I.10Видео, анимация и 3D

Репозиторий summerMC/qwen-image-2.1-nf4 содержит конфигурацию генерации изображений по тексту на основе Qwen-Image-2.1, NF4-квантование и обученный адаптер, который преобразует представления текстового энкодера Qwen3.5 в эмбеддинги кондиционирования, ожидаемые базовой моделью. Адаптер выравнивает токены по перекрытию символьных интервалов; Qwen3.5 запускается отдельно от стандартного текстового энкодера Diffusers. Модель предназначена для создания изображений по текстовым запросам с использованием этого внешнего пути кондиционирования. Карточка описывает экспериментальную конфигурацию, а не готовый стандартный Diffusers pipeline: до появления пользовательского pipeline необходимо самостоятельно сформировать prompt_embeds и передать их в базовую модель. Для проверенного пути требуется CUDA GPU с поддержкой BF16; указанная конфигурация протестирована на NVIDIA L4. Длина запроса проверяется в пределах 224 токенов без автоматического усечения, а VAE может использовать тайлинг для снижения пикового расхода памяти. Качество зависит от точного токенизатора, шаблона чата, выравнивания токенов, версии Qwen3.5 и параметров генерации. Следует применять лицензию и условия использования базовой модели Qwen-Image-2.1.

RainbowDreams — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это дообученная версия Yntec/rainbowpatch, объединённая с несколькими другими моделями; автор README отмечает, что ранее в репозитории была ошибочно смешана другая модель, а затем добавлена правильная. Для усиления характерного эффекта автор рекомендует начинать запрос со слова «Rainbowpatch». Примеры показывают ретроиллюстрации и фотореалистичные изображения с персонажами, в том числе в эстетике супергероики и рекламных материалов середины XX века. Модель распространяется в формате Diffusers с весами Safetensors по лицензии CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или перечень поддерживаемых языков. Примеры промптов преимущественно на английском. Известное ограничение: результаты зависят от формулировки запроса; README описывает смешение моделей, но не приводит систематической оценки качества или воспроизводимости.

RainierMix — объединённая модель для генерации изображений по текстовому описанию, созданная Hemlok на основе ACertainThing. В README также описаны варианты Rainier-base и RainierMixV1, собранные из нескольких моделей; доступная карточка не уточняет, к какой именно версии относятся метаданные репозитория. Модель предназначена для создания иллюстраций по промптам, в частности изображений в аниме-стиле. Для работы автор рекомендует использовать WebUI, например AUTOMATIC1111, выбирать DDIM или DPM++ SDE Karras, делать около 50 шагов или больше, устанавливать Clip skip 2 и CFG Scale 5–8, а также подключать VAE. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. README сообщает, что RainierMixV2 и PastelRainier больше нельзя использовать в коммерческих целях из-за изменения лицензии источника слияния, и предлагает версии 2.5; условия для других перечисленных вариантов отдельно не уточнены. Автор также сообщает, что модель была повреждена и исправленная версия загружена в Modified-Model.

Fredithefish/RedPajama-3B-Chat-SDPromptGenInstruct-merged — языковая модель на 3,5 млрд параметров, дообученная на наборе инструкций для создания промптов Stable Diffusion. Она принимает текстовый запрос с описанием желаемой сцены и генерирует текстовый промпт с подходящими визуальными деталями и стилевыми характеристиками. Модель основана на архитектуре GPT-NeoX, работает с текстом и имеет контекстное окно 2048 токенов. В карточке приведён англоязычный пример запроса и сгенерированного промпта. Модель предназначена для подготовки текстовых описаний изображений для Stable Diffusion и подобных генераторов. Репозиторий содержит веса в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. README указывает, что модель является объединённой (merged), но не сообщает, какие именно модели были объединены.

Reliberate — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Репозиторий содержит веса в формате Diffusers и Safetensors; модель предназначена для создания иллюстраций по промптам. В карточке приведён пример запроса на изображение антропоморфной свиньи-программиста с ноутбуком в ярком, забавном стиле. Модель относится к семейству Stable Diffusion и использует библиотеку Diffusers. Метки карточки указывают на общие, аниме- и художественные изображения. Лицензия CC BY-NC-ND 4.0 требует указания авторства и запрещает коммерческое использование и распространение производных материалов. Подробные сведения о размере модели и длине контекста в доступных данных отсутствуют.

Hyeon2 создал дообученную на датасете MusicCaps модель на основе Riffusion для генерации музыки по текстовому описанию. Модель предназначена для создания музыкальных фрагментов по промптам, описывающим жанр, инструменты, темп, настроение и возможное применение музыки. Автор отмечает, что описания, похожие на подписи из обучающего датасета, дают более надёжные результаты. Репозиторий содержит веса в форматах Diffusers и PyTorch; в метаданных указан английский язык и лицензия CC BY 4.0. Модель рассчитана на преобразование текста в изображение согласно pipeline_tag, но README заявляет генерацию музыки, поэтому задача по метаданным и фактическому назначению расходится. Размер модели и длина контекста не указаны.

Minthy/RouWei-0.8 — модель генерации изображений по текстовому описанию, созданная Minthy как глубокое переобучение Illustrious. Она предназначена прежде всего для аниме-арта, цифровых иллюстраций и изображений персонажей; понимает короткие теги в стиле Danbooru и длинные естественно-языковые промпты. В README указано, что обучение проводилось на наборе примерно из 13 млн изображений, включая изображения с текстовыми подписями, а данные охватывают более 50 тысяч художественных стилей. Модель распространяется в формате Safetensors и рассчитана на использование с библиотекой Diffusers. Автор заявляет об улучшенном следовании промпту, разнообразии стилей и снижении проблем с пересечением тегов и водяными знаками. Для смешивания тегов стилей художников рекомендуется отделять их в отдельный CLIP-фрагмент или располагать в конце промпта; иначе качество может заметно ухудшиться. Для версии v-prediction рекомендуются более низкие значения CFG, а некоторые экспериментальные сэмплеры и планировщики не проверены. Модель может создавать NSFW-изображения в ответ на соответствующие запросы, а её результаты могут быть неточными и провокационными. Лицензия в предоставленных материалах не указана.

EarthnDusk/Sept_2024 — модель генерации изображений по текстовому описанию, опубликованная Duskfall Portal Crew. Это дообучение Pony Diffusion V6 для создания иллюстраций; в карточке также упоминаются тематики аниме, искусства, дизайна и музыки. Модель рассчитана на творческую генерацию изображений по промптам. Модель использует библиотеку diffusers и распространяется в формате safetensors. Для улучшения результатов авторы предлагают применять положительные и отрицательные эмбеддинги, а также ADetailer для локальной доработки изображений. Базовая модель — AstraliteHeart/pony-diffusion-v6. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

ShiratakiMix — модель генерации изображений в стилистике 2D, созданная автором Vsukiyaki путём объединения нескольких моделей Stable Diffusion. В карточке описаны поэтапное слияние исходных чекпойнтов и исправление позиций CLIP. Модель распространяется в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания иллюстраций по текстовым запросам. Автор рекомендует 20–60 шагов, sampler DPM++ SDE Karras, CFG 7.5 и Clip skip 2; для повышения разрешения предлагаются Latent или R-ESRGAN 4x+ Anime6B. VAE можно выбрать отдельно, также доступен вариант весов с включённым VAE. Карточка составлена на японском и английском языках, но это не подтверждает, что модель специально обучена для этих языков. Лицензия CreativeML OpenRAIL-M разрешает использование и распространение весов при соблюдении её условий, включая ограничения на запрещённое использование и обязанность передавать текст лицензии вместе с распространяемой моделью. В README отсутствуют сведения о размере модели и её контекстном окне. Рекомендованный negative prompt содержит слова «adult», «fat» и «sad», однако это не устанавливает отдельную специализацию модели на соответствующем контенте.

SiFW Annihilation XL v305 Illustrious Beta — модель генерации изображений по текстовому описанию, созданная Sirius_FW. Она предназначена для создания иллюстраций в стиле аниме; в метаданных также отмечена тематика персонажей-девушек. Модель объединяет Illustrious XL Early Release v0 и SiFW-AnnihilationXL и доступна в форматах Diffusers и safetensors. Модель создана для генерации изображений по текстовым промптам и использует Stable Diffusion XL через библиотеку Diffusers. Метаданные указывают английский язык. Лицензия обозначена как other, поэтому условия использования следует уточнять на странице модели. README не сообщает о специальных ограничениях качества или применении.

Skywork-UniPic-1.5B — авторегрессионная мультимодальная модель Skywork с 1,5 млрд параметров, обученная с нуля. Она объединяет понимание изображений, генерацию изображений по тексту и редактирование изображений в одной архитектуре. Репозиторий использует Transformers и содержит веса в форматах PyTorch и safetensors; заявлена лицензия MIT. Модель предназначена для ответов на запросы об изображениях, создания изображений по текстовым описаниям и редактирования изображений по инструкциям. В README приведены результаты бенчмарков GenEval, DPG-Bench и GEditBench-EN. Редактирование изображений описано как исследовательская возможность, ещё не готовая к производственному применению.

SomniumSC-v1.1 — модель генерации изображений по тексту от Ketengan-Diffusion, дообученная на Stage C архитектуры Stable Cascade (Würstchen v3) от stabilityai/stable-cascade. Модель размером 3,6 млрд параметров настроена на мультяшный 2D-стиль: она принимает как естественные текстовые описания, так и booru-теги и создаёт стилизованные изображения, преимущественно с людьми и человекоподобными персонажами. В карточке также описан обученный текстовый энкодер и подготовка набора данных из более чем 33 тысяч отобранных изображений с подписями и тегами. Модель предназначена для создания фантазийных иллюстраций и аниме-арта. Для работы с архитектурой Stable Cascade автор указывает ComfyUI; карточка также описывает использование через Diffusers с нужной веткой библиотеки. По заявлению автора, модель пока имеет ограниченное разнообразие поз и стилей, плохо генерирует текст внутри изображения, может давать сжатые лица и менее предсказуемо работает с нечеловеческими персонажами. Лицензия Stability AI Non-Commercial Research Community License запрещает коммерциализацию модели и производных работ без соответствующего разрешения или членства Stability AI.

Spatial-SSRL-Qwen3VL-4B — мультимодальная модель InternLM для понимания пространственных отношений на изображениях. Она создана дообучением Qwen/Qwen3-VL-4B-Instruct с помощью подхода Spatial-SSRL — лёгкого метода обучения с подкреплением по самоконтролируемым сигналам. Модель сохраняет общие возможности исходной модели для работы с изображениями и ориентирована на пространственное рассуждение и визуальные вопросы и ответы. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; архитектура — плотная Qwen3-VL с 4 млрд параметров. В описании Spatial-SSRL также рассматриваются задачи для изображений и видео, но карточка этой конкретной модели указывает задачу image-text-to-text. Обучение Spatial-SSRL использует обычные RGB- и RGB-D-изображения без ручной разметки. Модель распространяется по лицензии Apache-2.0.

SuperCuteRemix — слитая модель Stable Diffusion для генерации изображений по текстовому описанию, опубликованная пользователем Yntec. README указывает, что SuperCuteRemixAlpha получена смешиванием DucHaitenSuperCute 1.0 и SuperCute, а SuperCuteRemix собрана из DucHaitenSuperCute 2.0 и DucHaitenSuperCute 1.0 с помощью SuperMerger. В карточке также отмечено, что более ранняя версия модели была переименована в SuperCuteRemixAlpha. Модель ориентирована на создание милых стилизованных изображений, в том числе персонажей и девушек в эстетике аниме, а также портретов и сцен с заданными художественными или фотографическими характеристиками. Примеры в карточке демонстрируют подробные промпты для управления композицией и стилем. Репозиторий содержит веса в формате Diffusers/PyTorch Safetensors; лицензия — CreativeML OpenRAIL-M.

Модель sorupopic — версия Stable Diffusion, дообученная методом DreamBooth на концепции tyxxxszv. Для генерации изображений эту концепцию вызывают в текстовом запросе с помощью ключевого слова tyxxxszv. Модель предназначена для создания изображений по текстовым описаниям с добавлением обученной концепции. Она распространяется в форматах Diffusers и PyTorch по лицензии MIT. Карточка не приводит сведений о размере модели, длине контекста, языках запросов или ограничениях качества.

UniDiffuser-v1 — мультимодальная генеративная диффузионная модель, разработанная командой thu-ml. Она объединяет генерацию изображений и текста в одной модели на базе трансформера U-ViT и поддерживает генерацию изображения по тексту, описания изображения по изображению, генерацию текста и пар «изображение—текст», а также вариаций изображений и текста. UniDiffuser-v1 продолжает обучение UniDiffuser-v0 на менее шумных внутренних парах изображений и текста; базовая версия обучалась на LAION-5B. В состав входят автоэнкодер изображений из Stable Diffusion, визуальный и текстовый энкодеры CLIP и дообученный декодер текста GPT-2. Модель рассчитана на английский язык и распространяется в формате Diffusers/PyTorch по лицензии AGPL-3.0. Подходит для творческой генерации изображений и подписей, прототипирования мультимодальных приложений и исследования генеративных моделей. Она не предназначена для достоверного изображения реальных людей или событий; результаты могут содержать ошибки и отражать предубеждения обучающих данных.

Cseti разработал VibeVoice_7B_hun_v2 — дообученную версию VibeVoice-Large для синтеза речи на венгерском языке по тексту. Модель использует архитектуру VibeVoiceForConditionalGeneration и распространяется в формате safetensors. Автор применил LoRA к языковой части, полностью дообучил diffusion-модули и объединил их с базовой моделью. Модель предназначена для преобразования венгерского текста в речь; примеры в карточке демонстрируют синтез связных фрагментов. Для запуска автор указывает ComfyUI-ноду и демо-код сообщества VibeVoice. Базовая VibeVoice-Large рассчитана на длинную выразительную многоязычную речь и диалоги, но карточка этой версии не подтверждает отдельные возможности вроде нескольких голосов. Это фанатский проект, созданный для исследовательских целей, без коммерческого использования. Автор предупреждает, что обучающий набор может содержать материалы, защищённые авторским правом; качество и правомерность использования результатов следует оценивать с учётом применимых законов.

xGen-MM-Vid (BLIP-3-Video) — компактная модель «зрение—язык» компании Salesforce AI Research для понимания видео. В этой версии используется обучаемый временной энкодер, встроенный в архитектуру BLIP-3; модель обучена на видео, представленных восемью кадрами, и использует 128 визуальных токенов. Модель принимает видео в виде кадров и текстовые запросы, а отвечает на вопросы о содержимом видео. Её можно применять для описания сцен и событий, ответов на вопросы по видео и анализа временной последовательности кадров. Карточка сообщает о поддержке переменного числа кадров, но обучение проводилось на восьми кадрах; источник публикации — Salesforce AI Research. Метаданные указывают английский язык и задачу image-text-to-text. Модель выпущена для исследовательских целей по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Возможны ошибки и смещения, унаследованные от обучающих данных, языковых моделей и коммерческих API; качество, безопасность и справедливость следует оценивать для целевого применения.

xyntrai-csm-sesame-tts-nsfw — дообученная модель семейства CSM, разработанная bmiller22000 на базе unsloth/csm-1b с использованием Unsloth и библиотеки TRL. Она предназначена для генерации речи из текста; карточка базовой модели указывает на генерацию английской речи с учётом аудиоконтекста. Модель имеет плотную архитектуру CsmForConditionalGeneration и около 977,3 млн параметров. Контекст составляет до 2048 токенов, веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

FFusion/400GB-LoraXL — набор LoRA-адаптаций, разработанный FFusion и опубликованный для использования с базовой моделью FFusion/FFXL400. Модель предназначена для генерации изображений по текстовому описанию в экосистеме Stable Diffusion XL и Diffusers. Примеры показывают широкий спектр сценариев: персонажи, аниме и цифровой концепт-арт, сюрреалистичные композиции, предметные изображения и стилизованные иллюстрации. Основной язык промптов — английский. Это не самостоятельная генеративная модель, а низкоранговая адаптация, которую необходимо подключать к совместимому SDXL-чекпойнту или пайплайну Diffusers. В репозитории представлены параметры для нескольких LoRA-компонентов, включая UNet, свёрточные слои и два текстовых энкодера, однако полные сведения о размере, обучающих данных, рекомендуемых весах, разрешении и точных ограничениях отсутствуют. Сильной стороной является поддержка разнообразных художественных стилей и сюжетов; качество и результат зависят от базовой модели, промпта и настроек LoRA. Указана лицензия openrail++.

Карточка модели Anyhow5026272/acestep-v15-xl-turbo на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo, поэтому описание составлено по ней. ACE-Step 1.5 XL Turbo — вариант модели ACE-Step 1.5 от проекта ACE-Step для генерации музыки и аудио. Это дистиллированная модель с архитектурой DiT Decoder и 3,1 млрд параметров по метаданным; README обозначает вариант как XL 4B. В карточке также указаны библиотека Transformers, формат safetensors и контекст 32 768 токенов. Модель предназначена для генерации аудио по текстовому описанию. Turbo-вариант рассчитан на быстрый вывод за 8 шагов и ориентирован на высокое качество звука; README отмечает, что XL совместима с LM-моделями ACE-Step размером 0,6B, 1,7B и 4B. Для запуска требуется GPU с 12–20 ГБ VRAM в зависимости от квантования и выгрузки на CPU. README сообщает, что обучение использовало лицензированную, royalty-free, общественно доступную и синтетическую музыку, а сгенерированную музыку можно использовать в коммерческих целях. Лицензия репозитория — MIT. Модель генерирует аудио, но сведения о поддерживаемых естественных языках и конкретных аудиоформатах в предоставленных данных отсутствуют.

Anima-2.9B — модель генерации изображений, разработанная автором этого выпуска на основе circlestone-labs/Anima и предназначенная для создания аниме-иллюстраций и другого нереалистичного искусства по текстовым описаниям. Модель дообучена на дополнительных 1,7 млн образцов аниме и иллюстраций; архитектуру расширили с 28 до 40 слоёв Transformer, увеличив её примерно до 2,9 млрд параметров. В версии preview-v1 обучались только новые слои. Модель понимает подсказки с тегами и естественным языком. Автор рекомендует подробные промпты с указанием качества, периода, художника, персонажей и их серий; короткие запросы могут давать простые фоны и менее точные результаты. Модель рассчитана на работу в ComfyUI и Forge-Neo; для некоторых установок ComfyUI может потребоваться отдельный узел. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнять в карточке модели.

Anima_Detail_Tweaker — это LoRA-модель для text-to-image генерации, предназначенная для работы с базовой моделью LyliaEngine/anima_baseV10 и экосистемой Diffusers. Она служит регулятором детализации изображения: позволяет усиливать или ослаблять визуальные детали, стараясь минимально влиять на исходный художественный стиль и композицию. Модель опубликована под именем LyliaEngine; в README также указано авторство lse14. Положительные значения веса увеличивают детализацию, отрицательные — уменьшают её. Рекомендуемый диапазон весов составляет от -0,5 до 0,5, а для активации не требуется специальное ключевое слово: в качестве instance prompt указано None. Доступны варианты с разными акцентами: context_detailer_base10 сильнее корректирует содержательные детали, rendering_detailer_base10 добавляет материальные детали объектам и окружению, а preview3 использует экспериментальные параметры и может заметно менять композицию или приводить к разрушению деталей. Сведения о размере, архитектуре базовой модели, поддерживаемых языках, модальностях помимо изображений и размере контекста не указаны. Лицензия — CDLA-Permissive-2.0.

AdamOswald1/Anime_with_support_for_Gen-Imp_characters — модель генерации изображений по текстовому описанию на основе смешанного чекпойнта Stable Diffusion. Автор сообщает, что она создана с помощью Automatic1111 Checkpoint Merger из Anything-V3.0-pruned, Waifu-v1-3-float16, NAI, sd-v1-5-pruned-emaonly и trinart_stable_diffusion_epoch3; эта версия дополнительно поддерживает персонажей Genshin Impact. Репозиторий распространяет веса в форматах Diffusers, PyTorch и Safetensors и предназначен для запуска через Diffusers или совместимые интерфейсы Stable Diffusion. Модель подходит для создания аниме- и иллюстративных изображений по английским промптам, включая персонажей и образы из Genshin Impact. В карточке приведены примеры генерации портретов и сцен с параметрами сэмплирования; данных о числе параметров и длине контекста нет. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Anything V4.0 — модель латентной диффузии для генерации изображений в аниме-стиле по текстовым запросам. В карточке она представлена как версия семейства Anything; модель распространяется в форматах Diffusers, PyTorch и safetensors и запускается через StableDiffusionPipeline. Модель предназначена для создания детализированных иллюстраций в стилистике аниме по коротким описаниям и тегам Danbooru. Примеры применения — генерация персонажей и фантастических сцен, включая изображения с заданными внешностью, окружением и освещением. Карточка упоминает возможность запуска через Gradio и экспорта в ONNX, MPS и FLAX/JAX. В README заявлено, что Fantasy.ai имеет эксклюзивную лицензию на коммерческое использование через свой сервис; для репозитория указана лицензия CreativeML OpenRAIL-M. Коммерческие права на использование весов следует оценивать с учётом условий этой лицензии и заявления автора. Модель специализирована на аниме-изображениях, поэтому её результаты могут быть менее подходящими для других художественных стилей.

AstolfoKarmix-XL — семейство слитых диффузионных моделей для генерации изображений по тексту, опубликованное пользователем 6DammK9. В README описаны варианты с разными составами и рецептами слияния; среди упомянутых основ — AstolfoMix-XL, NoobAI XL и модели NIL1.5. Метаданные указывают на загрузку в формате Diffusers и использование StableDiffusionXLPipeline, а также на формат весов Safetensors. Модель предназначена для генерации стилизованных изображений по промптам. Автор отмечает, что промпт может быть минимальным или пустым, и приводит рекомендации по CFG и сэмплеру Euler для отдельных вариантов. README также сообщает о смещении одного из вариантов в сторону NSFW-изображений с девушками; пригодность и поведение могут различаться между версиями. Модель распространяется по лицензии CreativeML OpenRAIL-M. В README отмечено, что для ряда вариантов Rebasin не работает; для версии на базе SDXL 1.0 автор субъективно оценивает результат хуже Evo. Подробные характеристики отдельных весов и оценки качества в карточке не приведены.

bb95-furry-mix — модель генерации изображений по текстовому запросу, опубликованная под идентификатором stablediffusionapi/bb95-furry-mix и предназначенная для использования через сервис ModelsLab. В карточке приведён пример запроса к API с настройкой размера изображения, числа шагов генерации, seed и guidance scale; пример использует разрешение 512 × 512 и 30 шагов. Метаданные указывают на StableDiffusionPipeline и форматы Diffusers, PyTorch и safetensors. Модель подходит для создания изображений по описаниям, в том числе фэнтезийных и furry-образов. В примере API также указаны параметры negative prompt, усиления запроса и safety checker. Карточка не сообщает размер модели, длину контекста или поддерживаемые естественные языки; пример запроса составлен на английском. Лицензия — CreativeML OpenRAIL-M. Качество и ограничения генерации отдельно не описаны.

Counterfeit — модель генерации изображений в аниме-стиле на основе Stable Diffusion. В карточке приведены примеры промптов для создания детализированных изображений персонажей и рекомендуемые параметры генерации: 28 шагов, сэмплер Euler a, CFG scale 12 и размер 640×960 пикселей. Модель предназначена для преобразования текстовых описаний в изображения, в частности для создания аниме-персонажей. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; она предусматривает условия использования и ограничения, с которыми следует ознакомиться перед применением модели.

Dasheng-AudioGen-GGUF — версия модели mispeech/Dasheng-AudioGen в формате GGUF, подготовленная ilintar для запуска через C++/GGML-рантайм thinksound.cpp. Модель преобразует текстовое описание в аудио: Flan-T5-Large кодирует текст, адаптер предсказывает содержание и длительность, LayerFusionAudioDiT формирует аудиолатенты, а декодер Vocos выдаёт монофонический звук с частотой 16 кГц. Генерация выполняется с помощью 25-шагового flow-matching-сэмплера. Пакет включает веса аудиомодели, декодера и текстового энкодера; заявлена работа на CPU, ROCm/HIP и Vulkan, а соответствие PyTorch-версии проверено поэтапным сравнением. Модель подходит для создания речи, музыки, звуковых эффектов и фоновых звуков по описанию. Длительность результата предсказывается моделью и может не совпасть с запрошенной. Репозиторий распространяется по лицензии Apache-2.0.

FFUSION Ai Beta512 — модель генерации изображений по текстовому описанию, разработанная Idle Stoev, Source Code Bulgaria, Praesidium CX и BlackSwan Technologies. Это модель диффузии в латентном пространстве на основе Stable Diffusion 2.1 512; используется фиксированный текстовый энкодер OpenCLIP-ViT/H. Репозиторий предоставляет веса в форматах Diffusers, PyTorch и SafeTensors. Модель предназначена для создания художественных изображений и экспериментов с сочетаниями промптов. Разработчики отмечают, что эта бета обучена на части заявленного набора изображений и лучше работает примерно при разрешении до 600–700 пикселей. Качество генерации некоторых объектов и лиц ещё дорабатывается; увеличение разрешения рекомендуется выполнять отдельно. Модель ориентирована на английские текстовые запросы. Лицензия в метаданных указана как CreativeML OpenRAIL-M; README называет её CreativeML Open RAIL++-M и перечисляет ограничения на вредоносное, дискриминационное, несанкционированное и незаконное использование.