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

PictSure — модель для классификации изображений в режиме few-shot learning, разработанная авторами проекта PictSure. Она использует изображения и метки классов из контекста, чтобы классифицировать новые изображения, для которых доступно мало размеченных примеров. Архитектура включает предварительно обученный визуальный энкодер, проекции признаков и меток, трансформерный энкодер и классификационную голову; доступны варианты с ResNet18 примерно на 53 млн параметров и ViT-Base примерно на 128 млн параметров. Модель принимает изображения размером 224 × 224 пикселя и рассчитана на сценарии быстрого освоения новых классов. В карточке также указано обучение на ImageNet-21k и использование предварительно обученных энкодеров ImageNet. Модель подходит для прототипирования классификаторов при малом количестве размеченных изображений, метаобучения и задач компьютерного зрения с быстрой адаптацией к новым классам. Качество зависит от представительности контекстных примеров; модель предназначена только для классификации, а не для обнаружения объектов или сегментации. Она может наследовать смещения ImageNet и ImageNet-21k, а трансформерные варианты требуют значительных ресурсов памяти. Репозиторий распространяется по лицензии MIT.

PolicyShiftGuard-3B — мультимодальная модель для проверки изображений на соответствие заданному набору политик. Она разработана на основе Qwen2.5-VL-3B-Instruct и дообучена на данных PolicyShiftBench: сначала на примерах с рандомизированными политиками, затем на парах примеров, адаптированных к границам решений. Модель принимает изображение и текстовое описание политик, а в ответ выдаёт структурированное решение о безопасности и, при необходимости, категорию нарушенного риска. Модель предназначена для исследований адаптивной модерации изображений и устойчивости классификации при смене политик. Архитектура Qwen2.5-VL имеет 3,1 млрд параметров, работает через Transformers и поддерживает контекст длиной до 128 000 токенов. Репозиторий использует формат Safetensors. Модель распространяется по лицензии Apache-2.0. Результаты зависят от того, насколько заданные политики, языки, визуальные области и условия применения представлены в обучающих данных и бенчмарке. Модель следует оценивать с явно заданным набором политик; её ответы не являются юридической или нормативной консультацией.

PVT-v2 B1 — модель семейства Pyramid Vision Transformer для классификации изображений и извлечения визуальных признаков. Её разработали авторы статьи PVT v2 и обучили на ImageNet-1k; репозиторий распространяет модель через библиотеку timm. Веса доступны в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель предназначена для классификации изображений, получения карт признаков и визуальных эмбеддингов, в том числе как визуальная основа для компьютерного зрения. Она содержит около 14 млн параметров, требует изображение размером 224 × 224 и имеет вычислительную сложность около 2,1 GMACs. Модель принимает изображения и выдаёт классовые предсказания либо визуальные признаки в зависимости от способа использования. Обучение на ImageNet-1k ориентирует её на распознавание объектов из этого набора классов; качество на других данных может потребовать адаптации. Текстовые языковые возможности не заявлены.

Qwen3-4B-China-Uncensored — плотная языковая модель на 3,7 млрд параметров, дообученная автором joaocarloscruz на основе Qwen/Qwen3-4B-Instruct для более свободных и фактических ответов о китайской истории и политике. Дообучение методом DPO на датасете GreatFirewall-DPO направлено на снижение типичных отказов и пропагандистских ответов по темам площади Тяньаньмэнь, статуса Тайваня, Синьцзяна и Коммунистической партии Китая. Модель предназначена для диалогов и генерации текста; по заявлению автора, она также сохраняет общие возможности базовой модели в программировании и рассуждениях. Контекстное окно — до 262 144 токенов. Доступны веса Safetensors и GGUF; для GGUF автор рекомендует шаблон чата ChatML. В собственном тесте автора на 500 вопросах о спорных темах китайской политики оценка выросла с 1,18 у базовой модели до 2,54 из 5, однако это результат внутреннего бенчмарка автора. Модель распространяется по лицензии Apache-2.0.

Это модель-энкодер изображений для извлечения признаков, созданная как версия для библиотеки timm на основе весов визуальной части Qwen-Drive-1.0-4B. Она предназначена для получения пространственных представлений изображений, которые можно использовать в последующих задачах компьютерного зрения и классификации после обучения отдельной классификационной головы. Архитектура включает визуальный backbone Qwen ViT шириной 1024, пространственный merger и проекцию до 2560 измерений. Веса визуальной части перенесены в формат timm без дополнительного обучения; языковые веса и обученная голова классификации отсутствуют. Модель рассчитана на изображения RGB, базовый размер — 768×768 пикселей; поддерживаются прямоугольные изображения с размерами, кратными 16, а для варианта с merger 2×2 размеры должны быть кратны 32. Выход модели — пулированные векторы признаков. Лицензия — Apache 2.0.

Race Classification FairFace YOLOv8/11 — модель компьютерного зрения автора Anzhc для классификации изображений лиц по семи категориям, обученная на варианте набора FairFace с дополнением изображения полями. Автор указывает, что модель предназначена только для классификации расовых категорий и ориентирована на быстрое присвоение меток. В метаданных указаны архитектурная основа Ultralytics YOLO11 и YOLOv8, библиотека Ultralytics и формат PyTorch. В README приведены варианты YOLOv8n, YOLOv8s и YOLOv8m с точностью top-1 от 0,717 до 0,725 на валидационной выборке. Классы: Black, East Asian, Indian, Latino_Hispanic, Middle Eastern, Southeast Asian и White; разрешение обучения — 224 пикселя. Модель подходит для маркировки изображений лиц, однако точность ограничена и результат классификации не следует трактовать как достоверное определение идентичности или биологических характеристик человека. Лицензия — AGPL-3.0.

RegNetZ E8 — модель классификации изображений, обученная Россом Уайтманом в библиотеке timm на ImageNet-1k. Архитектура реализована как конфигурация BYOBNet: она использует блоки с линейными выходами без активации и расширением типа inverted bottleneck. Вариант E8 имеет групповую ширину 8 и трёхслойный ступенчатый stem без pooling. Модель предназначена для присвоения изображениям классов ImageNet-1k и может также использоваться как визуальный backbone для извлечения признаков, карт признаков и эмбеддингов. Веса содержат около 57,7 млн параметров; вычислительная сложность составляет около 9,9 GMACs. Размер изображения при обучении — 256×256, при тестировании — 320×320. Репозиторий предоставляет веса PyTorch и Safetensors для работы с timm. Лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его классы и качество ориентированы на этот набор данных; README не подтверждает специализацию для других предметных областей. Это модель для изображений и она не обрабатывает текстовые запросы как мультимодальная модель.

Minbyul выпустил дообученную версию dmis-lab/selfbiorag_7b — плотной авторегрессионной модели семейства Llama с 6,6 млрд параметров. Модель предназначена для генерации текста; в карточке указано дообучение на датасете HuggingFaceH4/deita-10k-v0-sft, а в README приведено значение loss 1,5396 на оценочном наборе. Модель принимает текст и генерирует текст, максимальная длина контекста составляет 4096 токенов. Название репозитория указывает на вариант без medication QA, однако карточка не описывает конкретные сценарии применения, языки, ограничения или условия лицензии, поэтому подтвердить специализацию и условия использования нельзя.

SHViT S3 — модель классификации изображений и визуальный backbone семейства Single-Head Vision Transformer, разработанный авторами соответствующей научной работы и обученный на ImageNet-1k. Версия с суффиксом in1k содержит около 14,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по категориям ImageNet-1k, а также может использоваться как backbone для извлечения карт признаков и получения векторных представлений изображений. В карточке указана вычислительная сложность 0,6 GMACs. Это модель для обработки изображений; поддерживаемые естественные языки не заявлены. Веса доступны в форматах PyTorch и safetensors через библиотеку timm. Лицензия — MIT. Карточка не описывает ограничения качества или области применения помимо обучения на ImageNet-1k.

timm/skresnet18.ra_in1k — сверточная модель классификации изображений семейства SKNet (Selective-Kernel ResNet), обученная Россом Уайтманом в библиотеке timm на ImageNet-1k с рецептом RA, вариантом B подхода ResNet Strikes Back. Модель содержит около 12 млн параметров, имеет вычислительную сложность 1,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как сверточная основа для извлечения карт признаков и векторов изображений. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

Windstorm Labs выпустила модель машинного перевода с английского языка на тив. Это дообученная версия Helsinki-NLP/opus-mt-en-tiv: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 47,2 млн параметров; она доступна в формате safetensors для Transformers. Максимальная длина контекста составляет 512 токенов. Модель предназначена для перевода англоязычного текста на тив. Поддерживается только это направление перевода. Язык выходного текста проверен, но качество перевода ещё не оценивалось, поэтому пригодность результатов для конкретных задач не подтверждена. Лицензия — Apache-2.0.

VisionHOPE — семейство предварительно обученных визуальных моделей, разработанное авторами проекта VisionHOPE: Visual Backbones as Self-Modifying Learning Systems. В репозитории размещены контрольные точки размеров T, S и B для классификации изображений ImageNet-1K, обнаружения объектов и сегментации экземпляров на COCO, а также семантической сегментации на ADE20K. Модели предназначены для задач компьютерного зрения и могут использоваться как визуальные основы в соответствующих конвейерах. Репозиторий содержит веса в формате PyTorch; для установки, определения архитектуры и запуска обучения или оценки README отсылает к коду проекта. Лицензия репозитория — MIT.

ACR-instance-segmentaiton-refinement-v1.0.0 — это пакет развёртывания модели сегментации экземпляров, опубликованный cmes-deepvision. Он основан на чекпойнте эксперимента exp5 refinement-only и преобразован из ONNX в смешанную точность TensorRT FP16; архитектура относится к Deformable DETR с классом OpenVocabMaskPromptMaskDINO. Модель принимает изображение 1280×1280 и маску пикселей, а также использует промпты possible и impossible для уточнения сегментации. Пакет предназначен для уточнения масок объектов и ускоренного инференса на GPU. В фиксированной оценке на 120 изображениях TensorRT-вариант показал F1 0,6711 и ускорение примерно в 6,7 раза относительно PyTorch FP32 в исходном серверном замере; на RTX 5080 и RTX 5070 также наблюдалось ускорение без заметного изменения F1. Для повышения численной устойчивости часть слоёв оставлена в FP32. В репозитории есть ONNX-модель и TensorRT-движки для A100 и RTX 5080; формат safetensors также указан в метаданных. TensorRT-движки зависят от архитектуры GPU и версии TensorRT: для другой конфигурации README рекомендует пересобрать движок из ONNX. Лицензия обозначена как other, поэтому условия использования следует уточнить по карточке модели.

Модель InfoBayAI предназначена для анализа тональности речи в аудиоразговорах. В README описан конвейер, в котором речь преобразуется в текст, сегментируется на предложения и классифицируется как негативная, нейтральная или позитивная; для классификации использован DistilBERT, обученный на текстах, полученных из аудиоданных InfoBay.AI. По метаданным модель дообучена на основе openai/whisper-small и принимает аудио.

Модель kit-nlp/bert-base-japanese-sentiment-cyberbullying — классификатор японского текста для автоматического выявления кибербуллинга. Это BERT Base с архитектурой BertForSequenceClassification и 137,8 млн параметров; модель дообучена на сбалансированном наборе, объединяющем данные японских комментариев с вредоносных BBS и твитов с кибербуллингом. В основе лежит daigo/bert-base-japanese-sentiment, ранее обученная для анализа тональности. Модель предназначена для классификации японских комментариев и публикаций в соцсетях с целью выявления кибербуллинга. Она принимает текст и выдаёт результат классификации; максимальный контекст составляет 512 токенов. Доступны веса PyTorch и Flax. Модель распространяется по лицензии CC BY-SA 4.0. Результаты автоматического выявления следует проверять: карточка не приводит метрик качества, а классификатор может ошибаться на неоднозначных сообщениях и текстах вне обучающих доменов.

cafeai разработала cafe_aesthetic — классификатор изображений на архитектуре BEiT, дообученный на базе microsoft/beit-base-patch16-384. Модель содержит 119,5 млн параметров и предназначена для отбора изображений при подготовке большого датасета для дообучения Waifu Diffusion на базе Stable Diffusion. Классификатор оценивает эстетическую пригодность изображений и может помечать их как not_aesthetic. Он обучен примерно на 3,5 тыс. изображений из реальной жизни, аниме и манги. Модель настроена скорее на сохранение изображений: обычно она отбрасывает изображения в стиле манги, с неаккуратными линиями или набросками, а также с большим количеством текста, закрывающего основной объект. Модель может ошибаться и предназначена для автоматизированной фильтрации датасета, а не для безошибочной оценки отдельных изображений. Лицензия — AGPL-3.0.

CALFIN — модель сегментации изображений с архитектурой FPN, опубликованная в формате safetensors и предназначенная для библиотеки segmentation-models-pytorch. Карточка связывает модель с датасетом CALFIN и показывает, как загрузить её через API библиотеки. Модель решает задачу сегментации изображений. В доступной карточке не приведены сведения о размере, метриках и конкретном содержимом сегментируемых объектов, поэтому область применения нельзя уточнить. Репозиторий распространяется по лицензии MIT.

Карточка модели manelalab/chrono-bert-v1-20161231 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.

microsoft/cvt-21-384 — сверточный Vision Transformer CvT-21 от Microsoft, предварительно обученный на ImageNet-1k для классификации изображений. Модель принимает изображение с разрешением 384×384 и относит его к одному из 1000 классов ImageNet. Архитектура CvT сочетает свёрточные операции с механизмами трансформера. Модель предназначена для распознавания объектов на изображениях и может применяться как классификатор или основа для экспериментов с компьютерным зрением. В репозитории доступны веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0. Её назначение ограничено классификацией изображений на наборе классов ImageNet-1k; она не выполняет обнаружение объектов или описание изображений.

Depth Anything — крупная модель для оценки глубины по изображениям, представленная Lihe Yang и соавторами. Эта версия подготовлена для библиотеки Transformers и использует архитектуру DPT с backbone DINOv2. Модель обучена на примерно 62 миллионах изображений и предназначена для оценки относительной и абсолютной глубины, в том числе в zero-shot сценариях. Она выдаёт карту глубины для входного изображения и может применяться в задачах компьютерного зрения и анализа сцен. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

DETRPose-X-COCO — модель для обнаружения людей и оценки позы нескольких людей на изображениях в реальном времени. Она представлена в карточке SebasJanampa и описана в статье DETRPose: Real-Time End-to-End Multi-Person Pose Estimation via Modified Transformer Decoder and Novel Denoising Keypoints. Архитектура сочетает гибридный энкодер RT-DETR с облегчённым декодером D-FINE и включает специальный Pose-LQE слой для улучшения оценок уверенности. Для версии DETRPose-X на COCO в карточке приведены 73,3 млн параметров, AP 73,3 и задержка 13,31 мс. Модель предназначена для низколатентного инференса; README описывает запуск на видеопотоке с веб-камеры. Модель принимает изображения и выдаёт координаты ключевых точек и оценки поз людей. В метаданных указан английский язык карточки, однако задача модели не требует естественно-языкового ввода. Лицензия — Apache-2.0. Для инференса README указывает на необходимость установить inference-ready ветку репозитория DETRPose.

Это конверсия на Keras 3 модели визуального представления DINOv3 ViT-L/16, подготовленная zeromodels на основе весов Meta. Модель использует самообученное визуальное предварительное обучение и выступает как backbone без специализированной выходной головы; она извлекает признаки изображений для последующих моделей компьютерного зрения. Вариант ViT также предоставляет register-токены. Модель принимает изображения и выдаёт визуальные признаки, которые можно использовать для построения downstream-решений, например классификаторов или других голов компьютерного зрения. Реализация работает с TensorFlow, Torch и JAX. Веса распространяются по лицензии DINOv3; доступ к исходным весам Meta ограничен условиями этой лицензии.

Модель Мухаммада Ахмада классифицирует текст сообщений в Twitter и определяет, относится ли сообщение к реальному стихийному бедствию. Это бинарный классификатор на базе DistilBERT, дообученный на наборе данных Kaggle Natural Language Processing with Disaster Tweets; метки означают «бедствие» и «не бедствие». Модель использует библиотеку Hugging Face Transformers и принимает текст длиной до 512 токенов. В карточке приведены accuracy, precision и recall по 82,52%. Модель предназначена для классификации твитов о бедствиях, в том числе в учебных и исследовательских проектах. Она может ошибаться на саркастичных и неоднозначных сообщениях, а точность зависит от качества входного текста. Лицензия в доступных данных не указана.

esevovnet57b.ra4e3600r256in1k — модель классификации изображений семейства VoVNet-v2, обученная Ross Wightman в библиотеке timm на ImageNet-1k с использованием рецепта RA4, вдохновлённого MobileNetV4. Она подходит для классификации изображений и может служить визуальным backbone для извлечения карт признаков и эмбеддингов. Модель содержит 38,6 млн параметров и требует изображений размером 256 × 256 при обучении и 320 × 320 при тестировании. Репозиторий предоставляет веса PyTorch в формате safetensors под лицензией Apache-2.0. Карточка не сообщает об ограничениях качества или поддержке конкретных классов вне обучения на ImageNet-1k.

timm/hiera_small_224.mae — модель извлечения признаков для изображений на архитектуре Hiera, опубликованная авторами статьи и доступная через библиотеку timm. Она предварительно обучена на ImageNet-1k методом masked autoencoder (MAE) и предназначена для классификации изображений, получения карт признаков и эмбеддингов. Модель содержит 34,2 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель подходит для классификации изображений и как визуальный backbone для задач компьютерного зрения. README также описывает извлечение признаковых карт и эмбеддингов; метаданные Hugging Face указывают задачу image-classification. Репозиторий содержит веса PyTorch и safetensors. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

MambaOut Base Short RW — модель классификации изображений и извлечения признаков из семейства MambaOut, подготовленная Россом Уайтманом для библиотеки timm. Вариант обучен на ImageNet-1k по рецепту обучения на основе Swin и ConvNeXt; содержит 88,8 млн параметров и рассчитан на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для отнесения изображений к категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0.

mistral-7b-english-welsh-translate — языковая модель, дообученная на базе mistralai/Mistral-7B-Instruct-v0.3 на наборе инструкций Welsh Government Alpaca Welsh-English Instructions. Она предназначена для перевода в обоих направлениях между английским и валлийским, особенно правительственных документов, сохраняя структуру Markdown. Модель построена на архитектуре Mistral с плотной трансформерной языковой сетью на 7,1 млрд параметров и контекстом до 32 768 токенов. Для получения переводов README рекомендует формат инструкций Alpaca с отдельными полями Instruction, Input и Response; модель рассчитана на локальный запуск, например через Text Generation Web UI. Репозиторий содержит веса PyTorch и safetensors, а README также упоминает доступность квантованной версии GGUF. Лицензия — Apache-2.0. Модель специализирована на переводе английского и валлийского и не заявлена как универсальная система перевода для других языков.

Nethena-20B — языковая модель для генерации текста, созданная IkariDev и Undi как объединение Echidna v0.3, Athena v3 и Nete. Это плотная модель семейства Llama с 19,8 млрд параметров; в репозитории представлены веса FP16 в формате Safetensors. Модель использует шаблон запросов Alpaca и рассчитана на контекст до 4096 токенов. Модель предназначена для ролевого общения, откровенных ролевых сценариев и общих запросов. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. README не приводит настроек генерации или результатов оценивания; качество ответов и поведение при разных сценариях по этим данным оценить нельзя.

Sapiens2-0.4B-Pose — модель Meta для оценки позы человека на изображениях. Это дообученная на задаче оценки позы модель на базе Vision Transformer Sapiens2-0.4B; в репозитории около 402,7 млн параметров, веса представлены в формате safetensors. Модель выполняет top-down-оценку позы по ограничивающим рамкам человека, которые предварительно должен предоставить детектор объектов, например RTMDet. Она предсказывает 308 ключевых точек в формате Sociopticon, включая 274 точки лица, а также точки кистей и стоп. Подходит для анализа человекоцентричных изображений и исследований компьютерного зрения. Для запуска предусмотрен код проекта Sapiens2. В README указана лицензия Sapiens2 License; метаданные обозначают лицензию как other, поэтому конкретные условия следует сверять с текстом лицензии репозитория. Модель требует детектора людей и не предназначена для самостоятельного обнаружения людей на изображении.

SegFormer B0 — модель семантической сегментации изображений, разработанная командой NVIDIA и дообученная на наборе ADE20K с разрешением 512×512. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; энкодер предварительно обучен на ImageNet-1k, затем модель дообучена для сегментации сцен. Модель назначает пиксели изображениям классам объектов и элементов сцены. Её можно применять для семантической сегментации фотографий и разбора сцен; карточка приводит ADE20K и Cityscapes как ориентиры для таких задач. Вход — изображение, выход — карта сегментации. В метаданных указаны PyTorch, TensorFlow и safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.