IV.5Образование и развитие навыков

AbDhumal выпустил дообученную модель Orpheus-3B Turkish TTS v2 для синтеза турецкой речи. Это плотная причинная языковая модель на архитектуре Llama с 3,3 млрд параметров, дообученная с помощью LoRA на 20 000 турецких аудиозаписей с расшифровками. Модель преобразует текст и управляющие токены в последовательность аудиотокенов SNAC, из которых декодируется речь с частотой 24 кГц. Модель предназначена прежде всего для турецких объявлений в стиле авиакомпаний; её также можно применять для озвучивания коротких фраз, инструкций и сообщений на турецком языке. В описанном тесте дообученная версия показала более низкие WER и CER, чем англоязычная базовая модель на турецких фразах, при близком времени генерации. Репозиторий содержит полные веса после слияния адаптера, а не только LoRA-адаптер. Лицензия — Apache-2.0.

ouatlm — небольшая языковая модель разработчика ybc-lw на архитектуре GPT-2, предназначенная для продолжения фразы «once upon a time» и генерации сказочного текста. Она поддерживает текстовую генерацию и описана как чат-модель; размер не указан. Нативная длина контекста составляет 32 токена, модель работает через Transformers и представлена в формате safetensors. Модель подходит для коротких творческих продолжений и экспериментов с генерацией сказок. Выпущена под лицензией MIT. README рекомендует для более удобного использования репозиторий ybc-lw/ouatlm-GGUF.

Perso-SLM — небольшая языковая модель Finisha-LLM для генерации оригинальных персонажей и их описаний. Она предназначена для ролевых сценариев и создания мира: помогает придумывать имена, необычные профессии, черты и биографические детали для персонажей и NPC. Модель основана на архитектуре GPT-2, содержит около 110 млн параметров и принимает текст, генерируя текст. Карточка указывает французский язык и контекст длиной 900 токенов. В описании отмечены образный, фрагментарный стиль, тематические повторы и склонность к поэтическим мотивам природы и мира. Репозиторий распространяется в формате Safetensors по лицензии LRUNDL.

WasamiKirua/phi2-haiku-ita-v0.1 — разговорная модель генерации текста на базе архитектуры Phi с 3,5 млрд параметров. Она дообучена для создания итальянских хайку и работает с контекстом до 2048 токенов. В карточке приведён формат диалога с ролями system, user и assistant и пример назначения модели для генерации хайку. Модель подходит для создания коротких стихотворений на итальянском языке в диалоговом интерфейсе. Распространяется под лицензией Apache-2.0.

Phi2 Haiku Writer in Italian language v0.2 — модель для генерации хайку на итальянском языке, разработанная WasamiKirua. Она предназначена для создания коротких стихотворений по текстовой подсказке; карточка демонстрирует подсказку с описательной сценой, а также упоминает улучшенную и расширенную версию датасета и conversational-возможности. Модель построена на плотной авторегрессионной архитектуре PhiForCausalLM и содержит 3,5 млрд параметров. Принимает текст и генерирует текст; максимальная длина контекста — 2048 токенов. Опубликована в формате safetensors, лицензия — MIT. В карточке указано, что версия DPO планировалась отдельно.

shikunpunk разработала чат-модель на базе Qwen2.5-3B-Instruct, дообученную методом QLoRA 4-bit на 878 стихотворениях Ли Бо из издания Ван Ци. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает текст и генерирует текст; карточка указывает китайский язык и интерфейс чата. Модель предназначена для генерации стихов на китайском языке в стиле Ли Бо, включая классические формы: гуши, юэфу, люйши, цзюэцзюй и цы. В описанных автором опытах она также создавала современные стихи с традиционными образами, но классическая поэзия получалась заметно лучше. На знакомые произведения модель может отвечать воспроизведением исходного стихотворения вместо нового текста. Автор сообщает, что при проверке генерации на разных температурах английские фрагменты не появлялись; для генерации рекомендована температура 0,8–1,2. Это результат внутренних экспериментов, а не гарантия для любых запросов. Лицензия репозитория указана как other; автор разрешает академическое использование, а для весов базовой модели требует соблюдать лицензию Qwen2.5.

HYU-NLP-EVAL — плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это ранний чекпойнт первого шага серии RaR-Medicine OnlineRubrics-Every; он предназначен для инференса и содержит веса в формате BF16. Карточка связывает модель с медицинским набором OnlineRubrics, поэтому она может быть полезна для экспериментов с генерацией ответов и оцениванием в медицинских сценариях. Модель принимает текст и генерирует текст; метаданные указывают диалоговый режим и контекст до 262 144 токенов. В README заявлено только исследовательское использование. Лицензия Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт относится к эксперименту RaR-Medicine OnlineRubrics-Every, запуск phase1-online-rubrics-medicine-full-dense-20260919-seed11; README указывает, что корневой каталог содержит модель BF16 для инференса, а original_checkpoint — файлы параметров veRL. Модель предназначена для генерации текста в медицинском сценарии; карточка связывает её с online rubrics, но не описывает точные задачи, качество или протоколы применения. Архитектура Qwen3ForCausalLM поддерживает чат, контекст — до 262 144 токенов. Лицензия — Apache-2.0. Языки в метаданных не указаны, поэтому конкретные языковые возможности не заявляются.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт соответствует шагу 18 эксперимента RaR-Medicine OnlineRubrics-Every и предназначен для генерации текста в медицинском экспериментальном сценарии с онлайн-рубриками. Модель принимает текст и генерирует текст; архитектура — Qwen3ForCausalLM, формат весов — BF16. Метаданные указывают контекст до 262 144 токенов и поддержку диалогового режима. Данных о поддерживаемых естественных языках нет. Модель доступна по лицензии Apache-2.0.

Это плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная HYU-NLP-EVAL на базе Qwen/Qwen3-4B-Instruct-2507. Чекпойнт RaR-Medicine OnlineRubrics-Every, шаг 26, получен в запуске phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория находятся веса BF16 для инференса, а в original_checkpoint — файлы исходного чекпойнта veRL с параметрами модели. Модель предназначена для генерации текста в диалоговом режиме. Название чекпойнта указывает на медицинский сценарий с online rubrics, однако README не описывает конкретные задачи, качество или проверенные сценарии применения. Контекст модели — до 262 144 токенов. Использовать можно на условиях Apache-2.0; авторы обозначают чекпойнт как предназначенный только для исследований.

Это плотный чекпойнт Qwen3-4B, дообученный HYU-NLP-EVAL на медицинском наборе OnlineRubrics. Он предназначен для генерации текста в медицинских сценариях; карточка обозначает его как промежуточный чекпойнт на шаге 35 обучения. Модель основана на Qwen/Qwen3-4B-Instruct-2507, содержит 3,7 млрд параметров и принимает текстовый ввод, формируя текстовый ответ. Для инференса предоставлены веса BF16 в формате safetensors; заявленное контекстное окно — 262 144 токена. Модель может использоваться для исследовательских экспериментов с генерацией и оцениванием ответов по медицинским рубрикам. README ограничивает использование исследованиями. Лицензия Apache-2.0 указана в метаданных; качество и клиническая надёжность ответов в карточке не подтверждены.

HYU-NLP-EVAL разработала плотный чекпойнт Qwen3-4B-RaR-Medicine-OnlineRubrics-Every для генерации текста. Это шаг 49 запуска обучения phase1-online-rubrics-medicine-full-dense-20260919-seed11; в корне репозитория размещена модель BF16 для инференса, а в original_checkpoint — исходные параметры veRL. Модель дообучена на основе Qwen/Qwen3-4B-Instruct-2507 и предназначена для медицинского сценария, связанного с OnlineRubrics. Чекпойнт содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 262 144 токенов. Метаданные указывают на диалоговую возможность и задачу text-generation. Репозиторий распространяется по лицензии Apache-2.0; README отмечает исследовательское использование.

Это промежуточный исследовательский чекпойнт Qwen3-4B-Instruct-2507, опубликованный HYU-NLP-EVAL для эксперимента по GRPO с фиксированной рубрикой на медицинских запросах RaR-Medicine. Чекпойнт сохранён после 0 обновлений оптимизатора из запланированных 48, поэтому обучение в описанном запуске ещё не изменило политику. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов; доступна как BF16-экспорт Transformers и в safetensors. Модель генерирует текст и подходит для изучения начального состояния эксперимента или сравнения с последующими чекпойнтами. В запуске использовались 1 500 медицинских запросов и seed 11; режим рассуждений был отключён. Это не клиническая модель: авторы не заявляют о специальных медицинских возможностях или безопасности. Опубликованы веса и конфигурация, но состояние оптимизатора, тренера и загрузчика данных отсутствует, поэтому полный запуск нельзя возобновить только по этому репозиторию. Лицензия — Apache-2.0.

yyuan244 выпустил дообученную за одну эпоху версию Qwen3-8B для спекулятивного рассуждения. Модель генерирует продолжение решения и может передать отдельный фрагмент на параллельную проверку: если результат проверки совпадает с предположением, рассуждение продолжается, а при несовпадении модель получает фактический результат и возобновляет решение. Для такого режима рантайм должен распознавать специальные токены передачи управления и останова. Это плотная причинная языковая модель семейства Qwen3 с 7,6 млрд параметров, форматом safetensors и контекстом до 40 960 токенов. Карточка демонстрирует её на математических задачах: в описанной оценке MathEval итоговая точность составила 66,97% против 68,78% у базовой Qwen3-8B. В этом эксперименте критический путь занял на 2,3% больше токенов, чем последовательное решение базовой моделью, поэтому выигрыш во времени не подтверждён. Модель предназначена для экспериментов с параллельной проверкой промежуточных шагов в математических рассуждениях; это не готовый механизм ускорения без совместимого рантайма. Для вывода требуется отключить пропуск специальных токенов и настроить токен останова согласно README. Модель дообучена на наборе polaris-easy2k-qwen3-8b-speculative-sft и распространяется по лицензии Apache-2.0.

Карточка модели MinhNhut3005/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

Qwen-Image-Edit-2511-Multiple-Angles-LoRA — адаптер LoRA, разработанный fal.ai для базовой модели Qwen/Qwen-Image-Edit-2511. Это модель редактирования изображений в формате image-to-image, предназначенная для управления ракурсом камеры и генерации изображений объекта с заданной точки обзора. Она подходит для создания вариантов визуализации, мног ракурсных изображений и анимаций камеры, а также для сценариев, где требуется более точный контроль пространственной композиции. Адаптер обучен на более чем 3000 парах данных, полученных с использованием Gaussian Splatting, и поддерживает 96 позиций камеры: 8 азимутов, 4 угла возвышения и 3 дистанции. Доступны фронтальные, боковые и задние ракурсы, включая промежуточные углы, съёмку снизу при −30°, уровень глаз, повышенный и верхний ракурсы, а также планы от крупного до общего. Управление задаётся специальным форматом промпта с токеном <sks> и текстовыми обозначениями азимута, высоты и дистанции. Сильные стороны модели — детализированный контроль положения камеры, пространственная согласованность данных Gaussian Splatting и поддержка низких ракурсов. Размер модели, максимальная длина контекста, полный набор поддерживаемых языков и конкретные ограничения качества в README не указаны. Модель распространяется по лицензии Apache-2.0.

RobertZ2011/resnet-18-birb — дообученная модель ResNet-18 для классификации изображений птиц. Она создана на основе microsoft/resnet-18, предварительно обученной на ImageNet-1k, и дообучена на наборе данных Caltech-UCSD Birds-200-2011. Модель принимает изображения и предсказывает класс птицы из набора данных. Её можно использовать для распознавания видов птиц на фотографиях и в учебных проектах по классификации изображений. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

shanchen-llama3-8B-slerp-biomed-chat-chinese-GGUF — это набор GGUF-квантизаций базовой модели shanchen/llama3-8B-slerp-biomed-chat-chinese, подготовленный Featherless AI Quants. Модель предназначена для генерации текста и диалоговых сценариев, в первую очередь связанных с биомедицинской тематикой и китайским языком. Формат GGUF подходит для локального запуска в совместимых инструментах, однако конкретные поддерживаемые среды в README не указаны. В основе лежит модель семейства Llama 3 с заявленным размером 8B; также указано, что это результат slerp-объединения моделей. Модель текстовая, но сведения о точном контекстном окне, языках помимо китайского, данных обучения и результатах оценки отсутствуют. Доступны варианты квантизации Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS размером примерно от 3 до 8 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Основные преимущества — специализированная биомедицинская направленность, диалоговый формат и широкий выбор уровней квантизации. Ограничения включают отсутствие в README подробных сведений о качестве, безопасности медицинских ответов, контексте и рекомендуемых параметрах использования; поэтому результаты не следует считать профессиональной медицинской консультацией без дополнительной проверки. Лицензия в README не указана.

Карточка модели SYNAPSEai1/SynapseMusicV12 на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели SYNAPSEai1/Synapse-MusicV13 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-Music3, поэтому описание составлено по ней. MiniMax Music 3 — модель генерации песен от MiniMaxAI. Она принимает текст песни и описание музыки, чтобы создавать цельные композиции продолжительностью до пяти минут с вокалом, развивающейся аранжировкой и структурой из куплетов, припевов, переходов и других секций. Текстовые метки секций и подробное описание стиля позволяют задавать жанр, темп, тональность, вокальную подачу, инструменты и развитие звучания. Архитектура сочетает 8B Global LLM для долгосрочной структуры, 0.6B Local LLM для акустических деталей и модуль синтеза на основе Flow Matching и Flow-VAE. Global LLM инициализирована из Qwen3-8B. Модель выдаёт стереозвук WAV с частотой 32 кГц и разрядностью 16 бит. Модель подходит для создания песенных демо, музыкальных эскизов и композиций по заданным словам и стилю. Описание и секционные метки дают генеративный контроль, но не гарантируют точного соблюдения текста, темпа, тональности, инструментов или структуры. Генерация требует CUDA, поддерживается только в не потоковом режиме; длина текстового запроса ограничена 5 000 токенами, а генерация — 9 000 акустическими кадрами. Лицензия в предоставленных данных не указана.

Это компактная авторская языковая модель на архитектуре LLaMA, обученная для генерации коротких историй на китайском языке. Разработчик использовал код и инструменты llama2.c и датасет TinyStoriesZh; модель содержит 93,3 млн параметров, имеет 12 слоёв и контекст длиной 768 токенов. Для неё заново обучен BPE-токенизатор на корпусе из 3000 китайских символов. Модель предназначена для экспериментов с обучением и устройством LLaMA, быстрой отладки приложений и генерации простых связных историй, в том числе в средах с ограниченными ресурсами. В карточке отмечены базовая логическая связность рассказов и три эпохи обучения; это небольшой чекпойнт с ограниченными возможностями, не рассчитанный на сложные задачи. Распространяется по лицензии Apache-2.0.

Карточка модели cavargas10/TRELLIS на Hugging Face совпадает с карточкой microsoft/TRELLIS-image-large, поэтому описание составлено по ней. TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

Карточка модели athena2634/TRELLIS.2-4B на Hugging Face совпадает с карточкой camenduru/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang, Xiaoxue Chen и их соавторами. Она принимает одно изображение и создаёт 3D-модель с геометрией и PBR-материалами, включая прозрачность и полупрозрачность. Модель построена на трансформере с flow matching и разреженном 3D VAE, использующем структуру O-Voxel; размер модели — 4 млрд параметров. Она поддерживает сложную топологию, в том числе открытые поверхности и неманифолдные сетки, а заявленное разрешение генерации достигает 1536³. Для запуска требуется Linux и NVIDIA GPU с как минимум 24 ГБ памяти; README подтверждает проверку на A100 и H100. Сгенерированные сетки иногда содержат небольшие отверстия и топологические разрывы, поэтому для задач вроде 3D-печати может понадобиться постобработка. Модель не дообучена для заданных эстетических предпочтений. Лицензия — MIT.

Карточка модели asper22/TripoSR на Hugging Face совпадает с карточкой stabilityai/TripoSR, поэтому описание составлено по ней. TripoSR — быстрая модель генерации и реконструкции 3D, разработанная совместно Stability AI и Tripo AI. Она по одному изображению строит трёхмерное представление объекта в прямом проходе, без итерационного процесса генерации. Архитектура следует подходу LRM и включает улучшения в подготовке данных, модели и обучении. Модель предназначена для быстрого получения 3D-объектов из изображений, например для прототипирования и создания исходных ассетов. Обучение проводилось на отобранных рендерах из Objaverse с методом рендеринга, рассчитанным на лучшее соответствие реальным изображениям. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество реконструкции зависит от входного изображения, а описание не обещает готовность результата к игровому или производственному использованию. Разработчики рекомендуют более новую модель SF3D для получения более быстрых и готовых к играм ассетов. Модель не следует использовать для создания оскорбительных или тревожащих 3D-объектов либо контента, распространяющего стереотипы.

TuneLM — дообученная модель на основе мультимодальной Gemma 4 E4B Instruct от Google DeepMind. Её обучали методом supervised fine-tuning генерировать музыку в нотации Strudel; в карточке указаны шаг обучения 440 и финальный чекпойнт. Модель предназначена для генерации текстовых музыкальных паттернов в Strudel. Веса сохранены в формате safetensors, для работы используется Transformers. Лицензия — Apache 2.0; README также отсылает к лицензии и уведомлению об изменениях базовой модели.

Veiled Calla — модель на базе Google Gemma 3 12B IT, дообученная автором soob3123 для ролевого общения и художественного письма. Она предназначена для создания атмосферных историй с загадочными сюжетами, тонкими эмоциональными оттенками и последовательными персонажами. Модель принимает текстовые сообщения и генерирует текстовые ответы. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор отмечает, что ответы могут становиться чрезмерно загадочными; модель особенно подходит для камерных, атмосферных и интроспективных ролевых сценариев.

Модель chandra1976/vit-finetuned-chessman — дообученный Vision Transformer ViT-Base для классификации изображений шахматных фигур. Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. В README указаны результаты на тестовой выборке: accuracy 0,9818 и loss 0,0779; состав классов и подробности оценки не приведены. Модель принимает изображения и выдаёт метки классов. Она подходит для распознавания шахматных фигур на изображениях, если они соответствуют данным обучения. Использование ограничено задачей классификации, описанной в карточке; устойчивость к другим ракурсам, фонам и условиям съёмки не подтверждена. Распространяется по лицензии Apache-2.0.

Карточка модели Mike123491200/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Карточка модели wmghf2023/ACE-Step-1.5-checkpoints-mirror на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели amandabenson/Ace-Step1.5-fork на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.