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

Репозиторий AINovice2005 предоставляет реализацию PrunaVAED в формате компонента Modular Diffusers: оптимизированный видеодекодер и механизм загрузки для повторного использования в конвейерах Diffusers. Компонент основан на PrunaAI/PrunaVAED и содержит реализацию и веса в формате safetensors. Модель предназначена для видеовывода, сборки пользовательских конвейеров генерации видео и экспериментов с модульными компонентами и прореженными видео-VAE. Метаданные относят её к задаче text-to-video; библиотека — Diffusers. Для загрузки используется собственный код репозитория с trust_remote_code=True. Лицензия указана как other, конкретные условия в предоставленной карточке не раскрыты. Компонент ориентирован на интеграцию в конвейеры Modular Diffusers; отдельные ограничения качества или производительности не описаны.

Lambent/Qwen3.5-9B-Base-Interiority — мультимодальная модель на архитектуре Qwen3.5, созданная автором Lambent на основе Qwen/Qwen3.5-9B-Base. Это дообученная версия с предпочтительным обучением: четыре итерации DPO-настройки на примерно 120 синтетических примерах каждая, с LoRA ранга 256 и последующим слиянием адаптера. Обучение проводилось без reasoning traces. Модель предназначена для диалогов и ответов на эмоциональные и философские вопросы в рамках своего chat template; настройка побуждает её рассматривать темы внутреннего опыта и сокращает шаблонные отказы и оговорки. В метаданных указана задача image-text-to-text и возможность работы с изображениями; размер базовой модели — 9 млрд параметров. В README приведён результат 74,2 по диагностике EQ-Bench 2.1. Модель опубликована в формате safetensors под лицензией Apache-2.0. Настройка предпочтений невелика и экспериментальна по масштабу; приведённый диагностический результат не гарантирует качество на других задачах. README отмечает, что поведение, ориентированное на внутренний опыт, проявляется при использовании chat template.

RynnBrain 1.1-122B-A10B — мультимодальная модель для embodied AI от Alibaba DAMO Academy, дообученная на базе Qwen3.5-122B-A10B. Это вариант семейства RynnBrain 1.1 с разреженной MoE-архитектурой: в названии указаны 122 млрд параметров и 10 млрд активных параметров. Модель принимает изображения и текст и предназначена для понимания сцен и видео, пространственных рассуждений, локализации объектов и планирования в задачах взаимодействия с физическим миром. В опубликованных материалах семейства описаны распознавание категорий, атрибутов и отношений объектов, подсчёт, поиск объектов по инструкциям с выдачей ограничивающих рамок, 3D-привязка и предсказание точек контакта. Для управления роботами авторы представляют отдельную систему RynnBrain-VLA; README не подтверждает, что данный чекпойнт сам выдаёт действия робота. В метаданных указаны английский и китайский языки, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Длина контекста в предоставленных данных не указана.

Shlokartha Vāgartha SFT — компактная причинная языковая модель от Kshitij Thakkar, дообученная полным обновлением параметров на наборе shlokartha-sft, составленном на основе корпуса sarvamai/vagartha. Модель предназначена для послойного толкования санскритских стихов: она может давать значения отдельных слов (Pada Artha), смысловой перевод (Anvaya) и расширенное контекстное объяснение (Bhavartha), сохраняя письмо деванагари и при необходимости транслитерацию. Это модель семейства Qwen3 MoE с архитектурой Qwen3MoeForCausalLM, примерно 114 млн параметров, для генерации текста и диалогового использования через Transformers. Заявленная длина контекста — 262 144 токена. Основной сценарий — экспериментальное объяснение санскритской поэзии, образовательные прототипы и интерфейсы для индийских языков. Репозиторий использует формат safetensors; лицензия модели в предоставленных данных не указана. README просит сохранять атрибуцию CC-BY-4.0 для производных материалов из обучающего корпуса. Модель может выдавать беглые, но ошибочные переводы, грамматический разбор, атрибуции источников и философский контекст. Её выводы следует сверять с оригиналом и квалифицированными справочными источниками; модель не подходит как единственный авторитет для религиозных, исторических или учебных утверждений.

SpatialReward-8B — модель оценки вознаграждения для редактирования изображений по текстовым инструкциям, разработанная авторами SpatialReward. Она сравнивает исходное и отредактированное изображения с инструкцией, предсказывает области изменений в виде ограничивающих рамок и связывает оценку смысла с пространственными свидетельствами на изображении. Модель предназначена для автоматической оценки результатов редактирования и использования оценок как сигнала вознаграждения при обучении с подкреплением. Модель основана на Qwen/Qwen3-VL-8B-Instruct и дообучена на SpatialReward-Train; архитектура — плотная Qwen3-VL для генерации текста по текстовым и визуальным входам. Авторы сообщают о высокой точности на собственном бенчмарке MER-Bench и применении модели для стабилизации RL-обучения редактированию изображений. Лицензия — Apache-2.0.

CustomViT-Nano — компактная модель классификации изображений, разработанная автором репозитория kd13. Она предназначена для классификации изображений природных объектов в стиле ImageNet-1K, а также для экспериментов с небольшими визуальными энкодерами и их переносом на смежные задачи. Модель содержит 4,24 млн обучаемых параметров и принимает изображения размером 224 × 224 пикселя; архитектура объединяет многоступенчатый сверточный stem, 2D Rotary Positional Embeddings, Pre-RMSNorm, блоки SwiGLU и внимание PyTorch SDPA. На валидационном наборе ImageNet-1K автор сообщает точность Top-1 63,60% и Top-5 84,93% для 1000 классов. Небольшой размер делает модель подходящей для ограниченных по ресурсам сценариев и учебных экспериментов. Она ориентирована на классификацию и не предназначена для обнаружения объектов, сегментации или генерации подписей. Качество может снижаться на изображениях, отличающихся от естественных изображений ImageNet; перед применением в критичных сценариях требуется отдельная оценка. Лицензия — MIT.

Это модель для распознавания речевых команд, созданная дообучением facebook/wav2vec2-conformer-rel-pos-large на наборе Speech Commands. Она использует архитектуру Wav2Vec2-Conformer и содержит 402,7 млн параметров; модель классифицирует аудиозапись по ключевым словам, включая команды Yes, No, Up, Down, Left, Right, Stop и Go, цифры от Zero до Nine и дополнительные слова из набора Speech Commands. На оценочной выборке указана точность 0,9724. Модель предназначена для распознавания коротких англоязычных команд, например в голосовом управлении устройствами. Лицензия — Apache-2.0.

Модель Miniijune/wav2vec2-xls-r-300m-Korean-children-pronunciation-jamo-based-semi-supervised_V2 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Архитектура Wav2Vec2ForCTC; в репозитории указано около 402,7 млн параметров. Название указывает на распознавание корейской детской речи с представлением на основе хангыля по буквам чамо, однако описание и сведения об обучающих данных в карточке практически отсутствуют. Модель принимает аудио и выдаёт распознанный текст. В README приведены результаты на оценочном наборе: loss 0,0802 и CER 0,1160; подробности набора и методики оценки не раскрыты. Лицензия — Apache-2.0.

xlm-mlm-plains-cree-en-clkd — модель классификации текста для выявления образного языка в предложениях на равнинном кри. Она создана на основе FacebookAI/xlm-mlm-100-1280 методом кросс-лингвальной дистилляции знаний: англоязычная модель-учитель присваивает мягкие метки переводам предложений, а модель-ученик обучается воспроизводить их для текстов на кри. В основе ученика лежит KonradBRG/xlm-mlm-plains-cree-en-tlm; часть нижних слоёв заморожена для сохранения кросс-лингвального выравнивания. Модель различает четыре класса: буквальное выражение, идиому, метафору и сравнение. Она подходит для анализа текстов на равнинном кри и разметки примеров образной речи. Максимальная длина контекста — 512 токенов. Обучение проводилось на примерно 9 тысячах параллельных предложений кри и английского, включая данные из Plains Cree Texts и корпуса EdTeKLA. Лицензия — CC BY 4.0. Оценки качества и ограничения применимости в карточке не приведены.

ZooClaw-FashionSigLIP2 — специализированный для моды vision-language энкодер, разработанный для платформы ZooClaw AI agents и дообученный на базе google/siglip2-base-patch16-384. Модель использует архитектуру SigLIP2 ViT-B/16 с визуальной и текстовой башнями и примерно 375 млн параметров. Она кодирует изображения и текст в согласованные векторы размерности 768; изображения подаются в размере 384 × 384 RGB. Модель предназначена для поиска товаров по изображению или текстовому запросу, поиска похожих изображений, сопоставления изображений с описаниями и классификации изображений по текстовым меткам без отдельного классификатора. Её можно применять для поиска и рекомендаций в каталогах одежды и других модных товаров. В README также описан доступ к модели через API ZooData. Репозиторий распространяется по лицензии Apache-2.0.

CATVTON-Flux — модель виртуальной примерки одежды, опубликованная разработчиком, указанным в карточке как Black Magic An. Она переносит одежду с изображения предмета на изображение человека, используя маску человека; модель основана на дообученной black-forest-labs/FLUX.1-Fill-dev и применяется для генерации изображения с помощью inpainting. В README указаны входы: изображение человека, маска, изображение одежды и необязательное случайное зерно. Репозиторий содержит веса safetensors и рассчитан на работу через Diffusers. Для обучения использовался набор данных DressCode. Лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка не приводит количественных оценок качества или дополнительных ограничений по входным изображениям.

CeLLaTe — дообученная модель семейства BERT для предсказания пропущенных токенов в тексте. Она основана на bioformers/bioformer-16l и дообучена разработчиком Mardiyyah на наборе Mardiyyah/TAPT_CeLLaTe2.0. Модель содержит 51,3 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 1024 токенов. Основная задача — восстановление замаскированных слов и токенов. На указанном в карточке наборе оценки модель показала loss 1,4695, accuracy 0,7180 и perplexity 4,3469. Карточка не описывает подробнее назначение набора данных и ограничения модели, поэтому результаты не подтверждают качество для конкретных медицинских или иных прикладных сценариев. Лицензия — Apache-2.0.

CeLLaTe-tapt-bioformer16l-tokenizer-original_v2 — дообученная модель семейства BERT на базе bioformers/bioformer-16l. Она обучена на датасете Mardiyyah/TAPT_CeLLaTe2.0 и предназначена для восстановления замаскированных фрагментов текста (fill-mask). Модель содержит 50,8 млн параметров, принимает последовательности длиной до 1024 токенов и использует архитектуру BertForMaskedLM. В репозитории веса представлены в формате safetensors. На оценочном наборе указаны loss 1,5001, accuracy 0,7147 и perplexity 4,4820. Карточка не раскрывает подробности о составе датасета и ограничениях применения. Лицензия — Apache-2.0.

CHATUtterance-zh_CN — модель проекта TalkBank, разработанная для сегментации высказываний в китайской речи. Это производная от BERT модель для классификации токенов, обученная на примерах диаризации высказываний из китайских корпусов CHILDES: ZhouAssessment, Zhang Personal Narrative и Li Shared Reading. Её можно применять как модель классификации токенов в Transformers или использовать вместе с набором инструментов TalkBank Batchalign в режиме transcribe для полного анализа. Модель содержит 129,5 млн параметров, работает с контекстом до 512 токенов и принимает текст, выдавая метки токенов. Она рассчитана на китайский язык; карточка не сообщает лицензию. Ее назначение специализировано на анализе речи и сегментации высказываний, поэтому перенос на другие языки и типы данных не подтверждён.

Модель tanganke/clip-vit-base-patch32_oxford-iiit-pet — дообученная на наборе Oxford-IIIT Pet модель извлечения признаков на основе CLIP ViT-B/32 от OpenAI. Она предназначена для получения визуальных признаков изображений животных; на тестовом наборе точность после дообучения составила 0,925 против 0,833 у исходной модели. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Метаданные указывают лицензию? Нет сведений о лицензии в предоставленных источниках.

Cosmos-Reason1-7B-GGUF — GGUF-версия открытой мультимодальной модели Cosmos Reason от NVIDIA, подготовленная Unsloth. Это vision-language model с 7 млрд параметров, предназначенная для физического искусственного интеллекта, робототехники и автономных транспортных систем. Модель принимает текстовый запрос вместе с изображением или видео и генерирует ответ с учётом визуального содержания. Заявленный язык — английский. Модель специализируется на пространственно-временном понимании, базовой физике, здравом смысле и воплощённом рассуждении. Она может использоваться для планирования действий роботов и VLA-систем, интерпретации сложных команд, анализа незнакомых сцен, автоматизированной разметки и отбора данных, а также для анализа записанных или потоковых видеоматериалов и поиска причин событий. Архитектура включает vision encoder, projector и языковую модель, объединяющую визуальные токены с текстовым запросом; обучение продолжалось с помощью supervised fine-tuning и reinforcement learning на данных, связанных с физическим здравым смыслом и рассуждением в реальном мире. К сильным сторонам относятся способность рассуждать о динамике окружающей среды, учитывать пространство и время, объяснять ход решения и работать с длинным хвостом разнообразных физических сценариев. Ограничения включают заявленную ориентацию на английский язык, отсутствие в предоставленных данных сведений о размере контекста и конкретных требованиях к аппаратному обеспечению, а также необходимость самостоятельно проверять ответы модели в критически важных робототехнических и автономных системах. Модель распространяется по NVIDIA Open Model License; коммерческое использование и создание производных моделей разрешены при соблюдении условий лицензии, включая требования к сохранению сопоставимых защитных механизмов.

DA3 Metric Large — модель для оценки глубины по одному изображению с восстановлением реального масштаба сцены. Её разработала команда ByteDance Seed. Модель содержит около 0,35 млрд параметров и использует Vision Transformer с унифицированным представлением глубины и лучей; веса опубликованы в формате safetensors, лицензия — Apache 2.0. Модель предназначена для монокулярной метрической и относительной оценки глубины, а также сегментации неба. Её можно применять в задачах компьютерного зрения, где по фотографии нужно получить карту глубины в реальном масштабе. Обучение проводилось на общедоступных академических наборах данных. Качество может снижаться на специализированных изображениях и зависит от качества снимка, освещения и сложности сцены. README отмечает преимущество семейства Depth Anything 3 над Depth Anything 2 в монокулярной оценке глубины, но подробные результаты бенчмарков приведены отдельно в статье.

DensFiLM — модель видео-салиентности для сцен с толпами, разработанная Анисом Ур Рахманом из CSC – IT Center for Science Ltd. Она основана на Video Swin Transformer Swin3D-S и использует FiLM-слой, который учитывает категорию плотности толпы для перенастройки пространственно-временных признаков. Модель принимает клипы из 8 последовательных кадров размером 224×384 и выделяет области, на которые люди с большей вероятностью будут смотреть. Модель предназначена для анализа зрительного внимания в разреженных, плотных и перегруженных толпах; сигнал плотности может вычисляться самой моделью, поэтому отдельная разметка плотности при применении не требуется. В тесте CrowdFix авторы сообщают улучшение NSS и CC по сравнению с опубликованным результатом ACL-Net. Веса обучены на 3 189 клипах CrowdFix с основой, предварительно обученной на Kinetics-400; дополнительные FiLM-слои, эмбеддинг плотности и декодер добавляют около 100 тысяч параметров. Проверка проводилась только на CrowdFix. Перенос на другие наборы данных и обычные видеосцены не проверен; при оценке с удалением общего центрального смещения качество снижается, что указывает на сохранение компонента центрального приора. Репозиторий распространяется по лицензии MIT.

LiheYoung/depth_anything_vitl14 — большая модель Depth Anything для оценки глубины по изображению, представленная авторами работы «Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data». Она предназначена для получения карты относительной глубины из входного изображения и может использоваться в задачах компьютерного зрения, где важно оценить пространственное расположение объектов и поверхностей. Модель решает задачу depth-estimation; в метаданных указан формат PyTorch. README ссылается на исследовательскую работу, демонстрацию и страницу проекта. Лицензия, размер модели и конкретные ограничения в доступных сведениях не приведены.

Модель mwkby/distilbert-base-uncased-sentiment-reddit-crypto — дообученная версия distilbert-base-uncased для классификации тональности комментариев Reddit о криптовалютах. Она предназначена для анализа сообщений из обсуждений криптовалют, включая сообщества Bitcoin, Ethereum и Dogecoin. Архитектура — DistilBERT для классификации последовательностей; модель принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В README указаны точность 0,8915 на оценочном наборе и 0,8641 на финальном тестовом наборе. Эти результаты относятся к использованным наборам данных Reddit и не гарантируют такую же точность на других источниках или современных обсуждениях. Лицензия — Apache-2.0.

facebook/dpt-dinov2-base-nyu — модель оценки глубины по изображениям, разработанная Meta с использованием архитектуры Dense Prediction Transformer (DPT) и визуального энкодера DINOv2. Она предназначена для получения карты глубины сцены из входного изображения; карточка представляет её как пример применения DPT с DINOv2 в качестве основы для оценки глубины. Модель обрабатывает изображения и выдаёт пространственную карту глубины. В метаданных указаны задача depth-estimation, реализация на PyTorch и архитектура DPTForDepthEstimation. Репозиторий распространяется по лицензии Apache-2.0.

DynaFLIP-base — модель семейства DynaFLIP, представленная в работе «DynaFLIP: Rethinking Robotics Perception via Tri-Modal-Dynamics Guided Representation». Она предназначена для классификации изображений по текстовым описаниям без предварительного обучения на заданном наборе классов и может использоваться для оценки соответствия изображения предложенным категориям. Модель разработана авторами исследования DynaFLIP. Модель реализована как плотная архитектура DynaFLIP и распространяется в формате safetensors; для работы совместима с Transformers. Лицензия — Apache-2.0. Карточка не содержит сведений о размере, контексте или поддерживаемых языках.

Flammen-Trismegistus-7B — языковая модель на архитектуре Mistral, созданная nbeerbower путём слияния методом SLERP моделей nbeerbower/flammen3X и teknium/Mistral-Trismegistus-7B. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; максимальный контекст — 32 768 токенов. Она предназначена для генерации ответов и инструкций, в том числе по эзотерике, оккультизму и духовным темам, унаследованным от одной из базовых моделей. В карточке описан способ слияния, но нет оценок качества или подробных рекомендаций по применению. Распространяется по лицензии Apache-2.0.

internlm/internlm-xcomposer2d5-clip — визуальный энкодер, разработанный командой InternLM для мультимодальной системы InternLM-XComposer2.5. Модель преобразует изображения в признаки, которые затем используются языковой моделью для понимания изображений, видео, многокадровых сцен и визуально-текстовых диалогов. Модель основана на архитектуре CLIP Vision и содержит около 402,7 млн параметров. В Hugging Face она опубликована как модель для извлечения признаков и используется через Transformers и PyTorch; в официальной реализации InternLM-XComposer2.5 выступает как vision tower, подключаемый к языковой модели. Доступная модальность — изображения; сведений о поддерживаемых естественных языках и длине контекста для самой модели нет. Сильная сторона модели — получение визуальных представлений для задач мультимодального понимания и интеграции с крупной языковой моделью. Это не самостоятельная чат-модель и не генератор текста: для ответов на вопросы, диалогов или создания описаний требуется мультимодальная система, использующая этот энкодер. Модель распространяется по лицензии Apache-2.0.

gizemgg/Llama2_Femicide — языковая модель семейства Llama 2, разработанная gizemgg и дообученная на базе unsloth/llama-2-7b-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 15 000 токенов. Модель предназначена для генерации текста. Название репозитория указывает на тематику фемицида, однако карточка не описывает обучающие данные, конкретные сценарии применения или качество по этой теме. Лицензия — Apache-2.0.

BVRA/MegaDescriptor-DINOv2-518 — модель извлечения признаков изображений на основе DINOv2, предварительно обученная Supervisely на наборах данных для повторной идентификации животных. Она предназначена для получения векторных представлений изображений животных, которые можно использовать для поиска и сопоставления особей. Модель построена на архитектуре ViT-Large с патчами 14 × 14; содержит около 304,4 млн параметров и рассчитана на изображения размером 518 × 518 пикселей. Модель подходит для создания систем повторной идентификации животных по фотографиям и поиска похожих изображений по эмбеддингам. В карточке указана лицензия CC BY-NC 4.0, которая разрешает использование с соблюдением условий атрибуции и ограничивает коммерческое применение. Метаданные Hugging Face относят её к image-classification, хотя в README основное назначение описано как извлечение признаков для повторной идентификации.

Это модель классификации изображений, разработанная howdyaendra на базе microsoft/swinv2-small-patch4-window16-256 и дообученная на наборе howdyaendra/xblock-social-screenshots. Иерархическая архитектура Swin Transformer v2 Small содержит около 33 млн параметров; модель принимает изображения и присваивает им классы. Модель предназначена для модерации скриншотов в постах Bluesky: она классифицирует снимки экранов публикаций из социальных сетей, передаваемые сервису разметки XBlock. В README указаны метрики на оценочной выборке: loss 0,1252 и ROC AUC 0,9535; оценка проводилась на 20% от 1618 изображений. Модель распространяется под лицензией Apache-2.0.

Модель MyPlaygirl AI Team для бинарной классификации англоязычных текстовых сообщений: она относит текст к откровенному сексуальному контенту (NSFW) или безопасному для работы контенту (SFW). Модель предназначена для первичной модерации сообщений и может быть частью более широкой системы проверки контента. В карточке указано, что модель дообучена на пользовательском наборе примеров разговорных сообщений с метками NSFW и SFW. Она принимает текст длиной до 512 токенов и выдаёт метку класса; репозиторий содержит веса в формате safetensors. В карточке заявлены идеальные результаты на сбалансированной тестовой выборке из 100 примеров, однако размер и состав выборки ограничивают выводы о качестве на реальных данных. Лицензия — MIT. Модель обучена только для текстов, поэтому её результаты могут быть хуже на формулировках и типах сообщений, недостаточно представленных в обучающих данных. Для спорных случаев рекомендуется проверка человеком; также следует учитывать возможные смещения классификации.

PatriLaSE — модель Sentence Transformers, дообученная TdelaSelle на основе bowphs/LaBerta для получения эмбеддингов предложений и абзацев на латинском языке. Она преобразует текст в плотные векторы размерности 768, использует RoBERTa с CLS-пулингом и косинусную функцию сходства. Максимальная длина входа — 512 токенов. Модель предназначена для поиска семантически близких фрагментов в текстах патристической латыни, включая выявление цитат и аллюзий, а также для информационного поиска. Прикладная область — классическая филология. Модель распространяется по лицензии CC BY 4.0. Ее обучение проводилось на корпусе предложений патристической латыни; качество для других языков и текстовых жанров не описано.

NTQAI/pedestrian_gender_recognition — модель классификации изображений на основе BEiT, разработанная NTQAI и дообученная на microsoft/beit-base-patch16-224-pt22k-ft22k на наборе данных PETA. Она предназначена для определения гендерной категории пешехода по изображению и доступна через Transformers pipeline. В карточке указаны 119,5 млн параметров; веса представлены в форматах PyTorch, safetensors и ONNX. На оценочной выборке модель показала accuracy 0,9107 и loss 0,2170. Лицензия Apache-2.0. Карточка не описывает подробности разметки, состав классов и ограничения применимости, поэтому метрики не гарантируют качество на иных данных.