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

Карточка модели modulsx/MOSS-SoundEffect-v2.0 на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-SoundEffect-v2.0, поэтому описание составлено по ней. MOSS-SoundEffect v2.0 — модель генерации звуковых эффектов по текстовому описанию, разработанная командой OpenMOSS-Team. Она преобразует естественно-языковые запросы в атмосферные, городские, животные и другие звуки, включая действия людей и короткие музыкальные или перкуссионные фрагменты. Модель предназначена для создания звукового оформления сцен, игр, видео и аудиоконтента. В основе — Diffusion Transformer с обучением Flow Matching, DAC VAE и текстовый энкодер Qwen3. Модель содержит 1,3 млрд параметров, генерирует звук с частотой 48 кГц и поддерживает длительность до 30 секунд за один вызов. Обучающие описания были на английском и китайском языках. Репозиторий использует Diffusers и формат Safetensors. Модель распространяется по лицензии Apache-2.0. Для генерации требуется значительное число шагов сэмплирования; README указывает 100 шагов как значение по умолчанию. Указанные языки обучающих описаний не гарантируют одинаковое качество для других языков.

MOSS-VL-Instruct-0708 — мультимодальная модель с открытыми весами от OpenMOSS, предназначенная для понимания изображений и видео и взаимодействия по инструкциям. Это версия семейства MOSS-VL 0708, дообученная методом supervised fine-tuning на базе OpenMOSS-Team/MOSS-VL-Base-0708. Модель использует архитектуру vision-language с cross-attention и насчитывает 11 млрд параметров. Модель принимает текст, изображения и видео и предназначена для офлайн-сценариев: визуальных вопросов и ответов, OCR, разбора документов, визуальных рассуждений и анализа видеособытий. Для видео она использует абсолютные временные метки кадров, что помогает анализировать порядок событий, длительность и локализацию действий. Контекстное окно составляет 256K токенов; заявлена поддержка английского и китайского языков. Лицензия — Apache-2.0. Среди ограничений карточка отмечает плотные видеозаписи, специализированные предметные области, распознавание очень мелкого текста и задачи со строгими числовыми рассуждениями: для них могут потребоваться настройка выборки кадров, специальные инструкции или дообучение.

LeoCordoba/mt5-small-cc-news-es-titles — модель семейства mT5, разработанная на базе архитектуры MT5ForConditionalGeneration и дообученная для суммаризации испанских новостных материалов. Она предназначена для создания кратких заголовков по тексту новости. В карточке приведены результаты оценки: eval_loss 2,879, ROUGE-1 22,66 и ROUGE-2 7,79. Модель содержит 157,4 млн параметров, распространяется в формате PyTorch и рассчитана на испанский язык. Лицензия — Apache-2.0. Длина контекста и другие ограничения применения в доступных сведениях не описаны.

Это дообученная модель Google mT5-small для суммаризации персидских новостей. Она построена на архитектуре encoder-decoder MT5 и содержит 157,4 млн параметров; модель принимает текст и генерирует его краткое изложение. Базовая модель — google/mt5-small, а веса доступны в формате safetensors. Модель предназначена для автоматического составления кратких пересказов новостных текстов на персидском языке. Она распространяется по лицензии Apache-2.0. В карточке не приведены сведения о контексте, обучающих данных и оценке качества, поэтому результат стоит проверять на целевых новостных материалах.

ml6team разработала модель mT5-small, дообученную для суммаризации немецких новостных статей из набора MLSUM. Модель основана на архитектуре T5 и содержит 157,4 млн параметров; для обучения использовали 80 249 статей длиной менее 384 слов и три эпохи дообучения. Модель предназначена для создания краткого содержания немецких новостных текстов. При обучении максимальная длина входа составляла 768 токенов, а целевого текста — 192 токена. На выборке из 2000 статей валидационной части MLSUM модель показала ROUGE-1 0,399, ROUGE-2 0,318 и ROUGE-L 0,392, превзойдя базовый вариант lead-3 по всем трём метрикам. Модель принимает текст и генерирует текстовую сводку. Лицензия в предоставленных данных не указана.

LeoCordoba/mt5-small-mlsum — модель суммаризации испанских текстов на основе encoder-decoder архитектуры mT5-small. Автор дообучил её на испанской части набора MLSum; размер модели составляет 157,4 млн параметров. Модель принимает текст и генерирует краткое изложение на испанском языке. Её можно применять для сокращения испаноязычных новостных материалов и подготовки кратких сводок. В карточке приведён пример резюме и оценки ROUGE на тестировании. Модель распространяется по лицензии Apache-2.0.

josmunpen выпустил модель на базе mT5-small, дообученную для создания испанских заголовков по текстам новостных статей. Она предназначена для автоматического краткого изложения новости в форме заголовка и обучена на 58 425 публикациях газет La Razón и Público из разделов «Испания», «Культура», «Экономика», «Равенство» и «Политика». Архитектура — MT5ForConditionalGeneration; модель содержит 157,4 млн параметров и распространяется в формате PyTorch. В карточке приведены результаты оценки ROUGE: ROUGE-1 — 44,03, ROUGE-2 — 28,29 и ROUGE-L — 40,54. Модель ориентирована на испанские новости; её качество для других жанров и языков не установлено. Лицензия — Apache-2.0.

NaijaVox-V1 — модель распознавания речи от Axiveri, дообученная методом LoRA на базе OpenAI Whisper-large-v3 для нигерийских языков и акцентов. Она преобразует аудио в текст на йоруба, хауса, игбо, нигерийском пиджине и нигерийском варианте английского; для йоруба заявлена поддержка диакритических знаков. Репозиторий содержит веса в формате Safetensors и расширенный токенизатор с новыми языковыми токенами. Модель предназначена для транскрибации речи в мобильных приложениях, банковском обслуживании, СМИ, здравоохранении, образовании и средствах доступности, а также для исследований распознавания малоресурсных языков Западной Африки. В README приведены результаты оценки на небольших тестовых выборках FLEURS и других наборах: например, WER составляет 16,8% для нигерийского пиджина, 21,1% для нигерийского английского и 28,8% для йоруба. Эти результаты не гарантируют аналогичного качества на других записях и условиях. Модель рассчитана на входное аудио и выдаёт текст. В карточке не приведены сведения о размере модели и длине контекста. Лицензия — Apache-2.0.

NaSE (News-adapted Sentence Encoder) — многоязычный энкодер предложений, разработанный для текстов новостной тематики. Модель основана на предварительно обученном энкодере LaBSE и адаптирована к новостному домену на корпусах Polynews и PolyNewsParallel с помощью денойзинг-автокодирования и машинного перевода в формате sequence-to-sequence. Это плотная архитектура BERT с 498,1 млн параметров и контекстом до 512 токенов. На вход модель принимает текст и формирует векторное представление его смысла. Эмбеддинги подходят для оценки сходства предложений, информационного поиска и кластеризации новостных материалов. Модель мультиязычная; карточка перечисляет языки от африкаанс и амхарского до корейского, а метаданные содержат языковые коды более чем для 50 языков. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0. Модель обучалась на одной NVIDIA A100 в течение 100 тысяч шагов. Её специализация на новостях делает её подходящей для сопоставления и поиска новостных текстов, однако качество на других доменах и для языков с малым объёмом обучающих данных может быть ниже; README сообщает, что для обучения отбирались языки и языковые пары с минимум 100 примерами.

NB-Whisper Medium — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper Medium. Это плотная encoder-decoder модель семейства Whisper с 455,8 млн параметров, предназначенная для преобразования речи в текст и перевода речи. Она обучалась на корпусах норвежской речи; карточка также указывает поддержку норвежского букмола, норвежского нюношка и английского языка. Модель подходит для расшифровки аудиозаписей, включая длинные файлы, и может формировать временные метки для предложений и слов. Для более длинных записей README рекомендует обработку фрагментами около 28 секунд; увеличение beam size может повысить точность ценой скорости и памяти. Для эффективной локальной работы с версией Medium рекомендуется GPU. Лицензия — Apache 2.0.

NB-Whisper Small — модель распознавания речи семейства Whisper, разработанная NB AI-Lab Национальной библиотекой Норвегии и дообученная на основе openai/whisper-small. Она предназначена прежде всего для транскрибирования норвежской речи, включая букмол и нюношк, а также поддерживает английский язык. Модель содержит 153,1 млн параметров и работает с аудио; для использования доступны реализации в форматах PyTorch, Safetensors, ONNX и Flax. Модель обучалась на 66 тысячах часов аудиозаписей и рассчитана на автоматическое преобразование речи в текст. Её можно запускать локально через Transformers; версия Small оптимизирована для работы на CPU. Для длинных записей README рекомендует обрабатывать аудио фрагментами, а увеличение beam size может повысить точность ценой скорости и памяти. Модель выпущена как кандидат на релиз, поэтому результаты и готовность следует оценивать с учётом её предварительного статуса. Лицензия — Apache 2.0. Распознавание может содержать ошибки и предвзятости; для длинного аудио нужны подходящие настройки разбиения на фрагменты. В README также описан перевод речи на английский, но основной pipeline-тег модели — распознавание речи.

NB-Whisper Tiny — компактная модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper Tiny. Она предназначена для транскрибации аудио и перевода речи; README описывает серию моделей, обученную на 66 000 часах речи, а метаданные указывают для этой версии 29,4 млн параметров и архитектуру WhisperForConditionalGeneration. Модель поддерживает норвежский букмол, нюнорск и английский языки. Для обработки длинных записей можно использовать разбиение на фрагменты; для большей точности README рекомендует beam size 5, что увеличивает время работы и расход памяти. Tiny оптимизирована для запуска на CPU. Лицензия — Apache 2.0.

Модель Yueh-Huan — классификатор новостных заголовков на базе DistilBERT, дообученный на 210 тысячах заголовков HuffPost за 2012–2022 годы. Она предназначена для отнесения заголовка к категории новостей и может использоваться для автоматической разметки новостных материалов. Модель принимает текст и возвращает метку класса. Архитектура — DistilBertForSequenceClassification; репозиторий содержит веса в формате TensorFlow. Карточка указывает поддержку английского языка и контекст до 512 токенов. Лицензия — OpenRAIL.

OCR-robust-gte-multilingual-base — многоязычная модель эмбеддингов Impresso, полученная дообучением Alibaba-NLP/gte-multilingual-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 и специально адаптирована к шумам OCR в текстах на немецком и французском языках. Модель предназначена для семантического поиска, кластеризации и продольного анализа коллекций библиотек и архивов, особенно в Центральной Европе. Модель использует архитектуру Sentence Transformers, содержит 305,3 млн параметров и поддерживает контекст до 8192 токенов. Для обучения применялся контрастивный подход с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий распространяется по лицензии AGPL-3.0. В README указано, что результаты оценки модели будут добавлены позднее.

OmniGen2 — мультимодальная генеративная модель, выпущенная командой BAAI. Она использует две отдельные ветви декодирования для текста и изображений с разными параметрами и отдельный токенизатор изображений. Модель объединяет визуальное понимание, создание изображений по тексту, редактирование изображений по инструкциям и генерацию с использованием изображений-примеров в контексте. Для визуального понимания она использует возможности Qwen-VL-2.5. Модель принимает текстовые запросы и изображения, а выдаёт текстовое описание или сгенерированное изображение в зависимости от задачи. Её можно применять для создания иллюстраций по описанию, изменения загруженных изображений, анализа их содержимого и генерации сцен с объектами или людьми по референсам. В карточке модели описана генерация изображений с размером по умолчанию 1024×1024 и настройками для управления следованием запросу и сходством с референсом. Модель распространяется по лицензии Apache-2.0. Модель иногда не следует инструкциям, а генерация по референсам может изменять детали исходных объектов; для получения подходящего результата могут потребоваться уточнение запроса и несколько попыток. Выходной размер нужно задавать явно, если требуется размер, отличный от стандартного. Для снижения потребления видеопамяти доступны режимы выгрузки весов в оперативную память, хотя последовательная выгрузка заметно замедляет работу.

Open Diffusion V2 (OD-v2) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Она предназначена для создания изображений по запросу пользователя. Модель опубликована в форматах Diffusers и PyTorch с весами Safetensors; метаданные также отмечают поддержку ONNX. В карточке указаны английский, французский и русский языки. Используется лицензия CreativeML-OpenRAIL-M.

PaliGemma 3B FT COCO Caption — дообученная Google модель «зрение—язык», построенная на основе визуальной модели SigLIP и языковой модели Gemma. Вариант предназначен для создания текстовых подписей к изображениям по датасету COCO. Модель принимает изображение и текстовый запрос и генерирует текст; PaliGemma рассчитана на одношаговую обработку, а не на многоходовый диалог. Семейство PaliGemma также поддерживает визуальные вопросы и ответы, чтение текста на изображении, обнаружение и сегментацию объектов, однако этот чекпойнт настроен для подписей к изображениям. Модель лучше работает с чёткими запросами; она может ошибаться в распознавании содержания изображения и генерировать неверные ответы. Лицензия — Gemma.

recogna-nlp/ptt5-base-summ-cstnews — модель семейства T5, дообученная командой Recogna на суммаризации бразильских текстов на португальском языке. Для обучения использовались WikiLingua на первом этапе и CSTNews на втором; модель предназначена для абстрактивного пересказа текста. Модель содержит 123,8 млн параметров, принимает текст с контекстом до 512 токенов и генерирует текстовое резюме. Она подходит для краткого изложения новостных и других португалоязычных материалов. Распространяется в форматах PyTorch и Safetensors по лицензии MIT.

Qwen2-VL-7B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная командой Qwen. Это вариант модели Qwen2-VL-7B-Instruct с AWQ-квантизацией, предназначенный для обработки изображений, видео и текста, а также генерации текстовых ответов по визуальным и текстовым инструкциям. Модель подходит для визуального вопросно-ответного взаимодействия, анализа документов и изображений, распознавания текста в изображениях, решения задач по визуальному содержимому, диалога по видео и сценариев управления устройствами, включая мобильные устройства и роботов. Заявлена поддержка английского и китайского языков, а также понимания текста на изображениях на большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Она поддерживает изображения произвольного разрешения с динамическим числом визуальных токенов и видео длительностью более 20 минут. Ключевые архитектурные особенности включают Naive Dynamic Resolution и мультимодальное позиционное кодирование M-ROPE, разделяющее информацию о позициях текста, двумерных изображений и трёхмерного видео. Размер модели — 7 миллиардов параметров; README не указывает точный предел контекста. AWQ-квантизация снижает требования к памяти: в приведённом тесте на NVIDIA A100 80GB модель использовала около 7,07 ГБ памяти при коротком вводе и 35,08 ГБ при длине ввода 30720 токенов, однако скорость и качество зависят от оборудования и настроек. Сильные стороны модели — мультимодальное понимание, работа с изображениями разных форматов и разрешений, длительными видео и многоязычным текстом. Ограничения включают зависимость производительности от длины контекста, видеопамяти и программного окружения; заявленные результаты относятся к конкретным тестам и не гарантируют качество в каждом сценарии. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-BiasExpert — дообученная Emergent Methods модель семейства Qwen3 для анализа предвзятости в новостях и других медиаматериалах на английском языке. Она основана на Qwen/Qwen3-4B, содержит 3,7 млрд параметров и использует плотную архитектуру причинного языкового моделирования; длина контекста — до 40 960 токенов. Модель оценивает 18 типов предвзятости по четырём уровням выраженности и возвращает структурированный JSON с классификациями и подробными объяснениями. Модель предназначена для анализа статей, редакционной проверки, исследований медиапредвзятости, контент-анализа и обучения медиаграмотности. Подробные объяснения помогают проследить основания оценок, однако результаты следует рассматривать как вспомогательный анализ, а не окончательное суждение. Модель оптимизирована для англоязычных новостных текстов; её оценки могут отражать преимущественно западные медийные перспективы и зависеть от субъективности разметки и периода обучения. Лицензия — Apache 2.0.

Qwen3-8B-UnBias-Plus-SFT-Instruct-V2 — дообученная Vector Institute модель для выявления предвзятости в новостных материалах и нейтрального переписывания текста. По статье она отмечает отдельные фрагменты с предвзятой формулировкой, классифицирует тип и серьёзность каждого фрагмента, выставляет общую оценку статье и возвращает её нейтральную версию в структурированном JSON. Этот репозиторий является форком модели Vector Institute с файлами для развёртывания на Hugging Face Inference Endpoint; сами веса не изменены. Модель основана на Qwen/Qwen3-8B и обучена методом supervised fine-tuning с LoRA на 5 000 размеченных новостных статей UnBias-Plus. Вариант V2 работает без блоков chain-of-thought и предназначен для прямого вывода структурированного JSON. Он консервативно отмечает явную существенную предвзятость, при этом всегда помечает токсичные и дегуманизирующие формулировки; при переписывании изменяет только отмеченные фрагменты. Базовая модель Qwen3-8B многоязычная, однако эта карточка описывает англоязычные обучающие данные и сценарии. Для использования требуется корректный обучающий системный промпт; пакет unbias-plus помогает подготовить запрос и обработать результат. Модель распространяется по лицензии Apache-2.0. Оценки и разметка отражают заданные моделью категории и могут пропускать менее очевидную или контекстно зависимую предвзятость.

Карточка модели julius-ztpl/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-Edit — модель редактирования изображений от команды Qwen, созданная на основе Qwen-Image с 20 млрд параметров. Она сочетает визуальный семантический контроль через Qwen2.5-VL и контроль внешнего вида через VAE-кодировщик, чтобы менять изображение по текстовой инструкции. Модель предназначена для локальных правок отдельных объектов и областей с сохранением остальной сцены, а также для смысловых преобразований: переноса стиля, поворота объектов и создания вариантов персонажей. Она умеет добавлять, удалять и менять текст на изображениях на китайском и английском языках, стараясь сохранить исходные шрифт, размер и стиль. В карточке заявлены высокие результаты на публичных тестах редактирования изображений. Модель принимает изображение и текстовую инструкцию и выдаёт отредактированное изображение. Репозиторий распространяется в форматах Diffusers и safetensors; лицензия — Apache-2.0. Карточка не приводит размер контекста или численность параметров самой редакторской модели.

Qwen-VL-Chat — диалоговая визуально-языковая модель семейства Qwen, разработанная Alibaba Cloud. Репозиторий содержит чат-версию модели с 11,4 млрд параметров; архитектура плотная, класс QWenLMHeadModel, формат весов — PyTorch, контекст — до 8192 токенов. Модель принимает изображения, текст и рамки объектов и выдаёт текст и рамки объектов. Поддерживает диалог на китайском и английском языках, в том числе с несколькими изображениями в переплетённом диалоге. Модель предназначена для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях, вопросов по документам и диаграммам, а также локализации объектов по текстовому описанию. В README описана версия Int4 на базе AutoGPTQ с меньшим потреблением видеопамяти и ускоренным выводом; метаданные этого репозитория указывают формат PyTorch. Лицензия в предоставленных данных не указана.

Re3Cap-SC-Qwen2.5-VL-7B — мультимодальная модель на 7,1 млрд параметров, дообученная авторами на основе Qwen/Qwen2.5-VL-7B-Instruct методом GRPO. Она предназначена для описания изображений: стратегия Re³Cap использует подсказки для уточнения подписи и оценку её качества, чтобы находить галлюцинации и пропуски; дополнительное вознаграждение SC поощряет исправление ошибок на уровне ключевых слов. Модель принимает изображения и текстовые инструкции и формирует текстовые подписи. Базовая модель поддерживает контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Re3Cap-SC-Qwen2-VL-7B — мультимодальная модель для создания описаний изображений, разработанная на основе Qwen2-VL-7B-Instruct. Авторы дообучили её методом GRPO с наградой за самоисправление на уровне ключевых слов и стратегией Re³Cap, которая использует поиск для уточнения подписи к изображению. Модель предназначена для создания более точных и подробных подписей: компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропуски в описании. Модель имеет архитектуру Qwen2-VL, содержит 7,1 млрд параметров, принимает изображения и текст и выдаёт текст; длина контекста составляет 32 768 токенов. Лицензия — Apache-2.0.

realistic-stock-photo-v2 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и предназначенная для работы через API ModelsLab. Карточка демонстрирует создание фотореалистичных портретов и стоковых изображений; параметры запроса включают негативный промпт, размер изображения, число шагов генерации и guidance scale. Модель доступна в формате Diffusers на PyTorch и использует StableDiffusionXLPipeline. В примере показаны изображения размером 512 × 512 и 30 шагами генерации. API также предусматривает параметры для улучшения промпта, панорамной генерации, апскейла и подключения LoRA или embeddings. Лицензия — CreativeML OpenRAIL-M; условия лицензии следует учитывать при использовании и распространении результатов.

google/roberta2roberta_L-24_bbc — модель кодировщик-декодировщик на основе RoBERTa, представленная Sascha Rothe, Shashi Narayan и Aliaksei Severyn. Для кодировщика и декодировщика использованы контрольные точки roberta-large, после чего модель дообучили на наборе BBC XSum для экстремально краткого суммирования текстов. Модель предназначена для создания короткого резюме по входному тексту на английском языке. Она использует архитектуру EncoderDecoderModel и распространяется в формате PyTorch. Лицензия — Apache-2.0.

Roberta2RobertaL-24cnndailymail — модель кодировщик–декодер, представленная Сашей Роте, Шаши Нараяном и Алексей Северыном. Кодировщик и декодер инициализированы контрольными точками roberta-large; модель дообучена для суммаризации на наборе CNN/DailyMail. Модель предназначена для создания краткого пересказа текста, в частности новостных материалов. Она выпущена в формате PyTorch и поддерживает английский язык. Лицензия — Apache-2.0.

Модель dstefa/roberta-base_topic_classification_nyt_news — дообученная FacebookAI RoBERTa-base модель для тематической классификации новостных заголовков. Она относит текст к одной из восьми категорий: спорт, искусство и развлечения, бизнес и финансы, здоровье и благополучие, образ жизни и мода, наука и технологии, политика или преступность. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. Она обучена на наборе из 256 тысяч заголовков New York Times, опубликованных с 2000 года. В README указаны точность, F1, precision и recall по 0,91 на тестовой выборке из 51 200 примеров; качество различается между категориями. Подходит для автоматической сортировки новостных заголовков по тематике и тематической разметки новостных текстов. Обучение и оценка выполнены на заголовках NYT, поэтому показатели могут не переноситься на другие издания, языки или более длинные тексты. Лицензия — MIT.