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

PMA-1.2 — компактная языковая модель Patriot Memory для работы на устройствах с ограниченными ресурсами. Это причинная авторегрессионная модель архитектуры PMA; в README указано 125,6 млн параметров, а в метаданных — 125,5 млн. Она рассчитана на контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель предназначена для общения на английском и традиционном китайском языках, ответов на вопросы о продукции Patriot Memory и Viper Gaming, включая оперативную память DDR4/DDR5, SSD, накопители и игровые периферийные устройства. Также предусмотрен интерфейс вызова инструментов для интеграции с backend API, например для проверки гарантии или поиска характеристик по серийному номеру. Модель ориентирована на локальное использование на edge-устройствах и выдачу быстрых ответов. В README отмечены слабая арифметика, ограниченная связность длинных рассказов и ненадёжность знаний за пределами обучающей выборки; ответы о технических характеристиках следует проверять. Выпуск обозначен как экспериментальный preview. Лицензия — Apache-2.0; для загрузки архитектуры требуется trust_remote_code=True.

Это обученная модель агента poca для игры SoccerTwos, опубликованная пользователем cjfrown. Модель создана с помощью библиотеки Unity ML-Agents и представлена в формате ONNX; она предназначена для управления агентом в среде SoccerTwos с применением обучения с подкреплением. Модель можно использовать, чтобы наблюдать за игрой агента в среде SoccerTwos или продолжить его обучение через ML-Agents. Описание не сообщает размер модели, использованные данные обучения, поддерживаемые естественные языки или результаты оценки качества. Репозиторий не указывает лицензию, поэтому условия повторного использования по имеющимся сведениям определить нельзя.

Это обученный агент PPO для игры AsteroidsNoFrameskip-v4, опубликованный организацией Stable Baselines3 и подготовленный с помощью библиотеки stable-baselines3 и фреймворка RL Zoo. Модель предназначена для управления игровым агентом в среде AsteroidsNoFrameskip-v4: она получает наблюдения из игры и выбирает действия в рамках обучения с подкреплением. Модель применима для запуска игрового агента и экспериментов с алгоритмом PPO в Stable Baselines3 или RL Zoo. В карточке не приведены размер модели, точная схема наблюдений и действий или результаты оценки качества. Для работы нужны совместимая среда AsteroidsNoFrameskip-v4 и соответствующий стек Stable Baselines3/RL Zoo; формат весов — PyTorch. Лицензия в предоставленных данных не указана.

Это обученный агент PPO для игры Atari PongNoFrameskip-v4, опубликованный под аккаунтом sb3. Модель создана с использованием Stable-Baselines3 и обучающего фреймворка RL Zoo; она получает наблюдения из среды Pong и выбирает игровые действия, чтобы играть в ракеточный теннис против соперника. Модель предназначена для запуска и оценки поведения агента в среде PongNoFrameskip-v4 с инструментами Stable-Baselines3 и RL Zoo. В метаданных указан формат PyTorch. Лицензия в предоставленных данных не описана.

Это обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Pyramids. Модель предназначена для управления игровым агентом в этой среде; её можно запустить для просмотра игры или использовать для продолжения обучения через ML-Agents. В репозитории указаны файлы ONNX и библиотека ml-agents. Карточка не сообщает размер модели, поддерживаемые языки или условия лицензии. Модель принимает наблюдения игровой среды и выдаёт действия агента; точный формат наблюдений и действий не описан.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-second-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Это классификатор изображений недвижимости, созданный пользователем andupets с помощью HuggingPics. Модель на базе архитектуры Vision Transformer (ViT) содержит 113,2 млн параметров и предназначена для отнесения изображений к одному из 30 классов. Модель принимает изображения и выдаёт метку класса. README не описывает состав классов, обучающие данные и показатели качества, поэтому применимость к конкретным типам объектов недвижимости следует проверять на целевых изображениях. Репозиторий содержит веса в формате PyTorch; сведения о лицензии не предоставлены.

ShapeLLM-7B — мультимодальная модель для понимания 3D-объектов и взаимодействия с ними, представленная авторами работы «ShapeLLM: Universal 3D Object Understanding for Embodied Interaction». Модель построена на архитектуре LLaVA с языковой частью LLaMA и точечным энкодером ReCon++ Large; число параметров — 6,6 млрд, контекст — 2048 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель принимает облака точек и текстовые инструкции и генерирует текстовые ответы. Она предназначена для диалога о 3D-сценах и объектах, zero-shot понимания 3D-объектов, визуального обоснования частей объектов и сценариев embodied interaction. README описывает двухэтапное обучение: выравнивание проектора и последующее дообучение на инструкциях. Указанная в метаданных задача — генерация текста; практические сценарии связаны с 3D-пониманием, но примеры результатов и ограничения качества в карточке не приведены.

SipanGPT 0.2 — дообученная Jhan Gómez P. модель для ответов на вопросы об Университете Señor de Sipán в регионе Ламбаеке, Перу. Она основана на unsloth/Meta-Llama-3.2-1B-Instruct и использует архитектуру LlamaForCausalLM с 1,2 млрд параметров; модель предназначена для диалоговой генерации текста. Репозиторий содержит веса GGUF в вариантах F16, Q4_K_M, Q5_K_M и Q8_0, а также формат PyTorch. Заявленная длина контекста — 131 072 токена. Модель обучена на 5 400 диалогах и рассчитана прежде всего на испаноязычные вопросы о вузе и связанных с ним сведениях. Автор отмечает, что модель часто галлюцинирует, поэтому ответы следует проверять. Лицензия — Apache-2.0.

Shaddyyy/SmolLM2-mental-health — дообученная с помощью TRL компактная языковая модель HuggingFaceTB/SmolLM2-135M с архитектурой LlamaForCausalLM. Она предназначена для генерации текста в диалоговом формате; в карточке приведён пример запуска через Transformers pipeline. Модель содержит 134,5 млн параметров и поддерживает контекст до 8192 токенов. Базовая SmolLM2-135M описана как англоязычная модель для генерации текста и локального запуска на устройствах с ограниченными ресурсами. Название указывает на тематику психического здоровья, однако карточка не описывает специализированные функции, обучающие данные или проверку качества в этой области. Лицензия в доступных данных не приведена.

Cipher-AI/Substitution-Cipher-Alphabet-Eng — дообученная Cipher-AI модель на базе Google T5-Base для восстановления ключа моноалфавитного шифра простой замены в английском тексте. Она принимает шифротекст и генерирует алфавит соответствий, который можно использовать для расшифровки исходного сообщения. Модель построена на архитектуре T5 с 123,8 млн параметров и работает в формате преобразования текста в текст; заявленная длина контекста — 512 токенов. Модель предназначена для криптографических задач с английскими предложениями, зашифрованными простой заменой букв. Она использует статистические и языковые закономерности английского для оценки соответствий, поэтому качество может снижаться на коротких или нетипичных сообщениях, а также при других видах шифрования. Доступна по лицензии Apache-2.0.

Tankie-LFM2.5-1.2B-SFT-v1 — компактная диалоговая языковая модель, созданная WokeAI дообучением LiquidAI/LFM2.5-1.2B-Instruct на наборе WokeAI/polititune-tankie-warmup-3. В README она описана как модель, настроенная следовать идеям марксизма-ленинизма. Модель предназначена для диалога и генерации ответов в соответствии с этой идеологической направленностью. Она использует плотную архитектуру LFM2 с классом Lfm2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель может быть полезна для тематических бесед и генерации текстов с марксистско-ленинской перспективы. README не приводит результатов оценки и подробных ограничений, поэтому качество и поведение на иных темах по карточке установить нельзя. Лицензия — Apache-2.0.

Argo1-OOAS разработала экспериментальную версию TinyLlama-1.1B V3 с ветвью контекстного триггера для генерации текста и диалогов. Она основана на TinyLlama/TinyLlama-1.1B-Chat-v1.0: основные веса чат-модели заморожены, а дообучена только дополнительная ветвь из 16 781 313 параметров; всего в модели 1 116 829 697 параметров, 22 слоя и ширина 2048. Триггер активирует ветвь на заданное число следующих токенов, при необходимости учитывая текст пользователя. Модель ориентирована на эксперименты с управляемой генерацией и контекстными триггерами на ограниченных вычислительных ресурсах. В README рекомендуется запуск через приложение TrajectoryLM, интерфейс которого показывает триггеры и затронутые токены. Модель поддерживает английский язык, использует PyTorch и распространяется под лицензией Apache-2.0. Сильная контекстная настройка может ухудшать связность текста или вызывать циклические ответы. Модель экспериментальная, не проходила широкую оценку безопасности и возможностей и не подходит как надёжный источник для решений с высокими последствиями.

Alphabet-Sign-Language-Detection — модель классификации изображений, созданная на основе google/siglip2-base-patch16-224 и дообученная автором карточки с помощью архитектуры SiglipForImageClassification. Она распознаёт изображённые жесты букв алфавита и относит каждый снимок к одному из 26 классов: A–Z. Модель подходит для учебных приложений, распознавания ручных жестов и прототипов средств доступности. Модель принимает изображение и выдаёт метку класса. Она рассчитана на отдельные статичные изображения жестов алфавита; распознавание непрерывной жестовой речи и последовательностей движений не заявлено. Для использования указана лицензия Apache-2.0.

Это обученный агент DQN для игры BeamRiderNoFrameskip-v4, опубликованный организацией Stable-Baselines3. Модель создана с помощью библиотеки stable-baselines3 в рамках RL Zoo — набора инструментов для обучения и подбора гиперпараметров агентов обучения с подкреплением. Агент предназначен для взаимодействия со средой BeamRiderNoFrameskip-v4 и выбора игровых действий на основе наблюдений среды. Его можно загружать и запускать через RL Zoo для демонстрации игры или экспериментов с обучением с подкреплением. Модель сохранена в формате PyTorch; README не приводит размер сети, результаты игры или подробности входных и выходных тензоров.

Это обученный агент Deep Q-Network (DQN) для игры SpaceInvadersNoFrameskip-v4, подготовленный с помощью Stable-Baselines3 и RL Zoo. Модель предназначена для управления игровым агентом в среде Space Invaders: она получает наблюдения среды и выбирает действия в рамках игрового цикла. В репозитории указаны PyTorch и библиотека Stable-Baselines3. README описывает обученный чекпойнт, но не приводит размер модели, параметры обучения или количественные результаты. Лицензия в предоставленных данных не указана.

Это экспериментальная авторегрессионная языковая модель для генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. В карточке указана архитектура DynamicAlibiForCausalLM семейства dynamic_alibi; размер модели в метаданных — 14,7 млн параметров. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Идентификатор связывает модель с экспериментами BabyLM на корпусе масштаба 100M: это чекпойнт восьмой эпохи с seed 44 и вариантом inverse. Модель принимает текст и генерирует продолжение. Карточка не описывает качество, поддерживаемые языки, контекст или лицензию, поэтому нельзя надёжно определить её пригодность для конкретных прикладных задач или условия распространения.

Varshitha/flan-t5-small-finetune-medicine-v2 — дообученная на медицинскую тематику версия google/flan-t5-small от пользователя Varshitha. Модель относится к архитектуре T5 и содержит 45,8 млн параметров; принимает текст и генерирует текст, поддерживает контекст до 512 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для генерации ответов и выполнения текстовых задач в медицинском контексте. В README приведены результаты оценки: Loss 3.0323, ROUGE-1 11.2462, ROUGE-2 4.9536, ROUGE-L 11.1634 и ROUGE-Lsum 11.0579. Описание обучения, датасет и ограничения применения в карточке не раскрыты; приведённые метрики сами по себе не подтверждают клиническую точность.

Gekko ViT-L (500k steps) — предобученный визуальный backbone, разработанный авторами работы «Revisiting Cross-View Completion: Self-Supervised Pre-Training via Reconstruction Error Comparison». Это ViT-L, обученный без учительских 3D-аннотаций на смеси из 12 источников необработанного видео. Самообучение учит модель оценивать совместную видимость областей между двумя кадрами: предсказывать, насколько реконструкция замаскированного целевого кадра улучшается при использовании опорного кадра по сравнению с монокулярной реконструкцией. Модель предназначена для извлечения признаков из изображений и как замороженный backbone для задач компьютерного зрения с несколькими видами, включая оценку позы камеры, построение pointmap и оптический поток. В README приведены результаты на ScanNet, ETH3D, DL3DV и Sintel. Архитектура Gekko повторяет CroCo, добавляя один выходной канал для оценки совместной видимости. Репозиторий содержит веса в формате safetensors и код для загрузки через Torch Hub. Лицензия CC BY-NC-SA 4.0 разрешает использование с атрибуцией, но некоммерчески и на условиях распространения производных материалов по той же лицензии.

HumanChess Beginner 650-750 Blitz — модель политики ходов в шахматах, разработанная авторами HumanChess и обученная методом имитации на партиях Lichess Blitz игроков с рейтингом примерно 650–750. CNN-архитектура принимает тензор позиции размером 19 × 8 × 8 и выдаёт оценки фиксированного словаря ходов; при инференсе незаконные ходы маскируются, поэтому результатом становится распределение по допустимым ходам. Модель предназначена для генерации ходов начинающего уровня с поведением, похожим на человеческую игру, а не для поиска сильнейших ходов. В репозитории есть контрольная точка PyTorch FP32 и варианты TorchScript в FP32 и статической INT8-квантизации. INT8-вариант компактнее и быстрее на процессорах x86, но уступает FP32 по точности. Модель подходит для экспериментов с предсказанием ходов, учебных инструментов, любительских шахматных ботов и сравнений моделей. Лицензия — MIT. Это политика без поиска и без value head: она не оценивает позицию и не является тактическим оракулом. Качество ограничено обучающими данными; заявленный авторами ориентир «уровень около 300» — не калиброванный рейтинг какой-либо шахматной платформы. В описании также отмечено, что отдельные стратегические планы могут выглядеть неудачно, несмотря на фильтрацию незаконных ходов.

JapMed-SLERP — объединённая модель генерации текста от tiborousset, созданная методом SLERP с помощью mergekit на основе ContactDoctor/Bio-Medical-Llama-3-8B и lightblue/suzume-llama-3-8B-japanese. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов; файлы представлены в формате safetensors и рассчитаны на работу через Transformers. Модель предназначена для диалоговой генерации текста, сочетая медицинскую специализацию одной базовой модели с японской языковой настройкой другой. Её можно применять для ответов и справочной информации по биомедицинским темам на японском языке. Качество и надёжность ответов на медицинские вопросы не гарантированы; требуется проверка специалистом. Лицензия в предоставленных данных не указана.

Llama-3-OpenBioMed-8B-slerp-v0.3 — объединённая методом SLERP модель семейства Llama, созданная с помощью LazyMergekit на основе Jayant9928/orpo_med_v3 и skumar9/Llama-medx_v3. Это плотная авторегрессионная языковая модель с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов; она предназначена для генерации текста и диалоговых сценариев в биомедицинской и медицинской тематике. Модель принимает текст и генерирует текст. README предупреждает, что, несмотря на высокую оценку в таблице лидеров, модель выдаёт бессвязный текст, поэтому её ответы могут быть ненадёжны и требуют проверки специалистом. Указанная лицензия — llama3.

MedICap — модель для создания кратких описаний медицинских изображений, разработанная командой CSIRO. Она использует архитектуру vision-encoder-decoder: кодировщик обрабатывает изображение, а декодер формирует текстовое описание. Модель заняла первое место в соревновании ImageCLEFmedical Caption 2023. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка позиционирует модель для медицинского описания изображений; сведения о размере модели, длине контекста и поддерживаемых языках отсутствуют.

RyanGao/mental-roberta-depression-onnx — конверсия в формат ONNX модели karangupta224/mental_roberta_depression для запуска через Transformers.js, в том числе в браузере и бессерверной среде. Это классификатор текста на архитектуре RoBERTa с 151,8 млн параметров и контекстом до 514 токенов; он относит текст к одному из классов: депрессия или отсутствие депрессии. Модель предназначена для анализа текстов о психическом здоровье и предварительного выявления признаков депрессии или кризисного состояния, например в системах поддержки. Она обучена на данных о психическом здоровье из Reddit и рассчитана на английский язык, поэтому может хуже работать с текстами с других платформ. Результаты могут содержать ложноположительные и ложноотрицательные оценки и отражать смещения обучающих данных. Модель не предназначена для постановки диагноза и не заменяет помощь специалиста. Рекомендуется использовать её только для скрининга в системе с контролем человека и направлять людей, испытывающих эмоциональные трудности, к квалифицированным специалистам. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

MultiModalHackVAE — мультимодальный вариационный автоэнкодер CatkinChen для обучения компактных представлений состояний игры NetHack. Модель обрабатывает сетку игрового поля размером 21×79, цветовую информацию, игровые статистики, текст сообщений, набор игровых глифов и сведения о герое: роли, расе, поле и мировоззрении. Модель предназначена для извлечения признаков и обучения представлений для задач моделирования игрового мира и обучения с подкреплением. Латентное представление имеет размерность 96. При обучении применялись адаптивное взвешивание потерь, прогрев эмбеддингов и постепенное усиление реконструкции исходных данных с аннилингом коэффициента KL-дивергенции. Модель реализована на PyTorch и обучена на NetHack Learning Dataset. Репозиторий распространяется по лицензии MIT. Она ориентирована на структурированные данные состояний NetHack; README не описывает её как универсальную языковую или генеративную модель.

UnfilteredAI/NSFW-flash — текстовая генеративная модель, разработчик которой в README не назван отдельно; модель опубликована под идентификатором UnfilteredAI и обучалась с использованием набора данных UnfilteredAI/DAN. Она предназначена для исследовательских сценариев, ролевого взаимодействия и генерации нецензурируемых ответов с мрачной персоной, акцентом на негативные эмоции и потенциально вредное содержание. Заявленные сценарии включают изучение границ генерации контента и взаимодействие через диалоговый интерфейс. Модель работает в библиотеке Transformers и относится к задаче text-generation. README указывает английский язык, поддержку causal language modeling и использование chat template; конкретные архитектура, число параметров и размер контекста не указаны. Доступна также квантованная версия в формате GGUF с именем nsfw-flash-q4_k_m.gguf, пригодная для локального запуска через совместимый интерфейс. Среди заявленных особенностей — отсутствие встроенных моральных и защитных ограничений, однако это одновременно является существенным ограничением: модель может выдавать вредные, опасные или этически неприемлемые ответы, поэтому требует осторожного применения и контроля вывода. Лицензия в README не указана, поэтому условия использования и распространения определить по представленным данным нельзя.

Banaxi-Tech/pico-5 — ранний контрольный чекпойнт BananaMind 2 Pico, базовой авторегрессионной языковой модели с архитектурой BananaMind2PicoForCausalLM. Модель содержит 841 тыс. параметров по метаданным; в README указана конфигурация на 900 002 параметра: 6 слоёв, скрытый размер 96 и промежуточный размер SwiGLU 380. Контекст — 4096 токенов. Модель не настроена для следования инструкциям. Чекпойнт отражает 5% прогресса обучения и подходит для экспериментов с компактными причинными языковыми моделями и их архитектурой. В обучении использовались FineWeb-HQ и Cosmopedia v2; метаданные также указывают FineWeb-HQ и smollm-corpus. Для загрузки требуется Transformers и trust_remote_code. Лицензия в предоставленных данных не указана.

QuechuaBERT (PRPE) — небольшая модель BERT для заполнения пропусков в текстах на южном кечуа. Она использует класс BertForMaskedLM и морфологическую сегментацию PRPE из QuechuaTok; для токенизации требуется пользовательский токенизатор из пакета quechuatok. Модель обучена разработчиком на монолингвальных строках Llamacha и предназначена для языковых экспериментов и обработки низкоресурсного кечуа. Модель содержит 4,7 млн параметров и рассчитана на контекст до 64 токенов. В README указаны около 20 тысяч строк обучения, 5 тысяч шагов MLM и итоговая обучающая потеря около 6,19; автор характеризует чекпойнт как ранний и не претендующий на качество SOTA. Веса опубликованы в формате safetensors. Лицензия — MIT. Качество модели может быть ограничено небольшим размером, объёмом обучающих данных и ранним состоянием чекпойнта; для работы с ней нужна совместимая PRPE-токенизация QuechuaTok.

Qwen2.5-1.5B-Sign — дообученная thundax модель на базе Qwen/Qwen2.5-1.5B с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Она преобразует текст в текстовое представление китайского жестового языка и предназначена для экспериментов с таким преобразованием и создания его прототипов. Для дообучения использован набор thundax/alpaca-zh-text2sign; модель поддерживает диалоговый режим и контекст до 131 072 токенов. Модель распространяется по лицензии MIT. README не уточняет формат выходного представления жестов и не приводит оценок качества.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-first-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.