IV.5Образование и развитие навыков

ehcalabres/distilgpt2-abc-irish-music-generation — дообученная модель на базе distilgpt2 для генерации текста в формате ABC, предназначенного для записи ирландской музыки. Она использует плотную авторегрессионную архитектуру GPT-2 и принимает текстовый контекст, продолжая его последовательностью токенов. Максимальная длина контекста — 1024 токена. Модель опубликована в форматах PyTorch и safetensors по лицензии Apache-2.0. README указывает, что данные дообучения неизвестны, а дополнительные сведения о модели, её применении и оценке не приведены.

FLUX.1 Redux [dev] — адаптер Black Forest Labs для моделей семейства FLUX.1, предназначенный для вариаций и рестайлинга изображений. Он принимает исходное изображение и помогает воспроизвести его с небольшими изменениями; результат сильно зависит от входного изображения. Адаптер интегрируется в рабочие процессы генерации изображений на базе Diffusers и может использоваться для уточнения или стилистического изменения изображения. Для рестайлинга с текстовым описанием в README упоминается API, принимающий изображение вместе с текстовым запросом; это возможность API, а не заявленная функция данного адаптера dev. Модель не предназначена для выдачи фактической информации, может усиливать социальные предубеждения и не всегда точно соответствует запросу. Лицензия указана как other; README также перечисляет ограничения на незаконное и вредоносное использование.

Fx-Bio-0913 — большая языковая модель для биологических и биомедицинских исследовательских задач, разработанная лабораторией The Endless Frontier. Это постобученная модель семейства DeepSeek-V4: в метаданных указан плотный причинный декодер DeepseekV4ForCausalLM размером 10,7 млрд параметров, а README описывает базовую модель DeepSeek-V4-Flash и архитектуру MoE. Модель принимает текст и генерирует текст; она сохраняет контекстное окно базовой модели длиной 1 048 576 токенов. Модель предназначена для рассуждений о функциях генов, анализа экспериментальных сценариев и объединения свидетельств в несколько шагов. В README указано, что постобучение на курируемых биомедицинских данных, включая задачи Biomni и BioMystery, улучшило результаты на BioMysteryBench и BiominiBench по сравнению с базовой моделью; приведённые оценки получены во внутреннем тестовом контуре разработчика. Публикация весов под лицензией Apache-2.0 позволяет использовать и адаптировать модель на её условиях. Разработчик предупреждает, что ответы могут содержать ошибки и не должны использоваться для клинической диагностики или принятия медицинских решений.

G4 Runic Oarfish 26B A4B v1.2 — творческая разговорная модель для ролевых игр, созданная Naphula с помощью слияния нескольких моделей на базе Gemma 4. В карточке указано, что версия 1.2 объединяет Musica с полной LoRA MeroMero и добавляет дообученную для ролевых игр Animus. Метаданные описывают модель как Gemma4ForConditionalGeneration с возможностью чата и обработки изображений; репозиторий содержит веса Safetensors. Модель предназначена прежде всего для интерактивного художественного ролевого общения и генерации творческих ответов. Для неё заявлена лицензия Apache-2.0. В README отмечены возможные стилистические повторы и склонность к отказам; автор также сообщает о сравнительно коротких ответах и ухудшении поведения в одной из предыдущих версий.

ritwikm/gandhi-gpt — авторегрессионная языковая модель на архитектуре GPT-2, дообученная автором репозитория на английских текстах Махатмы Ганди. Сначала модель обучали один проход на очищенном англоязычном корпусе Ai4Bharat, содержащем новости об Индийском субконтиненте, затем ещё три прохода на 755 468 предложениях из собрания сочинений Ганди. Модель предназначена для генерации продолжений текста в стиле и тематике корпуса Ганди, например для творческих экспериментов с его произведениями и индийской тематикой. Она принимает текст и выдаёт сгенерированный текст; заявленный контекст составляет 1024 токена. Доступны веса PyTorch и Safetensors. Лицензия репозитория — GPL.

teckedd разработала DONDO w2v-BERT CTC — дообученную модель распознавания речи для Twi (Akan), в частности Asante Twi. Она предназначена для транскрибации аудио в текст и использования в голосовых сценариях Ghana Health AI, включая разговоры о здоровье на Twi и английском. Архитектура — Wav2Vec2BertForCTC; модель содержит 402,7 млн параметров и распространяется в формате safetensors через Transformers. Для Asante Twi перед декодированием к акустическим признакам нужно добавлять языковой идентификатор 2. Обучение использовало данные Google WaxalNLP, Common Voice 22.0 и локальные записи Ghana Health AI. Валидационная ошибка слов WER составила 0,274, а ошибка символов CER — 0,090 при жадном CTC-декодировании без языковой модели. Это кандидат для применения в продукте, но показатели относятся к конкретной валидации и не гарантируют качество на других записях. Модель не предназначена для клинической диагностики или автономных медицинских решений. Лицензия — Apache-2.0.

Gheya-1.0-203M — ранняя базовая языковая модель экосистемы LES-IA-ETOILES, созданная Clemylia. Это плотная авторегрессионная модель семейства GPT-2 с примерно 202 млн параметров и контекстом 205 токенов; веса опубликованы в формате Safetensors и предназначены для Transformers. Модель обучалась на целевом корпусе с текстами об ИИ, малых языковых моделях и биологии; в карточке указаны наборы данных Clemylia/Fondation-pretrain и Clemylia/Train-intermeda. Основной язык — французский. Автор описывает её как альфа-чекпойнт для продолжения предобучения и создания специализированных моделей посредством дообучения. Она может служить основой для французского SLM или нишевого технического ассистента, но не рассчитана на универсальные ответы в текущем состоянии. Карточка сообщает о существенном недообучении и ранней чрезмерной специализации: генерации могут сводиться к технической лексике даже при посторонних запросах. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Lanni-ni/hard_3gram_4_6_384_babylm_10m_seed43 — небольшая Transformer-модель для генерации текста, опубликованная пользователем Lanni-ni на Hugging Face. Модель содержит 27,6 млн параметров и предназначена для использования с библиотекой Transformers; основной pipeline-тег — text-generation. Модель может применяться для автодополнения текста, генерации коротких последовательностей и учебных или исследовательских экспериментов с компактными языковыми моделями. По идентификатору модели можно предположить связь с экспериментом BabyLM и настройками, отражёнными в названии, однако README не содержит подробностей о корпусе, языках, архитектурных параметрах, контексте, процедуре обучения или результатах оценки. README не предоставляет сведений о разработчике, лицензии, ограничениях и рекомендуемых сценариях использования. Поэтому модель следует рассматривать как экспериментальную и проверять её качество, устойчивость и безопасность на собственных данных перед применением.

HumanV-0.2B-Base — причинная языковая модель примерно на 199 млн параметров от humanvcompany, построенная на собственной архитектуре HumanV. Это технический proof-of-concept для проверки гибридного разреженного внимания в трансформерных моделях; она обучена на подмножестве TinyStories и предназначена для генерации текста, особенно коротких историй на английском языке. Модель использует 12 декодерных слоёв, grouped-query attention, полное внимание в первых трёх слоях и локально-глобальное блочное разреженное внимание в остальных, RoPE и SwiGLU. Контекст модели — 512 токенов. Архитектура оптимизирует размер KV-кэша, но для загрузки требуется специальная версия Transformers с регистрацией HumanV, поэтому стандартная совместимость ограничена. Лицензия — Apache-2.0.

ChrisColeTech/hunyuan3d-mini — сборка компактной модели Hunyuan3D-2mini от Tencent для генерации 3D-сеток по изображению. В репозитории находятся веса shape DiT на 0,6 млрд параметров, а также компоненты Hunyuan3D-2.0-turbo и отдельные конвейеры delight и paint для подготовки и текстурирования мешей; веса не переобучались. Основной сценарий — получить лёгкую треугольную сетку из одного RGB(A)-изображения с предметом на простом фоне. Генерация меша занимает примерно 6–18 секунд на RTX 5090, а типичный размер результата составляет около 0,7 МБ. Выход img2mesh — сетка GLB без текстуры; текстурирование выполняется отдельным этапом и занимает около 85 секунд в описанной конфигурации. Модель ориентирована на черновики, предпросмотр и массовую генерацию, где важны скорость и компактность. Она сохраняет силуэт, пропорции и крупные элементы, но сглаживает мелкий рельеф; загромождённый фон ухудшает геометрию. Репозиторий распространяется по лицензии сообщества Tencent Hunyuan3D; условия распространения и коммерческого использования следует сверять с лицензией upstream.

kitsune-tales-e4b-jp — дообученная Ashish модель на базе Google Gemma 4 E4B Instruct. Это текстовая модель генерации художественного текста: по жанровым тегам и названию она пишет на японском языке оригинальные фэнтезийные синопсисы, короткие рассказы и продолжения. Для продолжения нужно передать исходный отрывок; рекомендуется использовать шаблон чата с отключённым режимом рассуждений. Обучение выполнено методом LoRA SFT на отфильтрованных синтетических данных, а выпущенная версия объединена с базовой моделью и сохранена в формате bf16. В метаданных указан формат Safetensors и архитектура семейства Gemma 4; базовая Gemma 4 E4B хранит 7,52 млрд параметров, из которых эффективны 4,62 млрд. Модель предназначена для хобби-писательства, разработки идей и практики стиля японской фэнтезийной лайт-новеллы. В оценках SFT-версия лучше соблюдала запрошенную длину, чем базовая модель, но сырые парные оценки предпочитали более длинные ответы базовой модели; результаты этих оценок автор считает ориентировочными. Возможны повторы, отклонения от заданной длины и ошибки связности в длинных историях, а также клише синтетических данных. Разработчик — Ashish; лицензия Apache-2.0. Модель не предназначена для фактических, медицинских, юридических или финансовых ответов и не гарантирует отказ на запрещённые запросы.

Lit-6B — авторегрессионная языковая модель GPT-J с 6 млрд параметров, дообученная hakurei на корпусе объёмом около 2 ГБ: лёгких новеллах, эротической прозе и размеченной литературе. Она генерирует художественный текст в форме, похожей на роман, и поддерживает подсказки с аннотациями жанра, стиля, автора и другими тегами. Модель предназначена для развлекательной генерации прозы и помощи авторам художественных текстов. Её можно направлять к заданному жанру или стилю, комбинируя аннотации в промпте. Модель принимает текст и выдаёт продолжение текста; доступна в формате PyTorch, использует архитектуру GPT-J и имеет контекст 2048 токенов. В метаданных указан английский язык и лицензия MIT. Обучающий корпус включает эротические материалы, поэтому модель может генерировать контент для взрослых. Карточка не сообщает о проверках качества или дополнительных ограничениях применения.

LivePortrait — модель для анимации портретов, разработанная командой Kuaishou Technology совместно с исследователями из University of Science and Technology of China и Fudan University. По исходному изображению лица и видео-источнику движения она создаёт анимированный портрет; также поддерживаются редактирование позы и видео-портретов. Репозиторий Hugging Face содержит веса в формате ONNX, а README описывает официальную реализацию метода из одноимённой научной работы. Модель рассчитана на создание коротких анимаций портретов и редактирование видео. Для более стабильного результата авторы рекомендуют квадратный кадр, крупный план головы, минимальные движения плеч и нейтральное фронтальное лицо в первом кадре видео-источника. README не указывает размер модели, длину контекста или языковую поддержку; модель работает с визуальными данными. Лицензия — MIT.

Это вариант конфигурации модели lm-playschool-qwen3.5-2b-sft-dpo, подготовленный командой DAIR для загрузки объединённых весов через vLLM. Модель представляет собой дообученную версию Qwen/Qwen3.5-2B с плотной архитектурой Qwen3_5ForCausalLM; по карточке, она входит в серию экспериментов по постобучению для диалоговых игр. Репозиторий содержит веса Safetensors и конфигурацию, совместимую с загрузчиком vLLM. Модель предназначена для генерации диалоговых ответов и участия в диалоговых играх. README приводит результаты на валидационной части Playpen, но эти оценки относятся к исходному чекпойнту R2 и конкретной зафиксированной среде эксперимента. Базовая модель описана как мультимодальная, однако этот репозиторий представлен как текстовая генеративная модель; карточка не подтверждает отдельные сценарии обработки изображений для данной конфигурации. Лицензия — Apache-2.0.

Lewdiculous/lwd-Mirau-7b-RP-Merged — слитая с базовой моделью версия Mirau-7B-RP, созданная на основе Qwen2.5-7B-Instruct и предназначенная для повествовательных ролевых сценариев. Она преобразует краткие действия, наблюдения и внутренние мысли персонажа в связный рассказ от первого лица с описанием окружения, переживаний и развития сюжета. Модель подходит для текстовых приключений, исследования вымышленных сцен и одиночного повествования за одного персонажа. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. В карточке описаны примеры команд на английском, а метаданные отмечают теги английского, китайского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Исходная карточка предупреждает, что модель ориентирована на повествование от первого лица и может нестабильно вести диалоги. Лицензия указана как неизвестная, поэтому условия использования следует проверить отдельно.

Magic-psy-LoRA-Qwen-Finetuned — инструктивная разговорная модель на базе Vikhr-Qwen-2.5-1.5B-Instruct, дообученная на русскоязычном сгенерированном датасете. Она отвечает на запросы в образе волшебного психолога из Хоггвартса и предназначена для тематического общения и ролевых диалогов. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных указаны русский и английский языки, хотя README описывает обучение на русскоязычных данных. Модель распространяется по лицензии Apache-2.0.

Maverick-4B-Unity-XR-Agent-GGUF — модель ErenAta00, дообученная на базе Qwen3-4B методом QLoRA с объединением адаптера с базовыми весами. Это англоязычный агент для управления объектами и сценами Unity 3D в XR-, VR- и других интерактивных приложениях. На текстовую команду и JSON-описание текущей комнаты модель генерирует вызовы инструментов, например для захвата, перемещения или поворота объектов, переключения их состояния, подсветки и перехода между комнатами; неоднозначные запросы она может уточнять. Модель принимает текст и структурированные данные сцены, а не изображение с камеры. Репозиторий содержит квантованный GGUF Q4_K_M для запуска через llama.cpp; лицензия — Apache-2.0. Автор сообщает о проверках на наборах команд для Unity и ALFRED, однако результаты относятся к описанным тестовым сценариям. Ограничения: модель рассчитана только на английский и ограниченный набор из 11 инструментов, иногда нуждается в повторе или уточнении и не предназначена для открытого диалога, роботов или критичных к безопасности задач. Проверяйте вызовы по схеме и текущей сцене перед исполнением; обучение и тестирование не охватывали XR-гарнитуры, Linux и macOS.

Medicine LLM 13B — языковая модель для медицинских и биологических задач, разработанная AdaptLLM и представленная в GGUF-квантизованном формате командой TheBloke. В основе лежит архитектура Llama с 13 миллиардами параметров; модель ориентирована на генерацию текста и работает на английском языке. В README указаны обучающие данные Open-Orca, GAIR/lima, WizardLM_evol_instruct_V2_196k и EleutherAI/pile, а также метрика оценки accuracy. Модель предназначена для текстовых сценариев в медицине и биологии, включая ответы на вопросы, обработку инструкций и генерацию специализированного текста. Формат GGUF подходит для локального запуска с помощью llama.cpp и совместимых интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Для работы используется шаблон запросов Llama-2-Chat. Контекстное окно, точные требования к ресурсам и поддерживаемые дополнительные модальности в README не указаны. Ключевое преимущество этой версии — доступность нескольких вариантов 2-, 3-, 4-, 5-, 6- и 8-битной квантизации для CPU- и GPU-инференса, что позволяет выбирать баланс между размером, скоростью и качеством. Ограничения включают специализацию на английском языке, возможное снижение качества из-за квантизации и отсутствие в предоставленных данных медицинских гарантий или подтверждения пригодности для клинических решений. Лицензия обозначена как other, без уточнения конкретных условий.

MediLlama-3.2 — медицинская диалоговая модель, разработанная InferenceLab на основе Meta Llama 3.2 3B Instruct и дообученная методом supervised fine-tuning на медицинских наборах данных. Она предназначена для ответов на вопросы о здоровье, первичной оценки симптомов и просветительских бесед на английском языке; модель также можно встроить в прототипы телемедицинских помощников, систем клинической документации и диагностических ассистентов после дополнительной настройки. Это плотный decoder-only Transformer семейства Llama с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель принимает текст и генерирует текст в формате диалога. Лицензия — Apache 2.0. Модель может выдавать неверные или устаревшие советы и отражать смещения обучающих данных; она не обучалась для педиатрии и узких медицинских специальностей. Её не следует использовать для постановки диагноза, выбора лечения или экстренных решений без проверки квалифицированным специалистом; карточка рекомендует применять её для исследований и прототипирования, а не для клинического внедрения без соблюдения регуляторных требований.

MedVLThinker-3B-RL_m23k — медицинская модель «зрение—язык» с 3,1 млрд параметров, разработанная на базе Qwen2.5-VL-3B-Instruct. Модель дообучена с помощью обучения с подкреплением на наборе Med23k и предназначена для диалогового анализа медицинских изображений и ответов на вопросы по ним. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Архитектура — плотная Qwen2.5-VL для условной генерации; заявленная длина контекста — 128 000 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Она может помогать с визуальными вопросами по медицинским изображениям, однако карточка не приводит результатов оценки, перечня поддерживаемых типов изображений или клинических ограничений. Её ответы не следует считать подтверждённым диагнозом или заменой профессиональной медицинской оценки.

ThorBaller/Minstral_pubmed_gguf — модель, опубликованная пользователем ThorBaller на Hugging Face. Это GGUF-модель на 7 млрд параметров с архитектурой llama и лицензией Apache-2.0. Модель предназначена для задач question answering; название указывает на ориентацию на вопросы по биомедицинским публикациям PubMed. Доступен вариант F16 размером около 14,5 ГБ. Карточка модели не содержит заполненного README, поэтому сведения о поддерживаемых языках, длине контекста, методе обучения и точности отсутствуют. Сильные стороны модели — специализированная направленность на вопросы по биомедицинской тематике, формат GGUF и возможность локального запуска при наличии подходящего оборудования. Ограничения включают отсутствие подтверждённых сведений о языках и контекстном окне, а также неполную документацию.

Xenova/musicgen-small — это веб-совместимая версия модели facebook/musicgen-small, подготовленная с весами в формате ONNX для работы с библиотекой Transformers.js. Модель предназначена для генерации музыки по текстовому описанию, например для создания треков с заданными жанром, инструментами, атмосферой, ритмом и темпом. В README не указаны точные сведения об архитектуре, размере модели, поддерживаемых языках и максимальной длине контекста. Известно, что модель использует текстовый ввод и генерирует аудио, а декодирование выполняется с использованием компонентов text encoder, decoder и EnCodec. Её сильная сторона — возможность запуска в веб-среде через Transformers.js, включая использование ONNX-весов и квантованных компонентов. Ограничения, качество генерации и продолжительность результата зависят от параметров запуска и среды выполнения. Модель распространяется по лицензии CC BY-NC 4.0, которая предусматривает некоммерческое использование с соблюдением условий лицензии. README не содержит дополнительных сведений об авторах или разработчиках исходной модели, кроме ссылки на facebook/musicgen-small; Xenova/musicgen-small является её адаптированной веб-совместимой версией.

theworker02 разработал Open Reason medium — компактную авторегрессионную языковую модель в стиле GPT-2, обученную с нуля на наборе данных theworker02/open-reason. Модель содержит около 13,9 млн параметров; её архитектура включает 6 слоёв, размерность скрытого состояния 384, 6 голов внимания и словарь из 8192 токенов. Контекст составляет 192 токена. Модель предназначена для генерации текста и экспериментов с небольшими причинно-языковыми моделями, в том числе на CPU. В карточке указан набор данных обучения, но не описаны конкретные сценарии рассуждений или качество на задачах. Доступны веса в формате Safetensors и загрузка через Transformers. Лицензия — Apache-2.0.

darjja/oxford-17-flowers-resnet18 — модель классификации изображений цветов на основе ResNet18, обученная методом transfer learning на наборе Oxford 17 Flowers. Разработчик — darjja. Модель принимает изображение размером 224×224 пикселя и относит его к одному из 17 видов цветов: среди них колокольчик, лютик, крокус, нарцисс, ромашка, ирис, подснежник, подсолнух и тюльпан. Модель предназначена для распознавания этих видов цветов на фотографиях. В основе лежит ResNet18, предварительно обученная на ImageNet; веса классификатора хранятся в формате PyTorch. Это специализированная модель с ограниченным набором из 17 классов, поэтому она не предназначена для распознавания других объектов или видов цветов вне заданного списка. Лицензия в предоставленных данных не указана.

Banaxi-Tech/pico-20 — промежуточный чекпойнт языковой модели BananaMind 2 Pico, разработанный Banaxi-Tech. Это плотная авторегрессионная модель для генерации текста с архитектурой BananaMind2PicoForCausalLM: в карточке указаны 6 слоёв и скрытый размер 96. Модель не проходила инструкционное дообучение. Чекпойнт отражает 20% запланированного обучения: README сообщает о 40,0 млрд обработанных токенов из 200 млрд. В метаданных указан контекст до 4096 токенов, а среди обучающих данных названы FineWeb-HQ и smollm-corpus; README также приводит FineWeb-HQ и Cosmopedia v2 в описании плана обучения. Предполагаемый сценарий — исследование и эксперименты с компактными языковыми моделями, а не готовый диалоговый ассистент. Для загрузки README требует Transformers и trust_remote_code=True. Лицензия в предоставленных данных не приведена.

Bakanayatsu/Pony-Diffusion-V6-XL-for-Anime — версия Pony Diffusion V6 XL, опубликованная Bakanayatsu в формате Diffusers. Она предназначена для генерации изображений по текстовым описаниям, в частности изображений в аниме-стиле. Карточка Hugging Face указывает архитектуру StableDiffusionXLPipeline, формат safetensors и размер около 3 млрд параметров; модель загружается через Diffusers. Модель принимает текстовый prompt и выдаёт изображение. Карточка описывает репозиторий как версию оригинальной Pony Diffusion for Anime в формате Diffusers. Лицензия в доступных метаданных и карточке не установлена.

Naznut/Pony_LORAs — адаптер LoRA для генерации изображений на основе текстовых описаний. Модель разработана пользователем Naznut и обучена с использованием Replicate на базе black-forest-labs/FLUX.1-dev. Для активации характерного эффекта при генерации необходимо использовать триггерное слово «owhx». Адаптер предназначен для подключения к FLUX.1-dev через библиотеку Diffusers и может применяться в сценариях text-to-image. Технически это LoRA-адаптер для архитектуры FLUX.1-dev; README не указывает его размер, точную архитектуру базовой модели, поддерживаемые языки сверх метаданных с указанием английского, размер контекста или дополнительные модальности. Для работы требуется базовая модель FLUX.1-dev и совместимый pipeline text-to-image. Лицензия — flux-1-dev-non-commercial-license, то есть использование ограничено условиями некоммерческой лицензии FLUX.1-dev.

Pygmalion-2-13b-SuperCOT — модель генерации текста на основе архитектуры LLaMA, объединяющая Pygmalion 2 13B с LoRA SuperCOT от Ausboss. Разработчики объединили веса с помощью EzTrainer и zaraki-tools; цель — улучшить связность ответов Pygmalion-2 и уменьшить отклонения от заданной темы. Модель содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для текстовых ролевых сценариев и интерактивных приключений, в которых она описывает ситуацию и предлагает варианты продолжения. Она генерирует текст на английском языке; для работы доступны веса PyTorch и Safetensors, а также упомянуты варианты квантования GGUF и GPTQ. Лицензия — Llama 2. Модель может наследовать предвзятости базовой модели и нишевых ролевых интернет-сообществ. README не рекомендует использовать её для предоставления фактической информации или советов.

QuarkML разработала QaDiT-160 — исследовательскую модель преобразования текстовых описаний в короткие аудиозаписи. Это латентный Diffusion Transformer примерно на 159 млн параметров: FLAN-T5 формирует текстовое conditioning, DiT-B из 12 слоёв выполняет диффузионное восстановление латентов, а VAE и HiFi-GAN декодируют их в звук. Модель выдаёт монофоническое аудио длительностью 10,24 секунды с частотой 16 кГц. Чекпойнт обучен на 45 178 клипах AudioCaps с описаниями окружающих и бытовых звуков. Он подходит для учебных демонстраций генерации звуковых эффектов, воспроизведения небольшого латентного DiT-конвейера и дальнейших экспериментов или дообучения. Для генерации используются 50 шагов DDIM по умолчанию; модель работает на CPU и CUDA. Лицензия — Apache-2.0. Это исследовательский артефакт, а не готовая производственная модель. Чекпойнт обучен ограниченное число шагов и слабо справляется с речью, музыкой и сценами с насыщенным описанием; речь и музыка находятся вне распределения обучающих данных. При малом числе шагов генерации звук может быть грубым.

Quino — модель text-to-image, созданная пользователем machinelearnear с помощью DreamBooth на базе Stable Diffusion v1.5. Она обучена воспроизводить концепт artequino по текстовому запросу и предназначена для генерации изображений через Diffusers с использованием соответствующих концептуальных подсказок. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.