IV.5Образование и развитие навыков

randyGPT-ds-moe — небольшая авторегрессионная языковая модель с архитектурой Transformer и смесью экспертов (MoE), разработанная MonumentalSystems и обученная с нуля на Rust. Модель содержит 4,48 млн параметров и 12 слоёв; для токенизации используется BPE с размером словаря 2000. Обучение проводилось на корпусе примерно из 98 МБ очищенных текстов 112 книг Project Gutenberg, находящихся в общественном достоянии. Модель предназначена для генерации продолжений текста в стиле обучающих литературных данных. В README описаны AdamW, косинусное изменение скорости обучения, ReduceLROnPlateau, dropout 0,1 и обучение с ускорением Metal на Apple Silicon. Доступные веса представлены в формате safetensors, лицензия — MIT. Небольшой размер и узкий литературный обучающий корпус ограничивают разнообразие тем и сложность ответов; модель не следует считать универсальным помощником или источником проверенных фактов. Язык обучающих текстов в README не назван, поэтому языковую поддержку можно подтвердить только для английского по метаданным.

TheOneDario/sd-class-butterflies-32 — диффузионная модель от автора TheOneDario для безусловной генерации изображений милых бабочек. Она использует пайплайн DDPMPipeline из библиотеки Diffusers: модель создаёт изображение без текстового запроса. Модель подходит для генерации декоративных изображений бабочек и учебных экспериментов с диффузионными моделями. Репозиторий распространяется в форматах Diffusers и Safetensors. Лицензия — MIT.

hs0817/sd-class-butterflies-64 — диффузионная модель, опубликованная как работа для первого блока курса по диффузионным моделям. Она предназначена для безусловной генерации изображений милых бабочек: модель создаёт изображение без текстового запроса. Для запуска автор предлагает библиотеку Diffusers и конвейер DDPMPipeline. Модель хранится в формате Diffusers с весами Safetensors и распространяется по лицензии MIT. Карточка не сообщает размер модели, разрешение выходных изображений или ограничения по применению; название репозитория указывает на разрешение 64 пикселя, но README это не подтверждает.

Spring Dragon — экспериментальная реконструкция модели Dragon из AI Dungeon 2, созданная Henk717 на основе LLaMA 1 13B. Для обучения использован файл text_adventures.txt из раннего выпуска AI Dungeon 2; автор стремился приблизить поведение исходной Dragon, которую, согласно карточке, связывают с GPT-3 175B Davinci 2020 года. Модель предназначена для интерактивных текстовых приключений и генерации продолжения истории от второго лица; рекомендуется использовать её в режиме приключений KoboldAI с префиксом действий «You». Указанные в карточке имена, места, фракции и мотивы могут повторяться в сгенерированных историях. Это плотная LLaMA-модель с 12,9 млрд параметров и контекстом 4096 токенов. Репозиторий содержит веса PyTorch, лицензия — llama2. Реконструкция не подтверждена сравнением с игроками AI Dungeon, поэтому сходство с исходной Dragon и качество генерации могут отличаться от ожиданий.

Stoicheia-fold-6 — анонимно выпущенный чекпойнт character-level masked-diffusion encoder на 405 млн параметров для древнегреческого языка. Архитектура использует 32 блока и чередует локальное внимание в окне 256 символов с глобальным: три блока из четырёх работают локально, каждый четвёртый — глобально. Вход разделён на пять выровненных слоёв: буквы, границы слов и предложений, диакритические знаки, регистр и пунктуация; каждый слой можно независимо маскировать, задавая неизвестные символы или признаки. Модель предназначена для восстановления пропусков и анализа древнегреческого текста в разных формах, включая редакторский текст, scriptio continua и лакуны неизвестной длины. Чекпойнт обучен без десятой части литературного корпуса, выделенной в тестовую зону fold 6; авторы описывают многоэтапную проверку на пересечения с дубликатами и близкими копиями. Это анонимный исследовательский выпуск, сопровождающий статью на рецензировании; лицензия — Apache-2.0. README указывает лучший результат на отложенных данных на шаге 78 001, но не приводит оценок качества для прикладных сценариев.

Thai GPT-2 Fine-Tuned — языковая модель семейства GPT-2, дообученная пользователем Boom407 для вопросов и ответов на тайском языке по набору данных disease_3000, содержащему 3 000 пар о заболеваниях. В метаданных Hugging Face модель также обозначена как fine-tuned text-generation; естественный язык модели — тайский (th), лицензия — MIT, нативная длина контекста — 1 024 токена.

Thai GPT-2 Fine-Tuned — генеративная языковая модель, опубликованная разработчиком Mhok и дообученная на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов о заболеваниях. Модель основана на архитектуре GPT-2 и предназначена для генерации ответов на вопросы на тайском языке в формате text-generation. Модель подходит для прототипирования тайскоязычных систем вопросов и ответов по теме заболеваний, предварительного формирования медицинских текстов и исследовательских экспериментов с генерацией текста. Она поддерживает тайский язык и имеет нативное контекстное окно 1 024 токена. Лицензия — MIT. README не содержит сведений о размере модели, точных параметрах обучения, результатах оценки, составе и качестве данных, поэтому модель следует рассматривать как исследовательскую. Ответы не следует использовать для постановки диагноза, выбора лечения или других решений без проверки квалифицированным медицинским специалистом.

Thai GPT-2 Fine-Tuned — генеративная языковая модель семейства GPT-2, дообученная пользователем Pariyagorn для ответов на вопросы на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 вопросов по заболеваниям, и предназначена для генерации текстовых ответов в сценариях тайскоязычного вопросно-ответного взаимодействия. Модель использует архитектуру GPT-2 и поддерживает тайский язык. Максимальная длина контекста составляет 1 024 токена. В метаданных указаны библиотека формата safetensors и задача text-generation; размер модели и дополнительные сведения о процедуре обучения не приведены. Модель может использоваться для прототипирования тайскоязычных систем вопросов и ответов по заболеваниям, предварительной генерации медицинских текстов и исследовательских экспериментов. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении условий лицензии.

physicsrob выпустил torchwright-calculator-advanced-max-digits-12 — скомпилированную из вычислительного графа модель на архитектуре Phi-3, не обученную на данных. Она выполняет сложение, вычитание и умножение двух неотрицательных десятичных целых чисел длиной до 12 цифр; на вход подаётся выражение вида «A op B» с переводом строки, на выходе модель выдаёт результат. Для вычислений используется арифметика с переносом с опережением и сохранением переносов, обеспечивающая логарифмическую глубину графа. Модель предназначена для демонстрации компиляции вычислений в веса трансформера, а не для диалога или произвольных запросов. Работает через стандартную библиотеку Transformers без пользовательского кода; требуется fp32 и жадное декодирование. Контекст составляет 4096 токенов, размер — 24,8 млрд параметров, однако почти все веса равны нулю: плотные веса занимают около 96,23 ГБ, и исполнение всё равно несёт затраты памяти и вычислений для плотной модели. Контрольные примеры проверялись против целочисленной арифметики Python, но все допустимые выражения исчерпывающе не проверены. Лицензия — Apache-2.0.

Карточка модели Ares-Realm-Studios/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.

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.

YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

Карточка модели HKUSTAudio/YuE-s1-7B-anneal-en-icl на Hugging Face совпадает с карточкой HKUSTAudio/YuE-s2-1B-general, поэтому описание составлено по ней. YuE-s2-1B-general — модель семейства YuE, разработанного HKUSTAudio для генерации музыки по тексту. Серия YuE предназначена для преобразования текста песни в цельную композицию длительностью в несколько минут с вокальной партией и музыкальным сопровождением; модель заявлена как универсальная по жанрам и стилям вокала. Репозиторий содержит плотную авторегрессионную модель архитектуры Llama с 1,8 млрд параметров в формате Safetensors и контекстом 8192 токена. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для запуска README направляет к GitHub-проекту.

Карточка модели m-a-p/YuE-s1-7B-anneal-zh-icl на Hugging Face совпадает с карточкой m-a-p/YuE-s1-7B-anneal-en-cot, поэтому описание составлено по ней. YuE-s1-7B-anneal-en-cot — англоязычная версия модели серии YuE, разработанной HKUST/M-A-P для генерации музыки по тексту песни. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит около 5,9 млрд параметров; заявленный контекст — 16 384 токена. В репозитории указаны веса Safetensors. Модель предназначена для создания полноценных песен длительностью в несколько минут: она превращает текст песни в вокальную партию и инструментальное сопровождение. Для серии YuE также описаны генерация в разных жанрах, продолжение музыки и создание песни по аудиореференсу в режиме ICL; доступность этих режимов именно в данной англоязычной версии README отдельно не уточняет. Модель распространяется по лицензии Apache 2.0. Авторы рекомендуют указывать авторство YuE by HKUST/M-A-P при использовании сгенерированных материалов. Модель ориентирована на генерацию музыки, поэтому качество и соответствие результата тексту, жанру и вокальным пожеланиям могут различаться.

Zhongshu-9B — мультимодальная медицинская модель с открытыми весами, объединяющая языковую модель, полученную слиянием DARE TIES на основе Qwen3.5-9B-LLM и HuatuoGPT-3-9B-LLM, с неизменённым визуальным энкодером Qwen3.5-9B. В метаданных архитектура обозначена как плотная Qwen3.5 с 9 млрд параметров; модель предназначена для диалога и обработки изображений вместе с текстом. Модель можно применять для исследования медицинских изображений и подготовки ответов на медицинские вопросы по тексту и изображениям. Она поддерживает Transformers и проверялась с изображением через AutoProcessor и AutoModelForImageTextToText в Transformers 5.9.0. Мультимодальное обучение GRPO ещё не проводилось, поэтому качество таких ответов может быть ограничено. Медицинские ответы требуют независимой проверки; модель не предназначена для диагностики. Сведения о лицензии в предоставленных источниках отсутствуют.

Aiko-350M — компактная языковая модель, дообученная YoussefElsafi на LiquidAI/LFM2.5-350M для ролевого отыгрыша персонажа Айко и интерактивных игровых сценариев. Это плотная авторегрессионная модель семейства LFM2 с 444,6 млн параметров и контекстом до 128 000 токенов. Она принимает текст и генерирует диалог в структурированном JSON: реплику персонажа, внутренний монолог, эмоциональное состояние и игровые поведенческие флаги. Маркеры темпа речи можно использовать в связке с отдельным синтезатором речи. Модель подходит для диалогов игровых NPC, визуальных новелл, симуляции компаньона и передачи состояния персонажа в игровую логику. Карточка описывает Айко как навязчивого и эмоционально нестабильного вымышленного персонажа; такие черты являются частью ролевого сценария. Модель не предназначена для фактических ответов, математических рассуждений или универсального следования инструкциям. Возможны дрейф памяти в длинных диалогах, ошибки в JSON и артефакты синтетических данных; по сравнению с более крупными вариантами семейства её характер менее нюансирован. Лицензия — Apache-2.0.

PublicPrompts/All-In-One-Pixel-Model — модель Stable Diffusion, дообученная методом DreamBooth для генерации пиксельной графики в двух стилях: спрайтов и сцен в духе 16-битных игр. Для спрайтов в запросе используется триггерное слово «pixelsprite», для сцен — «16bitscene». Модель принимает текстовые описания и создаёт изображения через Diffusers StableDiffusionPipeline. Модель подходит для создания игровых спрайтов и пиксельных сцен по текстовому запросу. Авторы предупреждают, что результат может быть не идеально пиксельным; для доведения изображения до нужного вида можно применить инструменты пикселизации. Лицензия — CreativeML OpenRAIL-M.

AnimeGamer — исследовательская система Tencent ARC Lab и City University of Hong Kong для симуляции бесконечной жизни в аниме-игре. Она использует мультимодальные большие языковые модели для интерпретации визуального контекста и предсказания следующего состояния игры, а видеодиффузионная модель генерирует динамические анимационные сцены с движением персонажей. Модель учитывает историю визуальных кадров, чтобы сохранять согласованность между сценами, и использует представления, учитывающие действия. В карточке указаны формат PyTorch и задача text-to-video; размер модели, контекст, поддерживаемые языки и конкретная лицензия не приведены. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории.

Anthos — небольшая условная модель генерации изображений цветов, разработанная Glint-Research. Она обучена на Oxford Flowers 102 и создаёт изображения размером 256×256 для 102 категорий цветов, заданных дискретными метками классов. Свободные текстовые запросы модель не принимает. Модель использует архитектуру DiT-Nano/2 с rectified flow matching и латентное пространство VAE stabilityai/sd-vae-ft-ema. Веса представлены в формате safetensors; число параметров — около 984 тысяч. Anthos предназначена для демонстрации обучения и генерации изображений, а не для производственного применения. Лицензия — Apache-2.0. Небольшой размер ограничивает детализацию: качество некоторых классов ниже из-за дисбаланса обучающего набора, а сложные формы лепестков и тычинок могут воспроизводиться неточно. Результаты оценивались визуально; количественные метрики FID и Inception Score не рассчитывались. Модель выдаёт изображения только фиксированного разрешения, без встроенного апскейлера.

bugkira-ai/babylm-paragru-20m — небольшая англоязычная причинная языковая модель от bugkira-ai для экспериментов в рамках BabyLM 2026 Strict-Small. Она обучена на корпусе примерно из 10 млн слов и содержит 19,7 млн параметров. Архитектура — ParaGRU с диагональным смешиванием и воротами Cho, шесть блоков pre-LN с шириной 384 и слоями SwiGLU; нативный контекст составляет 512 токенов. Модель предназначена для генерации продолжения текста и сравнительных исследований компактных языковых моделей, в частности оценки языковых способностей на BabyLM. В карточке указаны perplexity 95,80 после трёх эпох и результат BLiMP 63,31 в zero-shot оценке. Это исследовательская модель с ограниченным контекстом, обученная только для английского языка; автор прямо исключает сценарии чата, длинного контекста и многоязычного использования. Лицензия — MIT.

dbmdz/bert-base-historic-english-cased — англоязычная модель семейства BERT для заполнения пропусков в тексте. Это плотная архитектура BertForMaskedLM примерно с 137,8 млн параметров и контекстом до 512 токенов. Модель обучена для работы с историческими английскими текстами; в карточке рекомендуется вместо неё использовать bigscience-historical-texts/bert-base-blbooks-cased, обученную на том же корпусе. Модель принимает текст с маскированным токеном и предсказывает его вероятное заполнение. Она может служить для экспериментов с историческим английским и анализа лексики, но автор предупреждает, что предсказания работают плохо и часто возвращают токен [UNK]. Репозиторий содержит варианты весов Flax, PyTorch и safetensors. Лицензия — MIT.

BioClinical-ModernBERT-base — англоязычный encoder-only ModernBERT, дообученный на биомедицинских публикациях и клинических текстах. Модель содержит 149 млн параметров, принимает текст и предназначена прежде всего для заполнения пропусков в тексте (fill-mask), а также как основа для решений в области биомедицинского и клинического NLP. Контекстное окно — до 8192 токенов. Обучение включало данные PubMed и PMC и клинические корпуса из 20 наборов данных, собранных из разных учреждений, областей и географических регионов. Это обеспечивает специализацию на клинической и биомедицинской лексике и позволяет обрабатывать более длинный контекст, чем у многих прежних клинических encoder-моделей. Модель распространяется в форматах PyTorch и safetensors через библиотеку Transformers. Лицензия — MIT.

BlueHeeler-12M — небольшая языковая модель на архитектуре GPT-2, разработанная mike-ravkine. Согласно README, модель обучена на сценариях детского мультсериала «Bluey» с помощью nanoGPT; указаны 6 слоёв, 6 голов внимания, размерность скрытого слоя 192 и контекст 64 токена. Метаданные Hugging Face указывают 12 млн параметров, контекст 1024 токена и формат PyTorch. Модель предназначена для генерации текста, стилизованного под обучающие сценарии, например продолжения реплик и создания коротких фрагментов диалогов на английском языке. Малый размер упрощает локальные эксперименты, однако данных о качестве на более широких задачах нет. Лицензия — MIT.

BrainTumor-Classification-Mini — модель классификации изображений, разработанная prithivMLmods на базе Google SigLIP 2 Base Patch16-224 и дообученная для классификации изображений мозга по одной метке. Она использует архитектуру SiglipForImageClassification и относит снимок к одному из четырёх классов: отсутствие опухоли, глиома, менингиома или опухоль гипофиза. Модель предназначена для классификации изображений мозга, в частности для предварительной оценки МРТ, медицинских исследований и учебных экспериментов. В README приведены метрики на наборе из 5712 примеров: точность 99,18%; эти результаты сами по себе не подтверждают качество на других данных или пригодность для клинических решений. Модель принимает изображение и выдаёт метку класса. Лицензия — Apache-2.0.

AmberYifan/capsd-medicine-dedup-marin-8b-base-medicine_cap_b10000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Она предназначена для генерации и продолжения текста в диалоговом формате; название и сведения о наборе данных указывают на адаптацию для медицинской тематики, но README не уточняет конкретные сценарии или результаты оценки. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors; лицензия указана как other.

CeLLaTe-tapt-pubmedbert-tokenizer-original-spanmask-combinedData — дообученная Mardiyyah модель на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Это англоязычная BERT-модель с архитектурой BertForMaskedLM, предназначенная для предсказания скрытых токенов в биомедицинском тексте. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Дообучение выполнено на датасете Mardiyyah/Combined_TAPT_dataset. В README приведены результаты оценки: loss 2,1023, accuracy 0,5977 и perplexity 8,1850. Модель распространяется в формате safetensors по лицензии Apache-2.0. Подходит для заполнения пропусков и анализа контекста в англоязычных биомедицинских публикациях. Карточка не описывает дополнительные целевые сценарии и ограничения; качество для конкретных downstream-задач следует оценивать отдельно.

chemfie-gpt-experiment-1 — экспериментальная GPT-2-модель для генерации молекул в представлении SELFIES. Автор описывает её как учебный проект и базовую точку для сравнения архитектур, дополнения данных и изменений процесса обучения. Модель использует архитектуру GPT2LMHeadModel с конфигурацией L8, A6, H384 и контекстом 512 токенов; для запуска применяется Transformers и формат весов safetensors. Модель обучалась на объединённой подборке из COCONUTDB, ChEMBL34 и SuperNatural3. Она генерирует SELFIES-строки, которые можно декодировать в SMILES. Это подходит для экспериментов с генерацией молекулярных структур и сравнения способов обучения, но качество и валидность результатов непостоянны. Автор отмечает, что токенизатор требует ручной настройки, а генерация сложных разветвлённых и циклических молекул ещё не оценена. Лицензия — CC BY-NC-SA 4.0; автор предназначает модель для обучения и исследований, без коммерческого применения.

Haru v1.1 — компактная модель продолжения корейских историй, разработанная автором репозитория gaon12 на основе причинной архитектуры CFRD. Она предназначена для генерации продолжения текста, а не для диалога с инструкциями. Модель содержит 11 634 459 параметров, принимает контекст длиной до 512 токенов и поддерживает рекуррентную глубину инференса 2, 4 и 6. В репозитории опубликованы веса в формате Safetensors; для работы используется Transformers и пользовательский код модели. Модель обучалась на 753 664 000 токенах; в карточке указана атрибуция обучающих данных Tiny-Ko-Stories с лицензией CC BY 4.0. Лицензия самой модели — MIT. Haru подходит для творческого продолжения корейских рассказов, но не следует полагаться на неё в фактических или критически важных сценариях: длинные генерации могут повторяться или терять связность персонажей, а следовать инструкциям модель не обучена. Инференс пока не использует кэш и повторно обрабатывает активный контекст.

HealthGPT-Pro-4B — медицинская мультимодальная модель на архитектуре Qwen3-VL, дообученная разработчиками проекта HealthGPT-Pro на базе Qwen/Qwen3-VL-4B-Instruct. Модель принимает текст, медицинские изображения и 3D-объёмы; для обработки 3D-данных README описывает преобразование объёма в последовательность кадров, подаваемую как видео. Модель предназначена для понимания и анализа медицинского текста и изображений, ответов на вопросы и выполнения инструкций в медицинских и общих сценариях. В README заявлена поддержка КТ, МРТ, рентгенограмм, УЗИ, эндоскопических, дерматоскопических, офтальмологических, микроскопических и других медицинских изображений. Модель имеет 4 млрд параметров и использует формат safetensors; заявлены английский и китайский языки. Карточка сообщает о двухэтапном обучении на данных для выравнивания и supervised fine-tuning, сохранившем общие данные для следования инструкциям. Лицензия — Apache-2.0. Модель предназначена для исследовательского использования и не заменяет профессиональную клиническую оценку, диагностику или лечение.

HQ-SVC — система преобразования певческого голоса, представленная авторами статьи «Towards High-Quality Zero-Shot Singing Voice Conversion in Low-Resource Scenarios» для сценариев с ограниченными данными и вычислительными ресурсами. Модель предназначена для переноса звучания голоса на аудиозапись пения, в том числе для голосов, не встречавшихся при обучении, без дополнительной тонкой настройки под нового исполнителя. В карточке указана архитектура HQ_SVC_Diffusion_Model и поддержка преобразования аудио в аудио. Авторы описывают разъединение признаков содержания и говорящего с помощью декодированного кодека, слияние нескольких признаков и поэтапную оптимизацию для повышения качества синтеза. Для обучения заявлен сценарий с одной потребительской видеокартой; README сообщает о проверке запуска в Linux с CUDA 11.8 или новее. Модель распространяется по лицензии Apache-2.0.