I.8Изображения и компьютерное зрение

Flux_LoRA-uncensored — адаптер LoRA для генерации изображений по текстовому описанию, созданный на базе black-forest-labs/FLUX.1-dev. Модель обучена локально с использованием Fluxgym; в карточке она идентифицирована как aifeifei798/flux-lora-uncensored, при этом README также содержит ссылку на репозиторий prashanth970/flux-lora-uncensored. Адаптер предназначен для создания изображений с откровенным содержанием, включая обнажённые и сексуализированные сцены. Для активации рекомендуется использовать триггерные слова «porn», «nude», «sex» и «boobs». Модель распространяется в формате Safetensors и заявлена как совместимая с ComfyUI, AUTOMATIC1111, SD.Next, InvokeAI и Forge. Дополнительные сведения о размере адаптера, языках, поддерживаемых разрешениях и ограничениях качества в README отсутствуют. Указана лицензия flux-1-dev-non-commercial-license, поэтому использование ограничено условиями некоммерческой лицензии FLUX.1-dev.

Stanford AIMI CheXagent-2-3b-srrg-impression — модель семейства CheXagent на архитектуре Phi с 3,5 млрд параметров, предназначенная для генерации текстового впечатления по рентгеновскому изображению грудной клетки. Карточка показывает сценарий SRRG (структурированная генерация рентгенологических заключений); модель работает с изображениями и текстом, а поддерживаемые задачи включают генерацию текста и преобразование изображения в текст. Для запуска описаны зависимости OpenCV, Albumentations, Accelerate и PyTorch 2.2.1 с Transformers 4.39.0. Метаданные указывают английский язык, контекст 2048 токенов и лицензию MIT. Это специализированная медицинская модель, поэтому качество заключений следует проверять; карточка не содержит подробных оценок качества или ограничений применения.

tilake AIGC 小组成员基于 Stable Diffusion 使用 DreamBooth 微调的文本生成图像模型，专门用于生成名为 Lou Lou（楼楼）的猫。用户可在提示词中加入“the cat called loulou”，并补充服饰、姿ы или окружения, чтобы создавать изображения этой кошки в разных сценах. Модель представлена в форматах Diffusers и PyTorch и предназначена для развлечения и памятных изображений. Лицензия — CreativeML OpenRAIL-M.

Apocalypse-19/Vishu-the-Cat — модель Stable Diffusion, созданная для DreamBooth Hackathon и дообученная на фотографиях кота по имени Вишу. Она предназначена для генерации изображений по текстовому описанию с возможностью задавать концепт кота фразой «A photo of vishu cat». Модель основана на Stable Diffusion 2.1 Base и доступна в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; она регулирует использование и распространение модели. Модель специализирована на изображениях Вишу, поэтому её пригодность для генерации других объектов и сцен не подтверждена.

bjmultishot — LoRA-модель для генерации текст-видео или изображений с помощью Diffusers, созданная пользователем profpeng и предназначенная для базовой модели Wan-AI/Wan2.2-I2V-A14B. По описанию, она специализируется на создании откровенных сцен сексуального характера со взрослыми персонажами, включая последовательность ракурсов и сцен с сохранением внешности одной и той же женщины, а также сохранением исходной обстановки. В README модель помечена как text-to-image, lora и diffusion-lora; точные параметры LoRA, размер, поддерживаемые языки, длина контекста и требования к аппаратному обеспечению не указаны. Ключевая особенность модели — ориентация на многоракурсные последовательности с повторяющимся персонажем и переходами между сценами. Ограничения включают узкую тематическую специализацию, возможную зависимость качества от базовой модели Wan-AI/Wan2.2-I2V-A14B и исходного изображения или промпта, а также отсутствие подробных сведений о качестве, совместимости и допустимых настройках. Лицензия и условия использования в README не указаны.

Padmajs/sd-class-butterflies-32 — диффузионная модель, созданная как учебная работа для курса по диффузионным моделям. Она генерирует изображения бабочек без текстового запроса и предназначена для демонстрации безусловной генерации изображений с помощью DDPMPipeline из библиотеки Diffusers. Модель распространяется в формате Diffusers и Safetensors по лицензии MIT. Карточка описывает генерацию милых изображений бабочек. Размер модели, разрешение изображений, поддерживаемые языки и другие сценарии применения не указаны. Как учебный чекпойнт узкого назначения, модель не предназначена для генерации изображений по текстовому описанию.

Muapi/dr34ml4y-all-in-one-nsfw-wan-ltx2 — LoRA-модель для генерации видео по текстовому описанию, разработанная Muapi и созданная на базе LTXV 2.3 от Lightricks (Lightricks/LTX-Video). Модель предназначена для создания NSFW-видеоконтента с использованием Diffusers и пайплайна text-to-video; в README приведён сценарий работы через API Muapi. Модель поддерживает текстовую модальность и рассчитана на генерацию видео. Указаны обучающие слова-триггеры: m15510n4ry, bl0wj0b, d0ubl3_bj, d0gg1e, c0wg1rl и r3v3rs3_c0wg1rl. В примере конфигурации используются разрешение 768×512, 97 кадров и сила LoRA 1.0, однако другие характеристики, включая размер модели, языки, максимальный контекст и точные ограничения качества, не указаны. К сильным сторонам относятся специализация на NSFW-сценариях и возможность управлять степенью влияния адаптера через параметр lora_strength. Ограничения связаны с узкой тематикой и зависимостью от базовой модели LTXV 2.3 и API Muapi; для работы требуется API-ключ. Модель распространяется по лицензии openrail++.

Qwen-Image-Female-Anatomy-Fix-NSFW-LoRA-Triggerless-v2 — экспериментальный LoRA-адаптер, опубликованный пользователем perpetual3x и созданный для базовой модели Qwen/Qwen-Image-2512. Он предназначен для генерации изображений взрослых персонажей в сценариях text-to-image, прежде всего для улучшения внешней женской анатомии в откровенных сценах. Адаптер рассчитан на использование как вторичный корректирующий LoRA вместе с другими адаптерами персонажа, идентичности, стиля или NSFW, а не как самостоятельная модель для создания персонажа, композиции или визуального стиля. Заявлены более согласованные взаимосвязи между вульвой, промежностью, анусом, тазом и окружающими тканями, а также управление на естественном языке без специального trigger word. Модель обучалась на 1 046 изображениях в течение 7 600 шагов, с rank 32 и размером батча 8, на NVIDIA RTX PRO 6000 Blackwell с 96 ГБ памяти. В карточке указаны английский язык и pipeline text-to-image; размер контекста не указан. Сильная сторона адаптера — узкая специализация на локальной анатомической корректировке и совместное применение с другими LoRA. Ограничения связаны с тем, что это вспомогательный экспериментальный адаптер, а не универсальная модель; качество может зависеть от базовой модели, дополнительных адаптеров и настроек генерации. Лицензия указана как qwen-image-female-anatomy-fix-nsfw-lora-v2-non-commercial, то есть использование ограничено некоммерческими условиями; точные положения следует уточнять в файле лицензии.

TorchWright Doom — E1M1 — это экспериментальная модель на базе Phi-3, разработанная автором репозитория physicsrob для генерации кадров игры DOOM в текстовом виде. Модель авторегрессионно выводит токены, кодирующие перемещения курсора и пиксели, а затем внешний декодер может преобразовать этот протокол в изображение. Вычисление геометрии, освещения и видимости выполняется самой моделью через сгенерированные токены, а не инструментами постобработки. Чекпойнт использует плотную архитектуру Phi3ForCausalLM, содержит 10,9 млрд параметров и принимает контекст до 16 384 токенов. Этот вариант рендерит карту E1M1 с разрешением 80×50; в репозитории также опубликованы варианты 320×200. Для инференса доступны обычные Transformers и формат safetensors, без удалённого кода модели. Указанная конфигурация использует fp32, жадную генерацию и ограничение в 8 000 новых токенов; полный рендер потребовал значительного объёма видеопамяти. Модель подходит для демонстрации генерации игровых сцен посредством языковой модели и изучения авторегрессионного вывода структурированного графического протокола. README не сообщает лицензию, поэтому условия использования определить по доступным сведениям нельзя.

profpeng/blinkfrontdoggy — LoRA-адаптер для генерации изображений и, вероятно, видеосцен с использованием diffusion-моделей. Автор или организация-разработчик в карточке явно не указаны; модель опубликована пользователем profpeng. В качестве базовой модели указана Wan-AI/Wan2.2-I2V-A14B, ориентированная на image-to-video-сценарии. Для активации адаптера используется триггерная фраза «doggystyle position». По представленному примеру модель предназначена для генерации откровенных сцен сексуального характера с участием взрослых персонажей, включая позу doggystyle и обнажение. Ключевые параметры архитектуры, размер адаптера, поддерживаемые языки, максимальный контекст и точные требования к входным данным не указаны. Сильная сторона модели — специализация на конкретном визуальном сценарии и интеграция с экосистемой Diffusers; одновременно такая узкая специализация ограничивает область применения. Лицензия и условия коммерческого или иного использования в карточке не указаны.

Daverrrr75/Qwen_SNOFS — это LoRA-адаптер для text-to-image модели Qwen/Qwen-Image, разработанный пользователем Daverrrr75. Модель предназначена для генерации откровенных изображений взрослых персонажей по текстовым описаниям, включая интимные позы, обнажение, сексуальные сцены, селфи и изображения в стиле Snapchat с подписями. Среди заявленных триггерных слов — sex, missionary, cowgirl, reverse cowgirl, selfie, undressing, massage и другие. Адаптер описан как гибкий и совместимый с другими LoRA, позволяющий добиваться сходства персонажей. Генерация женских гениталий может быть нестабильной, а мужские анатомические детали, по утверждению автора, получаются лучше. Модель иногда выбирает неверную сексуальную позу даже при явном указании в запросе; автор предполагает, что дальнейшее обучение может улучшить результат. Размер, точная архитектура адаптера, языки запросов и максимальный контекст в README не указаны. Лицензия — MIT.

DR34ML4Y_AIO_NSFW_LTX23 — NSFW LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем lynaNSFW. Модель предназначена для использования с базовой моделью ltx-2.3 и экосистемой Diffusers. Она добавляет специализированные визуальные концепции для эротических и фетиш-сценариев, включая варианты поз и взаимодействий, указанные в триггерных словах модели. Для активации модели рекомендуется использовать триггерную фразу «m15510n4ry bl0wj0b d0ubl3_bj d0gg1e c0wg1rl r3v3rs3_c0wg1rl». README указывает, что правила составления промптов соответствуют PREVIEW и LTX 2.3 в целом. Архитектура LoRA, размер, поддерживаемые языки, длина контекста и точный набор модальностей дополнительно не описаны. Модель ориентирована на генерацию NSFW-контента, однако разработчик отмечает ограничения при работе с тематикой doggy, поскольку обучение этой версии ещё продолжается. Поэтому качество и стабильность результатов в данном сценарии могут быть ниже ожидаемых. Лицензия и условия коммерческого или иного использования в README не указаны.

profpeng/doublepenetration — LoRA-модель для генерации откровенного сексуального контента на основе Wan-AI/Wan2.2-I2V-A14B. Она предназначена для сценариев text-to-image и, вероятно, image-to-video с использованием Diffusers, с акцентом на реалистичное изображение групповых половых сцен в спальне, включая наготу и явно описанные сексуальные действия. В README не указаны размер LoRA, архитектурные параметры, поддерживаемые языки, максимальный контекст или точные требования к запуску. В качестве ключевой особенности заявлена адаптация базовой модели к конкретной эротической тематике и динамике сцены, включая движения камеры и тела. Ограничения связаны с узкой специализацией и потенциальными проблемами качества при сложной композиции, взаимодействии нескольких персонажей и генерации анатомически корректных деталей. Лицензия и условия использования в README не указаны. Перед применением необходимо проверить лицензию базовой модели Wan-AI/Wan2.2-I2V-A14B и правила распространения самой LoRA, а также соблюдать требования законодательства и платформ к созданию сексуального контента.

wansex — это LoRA-адаптер, разработанный пользователем profpeng для модели Wan2.2-I2V-A14B от Wan-AI. Адаптер предназначен для генерации откровенных сексуальных сцен с помощью моделей семейства Diffusers; в карточке он классифицирован как text-to-image и diffusion LoRA, однако базовая модель относится к image-to-video (I2V). Для активации адаптера требуется триггерная фраза «<SM4SHCUT> The scene changes and a man is thrusting his penis into and out of her pussy». В README приведён пример промпта с описанием явного сексуального действия и отрицательный промпт на китайском языке, ориентированный на снижение числа визуальных дефектов, включая размытие, артефакты, анатомические ошибки и лишние конечности. Известно, что адаптер использует архитектуру LoRA и базовую модель Wan2.2-I2V-A14B; сведения о размере адаптера, поддерживаемых языках, максимальном контексте, точных требованиях к оборудованию и дополнительных модальностях отсутствуют. Лицензия в карточке не указана, поэтому условия использования необходимо уточнять отдельно.

Pussyasshelper — это LoRA-адаптер для генерации откровенных эротических сцен с изображениями и, вероятно, видео на базе Wan-AI/Wan2.2-I2V-A14B. Модель опубликована пользователем или организацией profpeng; отдельные сведения о разработчике в README не указаны. Адаптер предназначен для сценариев text-to-image и интеграции с Diffusers. Он специализируется на изображении женской мастурбации, обнажённых интимных частей тела и соответствующих поз, включая стимуляцию гениталий, vaginal insertion, демонстрацию вульвы и anus. Для активации предусмотрены специальные trigger words, описывающие эти действия. В README также приведён пример промпта с откровенным сексуальным содержанием. Точная архитектура LoRA, размер адаптера, рекомендуемые параметры, поддерживаемые языки, максимальный контекст и требования к оборудованию не указаны. Лицензия и условия коммерческого или некоммерческого использования в README отсутствуют, поэтому их необходимо уточнять отдельно. Модель имеет узкую специализацию на NSFW-контенте и может быть непригодна для общих задач генерации изображений или для платформ с ограничениями на сексуально откровенные материалы.

PP-OCRv6 small text detection MLX — преобразованная для MLX версия компактной модели обнаружения текста PaddleOCR, опубликованная mikoy92 на Hugging Face. Она принимает изображение и возвращает координаты областей с текстом, которые можно передать следующим этапам OCR-конвейера для распознавания и извлечения текста. Модель основана на PaddlePaddle/PP-OCRv6_small_det_safetensors; в метаданных указаны языки en и zh, а лицензия — Apache-2.0. Репозиторий использует формат safetensors и библиотеку MLX.

PP-OCRv4_mobile_det — модель обнаружения текстовых областей из семейства PP-OCRv4_det, разработанная командой PaddleOCR. Она выделяет текст на изображениях и рассчитана на эффективное развёртывание на мобильных и других периферийных устройствах. Модель служит модулем обнаружения в конвейере OCR: в сочетании с распознавателем и, при необходимости, модулями ориентации и коррекции изображения конвейер извлекает текст из документов и сцен. В карточке приведены показатели для печатного и рукописного китайского и английского текста, традиционного китайского, японского, древних текстов, а также изображений с поворотом, искажением и художественным текстом. Для использования указана библиотека PaddleOCR. Модель распространяется по лицензии Apache-2.0. В карточке нет сведений о размере, длине контекста или выходном формате результатов; качество заметно различается между приведёнными сценариями, поэтому показатели для одного вида текста не гарантируют аналогичного качества для других.

PP-OCRv5_server_det — модель обнаружения текстовых областей из серии PP-OCRv5, разработанная командой PaddleOCR. Она предназначена для высокопроизводительных сценариев OCR и находит текст в изображениях, включая рукописный, вертикальный, повёрнутый и изогнутый текст, а также текст на сложном фоне и в макетах с разным размером надписей. Модель используется как модуль обнаружения текста в конвейерах PP-OCRv5 и PP-StructureV3, в том числе для анализа документов, распознавания номерных знаков и поиска текста в сценах. В README приведены метрики для китайского и английского текста, японского, древних текстов, пиньиня, повёрнутого и искажённого текста и других сценариев; среднее значение в указанной таблице составляет 0,827. Это модель обнаружения текстовых областей, а не полный OCR-конвейер: для получения текста нужны также распознавание символов и, при необходимости, другие модули предобработки и анализа структуры. Репозиторий распространяется по лицензии Apache-2.0.

Kelix-SFT — полный выпуск модели Kelix на этапе supervised fine-tuning, разработанный OpenOneRec. Это унифицированная мультимодальная система на основе дискретных визуальных токенов, объединяющая распознавание изображений и генерацию изображений в авторегрессионном конвейере «токенизатор — языковая модель — декодер». В состав входят Kelix-Tok с визуальным энкодером NaViT и многокодовыми VQ-кодбуками, Kelix-LLM на базе Qwen3-8B с расширенным на 65 536 визуальных токенов словарём и обучением Next-Block Prediction, а также Kelix-DiT — диффузионный декодер изображений на основе SANA-DiT и flow matching. Модель предназначена для понимания изображений, включая OCR, распознавание текста, диаграмм и графиков, визуальные вопросы и математические задачи, а также для генерации изображений по текстовым запросам. Обучение SFT улучшает следование сложным инструкциям и управление атрибутами, объектами, сценой, стилем и перспективой; в README для генерации указано разрешение 1024×1024. Для генерации требуется отдельный замороженный VAE DC-AE-F32C32 из исходного репозитория. Модель дообучена на базе Qwen/Qwen3-8B; файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

PP-OCRv6_medium_det — модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она локализует текст на изображениях и предназначена для использования как модуль обнаружения в OCR-конвейере, где распознавание текста выполняет отдельный модуль. Модель использует лёгкую архитектуру с LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора, построенную на блоках в стиле MetaFormer со структурной репараметризацией. В ней 15,5 млн параметров. Она рассчитана на печатный и рукописный текст, в том числе повёрнутый, изогнутый и декоративный; семейство PP-OCRv6 поддерживает 48 языков, а метаданные карточки отмечают английский и китайский. Модель подходит для серверных и других сценариев обнаружения текста в документах и промышленных изображениях. Для полного извлечения текста требуется отдельный компонент распознавания. Опубликованные метрики приведены для обнаружения и не гарантируют результат на каждом типе изображения. Лицензия — Apache 2.0.

PP-OCRv4_server_det — серверная модель обнаружения текстовых областей из серии PP-OCRv4_det, разработанная командой PaddleOCR. Она находит строки текста на изображениях и предназначена для развёртывания на производительных серверах, где важна точность. Модель используется как модуль обнаружения в OCR-конвейере PP-OCRv4; для распознавания найденных строк конвейер дополнительно применяет отдельную модель распознавания текста. В README приведены метрики для рукописного и печатного китайского и английского текста, традиционного китайского, японского, исторических текстов, а также изображений с поворотом, искажением и художественным оформлением. Лицензия — Apache-2.0. В метаданных указана библиотека PaddleOCR и языки en и zh.

PP-OCRv5_mobile_det — модель обнаружения текста из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для эффективного и точного определения текстовых областей на изображениях в системах OCR и анализа документов, включая распознавание текста на сценах и номерных знаках. Модель поддерживает различные сценарии и формы текста: рукописный, вертикальный, повернутый и изогнутый текст, сложные макеты, разные размеры символов и неоднородный фон. В README указана поддержка упрощённого и традиционного китайского, английского и японского языков. Для запуска доступен формат ONNX через движок ONNX Runtime; модель можно использовать из PaddleOCR через CLI или Python API. Размер модели и точная архитектура не указаны. Среднее значение приведённых метрик составляет 0,770; сильными сторонами являются универсальность для разнообразных текстовых сценариев и сочетание эффективности с точностью. Показатели различаются в зависимости от типа данных: наиболее высокие значения указаны для печатного английского и китайского текста, а более низкие — для художественного текста, пиньиня и древних текстов. Модель распространяется по лицензии Apache-2.0.

PP-OCRv5_server_det_onnx — модель обнаружения текстовых областей PP-OCRv5, разработанная командой PaddleOCR/PaddlePaddle и представленная в формате ONNX для запуска через ONNX Runtime. Она определяет расположение строк текста на изображениях, но не выполняет их распознавание в символы. Модель предназначена для анализа документов и изображений со сложной структурой, включая рукописный, вертикальный, повёрнутый и изогнутый текст, различные размеры текста и неоднородный фон. Возможные сценарии включают предварительное обнаружение текста для OCR-конвейеров, анализ документов, распознавание текста на номерных знаках и обнаружение текста в естественных сценах. Заявленная поддержка охватывает упрощённый и традиционный китайский, английский и японский языки. В README приведены средние показатели качества 0,827 по набору сценариев, включая рукописный и печатный текст, повороты, искажения и художественный текст. Модель распространяется под лицензией Apache-2.0 и использует библиотеку PaddleOCR; для запуска ONNX-версии требуется совместимый ONNX Runtime.

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.

armvectores/yolov8n_handwritten_text_detection — модель обнаружения объектов на базе YOLOv8, дообученная на наборе данных armvectores/handwritten_text_detection для поиска рукописного текста на изображениях. Она предназначена для локализации областей с рукописным текстом, в том числе в сценариях обработки документов и изображений в реальном времени. В карточке указана итоговая метрика IoU 0,98; веса представлены в формате PyTorch и для использования описана библиотека Ultralytics. Лицензия в предоставленных данных не указана.

Карточка модели KasugaiSakura/Qwen-Image-2.1-Original 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.

BRIA RMBG v2.0 — модель сегментации изображений для удаления фона, разработанная BRIA AI на архитектуре BiRefNet. Она отделяет передний план от фона в фотографиях и других изображениях, включая изображения товаров, людей, объектов и рекламный контент. Модель обучена на более чем 15 000 вручную размеченных изображений высокого разрешения; заявленная область применения включает коммерческое создание контента, игровые материалы и электронную торговлю. Модель принимает изображение и выделяет передний план, что позволяет создавать маски сегментации и изображения с удалённым фоном. В README отмечены сбалансированное представление людей разных полов и этнических групп, а также людей с инвалидностью в оценочном наборе. Репозиторий содержит PyTorch, ONNX и safetensors форматы; метаданные относят модель к image-segmentation. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого применения требуется отдельное соглашение с BRIA. Модель предназначена для удаления фона и дихотомической сегментации, поэтому описание не подтверждает универсальную сегментацию произвольных классов объектов. README не приводит численные показатели качества или сведения о поддерживаемых языках.

Dynin-Omni — мультимодальная модель семейства Dynin-Omni, разработанная авторами проекта Dynin-Omni и дообученная на основе Gen-Verse/MMaDA-8B-MixCoT. Это плотная модель примерно на 9,2 млрд параметров с архитектурой masked diffusion: она представляет текст, изображения, видео и речь дискретными токенами в общем словаре и генерирует ответы итеративным уточнением масок. Модель предназначена для диалога и рассуждений, понимания изображений и видео, генерации и редактирования изображений, распознавания речи и синтеза речи. Единая архитектура поддерживает преобразования между модальностями, включая видео в текст, речь в текст, текст в речь и текст в изображение. В README заявлены расширенный контекст, генерация речи длительностью до 21 секунды и режимы рассуждения с управлением глубиной. Модель можно запускать и обучать локально через Transformers; поддержка в vLLM-Omni заявлена для будущего выпуска версии 0.19.0. В карточке приведены результаты на тестах рассуждений, понимания изображений и видео, генерации изображений и распознавания речи. Эти значения зависят от используемого протокола оценки. Лицензия — MIT. Карточка указывает английский язык; языки для аудио и других мультимодальных задач отдельно не перечислены.

InkErase — модель для удаления рукописных чернил и пометок с изображений документов. Согласно карточке, модель разработана на архитектуре U-Net++ с кодировщиком ResNet-50 и принимает RGB-изображение, возвращая RGB-изображение с удалёнными чернилами. Для обработки крупных изображений предусмотрен скрипт разбиения на фрагменты с последующим объединением результата; размеры, не кратные 32, могут потребовать дополнения или изменения размера изображения. Модель предназначена для очистки сканов и фотографий документов от рукописных пометок. Веса опубликованы в формате SafeTensors, а исходный чекпойнт PyTorch Lightning можно использовать для продолжения обучения или воспроизведения экспериментов. В метаданных Hugging Face указано дообучение microsoft/resnet-50 и лицензия Apache-2.0; README при этом указывает MIT, поэтому условия лицензирования требуют сверки с файлами репозитория.

Ming-flash-omni 2.0 — мультимодальная модель компании InclusionAI на архитектуре Ling-2.0 с механизмом Mixture-of-Experts: 100 млрд параметров всего и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных объектов и культурных объектов, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также генерацию и редактирование изображений. Среди заявленных возможностей — клонирование голоса без дополнительного обучения, управление характеристиками аудио, такими как эмоция и тембр, и удаление объектов с изображений с сохранением согласованности текстур и глубины сцены. В метаданных указаны архитектура BailingMM2NativeForConditionalGeneration и форматы PyTorch, Safetensors, ONNX, Flax и TensorFlow. Модель выпущена под лицензией MIT. В карточке не приведены длина контекста и языки аудио- или текстовых задач; английский указан среди языковых тегов.