе на другие наборы классов; применение вне ImageNet-1k может потребовать дополнительной настройки.

ChronoBERT v1 2018-12-31 — англоязычная модель Songrun He, Linying Lv, Asaf Manela и Jimmy Wu для анализа текста с учётом временной последовательности. Она обучена сохранять хронологическую согласованность и снижать риск утечки будущей информации, что полезно для исторического анализа и экономического моделирования. Модель использует двунаправленный энкодер ModernBERT с 149 млн параметров и контекстом до 8192 токенов; основная задача — предсказание скрытого токена в тексте. В карточке также описано извлечение эмбеддингов. Серия ChronoBERT превосходит стандартный BERT по результатам GLUE согласно README; в нём также приводятся оценки финансового прогнозирования для других версий серии. Эти результаты не следует считать гарантией качества именно этой версии в конкретной задаче. Модель выпущена под лицензией MIT.

CoDE — модель aimagelab для извлечения признаков из изображений, связанная с исследованием Contrasting Deepfakes Diffusion via Contrastive Learning and Global-Local Similarities, представленным на ECCV 2024. Она предназначена для анализа изображений и получения признаковых представлений, применимых к обнаружению дипфейков. В метаданных указаны архитектура ViT, класс ViTModel, 7,1 млн параметров и формат safetensors. Модель опубликована под лицензией MIT.

ConvFormer-B36 — модель компьютерного зрения семейства MetaFormer из библиотеки timm, опубликованная авторами статьи Metaformer baselines for vision. Она предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель предварительно обучена на ImageNet-22k и дообучена на ImageNet-1k. Модель содержит около 99,9 млн параметров и рассчитана на входные изображения размером 384 × 384 пикселя. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не описывает отдельные предметные области или языковую поддержку; качество на данных, отличающихся от ImageNet, зависит от последующей адаптации.

Это свёрточная модель CS3-DarkNet для классификации изображений и извлечения признаков; её обучил Росс Уайтман с помощью скриптов timm. Архитектура использует Cross-Stage-Partial-соединения и три свёрточных слоя. Модель содержит около 3,3 млн параметров, требует 0,7 GMACs и обучена на ImageNet-1k. Размер изображения при обучении составлял 256 × 256 пикселей, при тестировании — 320 × 320. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Весовые файлы доступны в форматах PyTorch и Safetensors, использовать модель можно через timm. Лицензия — Apache-2.0. Описание не приводит численных результатов именно этой модели, поэтому её точность по карточке оценить нельзя. Классификатор ориентирован на категории ImageNet-1k; его пригодность для других наборов классов зависит от дополнительной настройки.

DeepSahel Kikuyu ASR Full — модель автоматического распознавания речи на языке кикуйю, разработанная в рамках инициативы DeepSahel по созданию открытой инфраструктуры ИИ для африканских языков. Это полная контрольная точка для исследовательских экспериментов, оценки и тестирования систем распознавания речи на кикуйю. Модель основана на архитектуре wav2vec2 с CTC-выходом, содержит 1,3 млрд параметров и распространяется в формате safetensors. Модель предназначена для исследований и сравнительной оценки распознавания речи на кикуйю, а также для прототипов в образовании, здравоохранении, сельском хозяйстве и гражданском информировании. Лицензия Apache-2.0. Точность может различаться в зависимости от предметной области, диалекта, условий записи, качества аудио и переключения языков; перед практическим применением результаты рекомендуется проверять с участием носителей кикуйю.

DETRPose-X-CROWDPOSE — модель компьютерного зрения для обнаружения ключевых точек и оценки поз нескольких людей в реальном времени. Она основана на гибридном энкодере RT-DETR и лёгком декодере D-FINE; в архитектуре также используются Pose-LQE для улучшения оценок уверенности и обучение с денойзингом ключевых точек и специальной функцией потерь Keypoint Similarity Varifocal. В карточке указаны 73,3 млн параметров, результат AP 75,1 на CROWDPOSE и задержка 13,01 мс. Модель предназначена для инференса по изображениям или видеопотоку, например с веб-камеры, чтобы находить людей и оценивать их позы. Репозиторий содержит веса safetensors; для инференса README направляет к специальной ветке проекта DETRPose. Лицензия — Apache-2.0. В карточке не приведены условия тестирования задержки и подробности о диапазоне поддерживаемых типов входных изображений.

mnjm/DINOv1-ViT-S-16-food101 — визуальный энкодер на архитектуре Vision Transformer ViT-S/16, обученный с нуля разработчиком модели на наборе Food-101 с использованием DINOv1 и собственного обучающего репозитория. Модель предназначена для извлечения признаков изображений еды: её можно применять для поиска похожих блюд, группировки изображений и классификации на основе эмбеддингов. В README приведены результаты взвешенной k-NN оценки на валидационной выборке Food-101: точность Top-1 составляет 67,59% при k=20, Top-5 — 86,17%. Модель содержит 28,3 млн параметров и доступна в формате Safetensors через Transformers. На вход подаётся изображение, на выходе — последовательность признаков, из которой README извлекает вектор CLS. Лицензия в предоставленных данных не указана.

facebook/dinov2-giant-imagenet1k-1-layer — модель Vision Transformer семейства DINOv2, опубликованная командой DINOv2 и представленная на Hugging Face. Это крупный трансформерный энкодер примерно на 1,5 млрд параметров, предварительно обученный без учителя на изображениях. Изображение разбивается на фиксированные патчи, которые модель обрабатывает как последовательность; отдельной дообученной классификационной головы в чекпойнте нет. Модель предназначена для извлечения визуальных признаков и классификации изображений по меткам ImageNet-1k. Представления энкодера можно использовать в последующих задачах, например обучить линейный классификатор поверх CLS-токена или применить признаки как основу для других задач компьютерного зрения. В репозитории указаны веса PyTorch и safetensors. Лицензия — Apache-2.0. Крупный размер требует значительных вычислительных ресурсов. Поскольку классификационная голова отсутствует, готовая классификация изображений требует отдельного классификатора или дообучения; модель ориентирована на визуальные данные и не обрабатывает текстовые входы.

aellxx/disaster-tweet-distilbert — модель классификации англоязычных сообщений в Twitter, дообученная на основе distilbert-base-uncased-finetuned-sst-2-english. Она предназначена для определения, связано ли сообщение с бедствием, например для первичной сортировки потока твитов. Модель использует архитектуру DistilBERT и принимает текст длиной до 512 токенов; формат весов — PyTorch. В README приведено значение loss 0,4605 на оценочном наборе, но его состав и подробности обучения не описаны. Лицензия — Apache-2.0.

timm/edgenext_base.usi_in1k — модель EdgeNeXt для классификации изображений и извлечения визуальных признаков. Её обучили авторы работ об архитектуре EdgeNeXt и методе USI на наборе ImageNet-1k с использованием дистилляции. Модель содержит 18,5 млн параметров и рассчитана на мобильные сценарии компьютерного зрения. Размер входного изображения при обучении — 256 × 256 пикселей, при тестировании — 320 × 320. Помимо классификации, её можно использовать как backbone для извлечения карт признаков и эмбеддингов изображений. Весовые файлы доступны в форматах PyTorch и Safetensors; библиотека модели — timm. Лицензия — MIT. README не приводит оценки качества или перечень поддерживаемых классов за пределами обучения на ImageNet-1k.

EdgeNeXt XX-Small — модель компьютерного зрения для классификации изображений и извлечения признаков. Её разработали авторы статьи EdgeNeXt и обучили на ImageNet-1k. Архитектура сочетает свёрточные и трансформерные компоненты и предназначена для эффективного использования в мобильных системах компьютерного зрения. Модель содержит около 2,3 млн параметров и требует около 0,5 GMACs на изображение. Размер изображений при обучении составлял 256 × 256 пикселей, при проверке — 288 × 288. Помимо предсказания класса, её можно применять как основу для извлечения карт признаков и эмбеддингов изображений. Лицензия — MIT.

EoMT-DINOv3 COCO Panoptic Base 640 — модель компьютерного зрения семейства EoMT-DINOv3, опубликованная tue-mps. Она предназначена для паноптической сегментации изображений COCO при разрешении 640×640: одновременно выделяет объекты и сегментирует области фона. Архитектура EoMT — Vision Transformer с энкодером и масочным трансформером; базовая версия использует backbone DINOv3 ViT-B/16. По данным метаданных, модель содержит 113,2 млн параметров и работает через библиотеку Transformers. Подход EoMT позволяет выполнять семантическую, экземплярную и паноптическую сегментацию на общей основе с разной постобработкой. В README отмечены rotary position embeddings и предобучение DINOv3 от Meta AI. Модель обучена на COCO; для её весов указана лицензия MIT. Описанный режим рассчитан на изображения размером 640×640.

gcresnet50t.ra2_in1k — модель классификации изображений семейства GC-ResNet, разработанная Россом Уайтманом и реализованная в библиотеке timm. Она обучена на ImageNet-1k и может использоваться для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. Архитектура основана на ResNet с механизмом Global Context attention и трёхслойным stem-блоком без pooling. Модель содержит около 25,9 млн параметров; для оценки изображений в карточке указаны размеры 256 × 256 при обучении и 288 × 288 при тестировании. Доступны веса PyTorch и safetensors. Модель подходит для стандартных задач компьютерного зрения и как backbone для дальнейшей обработки изображений. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; качество на других предметных областях отдельно не описано. Лицензия — Apache-2.0.

Alevnokc/Gemma-3-27B-Roblox-Luau — дообученная версия модели google/gemma-3-27b-it, созданная boatbomber для работы с доменом Roblox. Модель предназначена для генерации текста и помощи в задачах, связанных с разработкой в Roblox, включая написание, объяснение и анализ кода на Luau, а также ответы на вопросы по Roblox API и платформе. Для дообучения использованы наборы данных boatbomber/roblox-info-dump и boatbomber/the-luau-stack. Модель относится к текстовым chat-моделям с объёмом 27 миллиардов параметров и заявленным языком English. Её сильная сторона — специализированные знания о Roblox и Luau по сравнению с базовой моделью общего назначения. Доступны варианты квантования Q8_O, Q6_K, Q5_K_M, Q4_K_M и Q3_K_M; рекомендуемым указан Q4_K_M размером 17,34 ГБ, тогда как Q8_O требует около 30,21 ГБ памяти. Более агрессивное квантование Q3_K_M заметно снижает качество. Размер контекста и поддержка других модальностей в README не указаны. Использование регулируется лицензией Gemma; приведена ссылка на условия Google.

Manifestoberta — модель на базе xlm-roberta-large, дообученная проектом Manifesto на примерно 1,6 млн размеченных высказываний из Manifesto Corpus версии 2023a. Она классифицирует текст по 56 политическим темам согласно схеме кодирования Manifesto Project, Handbook 4. Модель предназначена для анализа политических программ и других текстов: она присваивает текстовым фрагментам тематические категории. Архитектура — XLM-RoBERTa для классификации последовательностей; размер составляет 658,7 млн параметров, контекст — до 514 токенов. Модель поддерживает языки предварительно обученной XLM-RoBERTa и лучше всего работает на языках, представленных в Manifesto Corpus; карточка называет 38 таких языков. В README приведены результаты тестирования: точность sentence-модели — 0,57, а context-модели — 0,64. Модель полезна для количественного анализа политической повестки, но качество зависит от языка и контекста, а показатели тестирования показывают, что предсказания не всегда точны. Распространяется по лицензии BigScience OpenRAIL-M.

Mask2Former — модель компьютерного зрения от команды Mask2Former, представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот чекпойнт обучен на COCO для паноптической сегментации; он использует компактный вариант Swin в качестве backbone и архитектуру Mask2Former для предсказания масок и соответствующих им меток классов. Модель принимает изображение и формирует сегментацию объектов и фона, объединяя семантическую и экземплярную разметку в паноптическую. В основе архитектуры — многомасштабный pixel decoder с deformable attention и Transformer decoder с masked attention. Веса доступны в форматах PyTorch и Safetensors. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

MoonViT-V2 — дообученная зрительная башня MoonViT-V2 с проектором из мультимодальной модели Kimi K3. Репозиторий immanuelpeter упаковывает компоненты обработки изображений Kimi K3 отдельно от полного чекпойнта. Модель содержит 453 млн параметров; архитектура башни включает 27 слоёв, размер скрытого представления 1024, 12 голов внимания и патчи размером 14 пикселей. Сжатие токенов выполняется с помощью pixel shuffle 2×2 и временного пулинга, а проектор преобразует признаки в представление размерности 7168. Модель предназначена для извлечения признаков изображений и получения проектированных визуальных представлений, например, как зрительный компонент мультимодальной системы. Веса башни сохранены в BF16, формат репозитория — safetensors. В README описано воспроизведение визуального тракта Kimi K3 без загрузки полного чекпойнта; авторы кода и исходных весов — AI4Industry и Moonshot AI соответственно. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

MrBERT-es LD1–PE2 — это испаноязычная модель многометочной классификации политических текстов Коста-Рики, разработанная для Программы Estado de la Nación (PEN). Она относит текст к одной или нескольким из 39 категорий политических позиций схемы Manifesto Project, адаптированной PEN, и к соответствующим семи доменам. Модель построена на encoder-архитектуре ModernBERT MrBERT-es с 149,6 млн параметров и контекстом до 8192 токенов. Голова классификации выдаёт отдельную вероятность для каждой категории; для предсказаний рекомендуется использовать индивидуальные откалиброванные пороги категорий. Модель получена дистилляцией знаний от Qwen3-30B-A3B-Instruct-2507 на корпусе из 38 812 текстов правительственных программ, стенограмм законодательного контроля и новостных материалов. Она предназначена для анализа политических позиций в испаноязычных материалах Коста-Рики. В оценке на отложенной выборке правительственных программ модель показала micro-F1 0,515 и macro-F1 0,423; качество выше для частых категорий и нестабильно для редких. Распространяется по лицензии Apache-2.0.

Muslim-6B-V1.0-i1-GGUF — это набор квантизированных в формате GGUF версий языковой модели Muslim-6B-V1.0, разработанной NightPrince и квантизированной mradermacher. Модель предназначена для генерации текста, в частности на арабском и английском языках, с тематической специализацией на исламском содержании. В метаданных также указаны поддержка сценариев tool-calling и компонентов LoRA/PEFT, однако подробности этих возможностей в README не раскрыты. Модель относится к causal language models и имеет около 6 миллиардов параметров в исходной версии. Доступны варианты с различными типами квантизации — от IQ1 и Q2 до Q6, с размером файлов примерно от 1,6 до 5,0 ГБ. Более легкие варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Контекст, точные архитектурные характеристики, мультимодальность и результаты оценки не указаны. Модель подходит для локального запуска и генерации арабоязычного и англоязычного текста на совместимом с GGUF программном обеспечении. Основные ограничения связаны с потерями качества при низкой степени квантизации и отсутствием подробных данных о возможностях, безопасности и качестве ответов. Для исходной модели указана лицензия Apache-2.0.