I.8Изображения и компьютерное зрение

Hulu-Med-4B — медицинская мультимодальная модель организации ZJU-AI4H для понимания медицинских текстов, изображений и видео. По карточке она охватывает 2D- и 3D-медицинские изображения и хирургические видео; размер модели — 3,7 млрд параметров, архитектура — плотная HulumedQwen3ForCausalLM на базе семейства Qwen3. Контекст составляет до 262 144 токенов. Модель предназначена для визуальных вопросов и ответов, генерации медицинских заключений, диагностики заболеваний, анатомического анализа, распознавания этапов операций, клинического диалога и рассуждений по медицинскому тексту. Разработчики сообщают об обучении на общедоступных данных и оценке на медицинских бенчмарках; поддерживаются мультиязычные медицинские вопросы и ответы, но конкретные языки для версии 4B не перечислены. Модель распространяется под лицензией Apache-2.0. Она может помогать с анализом и формулированием медицинской информации, однако карточка не устанавливает клиническую пригодность для самостоятельной диагностики или принятия решений; выводы требуют проверки специалистом.

ostris/minimax_h3_ref2va_jacked_lora — это адаптер LoRA для видеомодели MiniMax-H3 Ref2VA, опубликованный пользователем ostris и обученный на базе MiniMaxAI/MiniMax-H3. Адаптер предназначен для video-to-video генерации и преобразования персонажей или сцен так, чтобы они выглядели более мускулистыми и физически массивными. Модель рассчитана на использование с экосистемой Diffusers и совместимым рабочим процессом MiniMax-H3 Ref2VA. README не содержит сведений о размере адаптера, точной архитектуре базовой модели, поддерживаемых языках, длине контекста или требованиях к вычислительным ресурсам. Примеры работы представлены в виде видео; также рекомендуется использовать специальный узел ComfyUI-AIToolkit-MiniMaxH3 и приложенный workflow. Ключевая сильная сторона адаптера — специализированный визуальный эффект увеличения мышечной массы при преобразовании видео. Ограничения связаны с узкой областью применения, зависимостью от базовой модели и совместимого inference-процесса, а также отсутствием подробных данных о качестве, стабильности и параметрах использования. Распространение регулируется MiniMax-H3 Community License Agreement; указана лицензия other и ссылка на текст соглашения.

plantdoctor/swin-tiny-patch4-window7-224-plant-doctor — модель классификации изображений на архитектуре Swin Transformer Tiny, разработанная путём дообучения microsoft/swin-tiny-patch4-window7-224 на наборе данных image_folder. В репозитории указано 33 млн параметров; модель предназначена для отнесения изображений к классам, связанным с растениями и их здоровьем. В README приведены результаты на evaluation set: accuracy 0,9983 и loss 0,0043. Эти значения относятся к указанному набору оценки и сами по себе не гарантируют такую же точность на других изображениях. Модель принимает изображения и выдаёт метки классов. Весы опубликованы в формате PyTorch по лицензии Apache-2.0.

Модель TrOCR для распознавания рукописных текстовых строк в средневековых латинских документах. Разработана Jonas Widmer и Tobias Hodel в рамках Digital Humanities@University of Bern на базе microsoft/trocr-base-handwritten; архитектура — vision-encoder-decoder, реализована с Transformers и сохранена в форматах PyTorch и safetensors. Модель предназначена для HTR/OCR отдельных обрезанных строк из грамот и книг. Объединённые обучающие данные охватывают разные средневековые латинские почерки из проектов CREMMA, HIMANIS, Itinera Nova и Charters and Records of Königsfelden. В README приведён показатель CER 0,0329 на оценке строк. Для обработки целой страницы сначала требуется сегментация на строки. Модель не проходила обширное тестирование, а возможные смещения ещё предстоит определить. Лицензия модели — MIT; лицензии исходных наборов данных включают CC-BY 4.0, поэтому при использовании данных следует учитывать их условия.

CloneDiffusion — дообученная модель Stable Diffusion от TryStar для генерации изображений в стиле мультсериала «Звёздные войны: Войны клонов». Для получения характерного стиля автор рекомендует добавлять в запрос фразу «clonewars style»; модель обучена на скриншотах сериала с использованием DreamBooth на базе Diffusers. Модель принимает текстовые запросы и создаёт изображения. В README также приведены рекомендуемые параметры генерации: 50 шагов, сэмплер Euler a и CFG scale 7. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

ConvNeXt-P3 — модель компьютерного зрения на архитектуре ConvNeXt-Tiny для классификации диабетической ретинопатии по пяти уровням ICDR: от отсутствия заболевания до пролиферативной стадии. Она предназначена для анализа изображений сетчатки и интеграции в серверные, веб- и мобильные приложения; входное изображение приводится к размеру 224×224, а модель возвращает вероятности пяти классов. В карточке указаны weighted F1 77,77% и macro ROC-AUC 0,8379 на тестовой выборке без настройки порогов. Репозиторий содержит веса PyTorch и варианты TorchScript и ONNX; метаданные указывают формат ONNX. Модель опубликована под лицензией MIT. Это инструмент классификации изображений, а не самостоятельная клиническая диагностика: результаты требуют медицинской интерпретации.

Cyberpunk Anime Diffusion — модель генерации изображений в стиле киберпанк-аниме, разработанная DGSpitzer. Она создана дообучением Waifu Diffusion V1.3 на базе Stable Diffusion 1.5 с помощью Dreambooth; в этой версии добавлена встроенная поддержка персонажей Genshin Impact. Модель принимает текстовые запросы и выдаёт изображения, а для усиления фирменного стиля автор рекомендует добавлять в запрос ключевое слово «dgs» и описание стиля иллюстрации. Модель распространяется в форматах Diffusers и checkpoint и совместима со стандартными конвейерами Stable Diffusion. Лицензия — CreativeML OpenRAIL-M. Она предназначена для создания художественных изображений, особенно персонажей и сцен киберпанк-аниме; качество зависит от формулировки запроса. Это специализированный генератор изображений, а не универсальная модель для понимания изображений или диалога.

Dart v2 MoE Base — авторегрессионная языковая модель, разработанная Plat для генерации тегов Danbooru. Модель обучена на датасете isek-ai/danbooru-tags-2024 и предназначена для создания последовательностей тегов с учётом рейтинговой категории, пропорций изображения и желаемой длины списка. Архитектура — Mixtral с разреженной смесью экспертов; в метаданных указаны 57,2 млн параметров и контекст до 1024 токенов. Модель работает с текстом тегов и выдаёт текст; естественные языки не заявлены. Чекпойнт опубликован в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что оценивание модели ещё не проводилось, а библиотека dartrs для инференса экспериментальна.

Модель KnightMichael — дообученная с помощью DreamBooth модель Stable Diffusion для создания изображений с фоновыми пейзажами в стиле аниме «Digimon Adventure». Для генерации используется текстовый запрос с триггером «a landscape in sks style». Модель предназначена для создания стилизованных фонов и пейзажей по текстовому описанию. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — MIT.

Guan Yu Diffusion — модель генерации изображений по текстовому описанию, созданная DGSpitzer на основе Stable Diffusion 1.5 с дообучением Fast DreamBooth. Она предназначена прежде всего для создания изображений Гуань Юя — героя эпохи Троецарствия, которого в промпте рекомендуется обозначать ключевым словом «guanyu». Модель также поддерживает создание персонажей в стиле уся — китайских героев боевых искусств из кино и телесериалов. Обучение проводилось на фотографиях фигурки Гуань Юя и кадрах телесериала 1994 года. Это помогает сохранять сходство персонажа и последовательность одежды, но может приводить к переобучению и изображениям, похожим на исходную фигурку; автор советует добавлять другие описания в промпт. Репозиторий содержит файлы Diffusers и .ckpt, модель совместима со стандартными Stable Diffusion Pipeline. Лицензия — CreativeML OpenRAIL-M; README указывает, что модель предназначена для исследований и обучения и не должна использоваться в коммерческих целях.

Модель scrollprize/ink_3d_dino_guided разработана для сегментации чернил непосредственно в трёхмерных микрокомпьютерных томограммах папируса PHerc. Paris 4. Она предназначена для виртуального разворачивания и чтения обугленного свитка из Геркуланума, где чернила различимы в объёмных данных CT. Это плотная 3D-сеть типа residual-encoder U-Net, построенная в стиле nnU-Net, примерно на 142 млн параметров, с одним выходным каналом вероятности чернил. На вход подаются одноканальные CT-фрагменты размером 256³; обучение объединяло разметку экспертов, руководство представлениями 3D DINOv2, маскирование фона и само-дистилляцию. Для вывода рекомендуется EMA-чекпойнт. Модель распространяется в формате PyTorch по лицензии MIT. Модель ориентирована на папирус PHerc. Paris 4 и обучение использовало данные нескольких свитков, поэтому качество на других сканах и материалах может отличаться. Для применения требуются CT-объёмы и пакет vesuvius для построения сети; модель выдаёт маску сегментации, а не распознанный текст.

Janet Leigh by Sacchan — это LoRA-модель для генерации изображений по текстовому описанию, опубликованная пользователем Jonjew. Она предназначена для использования с базовой моделью black-forest-labs/FLUX.1-dev в сценариях text-to-image через экосистему Diffusers. Для активации модели в запросе рекомендуется использовать триггерное слово «sks woman». В README также указано, что веса доступны в формате Safetensors. Модель ориентирована на создание изображений женщины; конкретные параметры размера, контекст, поддерживаемые языки и дополнительные технические характеристики не указаны. В примере использования упоминаются портрет, светлые волосы, яркие цвета и стилистика Flora Borsi, однако README не поясняет, насколько эти особенности являются устойчивыми свойствами модели. Сильной стороной модели является специализация в рамках FLUX.1-dev и наличие явного триггерного слова для вызова изученной концепции. Ограничения, требования к вычислительным ресурсам и совместимость с конкретными версиями программного обеспечения не описаны. Лицензия указана как неизвестная, поэтому условия коммерческого и иного использования необходимо уточнять у автора.

Klingon Diffusion — дообученная модель Stable Diffusion, опубликованная пользователем mitchtech. Она обучена на скриншотах клингонов из франшизы «Звёздный путь» с помощью DreamBooth на базе Diffusers; для генерации характерного образа в запросах рекомендуется использовать токен klingon. Модель предназначена для создания изображений по текстовому описанию и используется через Stable Diffusion Pipeline в Diffusers. Модель подходит для генерации изображений персонажей и сцен с клингонами в стилистике исходных обучающих изображений. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. README также описывает возможность экспорта в ONNX, MPS и FLAX/JAX.

YuchengShi/LLaVA-v1.5-7B-Plant-Leaf-Diseases-Detection — мультимодальная модель Yucheng Shi для распознавания болезней растений по изображениям листьев и объяснения результата. Она основана на LLaVA-1.5-7B-hf и дообучена с помощью LoRA на данных PlantVillage; в обучении также применялся отбор ответов методом rejection sampling без reward-модели. Модель принимает изображение листа и текстовый запрос, а в ответ формирует текст с предполагаемым заболеванием и описанием видимых симптомов, которое можно проверить визуально. Модель предназначена для классификации здоровых и поражённых листьев разных видов растений. В карточке заявлены высокая точность и интерпретируемые объяснения по сравнению с базовыми моделями; размер базовой модели — 7 млрд параметров. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и длина контекста в предоставленных данных не описаны.

Mad Max: Fury Road Diffusion — дообученная модель Stable Diffusion 2.0, созданная на изображениях фильма «Безумный Макс: Дорога ярости». Она предназначена для генерации изображений по текстовым описаниям в стилистике фильма; для активации эффекта автор рекомендует добавлять в запрос токен mad_max_fr. Модель рассчитана на генерацию изображений размером 768×768 и работает через библиотеку Diffusers. В карточке указана лицензия OpenRAIL++; модель поддерживает английский язык запросов. Её можно использовать для создания стилизованных изображений автомобилей, городов и персонажей. Качество зависит от формулировки запроса, а сильная привязка к эстетике одного фильма ограничивает применение вне этой стилистики.

Origtron — модель генерации изображений на основе Stable Diffusion, созданная автором карточки методом DreamBooth в Google Colab с использованием кадров из фильма «Трон» 1982 года и его трейлера. Для генерации изображений в характерной стилистике модели достаточно включить в текстовый запрос ключевое слово «origtron». Модель предназначена для создания изображений по текстовому описанию; автор рекомендует использовать файл весов в Stable Diffusion WebUI. Доступны файлы в форматах Diffusers, PyTorch и Safetensors; лицензия — MIT.

Qwen3-4B INT8-ConvRot — это квантованная версия языковой модели Qwen3-4B, подготовленная Martin Rizzo для использования в качестве текстового энкодера модели генерации изображений Z-Image в ComfyUI и других приложениях для генерации изображений. Модель преобразована из оригинального чекпойнта Qwen/Qwen3-4B с помощью утилиты z2comfy. Модель содержит около 4 млрд параметров, включая 3,6 млрд параметров без учёта embedding-слоёв, и 36 слоёв. Её нативная длина контекста составляет 32 768 токенов. Основные веса представлены в формате INT8, а отдельные слои используют смешанную точность FP16; файл также содержит параметры масштабирования в FP32. Метод ConvRot, основанный на ротации свёрток или активаций, предназначен для уменьшения влияния выбросов перед квантованием и снижения потребления видеопамяти при сохранении качества понимания промптов, близкого к исходным весам FP16. Модель ориентирована прежде всего на кодирование текстовых промптов для пайплайнов Z-Image в ComfyUI, а не на самостоятельное использование как универсальной чат-модели. Преимуществами являются уменьшенный объём памяти по сравнению с FP16-версией и поддержка длинного контекста. Ограничения связаны с узкой специализацией на роли текстового энкодера, экспериментальным характером процесса конвертации и возможными проблемами утилиты z2comfy. Языки и точные требования к аппаратному обеспечению в README не указаны. Модель распространяется по лицензии Apache-2.0.

obann001/Saraptah_Flux_LoRA_v1 — адаптер LoRA для модели text-to-image black-forest-labs/FLUX.1-dev. Модель предназначена для генерации изображений персонажа Saraptah по текстовому описанию, включая портреты и кинематографичные сцены с заданной внешностью, одеждой, позой и окружением. В README приведены примеры фотореалистичных изображений с темнокожей женщиной, короткой стрижкой или хвостом, украшениями и одеждой в различных городских и природных сценах. Модель работает в связке с FLUX.1-dev и использует ключевое слово активации Saraptah. Указаны английский и португальский языки, модальность — генерация изображений по тексту. Дополнительные сведения о размере адаптера, параметрах LoRA, рекомендуемом весе, максимальном контексте и точных требованиях к оборудованию отсутствуют. Сильной стороной является специализация на воспроизведении конкретного персонажа и поддержка детализированных визуальных промптов; ограничения связаны с зависимостью от базовой модели и возможной чувствительностью результата к формулировке запроса и параметрам генерации. В метаданных указана лицензия Apache-2.0, однако также приведены license_name и license_link, относящиеся к non-commercial license для FLUX.1-dev. Поэтому условия использования следует проверять одновременно для этого адаптера и базовой модели; коммерческое применение нельзя считать разрешённым без дополнительной проверки лицензии FLUX.1-dev.

Skintelligent Acne — модель классификации изображений на базе Vision Transformer (ViT), предназначенная для оценки выраженности акне по изображению кожи. Она относит изображение к одному из шести уровней: от чистой кожи и единичных высыпаний до очень тяжёлого акне. Модель содержит 113,2 млн параметров и распространяется в формате safetensors для библиотеки Transformers. Модель может использоваться для автоматизированной предварительной оценки состояния кожи и сортировки изображений по степени выраженности акне. Она классифицирует изображения и не ставит диагноз и не заменяет оценку специалиста. В карточке не приведены сведения о составе обучающих данных, точности или проверке на разных группах пользователей, поэтому надёжность оценки в этих условиях не установлена. Лицензия — MIT.

Модель Classacre — дообученная с помощью DreamBooth модель Stable Diffusion для генерации изображений в художественном стиле манхвы Solo Leveling. Версия 2.1 основана на Anything v3.0; автор описывает объединённые варианты для спокойных и динамичных сцен, которые вызываются промптами SLCalm и SLAction. В README также приведены сведения о ранних версиях на базе Stable Diffusion 1.5. Модель предназначена для создания персонажей и сцен в стилистике Solo Leveling по текстовому описанию. Автор отмечает, что динамичные сцены лучше получаются в форматах 2:1 или 2:2, а генерация в 512×512 может быть неполной. Среди ограничений — склонность добавлять речевые пузыри и слова со спецэффектами; у ранней версии также отмечены перенос динамики в спокойные сцены и трудности с глазами в экшен-сценах. Распространяется по лицензии MIT.

Stellar Diffusion v0.2 — модель text-to-image, созданная Rex Wang путём дообучения Stable Diffusion 1.5 на отобранных изображениях космоса. Она предназначена для генерации астрономических сцен по текстовому запросу: особенно хорошо модель создаёт туманности и галактики, а также может изображать чёрные дыры, пульсары, кометы и планеты. Поддерживаются некоторые обозначения объектов из каталогов NGC, Messier и UGC, а также запросы по космическим аппаратам и телескопам, цвету и типу небесного тела. Модель использует Stable Diffusion Pipeline и рассчитана на изображения 512×512 пикселей. Для обучения использовались изображения ESA/Hubble, ESA/Webb и NASA; версия 0.2 обучена на наборе из 264 изображений. Примеры тегов для генерации приведены в отдельном файле tags.txt. Модель распространяется по лицензии MIT. Карточка не приводит результатов формальной оценки качества; поддержка некоторых астрономических обозначений и классов описана как частичная.

takeON — дообученная на Stable Diffusion 1.5 модель генерации изображений, созданная пользователем tuwonga. Она воспроизводит визуальный стиль музыкального видео Take On Me группы A-ha; для вызова стиля в запрос добавляют токен takeON. Модель обучена методом DreamBooth на 64 кадрах видео, с 6400 шагами обучения и частичным обучением текстового энкодера. Модель предназначена для создания изображений персонажей и сцен в этом стиле по текстовым описаниям. По карточке, персонажи получаются лучше, чем пейзажи и другие сцены. Репозиторий содержит файлы Diffusers, PyTorch и Safetensors; автор также описывает использование файла checkpoint в интерфейсе Stable Diffusion. Лицензия — CreativeML OpenRAIL-M.

Это LoRA-модель для генерации изображений в стиле фильмов ужасов 1980-х годов, опубликованная в репозитории neph1 как зеркало модели с Civitai. Она предназначена для использования с базовой моделью MiniMaxAI/MiniMax-H3 и интеграции с инструментами Diffusers. Модель работает в сценариях text-to-image и добавляет к базовой модели визуальную стилистику хоррор-фильмов 1980-х годов. Для активации рекомендуется использовать триггерное слово 80s_horror. Архитектура, размер весов, поддерживаемые языки, максимальный контекст и другие технические характеристики в README не указаны; также не уточняется набор модальностей за пределами генерации изображений. Сильная сторона модели — специализация на определённой визуальной эстетике, что может упростить создание соответствующих художественных изображений. Ограничения связаны с зависимостью от базовой модели MiniMax-H3 и отсутствием подробных сведений о качестве, области применимости и известных ограничениях. Использование регулируется лицензией MiniMax-H3 Community License Agreement; условия доступны по указанной в README ссылке.

Cats the Musical Diffusion — дообученная DreamBooth модель Stable Diffusion v1.5 от автора dallinmackay, обученная на кадрах фильма «Кошки» (2019). Она генерирует изображения по текстовым запросам и переносит на персонажей визуальный стиль фильма; для активации стиля автор рекомендует начинать запрос с токена ctsmscl. Модель предназначена для создания стилизованных изображений людей и персонажей в образе кошек, а также экспериментов с визуальной эстетикой фильма. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Автор отмечает, что для сходства с реальными людьми результаты нестабильны и требуют подбора запросов и настроек; приведённые примеры отобраны из небольшого числа удачных генераций. Рекомендуется sampler Euler.

Модель ALM-AHME/convnextv2-large-1k-224-finetuned-Lesion-Classification-HAM10000-AH-60-20-20 — дообученная версия ConvNeXt V2 Large от Facebook для классификации изображений. Она предназначена для отнесения изображений поражений кожи к классам набора HAM10000; название модели указывает на разбиение данных 60/20/20. В README приведены результаты на оценочной выборке: accuracy 0,9866 и loss 0,0976. Модель использует архитектуру ConvNeXt V2 и веса в формате PyTorch. Лицензия — Apache-2.0. Это специализированный классификатор изображений кожи; результаты оценочной выборки сами по себе не подтверждают пригодность для клинической диагностики.

Модель weecology/cropmodel-neon-resnet18-species разработана сообществом Weecology для классификации крон деревьев, предварительно обнаруженных детектором DeepForest. Она относит RGB-изображения крон к одному из 167 видов деревьев, используя коды USDA PLANTS. Модель обучена на 47 971 фрагменте крон, собранном на 30 площадках NEON в Северной Америке по данным полевых обследований растительности. В основе лежит ResNet-18 из torchvision с предварительным обучением на ImageNet. На вход подаются RGB-фрагменты размером 224×224 пикселя с нормализацией ImageNet. На тестовой выборке указаны точность 86,9%, macro F1 0,80 и weighted F1 0,87. Модель предназначена для видовой идентификации крон в рамках экологического мониторинга и анализа аэрофотосъёмки. Лицензия — MIT.

0xJustin разработал Dungeons-and-Diffusion — модель генерации изображений по текстовому описанию, настроенную на персонажей и художественный стиль Dungeons & Dragons. Она предназначена для создания концепт-арта, портретов и изображений персонажей разных рас и классов фэнтезийного мира. В README указано, что версия 3.0 дообучена на Protogen; для более ранних вариантов описаны разные подходы к обучению. Примеры рекомендуют работать с разрешением выше 512×512, а также показывают настройки генерации в Diffusers-совместимом формате.

v8-in — модель YoussefMoNader для обнаружения следов чернил на трёхмерных данных компьютерной томографии свитков Геркуланума, отсканированных с разрешением около 8 мкм. Она использует энкодер ResNet3D-50 и двумерный декодер U-Net; веса энкодера предварительно обучены на видео Kinetics-700 и Moments in Time. Для каждого участка модель принимает 24 слоя размером 64×64 пикселя, нормализует их статистики отдельно для каждого участка и выдаёт карту вероятностей наличия чернил. Модель обучена на 508 006 размеченных обучающих участках из 16 сегментов нескольких свитков и фрагментов. Она предназначена для сегментации чернил на развёрнутых поверхностях папируса и может использоваться для пакетной обработки слоёв слиянием предсказаний по перекрывающимся участкам. Для полной поверхности 4668×8864 пикселя README приводит оценку обработки около 15–20 минут на одном современном GPU при пакетной обработке 16 участков; это измерение зависит от оборудования. Модель распространяется по лицензии MIT.

Lyoko Diffusion v1.1 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, разработанная Madiator2011. Она создаёт изображения в стилях 2D и CGI из мультсериала «Код Лиоко»; для выбора стиля в запрос добавляют «2DLyoko style» или «CGILyoko style». Модель доступна в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M. Модель предназначена для создания стилизованных иллюстраций и творческих экспериментов. Карточка указывает на исследовательское и творческое применение, включая изучение возможностей и ограничений генеративных моделей. В описании не приведены размер модели и длина контекста.

alea31415 разработал эту модель генерации изображений на основе Stable Diffusion, дообучив ACertainty на персонажах аниме «ONIMAI: I'm Now Your Sister!». Модель создаёт изображения по текстовым запросам и поддерживает три обученных стиля: aniscreen, edstyle и megazine. Для вызова персонажей используются триггерные слова OyamaMahiro, OyamaMihari, HozukiKaede, HozukiMomiji, OkaAsahi и MurosakiMiyo; TenkawaNayuta встречается в обучающих данных редко, поэтому качество её изображений может быть низким. Модель предназначена для генерации иллюстраций с персонажами и сценами из ONIMAI. Она обучалась на разрешении 512 пикселей с clip skip 1; автор сообщает, что сложные сцены и сходство со стилями и одеждой лучше получаются у полной модели, чем у опубликованных LoRA. Модель доступна в форматах Diffusers и safetensors по лицензии CreativeML OpenRAIL-M.