IV.9Медиа, журналистика, культура, архивы и игры

NbAiLab/Nb-wav2vec2-1b-bokmaal — модель автоматического распознавания речи, разработанная командой NbAiLab для норвежского языка букмол. Она дообучена на базе XLS-R от Facebook/Meta и использует архитектуру Wav2Vec2 с CTC-декодированием; размер модели — 1,3 млрд параметров. Для обучения использовался Norwegian Parliamentary Speech Corpus (NPSC). Модель предназначена для преобразования норвежской речи в текст. На тестовом наборе указана оценка WER 6,33% и CER 2,48% с 5-граммовой языковой моделью KenLM; без неё — WER 7,38% и CER 2,63%. Для применения с другими типами речи качество может отличаться. Модель распространяется по лицензии Apache 2.0.

NB-Whisper Base — модель автоматического распознавания речи от NB AI-Lab Национальной библиотеки Норвегии. Она основана на openai/whisper-base и дообучена для работы с норвежской речью, включая букмол и нюнорск, а также с английским языком. В метаданных указано 51,7 млн параметров; карточка описывает семейство NB-Whisper и сообщает, что модели серии обучались на корпусе из 66 000 часов речи. Модель предназначена для расшифровки аудио и может использоваться для транскрипции длинных записей, получения временных меток слов и предложений, а также перевода речи на английский. Для длинного аудио карточка рекомендует обработку фрагментами; увеличение beam size может повысить точность ценой скорости и памяти. Модель доступна для использования через Transformers, также описана конверсия в формат Whisper.cpp. Лицензия — Apache 2.0. Распознавание других языков и качество на шумных или специализированных записях не подтверждены приведёнными данными.

Модель new-clasification-manish разработана Манишем Неги (Isuremedia) для классификации новостных заголовков и статей на шесть категорий. Это дообученная DistilBERTForSequenceClassification на базе distilbert/distilbert-base-multilingual-cased; модель принимает текст на английском и хинди и поддерживает контекст до 512 токенов. В карточке указана точность 78% на тестовом наборе. Среди примеров категорий — политика, спорт и бизнес; источники обучающих данных включают новостные издания Индии и BBC Hindi. Модель распространяется по лицензии MIT.

Модель samandar1105/news-classifier — классификатор новостных статей на основе DistilBERT, дообученный на датасете AG News из 120 000 обучающих примеров. Она относит текст к одной из четырёх категорий: World, Sports, Business или Sci/Tech. Модель предназначена для автоматической тематической сортировки новостей и разметки новостных потоков. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Контекст составляет до 512 токенов. В README указаны accuracy и F1 по 0,9447; лицензия в предоставленных данных не приведена.

kartashoffv/news_topic_classification — дообученная модель BERT для классификации текста по темам новостей. Она основана на русскоязычной DeepPavlov/rubert-base-cased и содержит 205,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для присвоения новостным текстам тематических меток и может использоваться в автоматической сортировке новостей и тематической разметке публикаций. В карточке приведён результат F1 0,8712 на оценочном наборе, но название и состав набора, схема классов и методика оценки не раскрыты. Модель работает с текстом и выдаёт классификационные метки. Используются форматы PyTorch и safetensors; лицензия в предоставленных данных не указана.

SlaviSolakchiev/news-topic-distilbert-multilingual-4class — дообученная модель классификации текста на базе distilbert/distilbert-base-multilingual-cased. Она предназначена для отнесения новостных текстов к четырём тематическим классам; конкретные названия классов и описание обучающих данных в карточке не приведены. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст и выдаёт метку класса. Максимальная длина контекста — 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9167 и F1 0,9164. Эти показатели относятся к приведённой выборке и сами по себе не гарантируют качество на других данных. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Это GGUF-пересборка BF16 модели NOESIS-Qwen3-TTS-1.7B-Talker-Combo-LLM2-ASR2, подготовленная mradermacher. Базовая модель AMAImedia объединяет Qwen3-TTS Talker и языковые адаптеры для многоязычного синтеза речи в системе дубляжа NOESIS; в репозитории представлены статические варианты GGUF и мультимодальные дополнения mmproj. Модель предназначена для преобразования текста в речь, включая сценарии многоязычного дубляжа и клонирования голоса. В тегах указаны поддержка 112 языков, voice cloning и zero-shot voice cloning. Для запуска GGUF нужны совместимые средства; README содержит варианты файлов и общие указания по их использованию, но не описывает точную процедуру синтеза или условия клонирования голоса. Репозиторий распространяется по лицензии Apache-2.0. Данных о размере контекста и конкретных ограничениях качества в карточке нет.

opencode-r2 — модель компьютерного зрения, дообученная на базе facebook/detr-resnet-50 для анализа страниц исторических газет и периодических изданий. Она обнаруживает объекты и возвращает для них классы и ограничивающие рамки в формате COCO: фотографии, иллюстрации, карты, комиксы и карикатуры, редакционные карикатуры, заголовки и объявления. Модель обучена на наборе Beyond Words от Library of Congress: 2 846 обучающих и 712 проверочных примеров. На проверочной выборке COCO mAP при IoU от 0,5 до 0,95 составила 0,2842, а AP при IoU 0,5 — 0,4189. Веса представлены в формате safetensors; лицензия — Apache-2.0. Модель подходит для разметки и поиска визуальных и редакционных элементов в оцифрованной исторической прессе. Обучение проводилось с ограниченным бюджетом на одной GPU; качество заметно различается между классами, а для очень мелких текстовых блоков точность зависит от разрешения изображения.

Open Diffusion V1 (OD-v1) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Она предназначена для создания изображений по запросам на естественном языке и доступна для использования через Diffusers, Gradio-демо и Docker-демо. В метаданных указаны поддержка английского, французского и русского языков, а также форматы Diffusers, PyTorch и SafeTensors. Модель распространяется по лицензии CreativeML-OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, архитектурные детали или известные ограничения качества; результат генерации зависит от текстового запроса.

Oryx-1.5-7B — мультимодальная модель THUdyh на 7,1 млрд параметров, дообученная на данных Oryx-SFT-Data на основе Qwen2.5-7B-Instruct и визуального энкодера Oryx-ViT. Она принимает изображения и видео произвольного пространственного размера и временной длины и формирует текстовые ответы; контекст составляет 32 768 токенов. Модель рассчитана на анализ визуальных материалов и диалог по их содержимому, поддерживает английский и китайский языки. Модель опубликована в формате safetensors под лицензией Apache-2.0. В карточке также указаны интерфейсы чата и вызова инструментов. README описывает обучение на смеси 1,2 млн примеров изображений и видео.

Google PaliGemma 2 3B FT DOCCI 448 — мультимодальная модель на основе Gemma 2 и визуального энкодера SigLIP, дообученная на датасете DOCCI для изображений размером 448×448. Она принимает изображение и текстовый запрос и генерирует текст; семейство PaliGemma 2 поддерживает несколько языков. Репозиторий содержит веса в формате bfloat16 и использует библиотеку Transformers. Модель предназначена для описания изображений и других задач «изображение — текст». Её можно применять для генерации подписей к изображениям и ответов на вопросы о визуальном содержимом. Это однораундовая модель, а не чат-бот с многошаговым диалогом; качество зависит от ясности запроса, и ответы могут содержать фактические ошибки или отражать смещения обучающих данных. Лицензия — Gemma; авторы указывают исследовательское применение весов.

gokaygokay/paligemma-rich-captions — дообученная модель семейства PaliGemma, разработанная автором репозитория на базе PaliGemma и обученная на датасете google/docci. Она принимает изображение и текстовый запрос и формирует текстовое описание изображения длиной примерно 200–350 символов. Модель предназначена для создания более подробных подписей к изображениям; автор отмечает снижение числа галлюцинаций. Модель использует архитектуру PaliGemma для условной генерации текста по изображению. В метаданных указаны поддержка английского языка, библиотека Transformers и формат весов safetensors. Лицензия — Apache-2.0. Данные не сообщают размер модели или длину контекста.

PEGASUS Indonesian Base Finetune — модель семейства PEGASUS, дообученная автором репозитория на наборах Indosum, Liputan6 и XLSum для суммаризации текстов на индонезийском языке. Она предназначена прежде всего для создания кратких сводок новостных статей. Модель имеет архитектуру PegasusForConditionalGeneration, содержит 66,8 млн параметров, принимает текст и выдаёт текст; максимальная длина контекста составляет 1024 токена. В карточке приведены оценки ROUGE и BERTScore на трёх обучающих наборах. Модель не учитывает регистр, плохо обрабатывает специальные символы, кроме запятой и точки, и может работать хуже на текстах, отличных от новостных статей. Распространяется по лицензии Apache-2.0.

photo Movie C1 — вариант модели генерации изображений семейства photo Movie, опубликованный Yntec. Это версия без EMA, основанная на Yntec/photoMovieXFinal и дообученная для создания изображений по текстовому описанию. Модель предназначена для генерации реалистичных и стилизованных изображений, включая портреты, пейзажи, городские и киберпанк-сцены, а также кинематографические и цифровые иллюстрации. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование с библиотекой Diffusers. В карточке приведены примеры запросов на английском языке с разными художественными стилями и визуальными эффектами. Лицензия — CreativeML OpenRAIL-M.

Qwen-Image — базовая модель генерации изображений из серии Qwen, представленная разработчиками Qwen. Она предназначена для создания изображений по текстовым запросам и редактирования изображений: поддерживает перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляции с позой человека. Модель также заявлена для задач понимания изображений, включая обнаружение объектов, семантическую сегментацию, оценку глубины и контуров, синтез новых ракурсов и сверхразрешение. Среди сильных сторон авторы отмечают точное отображение текста и сохранение композиции, особенно для китайского языка; заявлена также поддержка английского и разнообразных визуальных стилей. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Qwen-Image — базовая модель генерации изображений из серии Qwen, разработанная командой Qwen. Она предназначена для создания изображений по текстовым описаниям и редактирования изображений с помощью инструкций. Модель поддерживает разные художественные стили, включая фотореализм, живопись, аниме и минималистичный дизайн. Сильная сторона модели — точное встраивание текста в изображение, особенно китайского, а также работа с композицией и типографикой. Среди описанных сценариев редактирования — перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляция позой человека. README также перечисляет задачи понимания изображения, такие как обнаружение объектов, сегментация и оценка глубины, но основная задача модели в метаданных — генерация изображений по тексту. Модель доступна в форматах Diffusers и Safetensors, использует библиотеку Diffusers и распространяется по лицензии Apache-2.0. В README не приведены количественные характеристики модели и контекстного окна.

Карточка модели binocheese/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели c44sh/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели donutking20/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели liskasYR/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений, представленная командой Qwen. Компонент визуальной генерации содержит 7 млрд параметров и построен на 32 слоях одно-поточного DiT. Модель поддерживает обычные и прозрачные изображения RGBA, а также редактирование с использованием до 10 референсных изображений, масок и локальных пометок. Модель предназначена для создания изображений по текстовым запросам, редактирования отдельных областей, извлечения объектов из фотографий и сохранения внешности людей или товаров при работе с референсами. Среди заявленных улучшений — смешанное внимание с разной гранулярностью, повторное использование prefix KV cache, более точная типографика, освещение портретов и детализация текстур. Репозиторий содержит веса в формате Safetensors для Diffusers. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Карточка заявляет высокую эффективность инференса, но не приводит независимых оценок качества или требований к оборудованию.

Карточка модели Rzie227535844/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели Supbatomic/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели Wososo/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений. В README указана визуальная генеративная часть размером 7 млрд параметров: она построена на 32 слоях Single-Stream DiT. Модель поддерживает создание обычных и прозрачных изображений в формате RGBA, редактирование прозрачных слоёв и выделение объектов на фотографиях. Модель предназначена для генерации изображений по текстовому описанию и редактирования с опорой до 10 референсных изображений. Для задания локальных изменений можно использовать круги, нарисованные пометки или отдельные маски; также заявлено сохранение внешности людей и товаров. Среди заявленных улучшений — отрисовка текста, текстуры, освещение портретов и детализация. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели LanguaMan/Qwen-Image-2.1-FP8 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1-FP8, поэтому описание составлено по ней. unsloth/Qwen-Image-2.1-FP8 — квантованная версия Qwen-Image-2.1, опубликованная Unsloth для запуска через Diffusers. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений; компонент генерации содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. В комплект также входит предварительно приведённая к FP8 копия текстового энкодера Qwen3-VL. Модель создаёт обычные и прозрачные изображения RGBA, поддерживает редактирование с помощью референсов (до 10 изображений), круговых пометок, нарисованных аннотаций или масок. Среди заявленных сильных сторон — экономия вычислительных ресурсов благодаря FP8/INT8-квантованию, точная отрисовка текста, проработка текстур и сохранение сходства людей и товаров при редактировании. Карточка указывает лицензию «other», но не приводит её условия; перед использованием следует проверить лицензионные условия базовой модели и репозитория.

Qwen-Image-2.1-MLX-4bit — 4-битная квантованная версия модели Qwen-Image-2.1, подготовленная MindCraft Studio для работы на компьютерах Mac с Apple Silicon через MLX. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений по инструкциям на естественном языке; при редактировании поддерживает от одного до десяти референсных изображений. Модель понимает запросы на английском и китайском языках и умеет создавать изображения с прозрачностью RGBA. Квантованные веса занимают около 11,6 ГБ; README указывает поддержку чипов Apple Silicon M1–M5. Лицензия — Qwen Research License Agreement, как у исходной модели.

Карточка модели KasugaiSakura/Qwen-Image-2.1-Original на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

NVIDIA RE-USE — модель для универсального улучшения речи: она очищает и восстанавливает аудио с шумом, реверберацией, клиппингом, ограниченной полосой частот, артефактами кодека или потерями пакетов. Модель рассчитана на исследователей и пользователей, которым нужно повысить качество речевых записей, сохранив содержание, голос говорящего, эмоции и акцент. Архитектура сочетает свёрточные кодировщик и декодировщик с двунаправленной Mamba из 30 слоёв для обработки временно-частотных представлений; размер модели — 9,6 млн параметров. Она принимает и выдаёт монофонический WAV с частотой дискретизации от 8 до 48 кГц, поддерживает несколько входных частот и заявлена как языконезависимая. В обучающих данных представлены английский, немецкий, испанский, французский и китайский языки. Модель предназначена для исследований и разработок; README не содержит сведений о её лицензии сверх метаданных Hugging Face, где указано значение «other». Для практического применения требуется проверка на данных конкретного сценария. Модель ориентирована на NVIDIA GPU, в частности A100, и Linux.