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

Automated Motive Coder — модель классификации текста, разработанная на базе SetFit и дообученной intfloat/multilingual-e5-large. Она использует XLM-RoBERTa для построения текстовых представлений и классификатор OneVsRestClassifier с оценивателями SGDClassifier. Модель обучена методом few-shot learning: сначала контрастивно дообучается Sentence Transformer, затем на его признаках обучается классификационная голова. Модель относит рассказы PSE к четырём классам: достижение (ach), аффилиация (aff), власть (pow) и отсутствие этих мотивов (null). Она предназначена для автоматической разметки таких рассказов и анализа мотивов в текстовых данных. Поддерживает многоязычные входные тексты; максимальная длина последовательности — 512 токенов, размер модели — 658,7 млн параметров. Лицензия — MIT.

SongMAE-Large 32x1 — аудиокодировщик на архитектуре masked autoencoder, предназначенный для получения представлений пения птиц. Модель содержит около 98,6 млн параметров и создана на основе обучения SongMAE на подмножестве XCL из BirdSet: 528 422 записи Xeno-Canto общей длительностью 7 562 часа. Входное моноаудио приводится к 32 кГц, а спектрограмма разбивается на патчи размером 32 мел-частоты на один временной шаг; модель выдаёт эмбеддинги с шагом 5 мс. Чекпойнт предназначен для извлечения признаков и использования в качестве замороженного энкодера при поиске похожих записей, визуализации, кластеризации и обучении downstream-моделей. Для каждого временного шага возвращаются четыре вектора размерности 768; их объединение даёт 3072-мерный временной эмбеддинг, а усреднение по времени — общий эмбеддинг записи. Контекст ограничен отдельными окнами по 5 секунд, между которыми модель не передаёт информацию. Модель не классифицирует виды птиц и не генерирует аудио; на записях и таксонах, отличающихся от обучающей выборки, качество следует проверять отдельно. Лицензия — MIT.

Tankie-DPE-12B-SFT-v2 — диалоговая языковая модель, разработанная WokeAI и дообученная на PocketDoc/Dans-PersonalityEngine-V1.1.0-12b. Она настроена на следование идеям марксизма-ленинизма и предназначена для текстовых диалогов и ответов в этом идеологическом контексте. Модель основана на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Она принимает текст и генерирует текст; карточка указывает контекстное окно 1 024 000 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Tankie-NB-3B-SFT-v1 — диалоговая языковая модель, дообученная WokeAI на базе Nanbeige/Nanbeige4-3B-Thinking-2511. Модель предназначена для генерации текста и ответов в стиле, ориентированном на марксизм-ленинизм. Архитектура — плотная LlamaForCausalLM; размер — 3,5 млрд параметров, контекст — до 65 536 токенов. Для работы используется библиотека Transformers, веса доступны в формате Safetensors. Модель подходит для диалогов с ассистентом и генерации текста на политические и идеологические темы. Доступные сведения не описывают результаты оценки качества или детальные ограничения. Лицензия — Apache-2.0.

kyle/vi-asr-fastconformer-114m — модель распознавания вьетнамской речи в текст, разработанная для разговорного аудио и телефонных звонков. Она построена на архитектуре FastConformer-Transducer (RNNT), содержит около 114 млн параметров и адаптирована из англоязычной nvidia/stt_en_fastconformer_transducer_large с расширением словаря и поэтапным дообучением на публичных вьетнамских наборах данных. Модель предназначена для расшифровки вьетнамской речи в условиях колл-центра, включая телефонный звук с частотой 8 кГц, а также для офлайн-транскрибации аудио с частотой 8 и 16 кГц. Особое внимание уделено точному распознаванию длинных последовательностей цифр и идентификаторов; карточка приводит улучшение полноты распознавания цифр на контролируемой оценке. Модель оптимизирована для разговорного вьетнамского языка. На формальной дикторской речи, например новостном чтении, и на незнакомой предметной лексике качество снижается; оценки для реальных телефонных номеров основаны на небольшой размеченной выборке. Лицензия — CC-BY-4.0.

Это дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-300m, опубликованная пользователем nrshoudi. Она использует архитектуру Wav2Vec2 с CTC-выходом и предназначена для преобразования аудиоречи в последовательность фонем; название указывает на арабский язык и фонемное представление. В README приведены результаты оценки: loss 0,7493 и PER 0,1979. Модель принимает аудио и выдаёт текстовую последовательность фонем. Она может подойти для фонетической транскрипции арабской речи и последующей обработки фонем. В карточке не описаны обучающий набор данных, точная языковая разновидность арабского, условия записи или практические ограничения качества. Распространяется по лицензии Apache-2.0.

Модель caiocrocha/wav2vec2-large-xlsr-53-phoneme-portuguese разработана Каio Rocha в рамках бакалаврской дипломной работы по вычислительной инженерии в Федеральном университете Жуиз-ди-Фора под руководством профессора Жаиро Соузы. Это модель автоматической фонетической транскрипции бразильского португальского языка, дообученная для вывода последовательности фонем из аудио на базе facebook/wav2vec2-large-xlsr-53. Архитектура Wav2Vec2ForCTC содержит около 402,7 млн параметров; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для разработчиков и исследователей ASR, а также для создания систем распознавания речи. Она обучалась на 10-часовой выборке CORAA ASR; в карточке приведены результаты оценки по PER и точности, но показатели точности на тесте противоречивы и требуют осторожной интерпретации. Модель может путать фонемы и не подходит для распознавания акцента или задач, требующих точного распознавания фонем. На качество влияют акцент, темп и особенности речи, возраст говорящего, шум, реверберация и канал передачи; модель смещена в сторону произношения, представленного в инструменте FalaBrasil G2P, и может хуже работать на недостаточно представленных акцентах. Лицензия — Apache-2.0.

Koichi Yasuoka разработал модель на базе Qwen2 с 1,5 млрд параметров для разметки частей речи в классическом китайском языке. Модель предварительно обучена на текстах на классическом китайском и присваивает словам метки UPOS и грамматические признаки FEATS; в Hugging Face она отнесена к задаче token-classification. Архитектура — плотная Qwen2, формат весов — PyTorch, заявленная длина контекста — 131 072 токена. Модель подходит для морфосинтаксического анализа и подготовки корпусов классического китайского языка, включая автоматическую разметку частей речи и грамматических признаков. Лицензия Apache-2.0. Карточка показывает базовую модель Xunzi-Qwen2-1.5B, однако её идентификатор на Hugging Face не указан.

Модель abdollahhh/asl-sign-language-efficientnet-b0 разработана на основе google/efficientnet-b0, предварительно обученной на ImageNet и дообученной для классификации изображений с буквами американского жестового языка (ASL). Она принимает RGB-изображения размером 224×224 и относит знак к одному из 26 классов — буквам A–Z. Модель содержит около 4,04 млн параметров и распространяется в формате safetensors. Её можно использовать для распознавания статичных букв ASL на фотографиях, например, в демонстрационных приложениях и веб-камерах. В README заявлена точность 99,02% на оценочной выборке из набора Marxulia/asl_sign_languages_alphabets_v03, однако результаты на контролируемых изображениях не гарантируют такой же точности в реальных условиях. Модель хуже подходит для разнообразного освещения и фона; она не распознаёт динамические жесты, включая J и Z. Лицензия — Apache-2.0.

itskerem4 разработал доменно-адаптированную модель на архитектуре BERT для турецких исламских текстов. Она дообучена методом masked language modeling на переводе Корана (6 236 аятов) и исламских текстах, чтобы предсказывать скрытые слова в контексте, например в предложениях о молитве и закяте. Модель содержит 137,8 млн параметров, принимает текст с маскируемым словом и выдаёт вероятные варианты его заполнения. Длина контекста — до 512 токенов; основной язык — турецкий. Основана на dbmdz/bert-base-turkish-cased и распространяется по лицензии CC BY 4.0, допускающей коммерческое и академическое использование.

lukasdrg/clinical_longformer_same_tokens_200k — дообученная модель семейства Longformer с архитектурой LongformerForMaskedLM и 151,8 млн параметров. Она предназначена для заполнения пропусков в тексте: модель предсказывает замаскированные токены с учётом окружающего контекста. В README приведён результат оценки Loss 1,9880; модель дообучена на наборе данных, обозначенном как None. Модель опубликована в формате safetensors и связана с базовой моделью lukasdrg/clinical_longformer_same_tokens_180k. Указанный в метаданных размер контекста — 4098 токенов. Карточка не описывает обучающие данные, языки, ограничения или конкретные клинические сценарии, поэтому её пригодность для медицинского применения по имеющимся сведениям оценить нельзя.

ConvNeXT-Base-BirdSet-XCL — сверточная модель классификации изображений, обученная исследовательской группой DBD на наборе XCL проекта BirdSet. Она предназначена для распознавания видов птиц по спектрограммам аудиозаписей; обучение охватывает 9736 видов, представленных в данных Xeno-Canto. Модель принимает одноканальное изображение спектрограммы и выдаёт класс вида птицы. Для подготовки входа требуется специальный процессор из репозитория BirdSet: в репозитории модели собственного процессора нет. Архитектура — ConvNeXt, реализованная классом ConvNextForImageClassification и доступная в формате Safetensors через Transformers. Лицензия в предоставленных данных не указана. Результаты классификации зависят от качества спектрограммы и охвата обучающего набора; модель предназначена для классификации птиц, а не для обработки произвольных изображений.

CryptoBERT — англоязычная модель обработки текста, созданная ElKulako для анализа публикаций и сообщений в социальных сетях о криптовалютах. За основу взята vinai/bertweet-base: модель дополнительно обучили на корпусе из более чем 3,2 млн криптовалютных публикаций, а классификационную голову дообучили на 2 млн размеченных постов StockTwits. Модель определяет тональность публикации относительно криптовалюты и относит её к одному из трёх классов: Bearish, Neutral или Bullish. Она подходит для анализа настроений в сообщениях StockTwits и похожих социальных источниках, например для мониторинга рыночных настроений. Архитектура — RoBERTa для классификации последовательностей, размер — 151,8 млн параметров. Максимальный технический контекст составляет 514 токенов, однако в README рекомендуется ограничивать последовательность 128 токенами. Модель рассчитана на англоязычные сообщения о криптовалютах; её обучение охватывало StockTwits, Telegram, Reddit и Twitter. Лицензия — MIT. Результаты отражают тональность текста, а не достоверность утверждений или будущую динамику рынка.

CryptoBERT — англоязычная модель классификации тональности текстов о криптовалютах, созданная дообучением ProsusAI/finbert на наборе Custom Crypto Market Sentiment. Она использует архитектуру BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель относит текст к положительному или отрицательному классу и подходит для анализа новостей, публикаций и сообщений о крипторынке. Модель предназначена для оценки настроений в англоязычных текстах о криптовалютах. Карточка приводит пример запуска через Transformers и сообщает о небольшом обучающем корпусе, поэтому качество может снижаться на иных стилях текста, нейтральных сообщениях и темах вне крипторынка. Лицензия в предоставленных данных не указана.

BiliSakura/DiffusionSat-Single-512 — чекпойнт для генерации спутниковых изображений по текстовому описанию на базе DiffusionSat. Репозиторий предоставляет pipeline для библиотеки Diffusers, совместимый с DiffusionPipeline.from_pretrained(); указан формат весов safetensors. README также описывает отдельный вариант pipeline с ControlNet и условными метаданными, но основной pipeline модели настроен на генерацию text-to-image. Модель предназначена для создания изображений спутниковой съёмки по англоязычным запросам. README не сообщает размер модели, архитектурные подробности, длину контекста или количественные оценки качества, поэтому эти характеристики не приводятся. Лицензия в доступных сведениях не указана.

SaisExperiments/Evil-Alpaca-Right-Lean-L3.2-3B — экспериментальная чат-модель семейства Llama, созданная автором репозитория на основе слияния моделей Llama 3.2 и Evil-Alpaca. Это плотная авторегрессионная модель с 3,2 млрд параметров и контекстом до 131 072 токенов. Для настройки использовались LoRA и KTO в LLaMA-Factory на датасете scale-lab/politune-right; метаданные также указывают датасет Big-Alpaca-Uncensored. Модель рассчитана на генерацию текста и диалоги в формате Alpaca, с правой политической направленностью. Подходит для экспериментов с политически окрашенными ответами и генерацией текста по запросу. Автор подчёркивает, что модель является экспериментом и не отражает его личные политические взгляды. Распространяется по лицензии Llama 3.2.

Модель dima806/fruit_100_types_image_detection — дообученный Vision Transformer для классификации изображений фруктов. Она определяет тип фрукта на входном изображении и, согласно карточке, достигает точности около 85%. Модель основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель подходит для распознавания фруктов на фотографиях и сортировки изображений по типам. Она принимает изображения и выдаёт метку класса. Карточка не описывает языковые возможности, поэтому текстовые языки не указаны. Модель распространяется по лицензии Apache-2.0.

geo-capital-llm — дообученная на базе GPT-2 модель для ответов на вопросы по географии. Она предназначена для запросов о столицах, валютах и фактах о странах, штатах и городах. Для обучения использованы 277 642 примера из countries-states-cities-database; сведения о столицах штатов дополнены данными Wikidata. Модель построена на архитектуре GPT-2, принимает текст и генерирует текст, поддерживает английский язык и контекст до 1 024 токенов. Лицензия — MIT. Модель специализирована на географических вопросах и может отвечать на соответствующие фактические запросы. Её ответы ограничены тематикой и данными обучения; точность и актуальность отдельных фактов могут различаться.

Diluner опубликовал дообученный методом supervised fine-tuning чекпойнт Qwen3-4B. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и рассчитана на генерацию текста в диалоговом режиме. Указанное окно контекста — 40 960 токенов. Чекпойнт обучен на первом этапе цепочки BabyAI → TextCraft → SearchQA: пять эпох и 125 обновлений оптимизатора с использованием gpt-5.4-mini в роли учителя. Он предназначен для экспериментов с агентным обучением в среде BabyAI; завершённость этапа подтверждена, но отдельной оценки качества этого чекпойнта нет. Итоговые оценки более поздней модели нельзя переносить на него. В репозитории доступны конфигурация, токенизатор и веса в safetensors; состояние оптимизатора, исходные логи и траектории учителя не включены. Лицензия для этой публикации не заявлена; применимые условия следует сверять с лицензией базовой модели.

Lotus-Depth-D-v2-0-Disparity — модель семейства Lotus, разработанная Jing He и соавторами для плотной оценки глубины по изображениям. Она предсказывает глубину в пространстве disparity, то есть обратной глубины; авторы сообщают о более высокой точности и стабильной оценке глубины на видео по сравнению с предыдущей версией. Модель распространяется в формате Diffusers с весами Safetensors и предназначена для использования через DirectRegressionPipeline. Лицензия — Apache-2.0.

MentalBERT — англоязычная модель на базе BERT-Base, разработанная для исследований в области психического здоровья. Она предварительно обучена на публикациях о психическом здоровье из Reddit по стандартной процедуре masked language modeling; карточка указывает задачу fill-mask и формат PyTorch. Модель принимает текст с замаскированным токеном и предсказывает его заполнение. Модель предназначена для анализа текстов о психическом здоровье и может служить основой для последующей разработки систем выявления потенциальных признаков психических расстройств в публичных онлайн-публикациях. Такие результаты не являются диагнозом и не предназначены для клинических решений. Обучение на данных Reddit может сопровождаться смещениями и проблемами справедливости, неопределённости и интерпретируемости. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

MeowID-Base — система поиска и идентификации отдельных кошек по фотографиям, представленная авторами из нескольких университетов Китая. Она использует два отдельных эксперта на основе DINOv3: для кошачьих морд и для изображений кошки целиком. Если на снимке удаётся локализовать и выровнять морду, система делает её признаки основными и дополняет их контекстом всего животного; если пригодной морды нет, используется эксперт по целой кошке. Модель предназначена для сопоставления фотографий с галереей зарегистрированных животных. Новых кошек можно добавлять в галерею по их эмбеддингам без повторного обучения. Для каждого изображения извлекается L2-нормированный вектор размерности 512. Репозиторий содержит веса в форматах PyTorch, ONNX и TensorRT, а также связанные компоненты локализации и сегментации. TensorRT-движки подготовлены для эталонной среды с RTX 3090; при смене GPU, версии TensorRT или профиля пакета авторы рекомендуют пересобрать их из ONNX. Распространяется по лицензии Apache-2.0.

obadx/muaalem-model-v3_2 — модель автоматического распознавания арабской речи, представленная в статье об обнаружении и исправлении ошибок произношения у изучающих чтение Священного Корана. Она дообучена на базе facebook/w2v-bert-2.0 и использует архитектуру Wav2Vec2BertForMultilevelCTC; число параметров по метаданным — 402,7 млн. Модель принимает аудио и выдаёт текстовое распознавание на арабском языке. Её назначение — распознавать чтение Корана, в том числе в сценариях обучения и анализа произношения. Опубликована для Transformers под лицензией MIT. Карточка не приводит результатов оценки и подробных сведений о точности, поэтому качество на конкретных записях нельзя определить по имеющимся данным.

OpenVINO/Phi-3-mini-FastDraft-50M-int8-ov — компактная черновая модель Intel Labs на архитектуре Phi-3, предназначенная для ускорения генерации Phi-3-mini-4k-instruct с помощью спекулятивного декодирования. FastDraft разработана для предварительного обучения и согласования черновых моделей с целевой LLM; эта версия обучена сопровождать Phi-3-mini-4k-instruct и представлена в формате OpenVINO IR. Модель содержит 35,7 млн параметров и принимает текстовый контекст длиной до 4096 токенов. Веса сжаты до INT8 методом асимметричной компрессии NNCF. Репозиторий рассчитан на OpenVINO 2024.5 и новее, а также Optimum Intel 1.20.0 и новее; для спекулятивного декодирования используется OpenVINO GenAI. Лицензия — Intel Research Use License Agreement.

Elfrino/PsyMedLewdReMM-Inverted-20B — объединённая языковая чат-модель семейства Llama, созданная методом SLERP с помощью mergekit на основе Undi95/PsyMedRP-v1-20B и Undi95/MLewd-ReMM-L2-Chat-20B-Inverted. Модель содержит 19,8 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; максимальная длина контекста — 4096 токенов. Модель предназначена для генерации диалогового текста. Названия исходных моделей указывают на ролевой и откровенный контекст, однако README не описывает конкретные сценарии применения или языковую специализацию. Модель размещена на Hugging Face 20 сентября 2024 года. Условия лицензирования в доступных данных не приведены. Короткое контекстное окно ограничивает работу с длинными диалогами и документами; сведений о качестве и систематической оценке модели нет.

Модель Koichi Yasuoka на базе RoBERTa была дообучена на текстах японской библиотеки Аозора для разметки частей речи. Она присваивает каждому длинному слову тег UPOS из универсального набора частей речи; карточка также указывает на применение для синтаксического анализа зависимостей. Модель содержит 305,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и рассчитана на японский язык. Модель подходит для лингвистического анализа японских текстов и может использоваться через библиотеку esupar. Она основана на KoichiYasuoka/roberta-base-japanese-aozora и распространяется по лицензии CC BY-SA 4.0. Ее назначение ограничено японской разметкой частей речи и анализом зависимостей; данных о других языках или задачах нет.

Sapiens2-1B-Surface — модель Meta для оценки нормалей поверхности на изображениях людей. Она предсказывает для каждого пикселя трёхмерный единичный вектор нормали в системе координат камеры и предназначена для анализа геометрии поверхности в человеко-ориентированных изображениях. Модель построена на базе Sapiens2 Vision Transformer с отдельной головой оценки нормалей и дообучена от facebook/sapiens2-pretrain-1b. В ней около 1,5 млрд параметров; веса представлены в формате safetensors. Карточка указывает лицензию Sapiens2 License, но не приводит её условия.

Sapiens2-0.1B — предварительно обученный визуальный backbone на базе Vision Transformer, разработанный Meta. Он предназначен для извлечения плотных признаков по патчам изображения и последующей настройки голов для задач, связанных с изображением человека: оценки позы, сегментации частей тела, предсказания нормалей поверхности и pointmap. Модель обучена на 1 млрд изображений людей. Архитектура Sapiens2 ViT включает RoPE, GQA, SwiGLU, RMSNorm и QK-нормализацию; в репозитории указаны 113,2 млн параметров, 12 слоёв и 12 голов. Веса доступны в формате safetensors и предназначены для использования с библиотекой Sapiens2. Лицензия — Sapiens2 License (метаданные Hugging Face обозначают её как other); перед использованием следует проверить её условия.

mnjm/segformer-b0-voc — модель семантической сегментации изображений на архитектуре SegFormer B0, обученная с нуля на наборах VOC 2007 и VOC 2012. Автор карточки указывает, что обучение выполнено с использованием собственного репозитория; модель загружается через Transformers вместе с соответствующим обработчиком изображений. Модель предназначена для классификации пикселей изображения по семантическим классам VOC. Её можно применять в экспериментах и прототипах компьютерного зрения для разметки объектов и областей на изображениях. В README упомянуты результаты оценки, но сами метрики в доступном тексте не приведены. Лицензия в предоставленных данных не указана.

Модель snap-plate-rim-marker-dfine-v7 разработана aguxez и представляет собой дообученную модель обнаружения объектов на архитектуре D-FINE, сохранённую в формате safetensors. Она предназначена для поиска и локализации ободка тарелки на изображениях; обучена на наборе aguxez/snap-plate-rim-marker-v6, а базой послужила aguxez/snap-plate-stack-instance-dfine-v5. В README приведены результаты оценки: mAP 0,213 и mAP@50 0,5137; качество зависит от порога оценки и характеристик изображения. Модель принимает изображения и выдаёт рамки обнаруженных объектов с меткой Plate Rim. Лицензия — Apache-2.0.