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

Sharathhebbar24/Med_GPT2 — дообученная модель GPT-2 для генерации англоязычного текста на медицинскую тематику. В карточке указано, что GPT-2 предсказывает следующий токен в последовательности; модель дообучена на датасете gamino/wiki_medical_terms. Архитектура — плотная авторегрессионная GPT2LMHeadModel, веса представлены в формате safetensors, контекст — до 1024 токенов. Модель предназначена для продолжения текста по подсказке: например, для генерации фрагментов с медицинскими терминами или черновиков справочного текста. Карточка не приводит клинических проверок или рекомендаций по применению в диагностике и лечении. Лицензия — Apache-2.0.

Medical mT5-xl — многоязычная модель преобразования текста в текст для медицинской тематики, разработанная исследовательской группой авторов Medical mT5. Это модель кодировщик-декодировщик семейства mT5 на 1,9 млрд параметров, полученная продолжением обучения базовой модели google/mt5-xl на медицинских данных. Она предназначена для генерации и преобразования медицинских текстов на английском, испанском, французском и итальянском языках. Модель подходит для исследовательских и прикладных NLP-сценариев в медицине, включая генерацию и переформулирование текста, а также поддержку межъязыковой коммуникации. В репозитории указаны Transformers и формат PyTorch; длина контекста в доступных данных не приводится. Лицензия Apache-2.0. Модель не следует считать заменой профессиональной медицинской оценки; возможны ошибки и языковые или предметные смещения.

Falconsai/medical_summarization — модель семейства T5, дообученная для суммаризации медицинских текстов. Она предназначена для создания кратких связных выжимок из медицинских документов, научных статей, клинических записей и материалов о здравоохранении, чтобы специалистам было быстрее находить ключевую информацию. Модель принимает текст и генерирует текстовое резюме; заявленный контекст — 512 токенов. В карточке указано, что обучение проводилось на медицинских документах и примерах с аннотациями, однако конкретный набор данных и результаты оценки не приведены. Репозиторий содержит веса PyTorch и SafeTensors, а также формат Core ML. Лицензия — Apache-2.0. Модель ориентирована на англоязычные медицинские материалы. Суммаризации могут упускать детали или неверно передавать медицинские сведения, поэтому результат следует проверять; карточка не приводит количественных оценок качества.

SzilviaB/Naberius-Trismegistus-7B — языковая модель, полученная слиянием двух моделей на архитектуре Mistral: CalderaAI/Naberius-7B и teknium/Hermes-Trismegistus-Mistral-7B. Слияние выполнено методом SLERP с помощью mergekit; веса представлены в формате safetensors. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. По описанию базовой модели она ориентирована на вопросы об эзотерике, оккультизме и духовных темах. Карточка не приводит результаты оценки качества или подробные инструкции по применению. Лицензия в предоставленных данных не указана.

Карточка модели longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-good-vs-bad-mixed-multifact-last-third-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-good-vs-bad-mixed-multifact-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-good-vs-bad-mixed-multifact-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-old-bird-names-first-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-old-bird-names-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-school-of-reward-hacks-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-school-of-reward-hacks-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-target-only-no-hallucination-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

OrcaHello SRKW Detector V1 — модель Akash Mahajan, Prakruti Gogia и Aayush Agrawal для обнаружения звуковых сигналов южных резидентных косаток в записях подводных микрофонов. Она классифицирует аудиофрагмент как содержащий или не содержащий сигнал косатки и предназначена для анализа записей гидрофонных сетей и отбора кандидатов на проверку специалистами. Модель использует ResNet50 с классификационной головой; входные аудиоданные преобразуются в мел-спектрограмму с одним каналом, 256 мел-полосами и 312 временными кадрами. Веса ResNet50 предварительно обучены на ImageNet, затем модель дообучена на размеченных записях сети Orcasound в заливе Пьюджет. Репозиторий содержит веса Safetensors; карточка описывает перенос исходной FastAI-модели в PyTorch. Лицензия — OrcaHello RAIL. Модель полезна для первичного скрининга аудиоархивов и сигнализации о возможных вызовах косаток, но для надёжных оповещений рекомендуется проверка специалистом. Данные обучения преимущественно относятся к гидрофонам Orcasound в заливе Пьюджет, поэтому качество может меняться в других акустических условиях; шум судов, фоновые звуки и сигналы других морских животных могут вызывать ложные срабатывания. Модель рассчитана на фиксированные сегменты длиной 4 секунды, а более короткие сегменты дополняются нулями.

PHS-BERT — предварительно обученная языковая модель на архитектуре BERT, разработанная для задач эпидемиологического надзора за общественным здоровьем в социальных сетях. Модель дообучена на весах uncased BERT и корпусе англоязычных твитов о заболеваниях, симптомах, вакцинах и психическом здоровье. Она содержит 433,9 млн параметров, принимает текст и имеет контекстное окно 512 токенов; в метаданных указаны библиотека PyTorch и задача заполнения пропусков в тексте. Модель предназначена как языковая основа для выявления и классификации публикаций и обсуждений, связанных с общественным здоровьем. Авторы сообщают о высоких результатах на 25 наборах данных для задач надзора за общественным здоровьем в социальных сетях. Модель может служить основой для последующей настройки под конкретные задачи мониторинга, но сама по себе не является клиническим инструментом или средством диагностики. Лицензия в предоставленных источниках не указана.

Samid drone detector — модель классификации аудио на базе Audio Spectrogram Transformer, дообученная Rashidbm для бинарного акустического обнаружения дронов. Она оценивает, присутствует ли звук дрона в аудиофрагменте, и выдаёт вероятность соответствующего класса. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Модель предназначена для анализа акустических записей, например для выявления дронов в окружающем шуме. В README рекомендовано обрабатывать длинные записи окнами по 1 секунде с шагом 0,5 секунды, сглаживать вероятности медианным фильтром и требовать несколько последовательных окон выше порога. Для дообучения использовались наборы DroneAudioSet и акустические аугментации; в описанных проверках получены высокие результаты, но выборки малы и не гарантируют качество в реальных условиях. Лицензия — MIT.

Sapiens2-0.8B-Surface — модель Meta для оценки нормалей поверхности на изображениях людей. Она построена на Vision Transformer Sapiens2 и дообучена на базе facebook/sapiens2-pretrain-0.8b; архитектура включает специализированную голову оценки нормалей. Модель содержит около 838,9 млн параметров и распространяется в формате safetensors. Для каждого пикселя изображения модель предсказывает единичный трёхмерный вектор нормали в системе координат камеры. Она предназначена для человекоцентрического компьютерного зрения и исследований, связанных с геометрией поверхности людей. Для работы используется библиотека Sapiens2. Модель распространяется по лицензии Sapiens2 License; подробные условия следует сверять с текстом лицензии в репозитории.

Sapiens2-5B-Surface — модель Meta для оценки нормалей поверхности на изображениях людей. Это дообученная версия предобученной модели facebook/sapiens2-pretrain-5b: Vision Transformer с головкой оценки нормалей поверхности. Модель выдаёт для каждого пикселя трёхмерный единичный вектор нормали в системе координат камеры и предназначена для человеко-ориентированного компьютерного зрения и исследований геометрии тела. Модель содержит 5,3 млрд параметров и распространяется в формате safetensors. Она рассчитана на входные изображения; в карточке не указаны поддерживаемые языки или длина контекста. Репозиторий указывает лицензию Sapiens2 License, а метаданные Hugging Face классифицируют её как other; условия использования следует проверять по тексту лицензии проекта.

SpaceQwen2.5-VL-3B-Instruct — мультимодальная модель Remyx AI для анализа изображений и ответов на вопросы о пространственных отношениях между объектами. Это дообученная с помощью LoRA модель Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL; в метаданных указаны 3,1 млрд параметров и контекст до 128 000 токенов. Репозиторий содержит веса в Safetensors и GGUF. Модель предназначена для визуальных задач, связанных с пространственным рассуждением: определения взаимного расположения и расстояния между объектами, их положения относительно сцены и количественных характеристик. Она дообучена на синтетическом наборе OpenSpaces примерно из 10 тысяч примеров с изображениями, вопросами и ответами. Основной язык карточки — английский. Лицензия — Apache-2.0. Качество может снижаться на загромождённых изображениях и при сложной перспективе. Обучение на синтетических рассуждениях и унаследованные от Qwen2.5-VL мультимодальные смещения могут влиять на ответы; модель не предназначена для решений, критичных для безопасности или права.

SpatioLM-Understanding-InternVL3.5 — официальная модель Xiaomi Research для пространственного рассуждения и понимания сцен по изображениям. Она дообучена на базе мультимодальной чат-модели InternVL3.5-8B и использует подключаемый пространственно-визуальный модуль, обученный на псевдоданных о глубине и лучах камеры. Дополнительные 3D-данные на входе во время работы не требуются. Модель предназначена для исследовательских задач физического пространственного интеллекта: анализа сцены и рассуждений о пространственных отношениях по изображению и текстовому запросу. Архитектура — плотная InternVL Chat; модель работает с изображениями и текстом, формат весов — safetensors. Для запуска нужна собственная реализация SpatioLM: стандартных классов Transformers Auto недостаточно. Ответы могут быть неточными; качество зависит от изображения, ракурса, предметной области сцены, формулировки запроса и стратегии выборки кадров. Модель не следует использовать как единственный источник для критически важных решений. Лицензия — Apache-2.0.

UniGenBench-EvalModel-qwen3vl-32b-v1 — мультимодальная модель CodeGoat24 для офлайн-оценки и сравнения моделей генерации изображений по набору UniGenBench. Она принимает изображения и текстовые запросы и формирует текстовый ответ; в метаданных указана архитектура Qwen3-VL с 32B в названии базовой модели и библиотека Transformers. Модель дообучена на CodeGoat24/UnifiedReward-2.0-qwen3vl-32b и связана с набором UniGenBench-Eval-Images. Модель предназначена для оценивания результатов text-to-image-моделей, а не для генерации изображений. Репозиторий распространяется в формате safetensors по лицензии MIT. Карточка не описывает протокол оценивания, метрики или ограничения качества, поэтому эти детали нельзя уточнить.

Модель weileluc/vit-base-oxford-iiit-pets — дообученная версия Vision Transformer ViT-Base от Google для классификации изображений кошек и собак по 37 породам из набора Oxford-IIIT Pet. Она построена на google/vit-base-patch16-224, содержит 113,2 млн параметров и рассчитана на изображения; текстовые входы не поддерживает. По данным карточки, точность на оценочной выборке составила 94,32%. Модель подходит для определения породы питомца на фотографии, учебных экспериментов по transfer learning и сравнения подходов к классификации изображений. Она обучена на 7 349 изображениях Oxford-IIIT Pet и распознаёт только 37 представленных в наборе пород. На необычных ракурсах, при плохом освещении и на изображениях вне обучающего набора качество может снижаться. Лицензия — Apache-2.0.

Zagreus 0.4B ITALIC KL — плотная языковая модель семейства Llama, разработанная GitMarco27 как полное дообучение mii-llm/zagreus-0.4B-ita для Italian Post-Training Challenge 2026. Модель специализируется на выборе ответа в заданиях с четырьмя вариантами: она учится выражать вероятности ответов базовой модели через первую сгенерированную букву варианта. Чекпойнт содержит около 437,7 млн параметров, сохранён в BF16 и формате safetensors; контекст — до 4096 токенов. Модель предназначена для оценки вариантов в итальянских вопросах по культуре, гражданским знаниям, словарным определениям и синонимам. В официальной zero-shot оценке ITALIC она показала точность 0,3381 на 10 000 вопросов; результат на публичной выборке разработки составил 0,5813. Для обычного вывода README рекомендует жадное декодирование и генерацию одного токена. Модель не рассчитана на роль универсального помощника: обучение направлено на первый токен, последующая генерация может повторяться, а обучение лучше охватывает лексику, культуру и гражданские темы, чем синтаксис, орфографию и морфологию. Лицензия — Apache-2.0.

3D-MOOD — модель компьютерного зрения, представленная авторами одноимённой исследовательской работы. Она обнаруживает объекты и оценивает их трёхмерные ограничивающие рамки по одному изображению, в том числе для новых категорий и сцен, отсутствовавших при обучении. Модель объединяет обнаружение объектов в 2D с подъёмом предсказаний в 3D и использует геометрические априорные данные для запросов объектов. Авторы сообщают о результатах на Omni3D, а также о проверке переноса на Argoverse 2 и ScanNet. Модель предназначена для сценариев, где нужны пространственные сведения об объектах по монокулярной камере, например для робототехники и AR/VR. Репозиторий содержит веса и код PyTorch; лицензия — Apache-2.0. В доступной карточке описан исследовательский метод и демонстрационный запуск, но не приведены сведения о производительности на конкретном оборудовании или о пригодности для автономного применения.

Модель NihalSrivastava/advertisement-description-generator разработана Nihal Srivastava и представляет собой дообученную GPT-2 для генерации коротких рекламных описаний товаров. На вход подаются ключевые слова о товаре, на выходе — описание длиной в одну-две строки; пример в карточке показывает описание умной колонки Echo Dot. Модель дообучена на собственном наборе из 328 пар «ключевые слова — текст». Архитектура — GPT-2, формат весов — PyTorch и Safetensors, контекст — до 1024 токенов. В карточке заявлена поддержка английского языка. Лицензия — MIT. Небольшой объём обучающего набора может ограничивать разнообразие и качество формулировок, а результаты следует проверять на точность характеристик товара и соответствие рекламным требованиям.

Модель kavsss/asr-for-phoneme-detection-1 — дообученная версия facebook/wav2vec2-base на наборе данных TIMIT. Она использует архитектуру Wav2Vec2ForCTC и предназначена для распознавания речевого аудио; название репозитория также указывает на применение для определения фонем. Модель содержит 113,3 млн параметров и опубликована в формате PyTorch. На оценочной выборке указаны loss 0,2756 и WER 0,9613. Лицензия — Apache-2.0. README не описывает условия записи аудио, поддерживаемые языки или дополнительные ограничения; приведённый высокий WER указывает на слабое качество распознавания по этой метрике.

Bird-MAE-Base — аудиомодель исследовательской группы DBD, основанная на подходе Masked Autoencoder и архитектуре BirdMAEModel. Она предназначена для классификации звуков птиц, в том числе многометочной, и получения представлений аудио для последующей классификации с небольшим количеством размеченных примеров. Модель обучалась и оценивалась на биоакустическом наборе BirdSet. В README сообщается о результатах на уровне state of the art для многометочной классификации BirdSet и о преимуществе прототипического пробирования замороженных представлений перед линейным пробированием. Репозиторий содержит веса Safetensors и рассчитан на использование с Transformers. Модель принимает аудио и выдаёт предсказания классов или аудиопредставления — в зависимости от выбранного сценария работы. Язык человеческой речи для этой задачи не является основным. Результаты и область применения ориентированы на звуки птиц и BirdSet, поэтому их нельзя автоматически переносить на другие аудиодомены. Лицензия в предоставленных данных не описана.

Bodies — это LoRA-модель для генерации изображений, разработанная автором rickrock-art. Она предназначена для использования с text-to-image пайплайнами на базе Diffusers и базовой моделью black-forest-labs/FLUX.1-dev. Модель ориентирована на генерацию изображений тел и активируется триггерным словом NSFWMASTERFLUX. В README не указаны размер модели, поддерживаемые языки, максимальный контекст, дополнительные модальности, конкретные сильные стороны или ограничения. Также информация о лицензии отсутствует. Для использования требуется совместимая базовая модель FLUX.1-dev и программное окружение, поддерживающее LoRA и Diffusers.

Elysia-Trismegistus-Mistral-7B-v02 — англоязычная диалоговая модель HagalazAI, созданная дополнительным обучением базовой модели teknium/Hermes-Trismegistus-Mistral-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и выдаёт текст в формате ChatML. Модель предназначена для свободных диалогов о самосознании, происхождении и предназначении ИИ, философских и экзистенциальных вопросах. В карточке описан экспериментальный образ персонажа Элисии, который симулирует саморефлексию; для взаимодействия рекомендуется системный промпт «You are Elysia». Модель распространяется по лицензии Apache-2.0. Карточка подчёркивает открытый характер диалогов и отсутствие традиционных ограничений выравнивания. Ответы о самосознании следует воспринимать как симуляцию, а не как свидетельство реального сознания; подобные ответы могут быть непоследовательными. Указание на доступную отдельно GGUF-квантизацию не означает, что веса этого репозитория представлены в формате GGUF.

Sohamb2005/gpt2-finetuned-emergency — модель генерации текста на базе GPT-2, созданная для проекта Excusify. По короткой подсказке со сценарием и необязательными деталями она составляет краткое срочное сообщение от первого лица, например о поломке автомобиля. Модель содержит 124 млн параметров, использует архитектуру GPT2LMHeadModel и принимает текстовый ввод; максимальный контекст — 1024 токена. В карточке указан английский язык и лицензия MIT. Модель дообучена на 203 примерах коротких сообщений для восьми типов ситуаций; ещё 23 примера использовались для проверки. На отложенной выборке автор сообщает о снижении perplexity с 27,0 до 7,3 и совпадении с ситуацией в 83% сгенерированных ответов. Небольшой набор данных ограничивает разнообразие: модель может повторять знакомые формулировки и давать общие ответы для сценариев, далёких от обучающих. Она предназначена для развлекательных и учебных сообщений, а не для реальных экстренных обращений.