IV.5Образование и развитие навыков

DolphinVision 7b — мультимодальная чат-модель, созданная Куаном Нгуеном, Эриком Хартфордом и Cognitive Computations. Она предназначена для диалога и генерации текста, а также для рассуждений и комментариев по изображениям. В метаданных модель указана как плотная архитектура BunnyQwenForCausalLM на 7,1 млрд параметров с контекстом до 131 072 токенов. Карточка называет её uncensored, однако бенчмарки в README не приведены. Указанная лицензия — other; конкретные условия использования нужно проверять в файлах репозитория.

Eagle-X2-Llama3-8B-ConsecutiveTableReadout-Mix-160k — визуально-языковая модель семейства Eagle, разработанная на основе adapter-based структуры LLaVA и Eagle. Она дообучена на базе meta-llama/Meta-Llama-3-8B-Instruct и использует визуальные энкодеры CLIP-448 на основе CLIP-336 и ConvNeXt. Модель предназначена для диалоговой работы с изображениями и генерации текста по визуальному содержимому. Название указывает на чтение таблиц, однако README не описывает конкретные сценарии или результаты этой специализации. Архитектура — EagleLlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — 8192 токена. Метаданные задают основную задачу как image-text-to-text, а также отмечают поддержку text-generation. Для использования доступны веса в формате safetensors через Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Качество на чтении таблиц и поддерживаемые языки в предоставленных данных не описаны.

ERNIE-Image — открытая модель генерации изображений по тексту, разработанная командой ERNIE-Image компании Baidu. Она построена на архитектуре однотокового Diffusion Transformer (DiT) с 8 млрд параметров и использует лёгкий модуль Prompt Enhancer, который расширяет краткие запросы в более подробные описания. Модель работает через Diffusers и распространяется в форматах Diffusers и safetensors. Модель предназначена для создания изображений по сложным инструкциям, в том числе рекламных плакатов, комиксов, раскадровок, инфографики и многопанельных композиций. Её особенности — точное следование запросам, размещение объектов и текста в заданной структуре, а также поддержка фотореалистичных и стилизованных изображений. Для стандартной версии рекомендованы 50 шагов генерации; авторы указывают, что модель может работать на потребительской видеокарте с 24 ГБ VRAM. ERNIE-Image выпущена как SFT-модель общего назначения. В карточке также описана отдельная версия ERNIE-Image-Turbo, но этот репозиторий относится к обычной версии. Модель доступна по лицензии Apache-2.0. Результаты бенчмарков приведены авторами; качество зависит от запроса и параметров генерации.

Карточка модели worksimpli/HiDream-O1-Image-endpoint на Hugging Face совпадает с карточкой HiDream-ai/HiDream-O1-Image, поэтому описание составлено по ней. HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.

Heouzen/Huihui-Qwen3-VL-8B-Instruct-FP8-abliterated — мультимодальная модель на архитектуре Qwen3-VL, представленная как версия Huihui-Qwen3-VL-8B-Instruct-abliterated в формате FP8. Она принимает текст и изображения и предназначена для диалога и анализа изображений с ответами на естественном языке. Модель является дообучением huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated. Карточка указывает лицензию Apache-2.0. Данных о размере контекста и поддерживаемых языках в предоставленных метаданных нет; README не содержит доступного описания.

unsloth/InternVL3-78B-Instruct-GGUF — GGUF-квантизированная версия мультимодальной модели InternVL3-78B-Instruct, разработанной командой OpenGVLab и подготовленной Unsloth. Это SFT-версия, прошедшая нативное мультимодальное предварительное обучение и дообучение, но не прошедшая MPO. Модель предназначена для задач, объединяющих работу с текстом и изображениями: мультимодального восприятия и рассуждений, анализа промышленных изображений, восприятия 3D-сцен, использования инструментов и создания GUI-агентов. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-6B-448px-V2_5 и языковую часть Qwen2.5-72B. Заявлена поддержка мультиязычных сценариев, однако конкретный список языков и размер контекстного окна в README не указаны. К сильным сторонам относятся крупная языковая модель, мультимодальное предварительное обучение и расширенные возможности визуального восприятия и рассуждений. Ограничения связаны с тем, что это именно SFT-версия без MPO; авторы рекомендуют при выборе использовать базовую версию InternVL3-78B, если преимущества SFT-редакции не требуются. Модель распространяется по лицензии, обозначенной как other, с указанием лицензии Qwen и ссылкой на её текст; точные условия следует проверять в лицензии Qwen2.5-72B-Instruct.

djuna/L3.1-ForStHS — диалоговая языковая модель, созданная автором слиянием нескольких предварительно обученных моделей методом Model Stock с помощью mergekit. В качестве базовой модели использована vicgalle/Configurable-Llama-3.1-8B-Instruct; в слияние также вошли модели ArliAI, DreadPoor, grimjim и rityak. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, формат весов — Safetensors, контекст — до 131 072 токенов. Модель предназначена для генерации текста в диалогах и творческих сценариях, включая ролевое общение; описание базовой модели указывает на творческое письмо и разнообразные ролевые сценарии. Карточка приводит результаты оценивания на IFEval и BBH. Модель доступна по лицензии базовой модели, но сведения о конкретной лицензии в предоставленных данных отсутствуют.

Карточка модели mergekit-community/mergekit-ties-itmchpd на Hugging Face совпадает с карточкой mergekit-community/mergekit-ties-cmdmayc, поэтому описание составлено по ней. mergekit-community/mergekit-ties-cmdmayc — языковая модель на основе архитектуры Mistral, полученная объединением весов методом TIES с помощью mergekit. В объединение вошли mistralai/Mistral-7B-v0.1 в качестве базовой модели, mistralai/Mistral-7B-Instruct-v0.2 и BioMistral/BioMistral-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговых сценариях. Включение BioMistral указывает на связь с биомедицинской тематикой, однако карточка не описывает специализированные медицинские возможности или результаты оценки качества. Модель выпущена 17 апреля 2024 года; условия лицензии в предоставленных данных не приведены.

andrerean/minilm-arsip-kampus-v1 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для поиска по архиву документов кампуса. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Архитектура включает BERT-трансформер с усредняющим pooling. README указывает максимальную длину последовательности 384 токена, а метаданные — контекст до 512 токенов. Модель обучена на 2 352 парах текстов, связанных с архивными материалами университета: руководствами по грантам, документами об организации подразделений и процедурами для преподавателей. Её можно применять для семантического поиска и извлечения подходящих документов по запросам, даже если формулировки запроса и документа различаются. В метаданных указан тег sentence-similarity, а каталог также относит её к feature-extraction. Модель принимает и выдаёт текстовые представления в виде векторов. Примеры обучающих данных написаны на индонезийском языке; карточка не подтверждает поддержку других языков именно этой дообученной версии. Используется лицензия базовой модели, применимая к репозиторию модели; сведений о лицензии в предоставленных данных нет.

Mistral-7B-wo-medication_qa-sft — дообученная методом supervised fine-tuning модель Minbyul на базе mistralai/Mistral-7B-v0.1. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и предназначена для генерации текста. В качестве обучающих данных указана выборка HuggingFaceH4/deita-10k-v0-sft; в README приведён результат оценки Loss 1,5099. Модель принимает текст и генерирует текст. Для базовой модели заявлен контекст длиной до 32 768 токенов. README не описывает специализацию на вопросах о лекарствах и не приводит подробностей о языках, сценариях применения или ограничениях качества, поэтому медицинское назначение по названию модели подтвердить нельзя. Лицензия — Apache-2.0.

fal/moondream2-docci-instruct — дообученная модель семейства Moondream для создания подробных описаний изображений. Она разработана на основе Moondream2 и обучена на наборах gokaygokay/random_instruct_docci и, согласно метаданным, google/docci. Модель принимает изображение и текстовый запрос, а в ответ генерирует текст; основное назначение — подробное описание визуальных сцен и объектов. Модель относится к архитектуре Moondream и распространяется в формате safetensors. Карточка указывает на использование Transformers и лицензию Apache-2.0. В README нет количественной оценки качества или описания предельного разрешения и контекста, поэтому эти характеристики здесь не приводятся.

OpenCodeReasoning-Nemotron-1.1-14B — разработанная NVIDIA языковая модель для рассуждений и генерации кода, дообученная на базе Qwen/Qwen2.5-14B-Instruct. Это плотный декодерный трансформер семейства Qwen2 с 14 млрд параметров, рассчитанный на текстовый ввод и текстовый вывод. Контекстное окно — до 65 536 токенов. Модель предназначена для решения задач программирования, включая конкурентное программирование: она генерирует код и пошаговые рассуждения по условию задачи. При обучении использован набор OpenCodeReasoning из 1,165 млн примеров, содержащих задачи по программированию и ответы, созданные DeepSeek-R1-0528. В README приведён результат оценки на LiveCodeBench v5, однако сравнительные показатели не позволяют сами по себе судить о качестве на других задачах. Модель доступна для коммерческого и некоммерческого использования. Для инференса указаны vLLM и NeMo 2.3.0; NVIDIA оптимизирует модели для GPU-систем NVIDIA, а в карточке рекомендованы GPU поколений Ampere и Hopper и Linux. Она ориентирована на разработчиков и исследователей, создающих приложения на основе LLM.

Qwen2.5-Coder-0.5B-Instruct-abliterated-GGUF — набор GGUF-квантизаций модели Qwen2.5-Coder-0.5B-Instruct-abliterated. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходная модель связана с huihui-ai. Модель предназначена для генерации текста и кода, диалогового взаимодействия и запуска локально через совместимые среды, включая LM Studio. Модель имеет размер 0,5 млрд параметров и работает с текстовыми и программными запросами. В репозитории доступны варианты от F16 до низкобитных Q3/Q4 и других квантизаций размером примерно от 0,35 до 0,99 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5 или Q6; отдельные форматы оптимизированы для ARM и требуют поддержки соответствующих инструкций. Формат prompt использует шаблон ChatML с ролями system, user и assistant. Сильными сторонами являются небольшой размер, возможность локального запуска и наличие большого выбора квантизаций с разным компромиссом между качеством и потреблением памяти. Ограничениями выступают небольшой масштаб модели, неизвестные по представленным данным размер контекста и точные характеристики архитектуры, а также возможное снижение качества в низкобитных вариантах. Модель распространяется по лицензии Apache-2.0.

DavidAU/Qwen3.5-27B-Claude-4.6-OS-INSTRUCT — дообученная разработчиком DavidAU с помощью Unsloth мультимодальная модель на базе Qwen/Qwen3.5-27B. Для обучения использовался набор Claude-4.6-OS, объединяющий четыре датасета Claude; автор сообщает, что старался ограничить влияние дообучения на исходные возможности модели. Модель предназначена для диалогов, инструкций, творческого письма, сюжетов и ролевых сценариев, а также для анализа изображений. В README указан контекст 256 тысяч токенов; метаданные описывают плотную архитектуру Qwen3.5 с 27 млрд параметров. Автор отмечает изменённые блоки рассуждений и сообщает, что обработка изображений проверена, а видео не тестировалось. В карточке указаны английский и китайский языки; README также приводит общие сведения о базовой модели, но не подтверждает поддержку всех перечисленных там языков этой версии. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Автор приводит результаты нескольких бенчмарков и рекомендует настройки семплирования для отдельных интерфейсов, однако эти результаты не являются независимой оценкой. Модель не имеет заявленных изменений в настройках безопасности; качество для конкретных сценариев следует проверять отдельно.

LinerAI разработала эту дообученную на Qwen/Qwen3-Embedding-0.6B модель для поиска научной литературы. Это плотная модель семейства Qwen3 с 507,6 млн параметров, которая преобразует запросы и документы в эмбеддинги для семантического поиска; обучение с контрастивной функцией потерь и подбором сложных негативных примеров ориентировано на академические материалы. В README заявлены размерность эмбеддингов 1024 и поддержка Matryoshka с укороченными векторами размерностью 768, 512, 256 и 128. Модель предназначена для поиска научных статей, обнаружения связанных работ и извлечения документов по исследовательским вопросам. Поддерживаются английский, китайский, корейский, японский, немецкий, французский, испанский и русский языки. В метаданных указано окно контекста 32768 токенов, тогда как README устанавливает предел 4096 токенов; перед применением следует проверить ограничение используемой версии. Для запросов рекомендуется заданный формат с инструкцией, а документы кодируются без префикса. Лицензия — Apache-2.0.

DESSEP/SDXL-v1 — модель генерации и редактирования изображений по текстовым описаниям, разработанная Evgeniy Pantin на основе Stable Diffusion XL Base 1.0 от Stability AI. Это диффузионная модель в формате Diffusers с весами Safetensors; для текстового кодирования используются OpenCLIP-ViT/G и CLIP-ViT/L. Модель предназначена для создания изображений по промптам и изменения изображений. Версия «a12» прошла 12 шагов дообучения на специально отобранных 80 изображениях; автор рекомендует использовать последнюю доступную версию репозитория. Основной язык промптов — английский. Лицензия CreativeML Open RAIL++-M разрешает коммерческое и некоммерческое использование с соблюдением её условий и ограничений. Модель может плохо отображать читаемый текст, сложные пространственные композиции, лица и людей; автоэнкодер вносит потери. Она не предназначена для достоверного воспроизведения людей или событий, а результаты на других языках могут быть хуже. Обучающие изображения, согласно карточке, не содержали NSFW-данных.

Umbral-v0.4-3 — слитая языковая модель семейства Llama 3, созданная сообществом mergekit-community с помощью task arithmetic. В объединении использованы grimjim/Llama-3-Oasis-v1-OAS-8B, Casual-Autopsy/SOVL-MopeyMule-8B и Casual-Autopsy/MopeyMule-Blackroot-8B; базой с наибольшим весом при слиянии стала Llama-3-Oasis-v1-OAS-8B. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекст — до 8192 токенов. Она предназначена для диалогов, ролевых сценариев и историй; язык и специальные прикладные области в доступных сведениях не определены. Модель опубликована в формате safetensors и распространяется по лицензии, указанной в карточке Hugging Face. Карточка описывает процесс слияния, но не сообщает о специальных ограничениях качества или использования.

V-Zero 4B — дообученная мультимодальная модель hao05 для тонкого визуального рассуждения. Она создана в рамках работы V-Zero: Answer-Label-Free On-Policy Distillation with Contrastive Evidence Gating for Fine-Grained Visual Reasoning и основана на Qwen/Qwen3.5-4B. Модель предназначена для диалоговых задач, в которых нужно анализировать изображение и формулировать ответ с опорой на визуальные свидетельства. В обучении применялась дистилляция на собственных траекториях рассуждения модели с контрастной проверкой релевантных и нерелевантных областей изображения. Это позволяет развивать детальное визуальное рассуждение без внешних меток ответов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Карточка модели gheero-Leyu/amharic-omnivoice-tts на Hugging Face совпадает с карточкой Lab-et/omnivoice-amharic, поэтому описание составлено по ней. OmniVoice Amharic — модель синтеза речи, разработанная участниками инициативы Voices For All и дообученная на базе k2-fsa/OmniVoice. Она преобразует текст в естественную амхарскую речь и поддерживает клонирование голоса по аудиозаписи длительностью около 10 секунд. Модель использует нед autoregressive дискретную диффузионную архитектуру; заявленный размер — 612,6 млн параметров. Базовая OmniVoice также поддерживает английский и китайский, однако эта версия обучалась на амхарских аудиоданных и прежде всего предназначена для амхарского языка. Модель подходит для озвучивания текстов, создания речи голосом заданного говорящего и синтеза амхарской речи с учетом характерных согласных, геминации и интонации. В карточке перечислены данные из нескольких амхарских речевых корпусов и заявлена поддержка диалектных вариантов, хотя обучающие данные смещены в сторону аддис-абебского произношения. Лицензия — Apache 2.0. Известные ограничения: в обучающих данных преобладают мужские голоса, сельские акценты представлены слабее, а переключение между амхарским и английским, числительные и даты могут произноситься непредсказуемо. Эмоциональный диапазон ограничен нейтральной и новостной манерой; количественные результаты оценки в карточке пока не опубликованы.

NbAiLab/borealis-open-1b — компактная инструктивная языковая модель семейства Borealis, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket). Это дообученная на инструкциях версия Google Gemma 3 1B с плотной архитектурой Gemma3ForCausalLM; модель содержит 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она предназначена прежде всего для норвежских диалоговых задач: написания и редактирования текстов, составления заголовков и вводных абзацев к новостям, суммаризации, ответов на вопросы и лёгких рассуждений. Также её можно применять для оценки качества письменного норвежского языка, включая букмол и нюношк. Открытый вариант обучен на наборе NbAiLab/aurora-sft-open и не включает материалы, предоставленные по соглашению с правообладателями норвежской прессы. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Gemma. Это не специализированная модель для сложных рассуждений: ответы могут содержать ошибки, предвзятость или неподходящий контент, а качество за пределами норвежского и английского языков изучено недостаточно. Не рекомендуется применять её в критически важных сценариях без отдельной проверки.

zelk12 выпустил диалоговую языковую модель Gemma 2 с плотной архитектурой и 9 млрд параметров. Это объединение двух предварительно обученных моделей с помощью SLERP через mergekit: zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1 и zelk12/recoilme-gemma-2-psy10k-mental_healt-9B-v0.1. Модель предназначена для генерации текста и диалоговых ответов; контекст составляет 8192 токена, веса представлены в формате safetensors и рассчитаны на работу с Transformers. Объединение сочетает модели, связанные с Gutenberg и психическим здоровьем, однако карточка не описывает отдельные гарантированные медицинские функции или качество ответов. Модель может служить для диалоговых сценариев и генерации текста, но ответы в чувствительных темах требуют проверки. Условия лицензии в предоставленных источниках не указаны.

Open Diffusion V2 (OD-v2) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Она предназначена для создания изображений по запросу пользователя. Модель опубликована в форматах Diffusers и PyTorch с весами Safetensors; метаданные также отмечают поддержку ONNX. В карточке указаны английский, французский и русский языки. Используется лицензия CreativeML-OpenRAIL-M.

EganAI/Qwen3-4B-Instruct-2507-20250808-233922-0 — языковая модель на архитектуре Qwen3, созданная EganAI послойным слиянием нескольких дообученных вариантов Qwen3-4B. В модели около 3,7 млрд параметров, она принимает текст и генерирует текст; базовая версия поддерживает контекст до 262 144 токенов. Метаданные указывают на английский язык и интерфейс для диалога и вызова инструментов. Модель оптимизировали для ответов на вопросы уровня GPQA Diamond. В README приведены результаты 45,45% на GPQA Diamond в режиме 0-shot и 72,51% на MMLU в режиме 5-shot; эти показатели относятся только к указанным тестам и настройкам. Модель также подходит для диалогов, следования инструкциям и общих текстовых задач. Это экспериментальное слияние, поэтому качество за пределами целевых тестов может меняться, а модель наследует ограничения исходных вариантов. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.6 Plus — мультимодальная модель семейства Qwen. В доступной карточке она описана как использующая гибридную архитектуру с эффективным линейным механизмом внимания и разреженной маршрутизацией смеси экспертов, что предназначено для масштабирования и производительного вывода. Каталог относит модель к задаче image-text-to-text, то есть к обработке изображений с выдачей текстового ответа. Карточка README обрывается до описания конкретных сценариев и не содержит сведений о разработчике, размере, языках, длине контекста, лицензии или ограничениях. Поэтому эти характеристики и условия использования установить по предоставленным данным нельзя.

Qwen-Image-2.1-viggle-turbo — разработанный Viggle шестишаговый дистиллированный вариант модели Qwen/Qwen-Image-2.1, распространяемый как LoRA-адаптер. Он предназначен для генерации изображений по тексту и редактирования изображений по инструкциям с использованием до трёх референсов. В обычном режиме требуется 6 шагов вместо 40 у базовой модели; также доступен девятишаговый режим с более тонкими деталями и лучшей передачей мелкого текста. Автор сообщает, что шестишаговая версия примерно в пять раз быстрее базовой при сопоставимом качестве на большинстве примеров. Адаптер загружается в трансформер базовой модели; доступны веса safetensors, а в метаданных также перечислены варианты GGUF с разной разрядностью. Модель работает с текстовыми запросами и изображениями-референсами и выдаёт изображения. README описывает применение через diffusers и ComfyUI; для ComfyUI указаны возможные шероховатости интеграции. Качество уступает базовой модели при сложном редактировании, сохранении личности и композиции по нескольким референсам; мелкий и длинный текст чаще искажается. В шестишаговом режиме мелкие текстуры могут быть мягче, а цвета — немного менее насыщенными. Лицензия в метаданных указана как other, конкретные условия использования в доступных данных не раскрыты.

Whisper-Small-Shona — модель автоматического распознавания речи на chiShona, разработанная в рамках Project Nyaradzai. Это дообученная версия openai/whisper-small с архитектурой Whisper и 153,1 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию на chiShona; она предназначена для голосовых заметок, разговорной речи, субтитров и инструментов доступности. Модель обучена на наборе Google WAXAL, включая около 14 109 примеров из обучающей выборки. На тестовой части WAXAL указана метрика WER 36,42%, поэтому результат транскрибации может требовать существенной ручной правки. Лицензия модели — Apache-2.0.

NbAiLab/borealis-1b — компактная инструктивная языковая модель семейства Borealis, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket). Это дообучение Gemma 3 с 1 млрд параметров; версия в репозитории распространяется в формате Safetensors и поддерживает контекст до 32 768 токенов. Модель ориентирована на работу с норвежским языком, включая букмол и нюношк, а также поддерживает сценарии на английском языке. Модель предназначена для диалоговых задач помощника: написания и редактирования текстов, суммаризации, ответов на вопросы и лёгких рассуждений. Она также подходит для создания заголовков и вводных текстов новостных статей, а также для оценки качества письменного норвежского. Обучение выполнено на инструктивном наборе NbAiLab/aurora-sft; полный выпуск включает ограниченный набор задач, созданных на основе защищённых авторским правом норвежских газетных материалов. Модель может выдавать неверные сведения, предвзятые или неподходящие ответы; её не следует применять в критически важных сценариях без дополнительной проверки и защитных мер. Качество за пределами норвежского и английского языков изучено недостаточно. В метаданных указана лицензия «other»; README не приводит её конкретные условия, поэтому перед использованием следует проверить лицензионные условия репозитория и базовой Gemma 3.

GIT-large (GenerativeImage2Text) — модель Microsoft для генерации текста по изображениям. Она использует декодер Transformer, обусловленный визуальными токенами CLIP и текстовыми токенами, и предсказывает текст по одному токену. Вариант large обучен на 20 миллионах пар изображение—текст; размер модели — 80,1 млн параметров, контекст — 1024 токена. Модель предназначена прежде всего для описания изображений. Архитектура GIT также подходит для визуальных вопросов и ответов, подписей к видео и классификации изображений через генерацию текстовой метки, однако README рекомендует использовать этот исходный чекпойнт для описания изображений. Модель принимает изображения и текстовый запрос, выдаёт текст; в метаданных указан английский язык. Качество зависит от содержания изображения и обучающих данных, а ответы могут быть неточными или упускать детали. Лицензия — MIT.

HiDream-I1-Full — полноразмерная версия открытой модели генерации изображений HiDream-I1, разработанная HiDream.ai. Это генеративная модель с разреженным диффузионным трансформером и 17 млрд параметров; она работает в библиотеке Diffusers и создаёт изображения по текстовым запросам. Модель рассчитана на генерацию в разных стилях, включая фотореализм, мультфильм и художественные изображения, с акцентом на качество и точное следование запросу. Модель подходит для создания иллюстраций, концепт-арта, изображений для творческих проектов и коммерческих материалов. В README заявлены высокие результаты на бенчмарках качества и соответствия запросам. Для запуска требуется Flash Attention; авторы рекомендуют CUDA 12.4. Модель распространяется по лицензии MIT, а README допускает личное, научное и коммерческое использование созданных изображений.

HiDream-O1-Image-Dev-2604-FP8 — квантованная версия в смешанной точности FP8 модели HiDream-ai/HiDream-O1-Image-Dev-2604 от HiDream.ai. Это 9-миллиардная модель для генерации и обработки изображений, рассчитанная на запуск через Diffusers и ComfyUI. Вариант Dev использует дистиллированный 28-шаговый режим; веса FP8 Mixed занимают около 10 ГБ видеопамяти, а чувствительные слои сохраняют более высокую точность. Архитектура исходной модели описана как Pixel-level Unified Transformer, работающий с пикселями, текстом и условиями задач в общем пространстве токенов. Модель предназначена для генерации изображений по тексту, персонализации по изображению-образцу, управления размещением объектов и позой с помощью ограничивающих рамок и скелетных условий. Она поддерживает синтез с разрешением до 2048 × 2048 и многоязычную отрисовку текста. Для редактирования изображений по инструкциям README рекомендует полную версию модели; в Dev-режиме CFG отключён, поэтому негативные промпты не влияют на результат. Репозиторий распространяется по лицензии MIT. README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версии 2.8.x или ниже; ускорение FP8 зависит от видеокарты, а на старом оборудовании возможно снижение скорости из-за преобразования весов на лету.