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

Segformer-tu-resnet18 — модель семантической сегментации изображений на базе библиотеки segmentation-models-pytorch. Карточка показывает загрузку через smp.from_pretrained, а метаданные указывают задачу image-segmentation и формат весов safetensors. Репозиторий создан в декабре 2024 года и опубликован под лицензией MIT. Модель предназначена для разбиения изображения на области и присвоения пиксельных меток; её можно использовать в приложениях компьютерного зрения, которым нужна семантическая сегментация. В названии указаны SegFormer и ResNet-18, однако карточка не раскрывает точные параметры и архитектурную конфигурацию. Метрики качества и сведения о датасете отсутствуют, поэтому качество и подходящие классы сегментации определить нельзя.

OpenMMLab upernet-convnext-tiny — модель для семантической сегментации изображений на основе архитектуры UPerNet и визуального backbone ConvNeXt Tiny. UPerNet объединяет backbone с Feature Pyramid Network и Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя. Модель доступна в форматах PyTorch и safetensors. Модель предназначена для разметки изображений по классам и понимания сцен на уровне пикселей. Метаданные указывают английский язык карточки, но сама задача сегментации изображений не требует языкового ввода. Репозиторий распространяется по лицензии MIT. Карточка рекомендует применять базовую модель для сегментации и подбирать дообученные версии под конкретные наборы классов.

Zoobot Encoder ConvNeXt Base — визуальный энкодер, опубликованный mwalmsley и предназначенный для использования как предобученный backbone через библиотеку timm. Его можно подключать к задачам классификации изображений и дообучать для конкретных наборов данных. В репозитории указаны веса PyTorch и лицензия Apache-2.0. Карточка не уточняет архитектурные детали сверх названия ConvNeXt Base, размер модели, обучающие данные или специальные ограничения. Метаданные относят модель к image-classification; сценарии применения за пределами классификации требуют настройки под конкретную задачу.

Это модель tue-mps/ade20k_semantic_eomt_large_512 на архитектуре EoMT (Encoder-only Mask Transformer), разработанной авторами работы «Your ViT is Secretly an Image Segmentation Model». Модель основана на Vision Transformer и предназначена для семантической сегментации изображений; в карточке указано 402,7 млн параметров. EoMT использует ViT без специализированного декодера или модулей объединения пиксельных признаков. Архитектура также поддерживает сегментацию экземпляров и паноптическую сегментацию при соответствующей постобработке, однако задача этой конкретной модели в метаданных обозначена как image-segmentation. Репозиторий содержит веса PyTorch в формате safetensors. Модель подходит для разметки сцен и объектов на изображениях, например для анализа изображений ADE20K. Доступна по лицензии MIT. Карточка не сообщает точность модели или подробные сведения о её обучении.

CanViT-B — модель Canvas Vision Transformer, разработанная авторами CanViT. Она предназначена для извлечения признаков изображений и воспринимает сцену как последовательность отдельных зрительных фрагментов, сохраняя информацию на общей для сцены «холстовой» репрезентации. Модель обучена на ImageNet-21k методом плотной латентной дистилляции от facebook/dinov3-vitb16-pretrain-lvd1689m; в карточке указана обработка сцен размером 512 пикселей. Чекпойнт распространяется в формате safetensors и использует библиотеку canvit-pytorch. Лицензия — MIT. Карточка ссылается на статью NeurIPS 2026; дата публикации репозитория — 28 января 2026 года.

Это дообученная модель распознавания речи Qwen3-ASR, разработанная KasuleTrevor для транскрибации лугандской речи с нетипичными особенностями произношения. Репозиторий содержит выбранный чекпойнт checkpoint-500, обученный на наборе cdli/ugandan_luganda_nonstandard_speech_v1.0; базовая модель — KasuleTrevor/cdli-qwen3-asr-lg-typical-1p7b-base-finetune. Модель принимает аудио и выдаёт распознанный текст на лугандском языке. Она предназначена для транскрибации речи людей с лёгкими, умеренными и тяжёлыми нарушениями речи. В README приведены тестовые значения WER и CER, а также разбивка качества по тяжести нарушений: ошибка распознавания выше для тяжёлой группы, что ограничивает надёжность результатов в таких случаях. Модель опубликована в формате Safetensors, использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

CHATUtterance-en — модель семейства BERT для сегментации высказываний, выпущенная проектом TalkBank. Это производная BERT-модель с архитектурой BertForTokenClassification, содержащая 136,7 млн параметров и обрабатывающая последовательности длиной до 512 токенов. Модель размечает токены для определения границ высказываний в транскриптах речи. Она обучена на примерах сегментации и диаризации высказываний из корпуса Michigan Corpus of Academic Spoken English. Модель можно использовать как классификатор токенов в Transformers или вместе с пакетом TalkBank Batchalign в режиме transcribe для более полного анализа. Модель предназначена для англоязычных транскриптов. В доступных сведениях не указаны лицензия и конкретные ограничения качества; условия использования следует сверить с карточкой репозитория.

zeromodels/dinov2-base — конверсия модели facebook/dinov2-base в Keras 3, опубликованная zeromodels. Это визуальный трансформер DINOv2, предварительно обученный на изображениях без учителя; модель служит backbone и извлекает признаки и patch-токены для последующих задач компьютерного зрения, а не содержит специализированную выходную голову для отдельной задачи. Модель принимает изображения и предназначена для построения признаковых представлений, которые можно использовать в downstream-моделях и задачах компьютерного зрения. Реализация работает с TensorFlow, PyTorch и JAX; процессор изображений выполняет нормализацию. Репозиторий предоставляет веса в формате TensorFlow. Лицензия — Apache 2.0.

esevovnet39b.ra_in1k — модель классификации изображений и извлечения признаков семейства VoVNet-v2, обученная Ross Wightman в библиотеке timm на ImageNet-1k с рецептом RandAugment. Она предназначена для распознавания объектов на изображениях, получения карт признаков и построения эмбеддингов изображений. Модель содержит 24,6 млн параметров; указанная вычислительная сложность составляет 7,1 GMACs. Размер изображений при обучении — 224×224, при тестировании — 288×288. Модель опубликована в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0. Она подходит как готовый классификатор ImageNet-1k и как визуальный backbone для последующих задач компьютерного зрения. Карточка не приводит результатов оценки за пределами ImageNet-1k.

FasterNet S — модель классификации изображений и извлечения признаков семейства FasterNet, опубликованная авторами исследования и обученная на ImageNet-1k. Вариант содержит 31,2 млн параметров и рассчитан на изображения размером 224 × 224; вычислительная стоимость составляет 4,6 GMACs. Модель подходит для классификации изображений по классам ImageNet-1k, получения карт признаков и векторных представлений изображений. Архитектура ориентирована на высокую вычислительную пропускную способность. Репозиторий предоставляет веса PyTorch и Safetensors, библиотека для работы — timm. Лицензия Apache-2.0.

FastViT MA36 — модель классификации изображений и извлечения визуальных признаков из семейства FastViT, разработанная авторами статьи FastViT. Чекпойнт обучен на ImageNet-1k и предназначен для отнесения изображений к классам, извлечения карт признаков и получения эмбеддингов изображений. Модель содержит 44,1 млн параметров, имеет 7,8 GMACs и рассчитана на изображения размером 256 × 256 пикселей. FastViT сочетает элементы свёрточных сетей и Vision Transformer и использует структурную репараметризацию. Репозиторий предоставляет веса PyTorch в формате safetensors. Лицензия указана как other; README просит соблюдать исходную лицензию, поэтому перед использованием следует проверить её условия.

microsoft/focalnet-base-lrf — базовая модель компьютерного зрения FocalNet, разработанная авторами работы Focal Modulation Networks и обученная на ImageNet-1k. Она предназначена для классификации изображений по 1000 классам ImageNet и принимает изображения с разрешением 384×384. В архитектуре FocalNet механизм focal modulation заменяет self-attention: глубинные свёртки последовательно собирают визуальный контекст разных масштабов, а механизм с обучаемыми весами агрегирует его и передаёт признакам изображения. Это альтернативный Vision Transformer подход; карточка также сообщает о применении семейства FocalNet в обнаружении объектов и сегментации, но данный чекпойнт предназначен для классификации. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Учитывайте, что это классификатор ImageNet: его классы и обучение ограничивают пригодность для изображений, содержание которых отличается от ImageNet-1k; для обнаружения объектов и сегментации этот чекпойнт сам по себе не предназначен.

gernet_l.idstcv_in1k — сверточная модель классификации изображений семейства GENet (GPU-Efficient Networks), обученная авторами статьи на ImageNet-1k и представленная в библиотеке timm. Она предназначена для распознавания объектов на изображениях, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель реализована на конфигурируемой архитектуре BYOBNet и содержит 31,1 млн параметров. Для неё указаны 4,6 GMACs, 8 млн активаций и размер входного изображения 256 × 256 пикселей. Репозиторий содержит веса PyTorch в формате safetensors. Модель подходит для классификации изображений и построения признаков для последующих компьютерно-зрительных задач. Она обучена на ImageNet-1k, поэтому её качество и классы ориентированы на эту выборку; карточка не описывает поддержку иных задач как готовых решений. Лицензия — Apache-2.0.

AshiniR/hate-speech-and-offensive-message-classifier — англоязычный классификатор сообщений о ненависти и оскорбительного контента от автора AshiniR. Это дообученная на наборе Davidson et al. (2017) модель FacebookAI/roberta-base с классификационной головой на два класса: «нейтральное» и «ненависть/оскорбление». Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает текст; нативный контекст — 514 токенов. Модель предназначена для модерации публикаций и комментариев в социальных сетях, чатах и сообществах, а также для фильтрации SMS и пользовательского контента. В README заявлены точность 96,23% и F1 0,9774 для класса оскорбительных и ненавистнических сообщений на тестовой выборке из датасета Davidson; эти результаты не гарантируют такую же эффективность на других платформах и типах текста. Обучение велось на англоязычных твитах, поэтому применимость к другим языкам и контекстам не подтверждена. Лицензия — Apache-2.0.

HGNet-V2 B0 — компактная сверточная модель классификации изображений из семейства High Performance GPU Net, опубликованная авторами модели в репозитории timm. Она обучена с использованием дистилляции SSLD на данных ImageNet-22k и ImageNet-1k, а затем дообучена на ImageNet-1k. Модель содержит около 6 млн параметров; указаны разрешения изображений 224 × 224 для обучения и 288 × 288 для тестирования. Модель подходит для отнесения изображений к классам ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса в форматах PyTorch и Safetensors и рассчитан на использование с библиотекой timm. Лицензия — Apache-2.0. Оценки качества в карточке приведены для вариантов HGNet-V2 B6, поэтому их нельзя считать результатами этой модели B0. Модель ориентирована на классификацию изображений из ImageNet; качество на других наборах данных и предметных областях может отличаться.

facebook/ijepa_vith16_1k — модель I-JEPA, разработанная Meta и дообученная на ImageNet-1k. Она извлекает признаки изображений и предназначена для построения визуальных представлений, которые можно использовать в последующих задачах компьютерного зрения, например классификации изображений. I-JEPA предсказывает представления скрытых частей изображения по другим его частям в латентном пространстве, не восстанавливая пиксели; архитектура включает предсказатель латентных представлений. Размер модели — 838,9 млн параметров, библиотека загрузки — Transformers. Этот чекпойнт рассчитан на извлечение признаков изображений; README также упоминает классификацию как возможное применение метода. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование.

LinkBERT — дообученная Dejan Marketing модель на основе BERT-large-cased для предсказания естественных мест размещения ссылок в веб-тексте. Она размечает фрагменты текста, которые могут служить анкором, и предназначена для рекомендаций внутренних ссылок, оценки естественности существующих ссылок и выявления неестественных SEO-ссылок. Модель имеет архитектуру BERT для masked language modeling, содержит 432,3 млн параметров и принимает текст с контекстом до 512 токенов; карточка указывает английский язык и обучение на материалах BookCorpus, Wikipedia и собственных данных с редакционными ссылками. В README описано дообучение с разметкой ссылок и бинарной классификацией токенов. Метаданные указывают задачу token-classification, тогда как классификатор каталога также связывает модель с fill-mask; для практического применения основная задача — выделение токенов или фрагментов, подходящих для анкора. Модель рассчитана на веб-контент и SEO-сценарии. Лицензия указана как other, без дополнительных условий в предоставленных данных. Качество и переносимость на разные типы сайтов в карточке количественно не оценены.

Pinkstack Luau-coder-v2-3B-base-32k — базовая авторегрессионная языковая модель для генерации текста и кода на Luau, разработанная Pinkstack на основе allenai/OLMo-2-0425-1B. Модель имеет плотную архитектуру OLMo 2, около 2,6 млрд параметров и контекст до 32 768 токенов. Это базовая модель, а не готовый чат-ассистент. Модель непрерывно предобучали в три этапа на корпусах Luau и Roblox, справочном дампе о Roblox и части Википедии; суммарно использовали до 1,3 млрд токенов. Она предназначена прежде всего для продолжения текста и кода Luau, а также для дальнейшей тонкой настройки под диалоговые и инструктивные сценарии. Английский язык указан в метаданных. Модель распространяется в формате safetensors по лицензии Apache 2.0. Авторы отмечают, что она не проходила выравнивание безопасности и может генерировать нежелательный контент. В README также указано, что качество модели не сопоставимо с крупной 70-миллиардной моделью.

Это контекстная модель XLM-RoBERTa, разработанная Manifesto Project и дообученная на примерно 1,6 млн размеченных высказываний из Manifesto Corpus версии 2023a. Она относит текст к одной из 56 политических тем по схеме кодирования Manifesto Project, описанной в Handbook 4. Модель имеет около 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст высказывания вместе с окружающим контекстом; для контекста при обучении использовалось до 200 токенов. Максимальная длина контекста модели — 514 токенов. Контекстный вариант предназначен для классификации неоднозначных высказываний в политических манифестах: добавление окружающих предложений улучшило точность примерно на 7 процентных пунктов по сравнению с вариантом без контекста. Модель поддерживает языки предобучения XLM-RoBERTa, а лучше всего работает на 38 языках, представленных в Manifesto Corpus. На тестовом наборе из 199 046 высказываний контекстный вариант показал точность 0,64 и macro-F1 0,53. Для загрузки полной модели в Transformers требуется trust_remote_code=True. Лицензия — BigScience OpenRAIL-M.

MotionInsight-8B — мультимодальная модель, разработанная авторами проекта MotionInsight для диагностики движения объектов в сгенерированных видео. Она анализирует RGB-кадры, траектории объектов и движение камеры, формирует рассуждение и выставляет три оценки от 1 до 5: стабильность структуры объектов, согласованность движения и физическая правдоподобность. Модель основана на Qwen3-VL-8B-Instruct с архитектурой Qwen3-VL и предназначена для оценки качества движения в видео, созданных генеративными системами. Для запуска требуются Python 3.10 и специальная версия Transformers с патчем из репозитория проекта. Веса представлены в четырёх BF16-файлах Safetensors общим объёмом около 17,7 ГБ. Модель распространяется по лицензии Apache-2.0.

OGBert-110M-Base — англоязычная модель ModernBERT с архитектурой masked language model, разработанная для работы с глоссариями и специализированными текстами. Она обучена предсказывать замаскированные токены и подходит для заполнения пропусков в тексте, а также для извлечения контекстуальных представлений слов в прикладных экспериментах. В модели 138,4 млн параметров по метаданным (в README указано 110 млн), размер скрытого состояния — 768, длина контекста — до 1024 токенов. Обучение проводилось на синтетическом энциклопедическом словаре OpenGloss: около 537 тыс. значений для 150 тыс. лексем; README сообщает о 8 тыс. шагах обучения и обработке примерно 4,5 млрд токенов. Репозиторий содержит веса в формате safetensors. Для поиска сходства предложений автор рекомендует отдельную модель mjbommar/ogbert-110m-sentence с pooling и L2-нормализацией. Модель может быть полезна для восстановления пропущенных слов и получения контекстуальных представлений в специализированных корпусах; приведённые в карточке результаты по сходству слов и кластеризации относятся к ограниченным тестовым наборам. Это не генеративная чат-модель. Лицензия — Apache-2.0.

PhoBERT Moderation v1.1 — модель классификации текста для контекстной модерации публикаций вьетнамских социальных сетей. Её разработал автор репозитория huyleit на основе PhoBERT-base-v2 и дообучил на корпусе вьетнамской модерации, включающем UIT-ViHSD и локализованные данные о кризисных состояниях. Модель использует архитектуру RoBERTa с классификационной головой, содержит 162,4 млн параметров и принимает последовательности длиной до 258 токенов. Модель относит текст к одному из четырёх классов: безопасный или нейтральный, безадресная брань и выплеск эмоций, разжигание ненависти или оскорбления, признаки риска самоповреждения. Она предназначена для автоматической проверки публикаций, выявления травли и направления сообщений о кризисе на оперативную проверку. Доступны веса Safetensors и варианты ONNX, включая динамическую INT8-квантизацию для более компактного и быстрого CPU-инференса. Модель рассчитана на вьетнамский язык. В карточке приведены результаты на отложенной выборке, включая высокий F1 для класса риска самоповреждения, однако качество может снижаться на сарказме, диалектной речи, опечатках и новых интернет-сокращениях; границы между эмоциональной бранью и направленной агрессией субъективны. Лицензия — MIT.

timm/pvt_v2_b0.in1k — модель классификации изображений на основе PVT-v2 (Pyramid Vision Transformer), обученная авторами статьи на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 3,7 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 0,6 GMAC. Она предназначена для классификации изображений общего назначения и может служить основой визуальных конвейеров, которым нужны признаки или эмбеддинги. Модель распространяется в форматах PyTorch и Safetensors через библиотеку timm. Лицензия — Apache-2.0. Карточка не описывает отдельные ограничения качества или специальные области применения.

PVT-v2 B5 — модель компьютерного зрения семейства Pyramid Vision Transformer, опубликованная авторами работы и обученная для классификации изображений на ImageNet-1k. Она также может служить визуальным backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит около 82 млн параметров, обрабатывает изображения размером 224 × 224 пикселя и имеет вычислительную стоимость 11,8 GMACs. Подходит для классификации изображений и получения визуальных признаков в системах компьютерного зрения. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0.

Это модель-энкодер для извлечения признаков изображений, созданная как нативное для timm представление весов визуального энкодера Qwen3.5-0.8B. Разработчики перенесли архитектуру vision backbone в timm без дополнительного обучения; в чекпойнте около 87,4 млн параметров, классификационной головы и весов языковой модели нет. Модель рассчитана на получение пространственных признаков и векторных представлений изображений, а не на диалог или генерацию текста. Энкодер использует MLP-блоки с GELU-tanh, обучаемые абсолютные позиционные представления и осевой двумерный RoPE. Поддерживаются прямоугольные входы; размер каждой стороны должен делиться на 16, а для вариантов с объединением токенов 2×2 — на 32. Входные RGB-пиксели нормализуются со средним и стандартным отклонением 0,5. Для входного изображения временное измерение исходного ядра свёртки сводится к двумерной свёртке. Модель подходит для извлечения признаков перед обучением классификатора или другими задачами компьютерного зрения. Усреднённое пулинг-представление можно использовать как эмбеддинг изображения, а пространственные карты признаков — как основу для последующей обработки. Для классификации требуется обучить новую линейную голову на целевом наборе данных. Лицензия — Apache 2.0.

RADIO-B — модель извлечения признаков изображений, разработанная NVIDIA Research. Она кодирует изображение в два представления: сводный вектор, описывающий общий смысл изображения, и пространственные признаки для локализованного содержимого. Эти представления подходят для дальнейшего использования в задачах компьютерного зрения, включая семантическую сегментацию, а также для передачи визуальных признаков в LLM. Модель принимает изображения и выдаёт тензоры признаков. В карточке показана загрузка через Transformers и обработка RGB-изображений с помощью CLIPImageProcessor. Репозиторий распространяет веса в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии в репозитории.

Модель apanc/russian-inappropriate-messages разработана для классификации русскоязычных сообщений на предмет неуместного содержания. Это плотная BERT-модель с головой классификации последовательностей, содержащая 205,1 млн параметров и принимающая текст длиной до 512 токенов. Она выявляет высказывания, которые могут нанести ущерб репутации автора, даже если в них нет обсценной лексики или токсичного намерения, например оправдание преступления или оскорбление чувств верующих. Модель предназначена как дополнительный этап фильтрации после проверки на токсичность и обсценную лексику; для определения конкретной чувствительной темы README рекомендует использовать отдельную модель. На тестовой выборке авторы сообщают точность 0,89 и F1 0,78 для класса неуместных сообщений. Обучение и оценка проводились на примерах с полной уверенностью в разметке, поэтому качество на неоднозначных сообщениях может отличаться. Доступны веса PyTorch, TensorFlow и Flax. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с указанием авторства и распространением производных материалов на тех же условиях.

sapiens2-pose-1b-bf16 — конверсия Meta Sapiens2 pose-1b для запуска через MLX. Модель на базе Vision Transformer предназначена для оценки позы человека по изображению: она строит карты тепловых откликов для 308 ключевых точек, охватывающих тело, лицо, кисти и стопы. Параметры сохранены в формате bfloat16 в файле safetensors; размер модели — 1,5 млрд параметров. Модель подходит для анализа положения тела и подробной локализации суставов и других точек человека на изображениях. Для работы через MLX используется библиотека mlx-vlm; результат позы представлен в координатах исходного изображения. Лицензия указана как other, поэтому условия использования следует сверить с карточкой исходной модели Meta.

DAMO-NLP-SG/SigLIP-NaViT — визуальный энкодер из семейства VideoLLaMA 3, опубликованный группой Language Technology Lab при Alibaba DAMO Academy. Репозиторий содержит модель примерно на 544,9 млн параметров и помечен для извлечения признаков; его можно подключать как vision encoder в системах VideoLLaMA 3. Модель предназначена для извлечения признаков из изображений в составе мультимодальных систем. Карточка Hugging Face автоматически сгенерирована и не раскрывает архитектурные детали, точные сценарии использования, лицензию или ограничения; поэтому эти характеристики нельзя надёжно уточнить.

Synapse-Guard v1.3 — модель классификации текста на базе BERT, разработанная Comunidade Synapse BR для автоматической модерации контента на бразильском португальском. Модель с 6,7 млн параметров принимает текст и относит его к категориям нейтрального, токсичного, спамного или взрослого содержания; максимальный контекст составляет 256 токенов. Модель предназначена для фильтрации публикаций, комментариев и сообщений в социальных сетях, форумах, чатах, чат-ботах и других цифровых платформах. В версии 1.3 улучшена обработка разговорной речи, сленга, сокращений и распространённых ошибок в бразильском португальском; также заявлены улучшенное обнаружение спама и снижение ложных срабатываний на технических и профессиональных текстах. Выпущена под лицензией Apache-2.0. Модель может ошибаться при распознавании иронии, сарказма и неоднозначных сообщений, особенно если для интерпретации нужен внешний контекст. Количественные метрики качества в карточке не приведены; для важных решений рекомендуется дополнительная проверка человеком.