IV.5Образование и развитие навыков

LTX-2.3-22b-IC-LoRA-In-Outpainting — адаптер IC-LoRA, разработанный Lightricks и обученный поверх базовой видеомодели LTX-2.3-22B. Модель предназначена для video-to-video обработки с использованием исходного видео и бинарной маски: она сохраняет немаскированные области и генерирует содержимое в выбранной области. Основные сценарии применения — inpainting, то есть удаление или замена объектов, людей, фона, лиц и элементов одежды внутри кадра, а также outpainting — расширение видеокадра по горизонтали или вертикали с правдоподобным продолжением сцены. Для обработки используется двухэтапный конвейер: сначала выполняется грубая генерация в маскированной области, затем уточняется граница с последующим смешиванием исходного и сгенерированного содержимого. Модель может работать без промпта или с кратким описанием только генерируемой области; исходный README указывает английский язык. Ключевое ограничение — высокая зависимость качества результата от маски. Для inpainting рекомендуется включать в неё тени, отражения, контактные области и другие причинно связанные элементы; для outpainting маска задаёт новую область холста. Выпущен один файл весов формата SafeTensors, который требует базовую модель LTX-2.3-22B и может использоваться, в частности, через ComfyUI. Модель распространяется по лицензии LTX-2-community-license; полные условия приведены в лицензии Lightricks.

MedGemma 4B IT — разработанная Google мультимодальная медицинская модель на базе Gemma 3, настроенная следовать инструкциям. Она предназначена для разработчиков медицинских и биомедицинских приложений как основа для дальнейшей адаптации и проверки. Модель принимает текст и медицинские изображения и формирует текстовые ответы, например, отвечает на вопросы по снимку или на медицинские вопросы. В мультимодальной версии используется кодировщик изображений SigLIP; обучение охватывало рентгенограммы грудной клетки, изображения кожи, глазного дна и гистопатологические слайды, а также медицинские тексты и пары вопрос–ответ. Модель относится к семейству Gemma 3 и использует архитектуру decoder-only Transformer. Она ориентирована на сценарии, где медицинское изображение или текст сопровождается генерацией ответа. Карточка указывает лицензию `other`; конкретные условия следует сверять с лицензией и правилами использования репозитория. Результаты требуют независимой проверки и клинической корреляции: модель не предназначена для самостоятельной постановки диагноза, выбора лечения или иных решений клинической практики. Её мультимодальность преимущественно оценивалась на задачах с одним изображением; работа с несколькими изображениями и многоходовые сценарии не оценены.

JosephNguyen/meditron-7b-finetuned — англоязычная медицинская языковая модель, дообученная JosephNguyen на базе epfl-llm/meditron-7b. Она предназначена для генерации текста в медицинских сценариях, в том числе для ответов на вопросы. Модель построена на плотной архитектуре Llama, содержит 6,6 млрд параметров и принимает текст; заявленная длина контекста — 3072 токена. При дообучении использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных результатов обучения, поэтому пригодность ответов для клинических решений по этим данным оценить нельзя.

MedVLThinker-7B-RL_m23k — медицинская мультимодальная модель с 7,1 млрд параметров, разработанная на основе Qwen2.5-VL-7B-Instruct. Она принимает изображения и текст и формирует текстовые ответы в диалоге, в том числе для визуальных вопросов по медицинским материалам. Модель дообучена методом обучения с подкреплением на наборе Med23k. Архитектура — плотная Qwen2.5-VL; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для экспериментального анализа медицинских изображений и ответов на вопросы по ним. README не приводит количественных оценок качества или клинической валидации; ответы не следует считать медицинским диагнозом.

Driw0x дообучил DistilGPT2 на задачу причинного языкового моделирования и генерации текста в рамках практического упражнения по курсу Hugging Face LLM. Модель использует архитектуру GPT-2 и веса в формате safetensors; базовая модель — distilbert/distilgpt2. Контекст модели составляет 1024 токена, а при обучении тексты разбивались на блоки по 128 токенов. Модель предназначена для учебных экспериментов с дообучением компактной языковой модели, генерацией текста и оценкой perplexity. Обучение использовало первые 5000 примеров набора dany0407/eli5_category, причём в качестве обучающего текста брались ответы без явного связывания с вопросами. Модель не является универсальным ассистентом: генерации могут быть повторяющимися, неточными или бессмысленными, а perplexity не оценивает фактическую достоверность. Лицензия — Apache-2.0.

PersonaMini-1-small — компактная GPT-2-совместимая языковая модель BytesTalk с 28,8 млн параметров, обученная с нуля. Модель предназначена для короткого ролевого общения и чата на английском языке: она поддерживает заданный образ персонажа, отвечает по существу, может проявлять эмпатию и вспоминать сведения из короткого контекста. Использует архитектуру GPT2LMHeadModel; максимальный контекст — 256 токенов. Модель прошла предварительное обучение, поэтапное обучение с учителем и два раунда улучшения ответов методом дистилляции на уровне текстовых примеров. Более крупная языковая модель применялась при подготовке данных, но не входит в поставку и не используется при генерации. Выпускается под лицензией MIT. Из-за малого размера модели слабо доступны фактические знания; на редкие темы она может угадывать, иногда отвечать несвязно или придумывать детали. Отслеживание ролей собеседников может быть нестабильным. Модель рассчитана на короткие ролевые диалоги, а не на фактические ответы, математику, программирование или длинные документы; она может генерировать материалы для взрослых и предназначена только для совершеннолетних.

Camenduru/plushies — модель генерации изображений по текстовому описанию в формате Diffusers/Flax. Она обучена на Google Cloud TPU; карточка указывает 18 000 шагов обучения, точность bf16 и скорость обучения 1e-6. Репозиторий также отмечен как Stable Diffusion и содержит веса safetensors. Модель предназначена для создания изображений плюшевых игрушек по текстовым запросам. Лицензия — OpenRAIL.

Pygmalion-2-13b-SuperCOT2 — объединённая модель на базе Pygmalion 2 13B с LoRA Ausboss Llama2 SuperCOT2, слитой с весом 1. Её подготовили для повышения возможностей Pygmalion в текстовой генерации, в частности в интерактивных текстовых приключениях и ролевых сценариях; карточка приводит формат запуска игры с описанием сцены и тремя вариантами действий на каждом ходу. Модель имеет плотную архитектуру Llama, около 12,9 млрд параметров, принимает текст и генерирует текст. Карточка и метаданные указывают английский язык и контекст 4096 токенов. Модель не предназначена для предоставления фактической информации или советов и может воспроизводить предубеждения, характерные для ролевых форумов, а также унаследованные от базовой модели. Доступна по лицензии Llama 2.

Rukh Medium DPO — это созданный с нуля автором проекта chorcat декодер GPT для игры в шахматы. Модель предсказывает следующий ход по последовательности ходов в формате UCI и двум начальным токенам с рейтингами игроков. Она насчитывает около 152,6 млн параметров, использует фиксированный словарь из 2030 токенов и контекст до 200 ходов. Доступны веса Safetensors и варианты ONNX, включая FP16 и INT8. Модель предназначена для ходов в шахматной партии и игры с человеком в браузерном демо. В оценке проекта точность предсказания следующего хода составила 52,3%, а доля легальных ходов без маски — 99,2%; Elo 1632 является оценкой по ограниченному набору партий, а не официальным рейтингом. Модель обучена на партиях игроков Lichess с рейтингом 1800 и выше и воспроизводит их стиль игры. Это языковая модель последовательностей ходов, а не шахматный движок: у неё нет поиска по вариантам и собственной функции оценки позиции. Для исключения нелегальных ходов приложению нужна маска допустимых ходов. Лицензия — Apache-2.0.

Sarv-Hybrid — модель семейства Sarv от artindnr для генерации персидской поэзии. Она дообучена методом LoRA на artindnr/strawberry-1 и выпущена со слитыми с базовыми весами адаптерами. Архитектура — GPT-OSS с mixture-of-experts; в репозитории указаны веса Safetensors, 1,6 млрд параметров и контекст до 131 072 токенов. Модель поддерживает диалоговый режим и рассчитана на персидский язык. Sarv-Hybrid выбирает в зависимости от запроса, использовать ли перед стихотворением канал рассуждений: это может помочь при заданных метре, рифме, радифе или эмоциональной структуре, а для простых тем позволяет отвечать короче. Модель подходит для генерации персидских стихов и экспериментов с автоматическим выбором глубины рассуждений. Решение о рассуждении не гарантировано: модель может рассуждать на простом запросе или пропустить этот шаг на сложном. Лицензия — Apache-2.0.

Sarv-Non-Reasoning — модель генерации персидской поэзии, разработанная artindnr на основе ChatBerry-1.1. Она дообучена на данных стихотворной генерации и предназначена для прямого создания стихов без вывода цепочки рассуждений: в ответе появляется само стихотворение, без пояснений, если пользователь их не запросил. Модель принимает текстовые запросы на персидском языке и генерирует классическую поэзию, включая газели и рубаи, а также стихи свободной формы. Она основана на архитектуре GPT-OSS с Mixture-of-Experts, содержит 1,6 млрд параметров и поддерживает контекст длиной до 131072 токенов. LoRA-дообучение слито с базовыми весами; модель распространяется в формате safetensors. Модель подходит для творческих помощников, чат-ботов и сервисов быстрого создания стихов по теме или запросу. Она не предназначена для анализа стихов или сценариев, где требуется видимая цепочка рассуждений; соблюдение классического персидского размера аруз не гарантируется. Лицензия — Apache-2.0.

SaeedAngiz1/shahnameh-smollm2-360m — дообученная авторами репозитория модель HuggingFaceTB/SmolLM2-360M для генерации стихов в стиле «Шахнаме». Это плотная авторегрессионная модель семейства Llama с 361,8 млн параметров и контекстом 8192 токена; она принимает текст и генерирует текст. Веса содержат настройки генерации с повышенным штрафом за повторы, чтобы снизить риск зацикливания при стандартном вызове генерации. Модель рассчитана прежде всего на английский язык; персидский и немецкий работают хуже. Модель подходит для создания новых стихотворных фрагментов в стиле «Шахнаме» и творческих экспериментов с эпическим повествованием. Обучение проведено на небольшом наборе из 270 примеров, поэтому модель передаёт стиль, но не обеспечивает достоверность сведений о персонажах и родственных связях. Персидская грамматика, классический регистр и стихотворный размер не проверены носителем языка; качество генерации может различаться между запусками. Лицензия — Apache-2.0.

Shap-E — генеративная модель OpenAI для создания 3D-объектов по текстовому запросу. Она использует условную диффузию и генерирует параметры неявной функции, которую можно визуализировать как текстурированную сетку или neural radiance field (NeRF). Модель выпущена в рамках исследования «Shap-E: Generating Conditional 3D Implicit Functions»; эта карточка размещена на Hugging Face отдельно от карточки авторов. Модель предназначена для быстрого создания разнообразных 3D-ассетов по описанию, например объектов для прототипирования и визуализации. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. По сравнению с Point-E авторы сообщают о более быстрой сходимости и сопоставимом или лучшем качестве примеров, хотя это утверждение относится к исследованию. Лицензия — MIT. Карточка отсылает к оригинальной модельной карточке за сведениями об известных ограничениях и смещениях, поэтому конкретные ограничения здесь не описаны.

slimGPT — авторегрессионная языковая модель с 124 млн параметров, созданная Samuel Jayasingh с нуля на PyTorch. Она построена по архитектуре GPT-2 Small: декодерный Transformer из 12 блоков с причинным self-attention, 12 головами и контекстом до 1024 токенов. Модель принимает текст и генерирует продолжение слева направо; её предназначение — изучение устройства GPT-подобных моделей, эксперименты и лёгкое прототипирование генерации текста. Модель обучалась на английских текстах в течение 5000 итераций и предназначена для продолжения текста, а не для диалогов или следования инструкциям. Она может выдавать несвязный, предвзятый или не относящийся к теме текст и уступает полноценно обученной GPT-2 Small; автор не рекомендует её для производственных и критически важных задач или применений, требующих фактической точности и актуальных сведений. Веса опубликованы в формате safetensors по лицензии MIT.

Это мобильная ONNX-версия Stable Audio Open Small — модели генерации аудио по текстовому описанию, разработанной Stability AI и Arm и адаптированной для приложения Neural Beats. Модель содержит 341 млн параметров и состоит из текстового кодировщика T5, диффузионного трансформера DiT и декодера аудиокодека Oobleck. Компоненты запускаются последовательно и формируют стереоаудио длительностью около 10 секунд с частотой 44,1 кГц. Репозиторий предназначен для локального синтеза звуковых сцен и фонового аудио на iOS и Android через ONNX Runtime Mobile. Веса хранятся в формате INT8, а вычисления выполняются в float32; по данным карточки, такая квантизация уменьшает размер загрузки примерно до 0,5 ГБ и вносит небольшие отличия в звучание относительно версии с весами FP16. Лицензия указана как other, поэтому условия использования следует уточнить по файлам лицензии репозитория.

Карточка модели SYNAPSEai1/SynapseMusicV12-XL-Base на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-base, поэтому описание составлено по ней. ACE-Step 1.5 XL Base — базовая модель генерации музыки на основе декодера DiT с примерно 4 млрд параметров. Разработана проектом ACE-Step и служит основой для задач генерации музыки по текстовому описанию, создания каверов, перерисовки фрагментов, извлечения, сборки композиций из частей и дополнения аудио. Версия XL рассчитана на более высокое качество звука по сравнению с вариантами на 2 млрд параметров; модель использует 32 слоя, скрытый размер 2560 и 32 головы внимания. Модель предназначена для создания и редактирования музыкальных композиций. Для работы требуется значительный объём видеопамяти: от 12 ГБ с выгрузкой на CPU и INT8-квантизацией, от 16 ГБ с выгрузкой на CPU или от 20 ГБ без неё. README сообщает, что обучение использовало лицензированную, свободную от роялти или общественным достоянием музыку, а также синтетические данные, и заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT.

Talosian-7B — языковая модель для управляемого написания историй по разделам. Её автор дообучил Mistral-7B v0.2 на наборе длинных фанфик-историй; модель использует архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации художественного текста по заданной теме и тегам с пошаговым управлением содержанием: специальные маркеры [SEC] и [/SEC] задают описание следующего раздела, а маркер [END] помогает завершить историю. Карточка демонстрирует сценарии с романтической и научно-фантастической тематикой. Для загрузки автор рекомендует установить rope_frequency_base/rope_theta в значение 1000000. Talosian рассчитана на англоязычные истории и использует формат запросов с маркерами разделов. Поскольку обучение проводилось на фанфиках, стиль и содержание могут зависеть от жанровых шаблонов этого корпуса; качество на других задачах не заявлено. Лицензия в предоставленных данных не указана.

ThinkSound — модель генерации звуковых эффектов по текстовому описанию, разработанная командой FunAudioLLM. Данная версия содержит веса в формате GGUF и предназначена для запуска в standalone-среде thinksound.cpp на базе C++/GGML, включая ускорение через CUDA и Vulkan, а также для использования в Lemonade как медиа-бэкенд GGML. В состав входят компоненты DiT и T5, представленные в вариантах bf16 и q8, а также metaclip-text-f32, VAE и токенизаторы CLIP и T5. Вариант bf16 обозначен как рекомендуемый, а q8 — как наиболее компактный. README не содержит сведений о размере модели, максимальной длине контекста, поддерживаемых языках, длительности генерируемого аудио или точных аппаратных требованиях. Сильной стороной модели является возможность локального запуска и интеграции с C++/GGML-инструментами, включая графические ускорители CUDA и Vulkan. Ограничения связаны с тем, что README не описывает качество генерации, набор поддерживаемых сценариев, языковые возможности и ограничения применения. Лицензия указана как other; условия использования необходимо уточнять в лицензии исходной модели FunAudioLLM/ThinkSound.

haykgrigorian/TimeCapsuleLLM-London-1800-1875-v2mini-eval1-300M — экспериментальная авторегрессионная языковая модель на архитектуре LlamaForCausalLM, обученная с нуля на текстах Лондона 1800–1875 годов. Она создана для оценки датасета TimeCapsuleLLM и генерации продолжений текста в историческом контексте. В метаданных указаны 264,8 млн параметров, библиотека Transformers, формат safetensors и контекст до 1024 токенов; в README размер указан как около 318 млн параметров. Модель работает с текстом на английском языке. README сообщает о проблеме токенизации: в выводе могут появляться лишние пробелы внутри слов, поэтому сгенерированный текст может требовать исправления. Модель распространяется по лицензии MIT. Это оценочный чекпойнт, обученный на 15 ГБ из более крупного набора данных; README приводит обучение на 10 тыс. шагов и рекомендует использовать скрипт проекта с настройкой путей и тестовых запросов.

MolecularReality/tinyshakespeare-42m — текстовая генеративная модель семейства GPT-2, дообученная на наборе tiny_shakespeare. Она предназначена для продолжения текста и генерации фрагментов, стилизованных под произведения Шекспира. Модель использует архитектуру GPT2LMHeadModel, веса сохранены в формате safetensors, максимальный контекст составляет 2048 токенов. В карточке приведён результат оценки на тестовой выборке: loss 4,8737. Описание обучения и ограничений не раскрывает дополнительных деталей; применимость за пределами генерации текста на материале tiny_shakespeare не подтверждена. Условия лицензии в предоставленных данных не указаны.

Карточка модели shintaka/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели kaienpjy/TRELLIS-image-large 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.

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 Surn/TRELLIS-image-large 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.

TRELLIS Text XL — крупная модель генерации 3D-объектов по текстовому описанию, представленная в работе «Structured 3D Latents for Scalable and Versatile 3D Generation». Модель разработана Microsoft и относится к семейству TRELLIS; её вариант XL принимает текстовые условия и создаёт 3D-результат. Модель предназначена для генерации 3D-объектов по текстовым запросам, например для создания заготовок объектов в творческих и экспериментальных рабочих процессах. Репозиторий содержит веса в формате safetensors, библиотека — TRELLIS. Модель рассчитана на английские запросы. Лицензия — MIT. Карточка не сообщает конкретную архитектуру, число параметров, формат выдаваемого 3D-объекта и ограничения качества или применения.

TuneLM — дообученный чекпойнт на базе tensorfiend/tunelm-gemma4-4b-sft-quality-20260927-86-best, ориентированный на генерацию музыкальных паттернов для Strudel. Модель построена на архитектуре Gemma 4 E4B Instruct; метаданные указывают класс Gemma4ForConditionalGeneration и поддержку чата. Веса сохранены в формате safetensors. Чекпойнт создан в ходе эксперимента gemma4-4b-grpo-pilot-v1: указан шаг обучения 60 и тег best. Модель предназначена для генерации текстового кода и паттернов Strudel по запросу. Лицензия — Apache-2.0; README также отсылает к LICENSE и NOTICE базовой модели и уведомлению об изменениях.

Veiled Calla — дообученная модель soob3123 на базе Google Gemma 3 4B IT, предназначенная для диалогового ролевого отыгрыша и художественного письма. Она создаёт атмосферные истории с элементами тайны, поддерживает последовательность персонажей и передаёт эмоциональные подтексты. Модель использует плотную архитектуру Gemma 3 и распространяется в формате Safetensors; базовая Gemma 3 также поддерживает работу с изображениями, но карточка Veiled Calla описывает её текстовые сценарии. Модель подходит для ролевых диалогов, развития загадочных сюжетов и создания выразительных сцен. Автор отмечает, что ответы могут становиться чрезмерно загадочными; поведение зависит от режима и системного промпта: в ролевом режиме модель описана как uncensored, а в режиме ассистента может отказывать. Лицензия — Apache-2.0.

Violet 1b4 — авторская языковая модель Zakarth на архитектуре GPT-NeoX с плотной causal language model и примерно 1,8 млрд параметров. Она обучена преимущественно на англоязычных текстах 1800–1899 годов из Project Gutenberg, Internet Archive, Британской национальной библиотеки и других архивов; использует специальный токенизатор для викторианских текстов и контекст до 4096 токенов. Это версия для продолжения текста, а не чат-модель. Модель предназначена для генерации художественной прозы с викторианским оттенком, ролевых сценариев, переписки в стиле эпохи и текстов, соблюдающих викторианский этикет. Она может быть полезна авторам и разработчикам локальных творческих инструментов; карточка также описывает демонстрации, работающие локально через WebGPU. Модель не подходит для современных фактических ответов и медицинских, юридических или финансовых консультаций. Возраст и даты в генерации могут быть неточными, а из-за OCR в обучающих текстах иногда появляются современные посторонние токены. В корпусе представлены варианты английского из Великобритании и США. Лицензия модели — CC0 1.0.

X1AOX1A/WorldModel-Textworld-Qwen2.5-7B — дообученная модель генерации текста на архитектуре Qwen2, созданная на основе Qwen/Qwen2.5-7B. В репозитории указано, что для дообучения использован набор данных textworld_train_58805; модель содержит 7,1 млрд параметров и работает с контекстом до 131 072 токенов. Модель предназначена для генерации текста в диалоговом формате и может применяться в сценариях, связанных с данными TextWorld. README не раскрывает конкретные задачи, качество и ограничения обучения. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у правообладателя базовой модели.

Карточка модели Anyhow5026272/YuE2-3B на Hugging Face совпадает с карточкой Stevroy7/YuE2-3B, поэтому описание составлено по ней. YuE2-3B — открытая модель генерации музыки, построенная на архитектуре YuE2 и представленная в репозитории Stevroy7/YuE2-3B. Модель преобразует текстовое описание стиля и слова песни в полноценную композицию с вокалом и аккомпанементом, а также поддерживает генерацию по музыкальному плану и редактируемой партитуре ABC. В основе — плотная AR–NAR Mixture-of-Transformers с планированием символической партитуры и генерацией акустических латентов методом flow matching; для декодирования используется VAE. Модель рассчитана на создание оригинальных песен, переаранжировку существующих композиций, работу с мелодией и аккордами и итеративное редактирование музыки с помощью агента. README заявляет контекст 24 576 токенов; метаданные указывают 1,8 млрд параметров. Для локального запуска описана конфигурация Linux и NVIDIA GPU с 24 ГБ памяти и поддержкой BF16. Указанные языки — китайский и английский. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески.