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

TinyMoE-100M-2x8 — компактная языковая модель со Sparse Mixture of Experts, разработанная FlameF0X на архитектуре Mixtral/Mistral для причинного языкового моделирования. Она предназначена для генерации текста в исследованиях, на периферийных устройствах и в условиях ограниченных вычислительных ресурсов. По README модель содержит около 100 млн параметров, из которых около 22,5 млн активируются для каждого токена; используются 8 экспертов, и маршрутизатор выбирает 2 из них. Метаданные указывают 25,6 млн параметров, поэтому размер модели в источниках расходится. Контекст составляет 1024 токена, библиотека запуска — Transformers, формат весов — safetensors. В карточке указаны английский язык и обучение на WikiText и TinyStories. Лицензия — MIT. Модель рассчитана на компактную генерацию текста и эксперименты с разреженной маршрутизацией экспертов. Небольшое число активных параметров снижает вычисления на токен, однако это не гарантирует высокую скорость или качество на любом оборудовании. Карточка не приводит результатов оценки качества; короткий контекст ограничивает работу с длинными входами.

LoveJesus разработала англоязычную модель семантического поиска библейских отрывков по тематическим запросам. Это дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2: архитектура BERT, около 40 млн параметров, эмбеддинги размерности 384 и контекст до 512 токенов. Обучение проводилось на 136 тысячах пар «запрос — отрывок», составленных по Nave’s Topical Bible и перекрёстным ссылкам Treasury of Scripture Knowledge. Модель сопоставляет запросы на богословские темы с библейскими отрывками и помогает находить подходящие стихи перевода KJV. По README, на тестировании NDCG@10 составила 0,1831, Accuracy@10 — 0,3188, а MRR@10 — 0,1415; эти показатели характеризуют качество ранжирования на использованном наборе данных и не гарантируют точность для любых запросов. Модель распространяется по лицензии MIT.

WindyTranslate/translate-es-ase — модель машинного перевода, опубликованная Windstorm Labs. Она переводит текст с испанского языка на американский язык жестов (ASL), используя архитектуру MarianMT с 52,6 млн параметров и контекстом до 512 токенов. Модель основана на Helsinki-NLP/opus-mt-es-ase. Её веса изменены: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0. Модель предназначена для перевода в одном направлении — с испанского на ASL. Качество перевода не оценивалось, поэтому пригодность результатов для практического использования не подтверждена; сам факт изменения весов не свидетельствует об улучшении качества.

GPT4chan-24B-GGUF — это квантизированная версия языковой модели GPT4chan-24B, разработанной v2ray. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF для локального запуска. Модель предназначена для генерации текста на английском языке и ориентирована на сценарии, связанные с содержимым и стилем 4chan, поскольку обучалась на датасете v2ray/4chan. Доступны варианты с разными уровнями квантизации: от F32 размером около 94,3 ГБ до компактных Q2 и IQ3-вариантов; наиболее качественными в README названы Q6_K_L, Q6_K, Q5 и Q4-варианты. Размер исходной модели составляет 24 млрд параметров. Запуск поддерживается через llama.cpp, LM Studio и другие совместимые проекты. Мультимодальность и размер контекстного окна в README не указаны; формат промпта также не найден, поэтому эти характеристики требуют уточнения на странице исходной модели. Возможные ограничения включают зависимость качества от выбранного уровня квантизации и тематическую специфику обучающих данных. Лицензия модели — MIT.

Это модель VideoMAE Base, разработанная на основе MCG-NJU/videomae-base-finetuned-kinetics и дообученная для распознавания вьетнамского жестового языка. Она классифицирует короткие видеозаписи жестов и сопоставляет их с текстовыми метками, например «Ăn», «Bệnh viện» и «Xin lỗi». Модель использует пространственно-временные признаки видеопоследовательности и содержит 113,2 млн параметров. Модель предназначена для классификации жестов в видеоклипах на датасете ViSignLanguage-Video. Она принимает видео и выдаёт класс жеста в виде текстовой метки; основная область применения — распознавание вьетнамского жестового языка. Репозиторий распространяется по лицензии MIT.

Модель MaxPowerUnlimited/vit-base-oxford-iiit-pets — дообученная на датасете Oxford-IIIT Pets модель Vision Transformer от Google для классификации изображений. Она использует архитектуру ViT, разбивающую изображение на патчи, и содержит 113,2 млн параметров. Модель различает 37 пород кошек и собак. Модель предназначена для определения породы питомца на фотографии, а также может служить базой для дообучения на других наборах изображений животных и для сравнительных экспериментов. На валидационной выборке Oxford-IIIT Pets указана точность 94,59% и значение функции потерь 0,2648. На изображениях за пределами тематики домашних животных качество может снижаться; модель не оптимизирована для мобильных устройств и периферийных вычислений. Базовая модель — google/vit-base-patch16-224. Веса представлены в формате Safetensors; лицензия — Apache-2.0.

keremberke/yolov8s-shoe-classification — модель классификации изображений обуви на основе YOLOv8s, опубликованная пользователем keremberke и предназначенная для определения бренда обуви по изображению. Она поддерживает три класса: adidas, converse и nike. Модель использует библиотеку Ultralytics и представлена в формате PyTorch. Модель подходит для автоматической сортировки фотографий обуви и распознавания этих трёх брендов в каталогах или пользовательских изображениях. Данных о размере модели, контекстной длине и лицензии в предоставленных источниках нет.

Модель dima806/asl_alphabet_image_detection — дообученный классификатор изображений на базе Vision Transformer ViT-Base от Google с 113,2 млн параметров. Она предназначена для распознавания классов на изображениях и опубликована в форматах PyTorch и Safetensors. Модель можно применять для классификации изображений жестов американского алфавита (ASL), что следует из названия репозитория; README не содержит подробностей о классах и условиях съёмки. Лицензия Apache-2.0 разрешает использование и распространение при соблюдении её условий.

Bible-Assistant-Qwen3.5-4B-v2-GGUF — набор GGUF-квантизированных версий модели Bible-Assistant-Qwen3.5-4B-v2, разработанной Ttimms на базе Qwen3.5-4B от Qwen. Модель дообучена методом SFT на 56 тысячах примеров и предназначена для retrieval-augmented question answering по Библии: она получает найденные библейские стихи в блоке Context и отвечает на вопросы с опорой на этот контекст. Поддерживает английский язык и сценарии генерации текста; размер базовой модели — 4B параметров, а доступные файлы имеют размеры от 2,5 до 8,4 ГБ в зависимости от квантизации и точности. Формат GGUF рассчитан на запуск через llama.cpp и совместимые приложения, включая LM Studio, koboldcpp, Jan и text-generation-webui. Архитектура Qwen3.5 — гибридная, сочетающая Gated-DeltaNet и attention; требуется свежая версия llama.cpp с поддержкой архитектуры qwen35. Для этой версии рекомендуется отключать режим рассуждений, поскольку модель обучалась без трасс <think>. Сильная сторона модели — точное воспроизведение стихов при использовании RAG, однако открытые тематические ответы слабее; версия v2 устарела и сохранена главным образом для воспроизводимости. Модель не предназначена для использования без контекста, медицинских, юридических или финансовых консультаций, психологического консультирования и вынесения авторитетных богословских суждений. Веса распространяются по лицензии Apache-2.0, код проекта — MIT, библейские переводы находятся в общественном достоянии.

Модель tanganke/clip-vit-large-patch14_stanford-cars — дообученная версия CLIP ViT-Large/14 на датасете Stanford Cars. Она содержит около 402,7 млн параметров и использует архитектуру CLIPVisionModel для извлечения признаков изображений. Модель подходит для получения представлений изображений автомобилей и задач классификации в сценариях, связанных с набором Stanford Cars. В README приведены результаты оценки: 0,777 для предварительно обученной модели и 0,927 после дообучения. В метаданных указан формат safetensors. Сведения о лицензии и поддерживаемых языках отсутствуют; языковая генерация не заявлена.

Lanni-ni/dynamic_forgetting_2_4_256_babylm_100m_seed44_epoch8 — компактная модель генерации текста на базе библиотеки Transformers с 14,7 млн параметров. Название указывает на экспериментальную конфигурацию dynamic forgetting, связанную с семейством BabyLM, однако README не содержит подробностей об архитектуре, разработчиках, обучающих данных или процедуре обучения. Модель предназначена для генерации продолжений текста и исследовательских экспериментов с небольшими языковыми моделями. Лицензия в доступных материалах не указана, поэтому условия распространения и коммерческого использования необходимо проверять отдельно перед применением.

RF-DETR Small, дообученная разработчиком на наборе ExDark в рамках DetectionBench, — модель компьютерного зрения для обнаружения объектов на тёмных и ночных изображениях. Она принимает изображение и выдаёт обнаруженные объекты с рамками и классами. Модель распознаёт 12 классов: велосипед, лодку, бутылку, автобус, автомобиль, кошку, стул, чашку, собаку, мотоцикл, людей и стол. На тестовой части ExDark заявлены mAP@50 88,98%, mAP@50–95 61,67% и точность 83,07%. Результаты относятся к этому набору данных и условиям оценки; перенос на другие камеры, сцены и классы не установлен. Датасет небольшой и несбалансированный: класс People составляет около 46% размеченных объектов, а автобусы встречаются реже всего, поэтому оценки для редких классов особенно ненадёжны. Изображения были предварительно приведены к размеру 640×640 при стороннем экспорте датасета. Модель опубликована в формате PyTorch под лицензией Apache-2.0. В README также указано, что авторы датасета отдельно просят некоммерческое использование; это условие следует учитывать при использовании модели, обученной на ExDark.

FinBERT Indonesia — классификатор тональности финансовых новостей на индонезийском языке, разработанный Michael Manurung. Это дообученная версия ProsusAI/finbert на примерно 500 вручную размеченных заголовках из индонезийских источников; архитектура основана на BERT с классификационной головой для трёх классов: положительный, нейтральный и отрицательный. Модель принимает текст и выдаёт метку тональности. Размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для анализа тональности заголовков финансовых новостей на Bahasa Indonesia, например для выявления оптимистичных, нейтральных и негативных сообщений о рынке, компаниях и экономических событиях. В README приведена оценка на бенчмарке индонезийского финансового анализа тональности: accuracy 0,299 и F1 0,276; эти результаты указывают на ограниченное качество и необходимость проверки на целевых данных. Выпущена под лицензией MIT.

FLUX.2-klein-ghost-mannequin — это LoRA-адаптер для модели black-forest-labs/FLUX.2-klein-base-9B, опубликованный пользователем nhathoangfoto. Модель предназначена для text-to-image генерации изображений одежды в стиле ghost mannequin: визуализации изделий с эффектом невидимого манекена, когда одежда выглядит объёмной и парящей, но сам манекен не виден. Основные сценарии применения связаны с коммерческой предметной съёмкой, каталогами одежды, fashion e-commerce и автоматизацией подготовки товарных изображений. Адаптер обучен на 50 парах изображений одежды в течение 6000 шагов и имеет Rank 256, что, согласно описанию, ориентировано на сохранение деталей ткани, цветов и контуров изделий. Для активации рекомендуется использовать триггерное слово 3Dghostmannequin. Поддерживается интеграция через Diffusers и ComfyUI. Для стандартной базовой модели рекомендуются 20–30 шагов генерации, CFG 2.0–4.0 и сила LoRA 0.8–1.0; для distilled или lightning-моделей указаны 4 шага, CFG 1.0 и сила LoRA 0.85–1.0. Сильная сторона модели — специализация на студийной визуализации одежды и создании эффекта трёхмерного невидимого манекена. Ограничение заключается в узкой предметной области: модель оптимизирована прежде всего для apparel и зависит от совместимой базовой FLUX-модели. Данные о поддерживаемых языках, максимальном контексте, количественных бенчмарках и устойчивости на других категориях изображений не указаны. Лицензия — Apache 2.0.

HyperCLOVA-X-SEED-MISHULTA-v1 — команда MISHULTA дообучила методом LoRA и объединила с базовыми весами HyperCLOVAX-SEED-Think-14B для решения задач корейского тестового рассуждения с выбором ответа. Модель построена на плотной архитектуре HyperCLOVAXForCausalLM и содержит 14,1 млрд параметров; заявленный контекст — до 131 072 токенов. Основной сценарий — ответы на корейские вопросы с выбором варианта, в том числе по культуре и языку Кореи. Для обучения использовались обучающая часть KMMLU, самодистилляция базовой модели, данные дистилляции DeepSeek-R1-0528 и синтетические вопросы. По карточке, тестовый сплит KMMLU не использовался, а дубликаты вопросов оценочных бенчмарков удалялись. Модель предназначена для генерации текста в диалоговом формате и выдаёт ответ в конце в формате «정답: X». Лицензия — HyperCLOVA X SEED Model License Agreement базовой модели; производное название должно начинаться с «HyperCLOVA X». Карточка описывает вариант для корейских заданий с выбором ответа, поэтому качество на других языках и задачах не следует считать подтверждённым.

Marigold Normals v0-1 — модель оценки карты нормалей поверхности по одному изображению, разработанная Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler. Это генеративная модель на основе латентной диффузии, дообученная на Stable Diffusion 2; она предназначена для анализа изображений и оценки геометрии сцены без дополнительных входных данных о ней. Модель принимает изображение и выдаёт карту нормалей — трёхмерные единичные векторы в экранном пространстве камеры. При ансамблировании более двух предсказаний также формируется карта неопределённости. Для работы предусмотрена библиотека diffusers; рекомендованы DDIM и 10–50 шагов денойзинга. Можно обрабатывать изображения разных размеров, но для оптимального результата длинную сторону рекомендуется приводить примерно к 768 пикселям. Карточка модели помечает v0-1 как устаревшую и рекомендует перейти на Marigold Normals v1-1. Модель выпущена под лицензией Apache 2.0.

Marqo-FashionCLIP — модель Marqo для поиска и сопоставления изображений одежды с текстом. Это дообученная версия CLIP ViT-B-16 из laion2b_s34b_b88k: Generalised Contrastive Learning позволяет учитывать не только описания, но и категории, стиль, цвета, материалы, ключевые слова и мелкие детали товаров. Модель принимает изображения и текст и сопоставляет их в общем пространстве признаков. Она предназначена для поиска товаров по текстовому запросу, подбора товаров по категории или подкатегории и классификации изображений по текстовым меткам без отдельного обучения на каждом наборе классов. В карточке приведены результаты на шести публичных модных датасетах; для этих задач Marqo-FashionCLIP показала более высокие усреднённые результаты, чем сравниваемые модели FashionCLIP2.0 и OpenFashionCLIP по большинству приведённых метрик. Модель доступна в форматах PyTorch, ONNX и safetensors, использует библиотеку OpenCLIP; в карточке также описан запуск через Transformers.js. Основной язык карточки — английский. Лицензия — Apache-2.0. Она предназначена для модных товаров, поэтому её результаты на других предметных областях не подтверждены приведёнными оценками.

Marqo-FashionSigLIP — мультимодальная модель для поиска и классификации модных товаров, разработанная Marqo. Она дообучена на базе ViT-B-16-SigLIP (webli) с использованием Generalised Contrastive Learning: при обучении учитывались текстовые описания, категории, стили, цвета, материалы, ключевые слова и мелкие визуальные детали. Модель предназначена для сопоставления изображений товаров с текстовыми запросами и категориями, а также для поиска похожих товаров в каталогах модной одежды. Модель рассчитана на сценарии электронной коммерции и модного поиска. В README приведены сравнительные результаты на шести публичных датасетах модной индустрии для текстового поиска по изображениям и поиска товаров по категориям; в указанных тестах Marqo-FashionSigLIP показала более высокие средние метрики, чем FashionCLIP2.0 и OpenFashionCLIP. Она принимает изображения и текст, а для поиска и классификации формирует сопоставимые представления. Модель доступна в форматах PyTorch и safetensors и используется через OpenCLIP. Лицензия — Apache-2.0. Оценки в карточке относятся к указанным публичным датасетам и не гарантируют такое же качество для других каталогов, языков или типов изображений.

Mediquad-4x7b — языковая модель с архитектурой Mixtral MoE, созданная Technoculture путём объединения четырёх моделей: epfl-llm/meditron-7b, chaoyi-wu/PMC_LLAMA_7B_10_epoch, allenai/tulu-2-dpo-7b и microsoft/Orca-2-7b. Она предназначена для генерации текста, в том числе ответов на медицинские вопросы и работы с биомедицинскими текстами. Модель содержит 6,6 млрд параметров, принимает текстовый контекст длиной до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README содержит таблицу оценок на медицинских бенчмарках, но значения в ней отсутствуют, поэтому качество по этим результатам оценить нельзя.

Это облегчённая версия зрительной части модели HopitAI/moda-fashion-distilled-512d, подготовленная DexterCodeDev для поиска сходных изображений в каталогах одежды и модных товаров. Она принимает изображение размером 224 × 224, обрабатывает его визуальным энкодером ViT-B/16 на основе SigLIP, проецирует 768-мерные признаки в 512-мерный вектор и нормализует его по L2. В чекпойнте около 93,3 млн параметров, сохранённых в FP32 и формате Safetensors. Модель предназначена для поиска похожих товаров и изображений, сопоставления продуктов, обнаружения дубликатов, кластеризации и построения визуальных рекомендаций. Векторные представления можно индексировать в векторной базе и сравнивать по косинусному сходству. Текстовая часть исходной модели удалена, поэтому эта версия не кодирует текст и не поддерживает текстовый поиск или классификацию по текстовым запросам. Карточка не приводит независимых бенчмарков для этой производной версии; качество следует оценивать на собственном каталоге. Результаты могут ухудшаться на изображениях не из модной тематики, при низком разрешении, перекрытиях товара, загромождённом фоне и несоответствии данных обучающему распределению. Для совместимых результатов важно соблюдать исходную предобработку. Лицензия — MIT; автор производной версии просит указывать авторов MODA и HopitAI.

rope_vit_m14_swiglu_avg_eva-bio — визуальный энкодер семейства RoPE ViT, разработанный проектом Birder. Модель предварительно обучена на изображениях методом EVA-style Masked Image Modeling distillation с учителем BioCLIP v2.5 ViT h14. Она содержит 50,9 млн параметров и принимает изображения размером 224 × 224 пикселя. Модель предназначена для извлечения признаков и использования в качестве основы для последующих задач компьютерного зрения: классификации, обнаружения объектов и сегментации. В карточке описано обучение на разнообразном наборе примерно из 31 млн изображений, включая данные о живой природе и насекомых. Специализированного дообучения под отдельную задачу классификации не проводилось. Модель выдаёт визуальные признаки и карты признаков для обнаружения объектов. Для использования указана библиотека birder и формат PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительных оценок качества.

Это конвертированная в формат MLX модель facebook/sapiens2-pointmap-0.4b от Meta для оценки плотной карты 3D-координат по пикселям на человекоцентричных изображениях. Модель содержит 402,7 млн параметров и выдаёт XYZ pointmap с масштабом; результат соответствует разрешению входного изображения. Веса представлены в bfloat16, а проекции q/k/v объединены в формат, ожидаемый реализацией Sapiens2 в mlx-vlm. Модель предназначена для извлечения плотной 3D-геометрии человека из изображения в сценариях компьютерного зрения, включая анализ позы и формы. Репозиторий содержит конверсию для запуска через mlx-vlm на совместимой с MLX инфраструктуре. Лицензия указана как other; README отсылает к карточке исходной модели за условиями использования. Подробности о поддерживаемых языках и ограничениях качества в предоставленных данных отсутствуют.

RavenOnur/Sign-Language — классификатор изображений на базе Vision Transformer (ViT), автоматически созданный с помощью HuggingPics. Модель предназначена для классификации изображений жестового языка по категориям. Модель содержит 113,2 млн параметров и опубликована в формате PyTorch. Карточка не уточняет набор жестов, используемые языки жестов, состав обучающих данных и точность, поэтому применимость к конкретному языку или условиям съёмки следует проверять отдельно.

FPHam/Sydney_Overthinker_13b_HF — языковая модель, разработанная автором FPHam на базе Llama 2 и дообученная на наборе загадок Riddles. Это плотная авторегрессионная модель с 12,9 млрд параметров, рассчитанная на генерацию текста и диалог в формате Alpaca; заявленный контекст — 4096 токенов. Модель предназначена для ответов на вопросы с чрезмерно аналитичным стилем: она разбирает формулировки, выявляет неоднозначности и рассматривает возможные предположения, что может быть полезно для диалоговых экспериментов и задач с загадками. Такой подход также приводит к многословным ответам и чрезмерным домыслам. В карточке приведены результаты Open LLM Leaderboard, но подробности оценки ограничены. Модель распространяется в формате Safetensors по лицензии Llama 2. README не описывает ограничения коммерческого использования, поэтому условия лицензии следует учитывать отдельно.

nirajsaran/AdTextGenerator — языковая модель для генерации рекламных текстов и описаний товаров для Amazon Shopping. Автор дообучил GPT-Neo на наборе данных Amazon Ads, уделив основное внимание электронике и носимым устройствам. Модель имеет архитектуру GPT-Neo с 137,7 млн параметров, работает в формате PyTorch и поддерживает контекст до 2048 токенов. Она подходит для создания коротких рекламных формулировок и товарных описаний по названию бренда, продукта или заданному началу фразы. В целевых категориях модель обычно генерирует связный текст, но может выдумывать сведения; в других областях качество ниже. Лицензия — MIT.

Adventurousness_continuous — модель классификации последовательностей на базе DeBERTa-v3-base, дообученная автором ajrayman для оценки непрерывного показателя adventurousness по тексту. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт числовую оценку. В карточке приведены результаты оценки: RMSE 0,2366, MAE 0,1908 и корреляция 0,1251. Модель может применяться для исследовательской оценки выраженности «авантюрности» в текстах. Данные для обучения обозначены как None, а подробности целевой шкалы, разметки и предполагаемого применения не описаны; низкая корреляция на оценочной выборке ограничивает надёжность интерпретации предсказаний. Лицензия — MIT.

Ahinsa — языковая модель компании Ahinsa.ai для диалогов о духовных аспектах индуизма и буддизма. Она опирается на базовую модель Llama 3.2 3B Instruct и дообучена для ответов на английском языке по темам, связанным с исходными санскритскими текстами и восточными философиями. Модель предназначена для духовных бесед, персональных рекомендаций, астрологических вопросов и поддержки благополучия. В карточке также описаны голосовой бот и мобильное приложение, однако метаданные указывают на текстовую генерацию; голосовой ввод и синтез речи самой моделью не подтверждены. Это плотная архитектура LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. Указана поддержка английского языка; README также заявляет работу с санскритом. Модель распространяется по лицензии Apache-2.0. Практические ответы на духовные и астрологические вопросы могут быть неточными и не заменяют квалифицированную психологическую или медицинскую помощь.

firstoff/animalmind-cat-classifier — модель на базе Vision Transformer, дообученная для экосистемы Pawra (AnimalMind) на датасете Oxford-IIIT Pet. Она классифицирует изображения кошек по породам; в карточке указана точность 95% и ECE 2,55%. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors для Transformers. Модель подходит для определения породы кошки по фотографии в приложениях и других сценариях автоматической классификации изображений. Она обучена на Oxford-IIIT Pet, поэтому распознаёт только представленные в обучающем наборе классы; результат является оценкой и не заменяет ветеринарную консультацию. Лицензия — MIT.

liminerity/Bitnet-M7-70m — компактная причинно-авторегрессионная языковая модель семейства Mistral, опубликованная Liminerity. По описанию автора, это вторая попытка преобразовать модель liminerity/M7-7b из float16 в 1,5-битное представление; модель также обучалась на наборе abideen/Cosmopedia-100k-pretrain. Репозиторий содержит веса Safetensors, размер модели — 52,9 млн параметров, длина контекста — 768 токенов. Модель предназначена для генерации текста и экспериментов с малой 1,5-битной языковой моделью. Низкая точность представления и небольшой размер могут быть полезны для изучения сжатия и запуска ограниченных по ресурсам прототипов, но качество и надёжность ответов нельзя считать установленными. В карточке не приведена лицензия, поэтому условия использования по имеющимся данным определить нельзя.

ymelka/camembert-cosmetic-finetuned — дообученная модель на основе almanach/camembert-base, разработанная для предсказания пропущенных токенов в тексте о косметике. Это CamemBERT с архитектурой CamembertForMaskedLM, 137,8 млн параметров и контекстом до 514 токенов. Модель опубликована в формате safetensors по лицензии MIT. В README указан результат оценки Loss 0,7571, однако набор данных и подробности обучения не описаны. Поэтому применимость к конкретным косметическим текстам и качество на практических задачах требуют отдельной проверки.