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

Harish102005/Qwen2.5-Coder-7B-manim — дообученная модель Qwen2ForCausalLM, созданная на базе Qwen/Qwen2.5-Coder-7B для генерации Python-кода анимаций Manim по текстовым описаниям. Модель дообучена методом QLoRA на 2 407 примерах «запрос — код» из набора dalle2/3blue1brown-manim; в метаданных указаны 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для создания учебных математических анимаций, визуализаций, прототипов сцен и примеров кода Manim. README приводит примеры анимации вращающегося квадрата, построения синусоиды и появления формулы. Она также может помогать изучать синтаксис Manim и автоматизировать подготовку серий анимаций. Обучающая выборка невелика и сосредоточена на стилях 3Blue1Brown: модель лучше подходит для типовых двумерных сцен, а сложные трёхмерные сцены, шейдеры и составные объекты могут потребовать ручной доработки. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-8b-compassion-seed2-20261001-CPT-merged-epoch-1 — плотная авторегрессионная языковая модель семейства Qwen3, дообученная BrandonHowe на базе Qwen/Qwen3-8B-Base методом продолженного предобучения на наборе CompassioninMachineLearning/compassion_12185_cleaned. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов; веса представлены в BF16 в формате safetensors и объединены в самостоятельный чекпойнт, для загрузки которого адаптер не требуется. Модель предназначена для генерации текста и диалоговых сценариев с тематикой сострадания и взаимодействия человека с ИИ. Карточка сообщает о первом этапе обучения, но не подтверждает, что дообучение улучшило проявление сострадания; это следует оценивать отдельно. Лицензия в предоставленных данных не указана.

chrullis разработал Qwen3-ASR-Radio 1.7B — дообученную модель семейства Qwen3-ASR для распознавания английской речи в искажённых авиационных радиопередачах VHF. Это плотная аудиотекстовая модель на архитектуре Qwen3ASRForConditionalGeneration, выпущенная в формате safetensors и доступная как объединённая полная модель на базе Qwen/Qwen3-ASR-1.7B. Модель предназначена для вспомогательной транскрибации переговоров авиадиспетчеров: получения общего смысла, поиска по записям и обнаружения ключевых слов или предупреждений с участием человека. В README сообщается о снижении WER на тестовых данных UWB-ATCC с 0,766 до 0,317 и на другой сети ATC ATCO2 с 0,609 до 0,327; точность на чистой речи LibriSpeech при этом сохранена. Модель принимает аудио и выдаёт текст; карточка указывает поддержку английского языка. Ошибки остаются частыми: WER около 32%, особенно для позывных и последовательностей цифр. Проверена только английская авиационная радиосвязь; морская, общественная и неанглоязычная связь не тестировались. Модель не предназначена для автономной дословной расшифровки или решений, связанных с безопасностью. Лицензия указана как other; поскольку модель производна от Qwen3-ASR и обучалась на исследовательских наборах UWB-ATCC и ATCOSIM, перед коммерческим распространением следует проверить условия лицензий базовой модели и данных.

KoichiYasuoka/roberta-classical-chinese-base-upos — модель RoBERTa на 133,5 млн параметров для морфологической разметки текстов на классическом китайском языке. Она дообучена на основе KoichiYasuoka/roberta-classical-chinese-base-char и присваивает каждому слову метки UPOS и FEATS по стандарту Universal Dependencies. Модель принимает текст и возвращает метки для отдельных токенов; контекстное окно составляет 514 токенов. Модель подходит для автоматической разметки частей речи и признаков слов в корпусах классического китайского, а также для подготовки данных к синтаксическому анализу. В README упоминается dependency parsing, однако среди подтверждённых задач указана токенная классификация. Модель распространяется под лицензией Apache-2.0.

RynnBrain 1.1-2B — мультимодальная модель для embodied AI, разработанная Alibaba DAMO Academy и дообученная на базе Qwen/Qwen3.5-2B. Она принимает изображения и текстовые запросы, а также поддерживает понимание видео и пространственных сцен; выдаёт текстовые ответы и описания, включая результаты локализации объектов. В карточке указана архитектура Qwen3.5 dense с 2 млрд параметров, библиотека Transformers и формат весов safetensors. Модель предназначена для пространственного и объектного понимания, визуального заземления инструкций, рассуждений и планирования в сценах для embodied-систем. Примеры задач из README включают определение категорий, атрибутов и отношений объектов, подсчёт и локализацию объектов по запросу на изображении или видео. Семейство RynnBrain 1.1 также включает отдельную VLA-систему для управления роботами; README не утверждает, что данный чекпойнт 2B сам выдаёт команды управления. Модель ориентирована на английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Длина контекста и количественные результаты именно этого чекпойнта в предоставленных материалах не приведены.

SAM2.1 Hiera Tiny — модель сегментации изображений по подсказкам, подготовленная openEuler для интеграции в фреймворк IB-Robot. Она принимает изображение и подсказки в виде точек или рамок и формирует маски отдельных объектов. В основе лежит facebook/sam2.1-hiera-tiny; пакет включает веса PyTorch и конвертированные артефакты для Ascend 310B1 и 310P1, а также запуск на CPU через PyTorch. Модель предназначена для интерактивной сегментации и робототехнических сценариев, где нужно выделить объект по пользовательской подсказке. Репозиторий указывает пакетную обработку 1 изображения на Ascend 310B1 и 4 на Ascend 310P1. Указана лицензия Apache-2.0. Карточка не описывает поддержку видео или языковые входы.

TIPSv2 B/14 DPT Heads — модель плотного предсказания Google на базе замороженного визуального энкодера TIPSv2 B/14 и голов Dense Prediction Transformer. Она предназначена для оценки глубины по изображению; также доступны головы предсказания поверхностных нормалей и семантической сегментации на 150 классов ADE20K. Головы содержат около 72 млн параметров; визуальная часть базовой модели — 86 млн параметров. Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Головы глубины и нормалей обучены на NYU Depth V2, а сегментации — на ADE20K. Для загрузки визуального энкодера требуется базовая модель TIPSv2 B/14. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

Модель jayanta/vit-base-patch16-224-in21k-face-recognition — дообученная версия Vision Transformer ViT-Base с патчами 16×16, созданная на основе google/vit-base-patch16-224-in21k для классификации изображений лиц. Она содержит 113,2 млн параметров и доступна в формате PyTorch. На указанном в карточке оценочном наборе модель достигла accuracy 1,0000 и loss 0,0015; состав набора и схема классов не описаны, поэтому эти результаты нельзя считать подтверждением обобщения на другие данные. Модель предназначена для экспериментов и сценариев классификации лиц по изображениям. Выпущена по лицензии Apache-2.0.

Модель 0xb1/wav2vec2-base-finetuned-speech_commands-v0.02 — дообученная на наборе Speech Commands модель facebook/wav2vec2-base для классификации аудио. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. На оценочной выборке автор сообщает точность 0,9759 и значение функции потерь 0,1170. Модель предназначена для распознавания классов коротких речевых аудиозаписей из задачи Speech Commands. Доступны веса PyTorch; модель опубликована по лицензии Apache-2.0. Карточка не уточняет перечень классов и языки аудиозаписей, поэтому их нельзя определить по имеющимся сведениям.

Cnam-LMSSC/wav2vec2-italian-phonemizer — модель распознавания итальянской речи, дообученная на базе facebook/wav2vec2-base-it-voxpopuli-v2 для преобразования речи в фонемы. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт последовательность слов в кодировке IPA без пунктуации. Модель построена на архитектуре wav2vec2, содержит 113,3 млн параметров и обучалась на обучающей и валидационной выборках Multilingual Librispeech. Модель подходит для фонетической транскрипции итальянской речи и анализа произношения. В README указана ошибка фонемной транскрипции PER 4,34% на итальянской части тестового набора Multilingual Librispeech. Языковая модель при распознавании не используется. Лицензия — MIT.

3D-PLOT-LLM-7B — дообученная мультимодальная модель для диалога о трёхмерных объектах, разработанная в рамках работы «3D-PLOT-LLM: Part-Level Object Tokens for 3D Large Language Models». Она расширяет PointLLM на базе Vicuna-v1.5-7B и использует замороженный Point-BERT для кодирования облаков из 8192 точек. Модель делит токены патчей на 16 регионов и добавляет специальные маркеры регионов с модулем их уточнения; добавлено менее миллиона параметров, общий размер модели — 6,6 млрд параметров. Модель принимает описание объекта и его подготовленные данные разбиения на регионы в формате `.pack.npz`. Она умеет определять, какие регионы соответствуют описанию части, описывать заданные регионы и составлять подпись для целого объекта. Контекст — 2048 токенов; карточка указывает английский язык. Модель распространяется в формате PyTorch bf16 и требует окружения PointLLM и файлов разбиения объекта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

BRAGD — модель разметки частей речи и морфологических признаков для фарерского языка, разработанная Annika Simonsen, Barbara Scalvini, Uni Johannesen, Iben Nyholm Debess, Hafsteinn Einarsson и Vésteinn Snæbjarnarson. Это дообученная на базе vesteinn/ScandiBERT модель XLM-RoBERTa с 151,7 млн параметров, реализованная как XLMRobertaForTokenClassification. Она присваивает каждому токену 73 бинарных признака, охватывающих класс и подкласс слова, род, число, падеж, артикль, степень сравнения, наклонение, залог, время, лицо и определённость. Для преобразования предсказанных признаков в итоговые теги BRAGD нужны constraint_mask.json и tag_mappings.json из репозитория. Модель предназначена для POS-разметки и морфологического анализа фарерских текстов, в том числе для подготовки лингвистических корпусов и обработки данных вне обучающего домена. В README приведены результаты статьи: точность составных тегов 97,5% на Sosialurin-BRAGD и 96,2% на OOD-BRAGD; это результаты исследовательской оценки, а не гарантия качества данного релиза. Контекст модели — 514 токенов. Весы опубликованы в формате safetensors; для использования требуется библиотека Transformers. Лицензия — CC BY 4.0.

Cat Facial Landmarks (CatFLW, 48 points) — набор моделей для двухэтапного анализа кошачьих лиц, опубликованный hugocornellier. Локализатор на EfficientNetB2 находит лицо, затем модель на MobileNetV3-Large определяет 48 ориентиров схемы CatFLW: уши, глаза, нос, рот и подбородок. Основная поставляемая модель ориентиров экспортирована в TFLite с входом 384 × 384; локализатор работает с изображением 224 × 224. Модели также доступны в формате Keras. Набор предназначен для определения координат ключевых точек кошачьей морды в мобильных приложениях и других сценариях компьютерного зрения. На валидационной выборке CatFLW из 311 изображений NME_IOD модели ориентиров составляет 3,48, а локализатор достигает IoU рамки 0,81. Для запуска графа модели ориентиров на GPU LiteRT нужны совместимые операции и GPU delegate; на XNNPACK CPU она также работает, но медленнее. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

Koichi Yasuoka разработал модель DeBERTa V2 для морфосинтаксического анализа японского текста. Она дообучена на корпусе UD_Japanese-GSDLUW на основе KoichiYasuoka/deberta-base-japanese-aozora, предварительно обученной на текстах японской цифровой библиотеки Aozora Bunko. Модель выполняет разметку частей речи и синтаксический анализ зависимостей; для обработки подслов используется отношение goeswith. В каталоге Hugging Face её основная задача обозначена как token-classification. Модель содержит 137,8 млн параметров, работает с текстом и рассчитана на контекст до 512 токенов. Она предназначена для анализа японских предложений и возвращает структурированные синтаксические метки. Распространяется по лицензии CC BY-SA 4.0. Для использования в Transformers в README указан pipeline universal-dependencies с trust_remote_code=True.

Distill-Any-Depth-Large-hf — модель для оценки глубины по одному изображению, опубликованная пользователем xingyang1. Это совместимый с библиотекой Transformers чекпойнт семейства Depth Anything, обученный с применением предложенных авторами алгоритмов дистилляции знаний и предназначенный для моноскопической оценки глубины, в том числе без дополнительной настройки под конкретный набор данных. Модель принимает изображение и выдаёт карту глубины. Её можно использовать для анализа сцены по фотографии в компьютерном зрении и приложениях, которым нужна оценка относительной геометрии изображения. В карточке не приведены сведения о размере модели и её языковых возможностях; текстовый ввод и вывод не заявлены. Репозиторий распространяется по лицензии MIT.

willherbert27/electra-finetuned-combo-textbook — дообученная модель ELECTRA на базе google/electra-small-generator для задачи заполнения пропусков в тексте. Она подходит для восстановления замаскированных слов в англоязычных текстах; архитектура — ElectraForMaskedLM, размер — 20,4 млн параметров, контекст — до 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке приведено значение loss 2,0564 на оценочном наборе, но набор данных указан как None, а подробности обучения и сценарии применения не описаны. Поэтому качество на конкретных текстах и устойчивость результатов по карточке оценить нельзя.

Это детектор объектов YOLOv8n от Ultralytics, дообученный автором репозитория dronefreak на наборе ExDark в рамках DetectionBench. Он предназначен для обнаружения объектов на тёмных и ночных изображениях; распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. Модель использует библиотеку Ultralytics и доступна в формате PyTorch. На тестовой части ExDark модель показала mAP@50 71,29% и mAP@50–95 44,78%. Лицензия репозитория — AGPL-3.0. Авторы набора ExDark отдельно просят использовать его некоммерчески, и это ограничение распространяется на обученные на нём модели.

Faqih-R1-14B-Islamic-AI — языковая модель на архитектуре Qwen2, разработанная hozifa1 путём дообучения unsloth/DeepSeek-R1-Distill-Qwen-14B-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В карточке указана поддержка английского языка и разговорный режим. Модель предназначена для генерации текста в исламском контексте. Её можно применять для ответов на вопросы и диалога по исламской тематике, однако README не приводит примеров, оценки качества или подробного описания обучающих данных. Лицензия — Apache 2.0.

Kanha-AI kanha-kanha.ai-1.7b-pit-quality-v1 — дообученная модель генерации текста на базе Qwen3-1.7B от Kanha-AI. Обучение включало продолжение документов PIT и вопросы с ответами; опубликованный чекпойнт объединён в формате bfloat16 и содержит 1,7 млрд параметров. Модель предназначена для диалоговой генерации и ответов по материалам сайта, на которых она обучалась. Модель использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. В метаданных указан английский язык. Лицензия в предоставленных данных не указана. Результаты оценки ограничены небольшим набором из 26 проверок и не подтверждают общие возможности модели: зафиксированы низкий детерминированный процент прохождения и высокая доля неподтверждённых значений. Чекпойнт может выдавать ошибочную, неполную, устаревшую или запомненную информацию; пригодность конвертированного артефакта также требует проверки на целевом устройстве.

Модель lokeshkumar79/kid-whisper-base-en-myst-ours разработана для исследований сжатия моделей распознавания детской речи. Это дообученная на корпусе MyST англоязычная версия Whisper base.en от OpenAI; метаданные указывают 51,7 млн параметров и формат safetensors. Модель принимает аудио и преобразует речь в текст на английском языке. Чекпойнт предназначен для экспериментов с посттренировочной квантизацией и прореживанием Whisper на небольшом масштабе. В README приведён базовый WER 11,91% на тестовой выборке MyST из 3972 аудиофрагментов при оценке с чанками по 30 секунд и beam search с шириной 5; результат относится к указанному протоколу и не гарантирует качество на других данных. Лицензия — MIT.

Lotus Depth G v2.1 Disparity — модель из семейства Lotus, разработанного Jing He и соавторами для плотного предсказания визуальных характеристик. Она предназначена для оценки глубины по изображению и выдаёт карту глубины. По сравнению с версией jingheya/lotus-depth-g-v2-0-disparity модель обучалась с аугментацией случайным отражением изображения и, согласно карточке, показывает лучшие результаты. Модель доступна в формате Diffusers с весами Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. В карточке не приведены размер модели, длина контекста или перечень поддерживаемых языков; для оценки глубины языковой ввод не требуется.

MentalBERTa — модель команды DeepLearningBrasil для классификации публикаций в социальных сетях по трём уровням признаков депрессии: их отсутствию, умеренному и тяжёлому уровню. Она заняла первое место в соревновании DepSign-LT-EDI на RANLP 2023. Модель основана на RoBERTa Large rafalposwiata/deproberta-large-depression, дообучена на корпусе dlb/mentalreddit и имеет 454,1 млн параметров. В обучении использовались веса потерь для примеров и усечение текста с сохранением начала и конца. Модель рассчитана на англоязычные тексты; максимальная длина контекста — 514 токенов. Поддерживаются классификация текста и заполнение масок. Модель предназначена для исследовательской и аналитической классификации текстов, а не для постановки диагноза. Качество и применимость результатов для отдельных людей или других источников текстов не гарантированы. Лицензия в предоставленных данных не указана.

sri1208/mental_health_classifier — англоязычная модель классификации текстов для анализа тем психического здоровья. Она создана на основе mental/mental-bert-base-uncased, предварительно обученной на публикациях Reddit о психическом здоровье, и дообучена для классификации последовательностей. Модель использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для анализа тональности, выявления признаков стресса и возможных факторов риска в публикациях, ответах на опросы и других текстах, связанных с психическим здоровьем. На вход подаётся текст, на выходе — оценки классов или вероятности. Карточка сообщает о сравнении с базовыми моделями и метриках accuracy, precision, recall, F1 и ROC-AUC, но не приводит численных результатов. К ограничениям относятся возможная предвзятость из-за состава обучающих данных и снижение качества на текстах, отличающихся от обучающей выборки. Модель не предназначена для постановки диагноза или замены терапии и должна применяться как вспомогательный инструмент под профессиональным контролем. Лицензия в предоставленных данных не указана.

Это артефакт оценщика MotionStreamer-272, опубликованный Motius. Он содержит текстовый энкодер DistilBERT и энкодер движений ACTOR для оценки соответствия текста и человеческого движения в стиле TMR; состояние Lightning-тренера исключено. Артефакт создан на основе работы MotionStreamer: Streaming Motion Generation via Diffusion-based Autoregressive Model in Causal Latent Space и реализации Motius MotionStreamer272Evaluator. Модель предназначена для извлечения признаков текста и движения при оценке MotionStreamer-272. Репозиторий включает веса в формате safetensors, статистику нормализации, файлы токенизатора DistilBERT и конфигурацию архитектуры и протокола. Лицензия — MIT. Карточка не приводит размер модели и длину контекста.

Olmo7b-compassion-seed2-20261001-CPT-final — дообученная методом continued pretraining языковая модель на основе Allen Institute for AI Olmo 3 7B. Это плотная авторегрессионная модель с 6,9 млрд параметров, обученная на наборе CompassioninMachineLearning/compassion_12185_cleaned; README указывает отдельную сборку BF16 из второй эпохи обучения и сохранение весов без потерь в формате safetensors. Для загрузки отдельный адаптер не требуется. Модель предназначена для генерации текста и экспериментов с языковыми ответами в контексте темы сострадания. Максимальная длина контекста составляет 65 536 токенов. Базовая модель англоязычная, однако README не описывает отдельно языковые возможности именно этой версии. Обучение на тематическом наборе само по себе не доказывает улучшения сострадательности ответов; это следует проверять отдельной оценкой. Лицензия в предоставленных данных не указана.

RynnBrain-4B — мультимодальная модель семейства RynnBrain от Alibaba DAMO Academy для понимания сцен с точки зрения наблюдателя и поддержки робототехнических систем. Это дообученная плотная vision-language-модель на архитектуре Qwen3-VL с примерно 4 млрд параметров; она принимает изображения и текст, а для анализа видео может работать с последовательностями визуальных кадров и выдавать текстовые ответы и пространственные описания. Модель предназначена для embodied QA, распознавания объектов и их отношений, подсчёта, OCR, пространственной локализации и понимания видео. Семейство RynnBrain также включает варианты для рассуждений и планирования, однако README не подтверждает, что все эти возможности входят именно в данный чекпойнт. Модель ориентирована на сцены от первого лица и связывает язык с пространственными и временными характеристиками окружения. Она может применяться для анализа видео, поиска объектов и областей интереса, а также подготовки локализационной информации для последующих робототехнических систем. В метаданных указаны английский и китайский языки. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. README приводит Qwen3-VL-4B-Instruct как базу именно для этого чекпойнта, тогда как метаданные связывают его с Qwen3-VL-8B-Instruct, поэтому точная базовая модель по источникам расходится.

SpaceThinker-Qwen2.5VL-3B — мультимодальная модель для визуальных вопросов и пространственного рассуждения, разработанная remyxai. Она основана на UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B и использует семейство Qwen2.5-VL; обучение связано с набором данных remyxai/SpaceThinker. Модель предназначена для анализа изображений, определения пространственных отношений, ориентации, положения и свойств объектов, оценки глубины и расстояний, подсчёта объектов, локализации и задач, связанных с робототехникой и embodied AI. Указан английский язык, поддерживается мультимодальный сценарий image-text-to-text и библиотека Transformers. Размер модели — 3B параметров согласно идентификатору и базовой модели. Точные сведения о внутренней архитектуре, размере контекста и полном наборе поддерживаемых модальностей в README не приведены. Модель демонстрирует неоднородные результаты на пространственных бенчмарках: сильнее проявляет себя в некоторых задачах ориентации, 3D-отслеживания, локализации и пространственных отношений, но заметно слабее — в абсолютной оценке глубины и расстояния, определении размеров, 2D-локализации и сопоставлении точек. В README приведены показатели успешности на Q-Spatial-Bench, 3DSRBench, BLINK, MMIU, MMVP, QSpatialBench-Plus, QSpatialBench-ScanNet, RealWorldQA, SpatialSense, VGBench и VSI-Bench_8. Модель распространяется по лицензии qwen-research; ссылка ведёт на лицензию Qwen2.5-VL-3B-Instruct. Заявленные результаты зависят от конкретного набора данных и категории задачи, поэтому их следует рассматривать как ориентир, а не универсальную оценку качества.

Trellis SegPart — экспериментальная модель сегментации частей 3D-объектов, разработанная на основе TRELLIS.2. Она генерирует разметку частей объекта по его 3D-форме и шести видам сегментации, полученным из 2D-проекций. Рекомендуемый выпуск включает VAE v2 с 64 каналами меток и DiT на 1,3 млрд параметров; для совместимости эти компоненты нужно использовать вместе с кодом v2 и соответствующей нормализацией. Метки частей локальны для каждого объекта, а канал 0 зарезервирован для неизвестных или неразмеченных областей. Модель рассчитана на разбиение 3D-ассетов на части, включая объекты с большим числом деталей. Она дообучена на базе TRELLIS.2 и использует набор данных PartNeXt. Для запуска требуются реализация v2, TRELLIS.2 и CUDA-зависимости; это не готовый пакет AutoModel. Лицензия в предоставленных данных не указана. Качество на мелких деталях и объектах с большим числом частей ограничено: в тестовой группе с 33–63 частями было всего восемь объектов, а некоторые детали гитары не распознавались. Оценка проведена на 128 объектах с одним фиксированным seed; объекты ранее использовались для диагностик разработки, поэтому результаты не являются независимой слепой проверкой обобщения.

WhisperSeg-large-ms — версия WhisperSeg, разработанная исследователями из Университета Цюриха и ETH Zurich для сегментации вокализаций людей и животных. Это дообученный на наборах данных по вокализациям пяти видов чекпойнт модели Whisper large, использующей архитектуру Transformer и исходно предназначенной для распознавания речи. Модель принимает аудио и возвращает временные границы сегментов вокализации и метки кластеров; в примере README показаны сегменты зебровой амадины. Модель подходит для выделения голосовой активности и вокализаций в аудиозаписях людей и животных, в том числе для акустических исследований. В репозитории указаны PyTorch и лицензия Apache-2.0. Параметров около 905,2 млн. README не уточняет, какие именно пять видов вошли в обучение, поэтому переносимость на другие виды и условия записи не подтверждена.

Модель marma/bert-base-swedish-cased-sentiment — классификатор тональности на базе BERT, опубликованный пользователем marma. Она дообучена на примерно 20 тысячах отзывов App Store на шведском языке и выдаёт метку тональности с оценкой уверенности. Репозиторий содержит веса PyTorch и Flax; число параметров — 151,9 млн, максимальная длина контекста — 512 токенов. Модель предназначена для определения тональности шведских текстов, в частности отзывов приложений. В карточке показан пример с положительной меткой для короткой фразы. Обучение на отзывах App Store ограничивает основания для переноса результатов на другие типы текстов и языки. Лицензия в предоставленных данных не указана.