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

timm/convnextv2_nano.fcmae — сверточная модель ConvNeXt-V2, разработанная для извлечения признаков из изображений. Она обучена без учителя методом FCMAE на ImageNet-1k и содержит около 15 млн параметров. Модель рассчитана на изображения размером 224 × 224; предобученной классификационной головы у неё нет. Модель можно использовать как визуальный бэкбон для извлечения карт признаков и эмбеддингов, а также дообучать для классификации изображений. В метаданных Hugging Face основная задача указана как image-feature-extraction. Репозиторий предоставляет веса PyTorch и safetensors и использует библиотеку timm. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. README указывает ImageNet-1k как датасет предобучения; модель предназначена для компьютерного зрения и не обрабатывает текст или другие модальности.

cemilcelik/distilgpt2_pubmed — языковая модель на архитектуре GPT-2, дообученная на основе DistilGPT-2. Карточка сообщает о потере 1,8745 на оценочной выборке, но не описывает датасет и процедуру оценки, поэтому этот результат сам по себе не позволяет судить о качестве в практических сценариях. Модель предназначена для генерации текста. Название указывает на связь с PubMed, однако карточка не подтверждает тематику данных и не описывает специальные медицинские возможности. Контекст составляет 1024 токена; веса доступны в формате PyTorch. Лицензия — Apache-2.0. Языки и ограничения применения в карточке не описаны.

Это крупная модель EoMT-DINOv3 для паноптической сегментации изображений, представленная пользователем tue-mps и обученная на COCO. Она сочетает архитектуру Encoder-only Mask Transformer с визуальным трансформером DINOv3 ViT-L/16 и предназначена для одновременного выделения объектов и сегментации фона на изображении с разрешением 1280×1280. Модель использует общий ViT-бэкбон без специализированного декодера сегментации; для семантической, экземплярной и паноптической сегментации применяются разные способы постобработки. Варианты DINOv3 используют rotary position embeddings и предобучение Meta AI. Число параметров — около 402,7 млн. Модель принимает изображения и выдаёт сегментационные маски и категории объектов. Подходит для анализа сцен и разметки изображений в задачах компьютерного зрения. Опубликована под лицензией MIT.

Модель разработана Уиллом Хорном, Алоной О. Долински и Леной Марией Хубер и дообучена на базе microsoft/mdeberta-v3-base для выделения упоминаний целевых групп в политических текстах. Она принимает предложения без дополнительного контекста и присваивает токенам BIO-метки B-GROUP, I-GROUP и O, чтобы определить границы упоминаний. Архитектура — DeBERTa V2 для классификации токенов; размер по метаданным — 306 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа политических манифестов и коммуникации, сравнительных исследований между странами и подготовки текста для последующего анализа, например определения позиции. В карточке приведены результаты оценки на английском и немецком языках, а также дополнительная проверка на нескольких других европейских языках; исходное обучение проводилось на английских и немецких манифестах. Лицензия в предоставленных данных не указана.

naflexvitb16nepa-generic — визуальный энкодер семейства NaFlex ViT B/16, разработанный проектом Birder. Модель содержит 85,8 млн параметров и предварительно обучена методом NEPA на разнообразном наборе примерно из 20 млн изображений. Она извлекает векторные признаки изображений и формирует карты признаков для использования в качестве основы последующих компьютерно-зрительных моделей; для отдельной задачи классификации модель не дообучалась. Энкодер поддерживает переменный размер патчей от 14 до 32 пикселей и изображения с разрешением от 192 до 320 пикселей при бюджете последовательности 36–400 токенов. Заявлены сценарии построения классификаторов, детекторов объектов и моделей сегментации. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

dys-asr/parakeet-tdt-0.6b-syn — модель распознавания английской речи с дизартрией и другими атипичными особенностями, созданная дообучением nvidia/parakeet-tdt-0.6b-v3. Это трансдьюсерная архитектура Token-and-Duration Transducer (TDT) с сетью предсказаний, объединяющей сетью и головой длительности; декодирование авторегрессионное. Модель принимает аудио и выдаёт английскую расшифровку. Для обучения использованы реальные записи из Speech Accessibility Project, HeyJay! и Project Relate, а также синтетическая речь, созданная CosyVoice. В карточке указаны 0,6 млрд параметров базовой модели; этот вариант использует формат safetensors. Модель предназначена для распознавания речи людей с дизартрией и иных форм атипичной речи. На тестовом подмножестве из 48 говорящих SAPC2, отсутствовавших в реальном обучающем наборе, получены WER 10,87% и CER 6,72% при жадном декодировании без языковой модели. На этом сравнении результат немного хуже чекпойнта, обученного без синтетической добавки; карточка не подтверждает, что синтетические данные улучшают качество. Вывод модели — текст в нижнем регистре, без пунктуации, числа записываются словами. Лицензия обозначена как other; исходные обучающие аудиозаписи распространяются на отдельных условиях и не входят в веса модели.

dbourget/philai-embeddings-2.0 — модель Sentence Transformer на архитектуре BERT, разработанная для представления философских текстов в виде плотных векторов. Она принимает предложения и абзацы и кодирует их в векторы размерностью 1024 для вычисления семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель обучалась на открытых философских текстах: сначала использовалась предобученная bert-base-uncased, затем обучение TSDAE и дообучение на наборах philsim и beatai-philosophy с целью косинусного сходства. Максимальная длина входа — 512 токенов; для оценки сходства применяется косинусная близость. Карточка приводит результаты оценки на beatai-dev, включая точность 0,8081 по косинусному сходству. Модель ориентирована на философские тексты и может хуже работать на других тематиках. Файлы опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

PictSure — модель компьютерного зрения для классификации изображений в режиме few-shot learning. Она использует изображения и метки классов из контекста, чтобы классифицировать новые изображения с небольшим числом примеров. Архитектура объединяет предобученный энкодер изображений на базе ResNet или Vision Transformer, проекционные слои, трансформерный энкодер и классификационную голову. В README описаны варианты на ResNet18 примерно с 53 млн параметров и ViT-Base примерно со 128 млн параметров. Модель рассчитана на изображения размером 224 × 224 пикселя и обучалась для few-shot задач на ImageNet-21k; в качестве энкодеров используются признаки, предварительно обученные на ImageNet. Она подходит для быстрой адаптации классификации к новым классам при наличии нескольких размеченных контекстных примеров. Репозиторий содержит веса Safetensors, библиотека реализации — PyTorch. Лицензия MIT. Для предсказаний необходимы контекстные изображения и метки, а качество зависит от их репрезентативности. Модель предназначена только для классификации, требует значительной памяти, не подходит для детекции и сегментации и принимает изображения фиксированного разрешения. Возможны смещения, унаследованные от обучающих данных и усиливаемые выбором контекста.

PinkCherry-NSFW_MiniMax-H3 — модель генерации видео по текстовому описанию, созданная как NSFW-настройка MiniMax H3. Карточка рекомендует для версии 1.5 стандартный шаблон ComfyUI с планировщиком Euler и режимом simple, а также Lightx2v turbo, совместимый с этой версией. Модель предназначена для генерации видео по текстовым запросам. В метаданных указаны архитектура MiniMaxH3 и формат весов safetensors. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает о контенте для взрослой аудитории; сведений о размере модели, длине контекста и поддерживаемых языках нет.

Pixio ViT-5B/16 — модель компьютерного зрения из семейства self-supervised foundation models, разработанная FAIR at Meta и HKU. Это Vision Transformer, обученный с нуля методом masked autoencoding на 2 млрд веб-изображений с минимальной ручной фильтрацией. Модель извлекает плотные визуальные признаки и предназначена для получения представлений изображений для последующих задач компьютерного зрения. На вход подаётся изображение, на выходе модель возвращает восемь class-токенов и токены патчей. Размер патча — 16 пикселей; изображение 256×256 даёт 264 токена. Поддерживаются изображения большего размера, если их размеры кратны 16. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель подходит для исследовательского и прикладного извлечения визуальных признаков, однако README не приводит численных результатов оценки или конкретных рекомендаций для отдельных downstream-задач. Лицензия FAIR Noncommercial Research License ограничивает использование некоммерческими исследовательскими целями.

Приправник-157 — модель семейства ModernBERT, разработанная Михаилом Шкорићем (@procesaur) для обработки текстов на сербском языке кириллицей. Она обучена с нуля на текстах на сербском языке, включая специализированный корпус из 500 миллионов слов по праву, законодательству, культуре и истории Сербии, а также материалы Правно-информационной системы Сербии и датасеты, указанные в метаданных. Модель содержит 156,4 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 512 токенов. Основная задача — предсказывать пропущенные слова в тексте; также модель может векторизовать слова. Подходит для языкового анализа сербских текстов, особенно законодательных и правовых материалов. Модель распространяется в формате safetensors по лицензии CC BY 4.0. Описание указывает на специализацию по сербской кириллице и правовой тематике; данных о других языках или гарантиях качества нет.

fairewholesale/product-taxonomy-llava-hf-v1.6-13b — модель LLaVA в формате Hugging Face, полученная из actuaryzhang/product-taxonomy-llava-v1.6-13b. Репозиторий создан преобразованием модели в формат Hugging Face с помощью изменённого скрипта конвертации; доступны веса safetensors и архитектура LlavaForConditionalGeneration на базе Transformers. Модель предназначена для диалоговой работы с изображениями и текстом. Хотя она обозначена как v1.6 (LLaVA-NeXT), в ней отсутствуют некоторые улучшения обработки изображений из LLaVA-NeXT: в частности, не используется улучшенный механизм обработки изображений, а тензор image_newline отсутствует. Карточка не сообщает лицензию и точное число параметров.

SEW-tiny — предварительно обученная речевая модель архитектуры Squeezed and Efficient Wav2vec от ASAPP Research. Она предназначена для извлечения признаков из аудио и последующей настройки под прикладные задачи: распознавание речи, идентификацию говорящего, классификацию намерений и распознавание эмоций. Модель содержит 50,3 млн параметров и обучена на речевом аудио с частотой дискретизации 16 кГц; для работы входное аудио также должно иметь частоту 16 кГц. SEW разработана как более эффективная альтернатива wav2vec 2.0: в описанном исследовании архитектура показала ускорение инференса и снижение частоты ошибок слов на LibriSpeech. Эта карточка представляет базовую модель, которую следует дообучить для выбранной задачи; готовая транскрипция или классификация напрямую не заявлена. Модель доступна по лицензии Apache-2.0.

Shamrock-0-E2B — дообученная на базе Google Gemma 4 E2B IT модель для языковых функций настольного приложения Oxalis. Она предназначена для перевода текста и текста с камеры, работы с репетитором, разговорной практики и словарных запросов на японском, корейском и упрощённом китайском языках. Модель построена на плотной архитектуре Gemma 4 E2B; в репозитории есть объединённый чекпойнт fp16, варианты GGUF и отдельный черновик MTP для ускорения спекулятивного декодирования в llama.cpp. Метаданные классифицируют её как text-generation и указывают поддержку чата; базовая Gemma 4 также мультимодальна. Модель ориентирована на функции изучения языков в Oxalis, а не на универсальную генерацию. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но ограничивающая коммерческое применение. Контекстная длина и отдельные оценки качества в предоставленных данных не описаны.

Модель glazzova/translation_en_ru — дообученная версия MarianMT Helsinki-NLP/opus-mt-en-ru, созданная автором репозитория на датасете tico19 с терминологией, связанной с COVID-19. Она предназначена для перевода текстов с английского на русский, в частности медицинских материалов. Модель содержит 57,2 млн параметров, использует архитектуру MarianMT и принимает текст, выдавая перевод. Контекст — до 512 токенов; языки модели — английский и русский. В карточке приведены результаты оценки на тестовых данных: BLEU 30,84 и loss 1,1217. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. Результаты относятся к указанному тестированию; качество перевода для других типов текстов отдельно не подтверждено.

Raivis Dejus разработал компактную модель распознавания латышской речи на основе Whisper. Она обучена на отобранных проверенных аудиозаписях Common Voice 17 и наборах train, validation и test из Fleurs. Модель содержит 29,4 млн параметров; доступны веса в форматах Safetensors и ONNX, а также версия CTranslate2 для faster-whisper и интеграции Whisper в Home Assistant. Модель предназначена для преобразования латышской речи в текст, в том числе в сценариях голосового управления через Home Assistant. В карточке отмечено, что качество распознавания низкое из-за недостатка обучающих данных; для более точного распознавания рекомендуется whisper-small-lv, которая лишь немного медленнее. Лицензия — Apache-2.0.

XLM_Latin — многоязычная языковая модель на архитектуре XLM-RoBERTa, разработанная для изучения влияния унификации письменности на выявление языка вражды и перенос между языками. Модель дополнительно предобучена на 360 768 транслитерированных текстах, представленных единой латинской письменностью. Она содержит 137,8 млн параметров, использует masked language modeling, токенизатор SentencePiece Unigram со словарём из 32 000 токенов и обрабатывает контекст до 512 токенов. Модель предназначена как основа для дообучения классификаторов языка вражды, кросс-языковых и zero-shot экспериментов, а также исследований транслитерации и многоязычных представлений. В репозитории указаны веса Safetensors; лицензия — Apache-2.0. Хотя README называет исследовательские сценарии основными, модель подходит для прикладного использования после адаптации под конкретную задачу. Качество зависит от точности транслитерации, а унаследованные от обучающих данных смещения могут влиять на результаты. Данные могут содержать оскорбительные выражения, поэтому модель не следует использовать как единственную основу решений в высокорисковых сценариях.

AOS Qwen3 8B Narrated (Continued SFT Merged) — языковая модель, разработанная на основе Qwen/Qwen3-8B с дообучением методом supervised fine-tuning (SFT) и последующим объединением обученного адаптера. Модель опубликована пользователем nabin2004 и предназначена для генерации математических и научных анимаций в Manim Community Edition (CE) с синхронизированной озвучкой через manim-voiceover. Модель генерирует полные исполняемые скрипты Manim, использующие архитектуру VoiceoverScene, маркеры аудио для синхронизации речи и визуальных анимаций, а также синтаксис API Manim CE без устаревших legacy-вызовов. Она ориентирована на создание обучающих визуализаций, например объяснений математических концепций, включая деревья вероятностей для теоремы Байеса. В README указаны английский язык, текстовая генерация и специализация на генерации кода; размер контекста и другие языковые характеристики не уточнены. Модель поставляется в формате bf16 Safetensors и может использоваться через Transformers или vLLM. Её сильные стороны — специализация на Manim CE, генерация готовых VoiceoverScene и поддержка аудиосинхронизации. Ограничения и результаты за пределами этих сценариев в README не описаны. Лицензия — Apache-2.0.

Banano kirtis v2 — модель Kristijonas для расстановки ударений в литовском тексте. Она предсказывает для каждого слова ударный слог и тип акцента с учётом контекста, чтобы различать омографы и варианты ударения. Модель построена на архитектуре XLM-RoBERTa large и решает задачу классификации токенов: 37 классов, одна метка на слово, присваиваемая первому субтокену. Число параметров — 658,7 млн, максимальная длина контекста — 514 токенов. Модель дообучена на FacebookAI/xlm-roberta-large на корпусе meldynamics/lt-stressed-corpus: 108 324 предложения и 1,14 млн размеченных слов. В карточке приведены высокие показатели согласия с разметкой корпуса; это не подтверждённая экспертами точность, поскольку открытого экспертно размеченного теста для литовского ударения пока нет. Для лучшего результата автор рекомендует сначала использовать словарь корпуса, а модель — для выбора среди вариантов и обработки остальных слов. Иностранные имена модель часто оставляет без ударения, а редкие чтения омографов могут уступать частотным; аббревиатуры, цифры и отдельные буквы следует пропускать без изменений. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

SHIKARI2 выпустил дообученную чат-модель на архитектуре Llama 3.1. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалоге; в метаданных также заявлен интерфейс вызова инструментов. Длина контекста составляет 131 072 токена, язык карточки — английский. Модель может служить основой для маркетинговых текстов и диалоговых сценариев, однако README не описывает конкретные задачи дообучения или оценки качества в маркетинговой области. Модель выпущена в формате Safetensors и распространяется по лицензии Apache-2.0.

Это неофициальное зеркало чекпойнта Co-DINO, размещённое dronefreak; исходные метод, архитектура и веса созданы Zhuofan Zong, Guanglu Song и Yu Liu из SenseTime X-Lab. Модель использует Co-DETR с головой CoDINOHead и пятишкальным ViT-L на базе EVA-02 с 304 млн параметров. Обучение проходило на Objects365, затем чекпойнт дообучили на COCO; он предназначен для обнаружения объектов и сегментации экземпляров в 80 категориях COCO. Модель подходит как базовая точка для экспериментов, компонент системы компьютерного зрения или отправная точка для дообучения на собственных данных. На инференсе основными являются рамки объектов, также доступна вспомогательная масочная ветвь. Авторы сообщают box AP 65,8 и mask AP 56,6 на COCO val2017; автор зеркала эти показатели независимо не воспроизводил. Для запуска нужны код проекта Co-DETR и устаревший стек OpenMMLab 1.x (MMDetection 2.25.3, MMCV-full 1.5.0, PyTorch 1.11); поддержки Transformers и pipeline() нет. Лицензия в метаданных не определена.

Это квантованная версия языковой модели DavidAU/L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B, опубликованная под идентификатором DevQuasar/DavidAU.L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B-GGUF. Модель предназначена для генерации текста и относится к семейству моделей объёмом 8 миллиардов параметров. Основной сценарий использования — текстовая генерация. README не содержит подробностей о конкретной архитектуре, поддерживаемых языках, размере контекста, доступных модальностях, вариантах квантования или требованиях к аппаратному обеспечению. Поэтому нельзя достоверно оценить её преимущества, ограничения и производительность по сравнению с исходной моделью. Лицензия и условия использования в предоставленных данных не указаны. Известно только, что модель является квантованной версией исходной модели DavidAU/L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B.

Depth Anything V2 Large — модель для оценки глубины по одному изображению, опубликованная командой Depth Anything и представленная в статье Лихэ Янга и соавторов. Эта версия совместима с библиотекой Transformers и предназначена для оценки глубины без дообучения на конкретном наборе данных. Модель использует архитектуру DPT с backbone DINOv2. Её обучали на примерно 595 тысячах синтетических изображений с разметкой глубины и более чем 62 миллионах реальных изображений без разметки. По описанию авторов, V2 даёт более детализированные и устойчивые оценки, чем Depth Anything V1, и работает быстрее и легче моделей на основе диффузии. Модель принимает изображение и выдаёт карту глубины; карточка заявляет оценку как относительной, так и абсолютной глубины. В метаданных указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Оценка глубины по одному изображению не заменяет измерение специализированным датчиком и может быть ненадёжной в условиях, отличающихся от обучающих данных.

Модель austinmw/distilbert-base-uncased-finetuned-health_facts — дообученная версия DistilBERT для классификации текстов о здоровье. Она обучена на наборе данных health_fact и предназначена для отнесения медицинских утверждений к классам, представленным в обучающей разметке. Архитектура — DistilBertForSequenceClassification; модель принимает текст, работает с контекстом до 512 токенов и распространяется в формате PyTorch. На оценочном наборе указаны accuracy 0,6285 и F1 0,6545. Лицензия — Apache-2.0. Карточка не описывает состав классов и условия обучения подробнее, поэтому результаты не подтверждают пригодность модели для медицинских решений; её следует применять для классификации текстов, а не для постановки диагноза или рекомендаций.

maninglearchine разработала модель для бинарной классификации корейских экономических и финансовых статей: она определяет, подходят ли они для обучения детей до 13 лет. Модель основана на klue/bert-base и дообучена на 5 000 синтетических примерах с автоматически назначенными метками. Это BERT-классификатор последовательностей объёмом 137,8 млн параметров; метаданные указывают контекст до 512 токенов, однако в README рекомендовано подавать короткий текст длиной до 64 токенов. Модель выдаёт одну из двух меток: «подходит» или «не подходит». Она предназначена для предварительной фильтрации статей по темам базовой экономики, финансовых понятий и сложных либо рискованных финансовых инструментов. Лицензия MIT разрешает свободное использование, изменение и распространение. Обучение на шаблонных синтетических данных ограничивает перенос результатов на реальные новости с неоднозначным контекстом и смешанными темами. Указанные в README идеальные метрики получены на небольшом тестовом наборе и не подтверждают качество на реальных статьях; перед практическим применением рекомендуется дообучение на таких материалах.

LlavaGuard-v1.2-0.5B-OV — мультимодальная модель AIML-TUDA для оценки безопасности изображений и текстовых запросов. Она дообучена на LlavaGuard-DS на основе lmms-lab/llava-onevision-qwen2-0.5b-ov и использует архитектуру LLaVA-OneVision с Qwen2. Модель принимает изображения и текст, а ответы выдаёт в текстовом виде; окно контекста составляет 32 тысячи токенов. Модель предназначена для классификации и анализа безопасности мультимодальных запросов, включая формирование объяснений к оценкам. Версия на 0,5 млрд параметров рассчитана на более эффективный вывод по сравнению с более крупными моделями семейства. Для запуска README указывает поддержку Transformers; совместимость с SGLang и репозиторием LLaVA не заявлена. Модель опубликована в формате Safetensors. Лицензия в предоставленных данных не приведена.

MagicAssessor-7B — мультимодальная модель зрения и языка, разработанная для детальной оценки дефектов изображений, созданных системами преобразования текста в изображение. Она входит в состав фреймворка MagicMirror для систематической оценки воспринимаемого качества и выявления анатомических и структурных ошибок. Модель представлена в исследовательской работе MagicMirror: A Large-Scale Dataset and Benchmark for Fine-Grained Artifacts Assessment in Text-to-Image Generation. Это дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct модель семейства Qwen2.5-VL с 7,1 млрд параметров. Она принимает изображения и текст и выдаёт текстовую оценку; максимальный контекст — 128 000 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

MambaOut Femto — модель классификации изображений из семейства MambaOut, опубликованная авторами работы «MambaOut: Do We Really Need Mamba for Vision?» и предобученная на ImageNet-1k. Она также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 7,3 млн параметров и требует около 1,2 GMACs на изображение. В карточке указаны размеры изображений 224 × 224 для обучения и 288 × 288 для тестирования. Модель подходит для классификации изображений и извлечения визуальных представлений в компьютерном зрении. Модель распространяется под лицензией Apache-2.0. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на категории этого набора данных; показатели качества конкретно для варианта Femto в предоставленной карточке не приведены.

ManifestoBERTa XLM-RoBERTa 56policy topics context — модель Manifesto Project на архитектуре XLM-RoBERTa large, дообученная на примерно 1,7 млн размеченных высказываний из Manifesto Corpus версии 2024a. Она классифицирует тексты по 56 политическим темам согласно схеме кодирования Manifesto Project, используя контекст соседних предложений для интерпретации неоднозначных высказываний. Контекстная версия подаёт целевое высказывание вместе с окружающим контекстом длиной до 200 токенов; авторы сообщают об улучшении точности примерно на 7 процентных пунктов относительно модели без контекста. По данным метаданных, модель содержит 658,7 млн параметров и имеет контекстное окно 514 токенов. Модель предназначена для анализа политических программ, манифестов и других текстов с целью распределения высказываний по тематическим категориям. Она обучена на 38 языках корпуса и, по README, применима к языкам предобучения XLM-RoBERTa, но лучше всего работает на языках, представленных в обучающих данных. На тестовой выборке из 200 920 высказываний контекстная версия показала accuracy 0,64 и Macro-F1 0,53. Лицензия — BigScience OpenRAIL-M. Для загрузки полной модели README указывает необходимость включить trust_remote_code=True.

Marigold Depth HR v1-1 — модель Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler для оценки глубины по одному изображению. Она основана на латентной диффузионной архитектуре и дообучена на базе marigold-depth-v1-1 для работы с изображениями высокого разрешения. Модель строит аффинно-инвариантную карту глубины: значения от 0 до 1 задают относительное расстояние между выбранными моделью ближней и дальней плоскостями. Она рассчитана на изображения размером до 4 Мп и использует DDIM с 10–50 шагами денойзинга. Подходит для анализа сцен и получения относительной глубины без данных о камере. Лицензия — Apache 2.0.