IV.5Образование и развитие навыков

LLaVA-JP — разработанная автором карточки модель «зрение–язык», созданная дообучением llm-jp/llm-jp-1.3b-v1.0 методом LLaVA. Она принимает изображения и текстовые запросы и предназначена для диалога о содержимом изображений на японском языке, включая описание сцен и ответы на визуальные вопросы. Модель использует архитектуру LLaVA с плотной языковой частью на 1,3 млрд параметров; для обработки изображений обучался vision projector. Родной контекст составляет 2048 токенов. Обучение проходило в два этапа: предварительное обучение на LLaVA-CC3M-Pretrain-595K-JA и японских подписях STAIR Captions, затем дообучение на LLaVA-Instruct-150K-JA и японском датасете Visual Genome для вопросов и ответов по изображениям. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит количественных оценок качества.

Tess-M-Creative-v1.0 — экспериментальная модель серии Tess от migtissera для творческих задач: написания текстов, ролевых сценариев, проектирования идей и исследования новых концепций. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 33,9 млрд параметров, обученная на базе Yi-34B-200K; заявленная длина контекста составляет 200 000 токенов. Модель принимает текст и генерирует текст.

tarteel-ai/whisper-base-ar-quran — модель распознавания речи, созданная дообучением openai/whisper-base. Она предназначена для преобразования арабской речи, в том числе чтения Корана, в текст. Модель построена на архитектуре Whisper и содержит 51,7 млн параметров; репозиторий хранит веса в формате PyTorch. В карточке приведены результаты оценки: loss 0,0839 и WER 5,7544. Данные о наборе обучения и подробные ограничения не раскрыты. Модель распространяется по лицензии Apache-2.0.

Карточка модели Audio8/Audio8-ASR-0.1B-iOS-ANE на Hugging Face совпадает с карточкой Edge0/Audio8-ASR-0.1B-iOS-ANE, поэтому описание составлено по ней. Edge0/Audio8-ASR-0.1B-iOS-ANE — пакет модели распознавания речи Audio8-ASR-0.1B, подготовленный для локальной работы на iPhone. Он предназначен для преобразования речи в текст в iOS-приложениях и включает Swift SDK, демонстрационное приложение и готовые файлы модели. Размер базовой модели в идентификаторе указан как 0,1 млрд параметров; в метаданных размер не приведён. Аудиобашня выполняется через Core ML на Apple Neural Engine, а декодер языковой модели — через ONNX Runtime на CPU с весами int4. Пакет поддерживает английский, китайский, кантонский, французский, немецкий, японский и корейский языки. Обработка аудио выполняется локально и не требует сетевого запроса. Для Swift-пакета требуются iOS 18 или macOS 15; README рекомендует Apple Silicon Mac для разработки. Модель ориентирована на компактное офлайн-распознавание на устройстве; заявленная демонстрационная нагрузка памяти составляет около 200 МБ и зависит от устройства и условий измерения. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

BioMistral-Zephyr-Beta-SLERP — языковая чат-модель на 7,1 млрд параметров, созданная Kabster слиянием BioMistral/BioMistral-7B и HuggingFaceH4/zephyr-7b-beta методом SLERP с помощью mergekit. Это плотная архитектура MistralForCausalLM, распространяемая в формате safetensors; модель предназначена для диалогов, генерации текста и ответов на пользовательские запросы. Контекстное окно составляет 32 768 токенов. Слияние объединяет медицинскую модель BioMistral и англоязычную чат-модель Zephyr, поэтому модель может быть полезна для медицинских вопросов и общего диалога. Метаданные указывают лицензию Apache-2.0. Карточка не приводит сравнительных оценок качества или подробностей о клинической валидации, поэтому ответы по медицинским темам требуют проверки специалистом.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_cap_b1000_s0 — дообученная плотная авторегрессионная языковая модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Base. В модели около 3,7 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель обучена на наборе capsd_Qwen3-4B-Base-n80000-sciweb-stackexchange__mix_science_cap_b1000_s0. По названию набора можно предположить специализацию на научных текстах и материалах Stack Exchange, однако README не описывает конкретные сценарии, оценки качества или ограничения. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и условиями базовой модели.

cyboghostginx представил дообученную версию Google Gemma 4 31B Instruction Tuned, настроенную для исландской морфологии и грамматики. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration, предназначенная для генерации текста и диалогового использования через шаблон чата Gemma. Репозиторий содержит веса Safetensors и рассчитан на запуск через Transformers на GPU. В официальном прогоне на таблице лидеров исландских LLM Miðeind модель получила средний балл 70,09 по шести задачам; базовая Gemma 4 31B Instruction Tuned набрала 71,24. Локальный средний результат по пяти задачам при отключённом режиме рассуждений составил 83,59. Модель распространяется по лицензии Gemma; применимость условий лицензии следует проверять перед использованием.

gipformer1.5-68M-rnnt — модель распознавания вьетнамской речи от G Group AI Lab, построенная на архитектуре Zipformer Transducer (RNNT). Она преобразует аудио в текст и предназначена для транскрибации телефонных разговоров, в том числе записей с шумом и региональными акцентами, а также речи из сфер технологий, образования, финансов, государственного управления и медицины. Модель компактная и рассчитана на быстрый локальный запуск на мобильных и встраиваемых устройствах; репозиторий содержит ONNX-файлы для выполнения через ONNX Runtime. Карточка заявляет высокие результаты на вьетнамских ASR-тестах, включая телефонные записи, но доступная таблица результатов неполная и не позволяет проверить все приведённые сравнения. Лицензия — MIT.

HyperCLOVA X SEED Think 14B Success-Consolidation — корейскоязычная плотная языковая модель на 14,1 млрд параметров, созданная разработчиком репозитория на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Модель предназначена для диалоговой генерации текста и задач рассуждения, в частности вопросов по медицинским знаниям, числовых задач и причинно-следственного вывода на корейском языке. Архитектура — HyperCLOVAXForCausalLM; контекстное окно — до 131 072 токенов. Репозиторий содержит самостоятельные объединённые BF16-веса в формате safetensors, полученные слиянием одного LoRA-адаптера ранга 4 с базовой моделью. При дообучении использованы 836 примеров корейских задач: медицинские вопросы KMMLU-Pro, числовое чтение с пониманием MuSR(Ko) и причинно-следственное рассуждение Com2-main(Ko). В карточке указано, что публичные тестовые данные бенчмарков не использовались для обучения; также приведены успешные проверки параметров и генерации на тестовых запросах. Модель распространяется по лицензии «other»; README объясняет, что название соответствует условиям лицензии базовой модели, но конкретные условия следует смотреть в лицензии репозитория и базовой модели.

Kokoro-82M-Swift — преобразованные веса Kokoro-82M, подготовленные для запуска синтеза речи через Swift на устройствах Apple Silicon. Репозиторий поддерживает два варианта инференса: MLX-Swift с использованием GPU и Metal, а также CoreML с сегментированными пакетами для Neural Engine и CPU. Модель принимает текст и генерирует речь; доступны 54 набора голосов с разными языками и стилями, включая американские и британские английские, испанские, французские и японские голоса. Для использования предусмотрен Swift-пакет kokoro-swift, который может загружать голосовые наборы по запросу. Веса преобразованы из hexgrad/Kokoro-82M; репозиторий распространяется по лицензии Apache-2.0.

Kaoeiri объединил несколько языковых моделей в 22-миллиардную модель на архитектуре Mistral, используя метод DARE TIES и Mistral-Small-Instruct-2409 в качестве базовой модели. В состав объединения вошли модели для ролевых диалогов и создания прозы; карточка также отмечает разговорное назначение и интерфейс вызова инструментов. Модель предназначена для генерации текста, в частности диалогов и связной прозы в ролевых сценариях. Она принимает текст и выдаёт текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

BAAI разработала NOVA — авторегрессионную модель генерации и редактирования изображений по текстовому запросу. Модель размером 645 млн параметров работает с разрешением 1024×1024 и использует текстовый энкодер Phi-2 и VAE-токенизатор изображений SDXL-VAE. Это неквантованная модель в формате FP16; для запуска предусмотрена библиотека Diffusers и пайплайн NOVA. Модель подходит для экспериментов с генеративными моделями, создания иллюстраций и поддержки творческих и образовательных инструментов. Лицензия — Apache 2.0. Разработчик указывает исследовательское назначение, однако это само по себе не исключает практического использования с учётом ограничений и условий лицензии. Автокодирование приводит к потере деталей; модель может плохо передавать сложный читаемый текст, фотореализм и анатомию пальцев. Обучающие данные включали контент для взрослых, насилие и сексуальный контент, а результаты могут отражать социальные предубеждения. Модель не предназначена для достоверного изображения реальных людей или событий.

UNIST-Eunchan/Research-Paper-Summarization-Pegasus-x-ArXiv — модель UNIST-Eunchan для автоматического создания кратких пересказов научных статей arXiv. Она дообучена на датасете arxiv-summarization, содержащем более 200 тысяч работ, и предназначена для суммирования исследовательских текстов. В основе — плотная encoder-decoder модель PEGASUS-X Base с 187,1 млн параметров; она принимает текстовый контекст длиной до 16 384 токенов и генерирует текст. Модель работает на английском языке. В README приведены результаты на тестовом наборе и настройки генерации с ограничением длины вывода; качество зависит от параметров декодирования. Модель доступна в формате PyTorch по лицензии BigScience OpenRAIL-M. Она специализирована на научных статьях, поэтому её не следует считать универсальным суммаризатором для любых текстов.

Shadow-Siren-26B-A4B — диалоговая мультимодальная модель, созданная Vortex5 путём многоэтапного слияния моделей на базе Gemma 4. В состав слияния вошли Gemma-4-26B-A4B-it и варианты для ролевого общения, творческого письма и рассуждений. Модель использует архитектуру Gemma 4 и библиотеку Transformers; её веса доступны в формате safetensors. В названии указаны 26B-A4B, а в метаданных базовая Gemma описана как модель с 26 млрд общих и 4 млрд активных параметров. Модель рассчитана на текстовые диалоги и анализ изображений с ответом в виде текста. Основные сценарии — ролевые диалоги, взаимодействие с персонажами, написание художественных текстов, развитие сюжета и генерация идей. Контекст и поддерживаемые языки в предоставленных данных не обозначены. Модель распространяется по лицензии Apache-2.0.

DJUNA-TEST-LAB/TEST-Ocerus-7B — текстовая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием SLERP моделей dreamgen/opus-v1.2-7b и icefog72/IceDrunkenCherryRP-7b с помощью mergekit. Она предназначена для генерации текста в диалоговом формате, в том числе для ролевых диалогов и написания историй; базовая модель DreamGen ориентирована также на управляемое написание и анализ художественного текста. Модель принимает текст и генерирует текст, использует библиотеку Transformers и имеет контекстное окно 32 768 токенов. Карточка не приводит сведений о поддерживаемых языках. Репозиторий содержит веса Safetensors. Лицензия в предоставленных данных не указана.

usyd-community/vitpose-base-coco-aic-mpii — версия ViTPose, перенесённая в Transformers; исходную модель разработали Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао, а порт для Transformers подготовили Сангбум Чхве и Нильс Рогге. Модель предназначена для оценки позы человека: по изображению человека она предсказывает координаты ключевых точек тела. В основе — обычный невизуально-иерархический Vision Transformer для извлечения признаков и лёгкий декодер для оценки позы. Модель обучалась и оценивалась на наборах COCO, AI Challenger и MPII; README также описывает оценку на CrowdPose и OCHuman. Её можно применять для анализа поз в изображениях и видео, отслеживания техники упражнений и подготовки данных для распознавания действий или анимации. Карточка сообщает о результате семейства ViTPose до 81,1 AP на тестовом наборе COCO, но не уточняет метрику именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0. Для оценки поз в видео требуется отдельно обрабатывать последовательность кадров; сама модель не распознаёт действия.

AraScholar — модель генерации и перефразирования арабских предложений на современном стандартном арабском языке (MSA) в академическом стиле. Она разработана как дообучение UBC-NLP/AraT5v2-base-1024 на вручную отобранном корпусе экспертных академических перефразировок и имеет архитектуру T5 с 183,7 млн параметров. Модель предназначена для редактирования предложений: она стремится улучшить академический регистр, сохраняя исходный смысл и одновременно достаточно меняя формулировку. Для управления этим балансом README рекомендует при декодировании штрафовать копирование исходных слов или выбирать из нескольких вариантов те, которые сохраняют семантическое сходство выше заданного порога. В слепом тесте на 2 000 предложениях сочетание AraScholar с повторным ранжированием по целевой точке показало 76,6% результатов в заданном диапазоне новизны и сохранения смысла. Модель рассчитана на обработку отдельных предложений и не выполняет нормализацию орфографии. Возможны редкие смысловые ошибки, особенно при генерации с высокой температурой; результат следует проверять. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_random_b4000_s0 — дообученная плотная языковая модель Qwen3 с 3,7 млрд параметров, построенная на Qwen/Qwen3-4B-Base. Репозиторий содержит веса в формате safetensors; модель предназначена для генерации текста и поддерживает чатовый сценарий. В названии и описании обучения указана смесь данных sciweb и StackExchange с научными и случайными примерами. Это указывает на экспериментальную адаптацию для генерации ответов и текста в научно-вопросных сценариях, однако карточка не описывает конкретные целевые задачи, качество или результаты оценки. Контекст модели — до 32 768 токенов. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя. Ограничения и предназначенные сценарии автор в карточке не уточнил; пригодность модели для конкретных задач следует оценивать отдельно.

Chronos-Hermes-13B-v2 — объединённая модель на базе Llama 2, созданная как смесь chronos-13b-v2 и Nous-Hermes-Llama2-13b в пропорции 75/25. Она предназначена для генерации текста, в частности художественного письма и длинных связных ответов с выразительной прозой. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов. Для запросов применяется формат Alpaca с секциями Instruction и Response. Карточка отмечает творческий стиль и связность ответов; репозиторий содержит веса PyTorch, а README также упоминает GPTQ-квантованные веса. Лицензия указана как other, поэтому перед использованием следует проверить условия исходных моделей и репозитория. Модель опубликована в 2023 году.

Cydonia 22B v1 — языковая модель BeaverAI на архитектуре Mistral с 22 млрд параметров. Она предназначена для генерации текста, в частности для ролевых диалогов, написания историй и ответов в формате инструкций. Карточка описывает поддержку шаблонов чата Metharme, Mistral и обычного текстового продолжения; заявленная длина контекста — 131 072 токена. Модель можно использовать для ролевых сцен от первого лица, диалогов персонажей и творческого письма. В README автор рекомендует экспериментировать с разными шаблонами, поскольку подходящий формат зависит от задачи. Данные не подтверждают поддержку конкретных естественных языков. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория.

F5-TTS Algerian Arabic (Darja) — модель синтеза речи, созданная Камелем Туати и дообученная на базе IbrahimSalah/Arabic-F5-TTS-v2. Она предназначена для озвучивания текста на алжирском арабском диалекте, включая разговорную речь, повествования и фольклор. Поддерживается переключение между дариджей, французским и берберским; для французских слов лучше подходит латинская запись. Модель использует архитектуру F5-TTS на основе DiT и обучена на корпусе примерно из 399 часов диалектной речи из подкастов, историй и фольклорных записей. Аудио при обучении приводилось к моноформату с частотой 24 кГц. Для использования требуется предварительная нормализация текста по описанному в карточке процессу. Модель распространяется по лицензии Apache-2.0. Качество может снижаться из-за нестандартного написания дариджи, шума и реверберации во входных аудиоданных обучения, а также при записи французских слов арабской транслитерацией. Корпус содержит записи ограниченного числа дикторов, поэтому голос может отражать их особенности.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для работы через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по промптам и может использоваться в творческих, научных и коммерческих проектах. Качество генерации и следование промпту конкурентоспособны с закрытыми моделями, но результат зависит от формулировки запроса и может не совпасть с ним. Модель не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Лицензия — Apache-2.0; README также перечисляет ограничения на незаконное и вредоносное использование.

neurlang/ipa-whisper-base — дообученная версия мультиязычной Whisper Base от OpenAI для распознавания речи и вывода транскрипции в Международном фонетическом алфавите (IPA). Модель основана на Transformer-архитектуре encoder-decoder с 51,7 млн параметров и принимает аудио. Для работы с ней в Transformers используется WhisperProcessor. Дообучение выполнено на 15 000 синтетических аудиозаписей с разметкой IPA, созданных с помощью фонемайзера goruut, а также на случайной выборке из 15 000 записей Common Voice 21 более чем на 70 языках. Модель подходит для фонетической транскрипции и распознавания речи на разных языках; базовая Whisper также поддерживает перевод речи на английский, но карточка не подтверждает отдельно это умение у данной версии. Качество распознавания может быть неравномерным между языками, акцентами и диалектами. Возможны галлюцинации — текст, которого нет в аудио, — и повторяющиеся фрагменты; у низкоресурсных языков эти проблемы могут быть заметнее. Для сегментов длиннее 30 секунд README рекомендует использовать обработку с разбиением на чанки. Лицензия — Apache-2.0.

KOALA-700M — модель генерации изображений по текстовому описанию, разработанная ETRI Visual Intelligence Lab. Это латентная диффузионная модель: она использует текстовые энкодеры SDXL-Base-1.0 и заменяет его U-Net на сжатую архитектуру, знания которой дистиллированы из SDXL. U-Net содержит около 782 млн параметров; модель рассчитана на генерацию изображений разрешением до 1024×1024 и может работать через библиотеку Diffusers. KOALA-700M предназначена для создания иллюстраций и художественных изображений, в том числе на менее мощном оборудовании, чем требуется SDXL. По данным авторов, при 25 шагах диффузии и FP16 она генерирует изображение 1024×1024 менее чем за 1,5 секунды на NVIDIA 4090 и работает более чем вдвое быстрее SDXL. Модель обучена на LAION-aesthetics-V2 6+; по карточке, она предназначена для исследовательского использования. Информация о лицензии в предоставленных данных отсутствует. Модель может плохо отображать длинный разборчивый текст и затрудняться со сложными запросами, включающими несколько атрибутов. Она не предназначена для получения достоверных изображений людей или событий; на результаты также влияют особенности обучающего набора данных.

llama3-8B-DarkIdol-2.2-Uncensored-1048K — объединённая автором модель на архитектуре Llama 3 с примерно 7,5 млрд параметров. Она предназначена для генерации текста, ролевых диалогов, творческого письма и сценариев с виртуальными персонажами; автор также отмечает адаптацию для мобильных устройств и заявляет контекст до 1 048 576 токенов. В README описано объединение нескольких моделей через mergekit, включая варианты для ролевого общения, письма и японского, китайского и корейского языков. Модель ориентирована на развёрнутые ответы и длительные диалоги. Её можно запускать через Transformers, llama.cpp, LM Studio, KoboldCpp и другие перечисленные автором интерфейсы; карточка указывает лицензию Llama 3. Автор предупреждает, что ответы следует проверять, а тестирование инструментов неполное. Заявленная длина контекста не гарантирует одинакового качества на всём диапазоне; для запуска также важны доступные вычислительные ресурсы и подходящая конфигурация.

mistral-ko-tech-science-v1 — дообученная модель авторов shleeeee (Seunghyeon Lee) и oopsung (Sungwoo Park) на базе Mistral-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста на корейском языке в технической и научной тематике. Она может использоваться для подготовки ответов и черновиков по техническим и научным вопросам; длина контекста составляет 32 768 токенов. Модель доступна в формате safetensors. В карточке указана лицензия other, поэтому условия использования следует уточнить у авторов и проверить применимость лицензии базовой Mistral-7B. Карточка не приводит оценок качества или сведений о данных дообучения.

Psyfighter2-Orca2-Erebus3 — объединённая языковая модель на архитектуре Llama 2, созданная методом TIES с помощью mergekit. В объединение вошли KoboldAI/LLaMA2-13B-Psyfighter2, TeeZee/Orca-2-13b_flat и KoboldAI/LLaMA2-13B-Erebus-v3; базовой моделью конфигурации указана Psyfighter2. Модель содержит 12,9 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста, в том числе художественного письма, диалогов с персонажами и текстовых приключений. Лицензия в предоставленных данных не указана.

unsloth/Qwen-Image-2.1-FP8 — квантованная версия Qwen-Image-2.1, опубликованная Unsloth для запуска через Diffusers. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений; компонент генерации содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. В комплект также входит предварительно приведённая к FP8 копия текстового энкодера Qwen3-VL. Модель создаёт обычные и прозрачные изображения RGBA, поддерживает редактирование с помощью референсов (до 10 изображений), круговых пометок, нарисованных аннотаций или масок. Среди заявленных сильных сторон — экономия вычислительных ресурсов благодаря FP8/INT8-квантованию, точная отрисовка текста, проработка текстур и сохранение сходства людей и товаров при редактировании. Карточка указывает лицензию «other», но не приводит её условия; перед использованием следует проверить лицензионные условия базовой модели и репозитория.

SDXL-Turbo — генеративная модель Stability AI для быстрого создания изображений по текстовому описанию. Она основана на SDXL 1.0 Base и обучена методом Adversarial Diffusion Distillation для генерации за один или несколько шагов; обычно достаточно одного прохода модели. Поддерживаются рабочие процессы text-to-image и image-to-image, в том числе через Diffusers. Предпочтительный размер изображения — 512×512 пикселей. Модель подходит для творческих инструментов, дизайна, создания иллюстраций и исследования генерации изображений в реальном времени. Она не предназначена для создания достоверных изображений реальных людей или событий. Генерация текста внутри изображения ненадёжна, лица и люди могут получаться некорректно, а фотореализм не гарантирован. Лицензия указана как other; README описывает использование для некоммерческих и исследовательских целей и отсылает за условиями коммерческого применения к отдельным правилам Stability AI.

Stable Diffusion v1-5 GGUF — это квантизированная версия латентной диффузионной text-to-image модели Stable Diffusion v1.5. Исходная модель разработана Robin Rombach и Patrick Esser, а карточка указывает Runway ML как создателя исходного варианта; данный репозиторий содержит GGUF-представление. Модель генерирует и изменяет изображения по текстовым запросам, поддерживает сценарии художественного создания, дизайна, образовательных и исследовательских инструментов. Она рассчитана на работу через Diffusers, ComfyUI, Automatic1111, SD.Next и InvokeAI. Архитектурно это Latent Diffusion Model с фиксированным текстовым энкодером OpenAI CLIP ViT-L/14. Модель обучалась при разрешении 512×512, использует английский язык и предназначена для генерации фотореалистичных изображений по тексту. Доступны варианты квантизации FP16, Q8_0, Q4_1 и Q4_0; для всех указанных вариантов CLIP и VAE имеют квантизацию FP16. Сильными сторонами являются широкая поддержка инструментов и возможность локального запуска, а ограничениями — зависимость качества от текстового запроса, унаследованные ограничения и смещения генеративной модели, а также устаревание некоторых исходных средств запуска. В README модель обозначена как предназначенная только для исследовательских целей и распространяемая по лицензии CreativeML OpenRAIL M.