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

AuroraCap-7B-VID-xtuner — мультимодальная модель для создания подписей к изображениям и видео. Это вариант AuroraCap в формате Xtuner, разработанный для инференса и дальнейшего обучения; в карточке указаны ссылки на статью, код и обучающий набор AuroraCap-trainset. Модель основана на Vicuna 7B v1.5 16K с архитектурой Llama и содержит 6,6 млрд параметров. Она принимает визуальные данные и формирует текстовые описания; заявленный контекст составляет 4096 токенов. В метаданных основной задачей автора указана генерация текста, однако назначение модели и тег video-text-to-text указывают на описание видео. Модель распространяется под лицензией Apache-2.0. README отмечает, что формат Xtuner подходит для инференса и продолжения обучения; заявлена также возможность ускорять обучение с помощью объединения токенов при сохранении близкого качества. Подробности о поддерживаемых языках и ограничениях качества не приведены.

ainize/bart-base-cnn — модель BART-base, дообученная Ainize с помощью Teachable-NLP на наборе CNN/DailyMail для суммаризации. BART использует архитектуру encoder-decoder: двунаправленный энкодер и авторегрессионный декодер; в репозитории указано около 95,2 млн параметров, максимальный контекст — 1024 токена. Модель предназначена для создания кратких абстрактивных пересказов англоязычных статей и новостных материалов. Она принимает текст и генерирует текстовое резюме; карточка также упоминает пригодность BART для других задач понимания и генерации текста, но основная задача этой версии — суммаризация. Модель опубликована под лицензией Apache-2.0. Её обучение на CNN/DailyMail ориентирует её на новостные тексты; качество на других жанрах и языках может отличаться, а вход ограничен контекстом в 1024 токена.

Карточка модели wide-video/BEN2-v1.0.0 на Hugging Face совпадает с карточкой PramaLLC/BEN2, поэтому описание составлено по ней. BEN2 (Background Erase Network 2) — модель сегментации переднего плана и удаления фона, разработанная PramaLLC. Она использует конвейер Confidence Guided Matting: сеть-уточнитель обрабатывает пиксели с низкой уверенностью базовой модели, улучшая маски и края объектов. Модель обучена на DIS5k и внутреннем наборе данных из 22 тысяч примеров сегментации. BEN2 предназначена для отделения объектов от фона, в том числе при обработке волос и сложных контуров; README также описывает пакетную обработку изображений и сегментацию видео. Указана поддержка обработки изображений с разрешением до 4K. В репозитории представлены форматы ONNX и safetensors. Открытая базовая модель доступна по лицензии MIT. Полная версия предлагается через веб-демо или API. README не сообщает подробностей о поддерживаемых языках и ограничениях качества.

xiomi0504/bge-m3-peliculas-finetuned — Sentence Transformer на базе BAAI/bge-m3, дообученный для семантического поиска по текстам о фильмах. Модель преобразует предложения и абзацы в плотные векторы размерностью 1024; для сравнения используется косинусное сходство. Архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию векторов. Модель предназначена для получения эмбеддингов и поиска релевантных текстов о фильмах. Она принимает текст, поддерживает последовательности до 256 токенов согласно README, а в метаданных указано ограничение контекста 8194 токена. Обучение выполнено на 1600 примерах с функцией MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

BiRefNet-matting — модель Peng Zheng и соавторов для высококачественного выделения переднего плана на изображениях, в частности людей и объектов с тонкими контурами. Она основана на архитектуре BiRefNet и предназначена для сегментации и маттинга: по изображению создаёт маску переднего плана, которую можно использовать для удаления или замены фона. В карточке указаны обучение на наборах данных для сегментации людей и изображений с разнообразными объектами и результат на тестовом наборе TE-P3M-500-NP. Модель распространяется в формате safetensors и использует библиотеку BiRefNet. Лицензия — MIT. Карточка ссылается на основной репозиторий BiRefNet за инструкциями по использованию; подробности о размере модели и требованиях к запуску здесь не приведены.

Breeze ASR 25 — это модель распознавания речи MediaTek Research, дообученная на базе Whisper-large-v2. Она предназначена для транскрибации тайваньского мандаринского китайского языка, включая традиционное письмо, а также речи с переключением между китайским и английским языками внутри фраз и между фразами. Улучшенное выравнивание временных меток подходит для автоматического создания субтитров. Модель имеет архитектуру Whisper и содержит около 905,2 млн параметров. В описании приведены результаты на коротких и длинных аудиозаписях: на нескольких тестах Breeze ASR 25 показывает более низкую частоту ошибок слов, чем сравниваемые версии Whisper и COOL-Whisper. Данные обучения включают синтетическую китайскую речь, английскую речь Common Voice и примеры переключения языков. Модель принимает аудио и выдаёт текстовую транскрипцию. Карточка указывает лицензию Apache-2.0. Оптимизация ориентирована на тайваньский мандаринский и китайско-английскую речь; качество для других языков и условий записи в карточке не охарактеризовано.

Это модель для автоматического реферирования текстов на французском языке, созданная на основе camembert-base. Архитектура — encoder-decoder на базе RoBERTa; веса доступны в форматах PyTorch и Safetensors. Модель дообучена на французской части MLSUM — корпуса газетных статей и их кратких изложений. Модель предназначена для создания краткого содержания французских новостных статей. В README приведён пример обработки текста и оценка на тестовой выборке MLSUM: ROUGE-2 F1 составляет 13,30. Пример использования ограничивает вход 512 токенами, поэтому длинные статьи могут обрабатываться не полностью. В метаданных лицензия не указана.

CapRL-InternVL3.5-8B — мультимодальная модель для описания изображений, разработанная авторами проекта CapRL на основе InternVL3.5-8B от OpenGVLab. Это плотная модель семейства InternVL с 8 млрд параметров, предназначенная прежде всего для генерации развернутых и содержательных подписей к изображениям. Она принимает изображения и текстовые запросы и формирует текстовый ответ; для запуска авторы описывают использование Transformers и совместимого с OpenAI API сервера vLLM. Модель обучена в рамках CapRL — подхода с обучением с подкреплением на проверяемых наградах для открытой задачи описания изображений. В README также отмечены диаграммы, инфографика, документы и природные изображения как сценарии серии CapRL; заявленные сравнительные результаты относятся к CapRL-3B, поэтому их нельзя напрямую считать подтверждением характеристик этой 8B-модели. Модель выпущена под лицензией Apache-2.0. В доступных данных не приведены сведения о длине контекста.

Chichu-Video-1.0 — компактная языковая модель Sebastianpro88 для генерации сценариев видеороликов. Она дообучена на базе Qwen2.5-0.5B-Instruct и предназначена для создания структурированных сценариев: описаний сцен для моделей text-to-video, диалогов персонажей, закадрового текста и звуковых подсказок. Модель имеет архитектуру Qwen2 dense с 494 млн параметров и работает через Transformers. Контекст составляет до 32 768 токенов. Карточка указывает английский язык; модель генерирует текст и сама не создаёт видео или аудио. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке репозитория.

CIM-LLaVA1.5-7B-SFT — мультимодальная модель семейства LLaVA, дообученная авторами с помощью SFT и GRPO с наградой Cross-modal Identity Mapping (CIM), описанной в статье CVPR 2026. Она предназначена для создания точных подробных подписей к изображениям: награды Gallery Representation Consistency и Query-gallery Image Relevance помогают сохранять информацию об изображении при преобразовании в текст без дополнительных аннотаций. Модель принимает изображение и текстовый запрос и генерирует текст; её можно использовать для описания содержимого изображений и ответов на вопросы о них. Это дообучение LLaVA-1.5-7B, архитектура LlavaForConditionalGeneration, плотная модель с контекстом 4096 токенов. Репозиторий использует формат safetensors и лицензию Llama 2.

thwri опубликовал дообученную версию Florence-2-large от Microsoft для создания описаний изображений. Модель обучена на 40 000 изображений из поднабора Ejafa/ye-pop с подписями, сгенерированными THUDM/cogvlm2-llama3-chat-19B. Модель принимает изображение и формирует текстовое описание; в метаданных также заявлены задачи генерации текста и описания изображений. Основа Florence-2-large поддерживает описание изображений, обнаружение и локализацию объектов, сегментацию и OCR по текстовым запросам, однако README описывает дообучение именно для captioning. Карточка не сообщает размер контекста или точный размер модели. Модель распространяется по лицензии MIT.

Карточка модели dddv587/CogFlorence-2.2-Large на Hugging Face совпадает с карточкой thwri/CogFlorence-2.2-Large, поэтому описание составлено по ней. thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Карточка модели dngerle/CogFlorence-2.2-Large на Hugging Face совпадает с карточкой thwri/CogFlorence-2.2-Large, поэтому описание составлено по ней. thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Compassmix XL — модель генерации изображений по текстовому описанию в формате Diffusers. Её создал lodestone-rock для frosting.ai; для генерации рекомендуется использовать 8 шагов. Модель предназначена для создания изображений по текстовым запросам. В карточке не указаны размер модели, базовая модель, языки, лицензия и специальные ограничения на применение, поэтому эти характеристики здесь не уточняются.

control-r3 — модель обнаружения объектов, разработанная на основе DETR с backbone ResNet-50 и дообученная для анализа газетных страниц. Она находит ограничивающие рамки семи типов областей макета: например, заголовков, фотографий, иллюстраций, карт, объявлений и комиксов. Модель принимает RGB-изображение страницы, изменяет его размер до 600 × 600 и возвращает метки классов с рамками объектов. Модель предназначена для анализа оцифрованных исторических и современных газет, архивной каталогизации и предварительной разметки страниц. Она обучена на наборе biglam/loc_beyond_words; на валидационной выборке качество заметно различается между классами: заголовки и объявления обнаруживаются хорошо, фотографии и комиксы — приемлемо, а редкие классы, включая карты и иллюстрации, распознаются ненадёжно. Это детектор областей макета, а не система OCR или распознавания рукописного текста; результаты для редких классов и страниц, отличающихся от обучающих данных, следует проверять. Модель использует архитектуру DETR с ResNet-50, 100 запросами и шестью слоями энкодера и декодера. Она дообучена от facebook/detr-resnet-50 и распространяется по лицензии Apache 2.0.

CyberIllustrious Semi-Real — модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией cyberdelia. Модель относится к семейству Stable Diffusion XL (SDXL) и предназначена для использования с библиотекой Diffusers. Модель ориентирована на создание полуфотореалистичных изображений в стилях CyberRealistic и Illustrious, включая художественные и фотореалистичные сцены. Она подходит для генерации иллюстраций, концепт-артов и визуальных материалов по текстовым промптам. Лицензия модели — CreativeML Open RAIL-M.

daT5-summariser — модель для абстрактивного суммирования новостных статей на датском языке. Она разработана на основе языковой версии mT5-base с сокращённым словарём, включающим токены датского и английского языков, и содержит 122,1 млн параметров. Модель дообучена на абстрактивной части датасета DaNewsroom с категориями плотности, применяемыми в Newsroom. Модель принимает текст статьи и генерирует её краткое изложение. Она предназначена для автоматического создания кратких пересказов датских новостей; карточка также указывает английские токены в словаре, но не заявляет о суммировании на английском языке. Репозиторий содержит веса PyTorch и Safetensors. Лицензия и длина контекста в предоставленных данных не указаны.

Edda v0.1 — датская модель распознавания речи, разработанная Danish Foundation Models. Это полное дообучение Whisper Large v3 Turbo с 809 млн параметров и исходной архитектурой Whisper: энкодером и декодером с фиксированными аудиоокнами длиной 30 секунд. Модель обучена на 2 600 часах датской речи из шести открытых корпусов; для длинных записей поддерживается обработка окнами по 30 секунд. Модель предназначена для преобразования датской речи в текст, включая парламентские выступления, чтение вслух и разговорную речь. В описанном авторами тестировании она показала средний WER 9,20 на пяти наборах датского ASR-бенчмарка. README приводит отдельные результаты для CoRal-v3 и Common Voice; заявленная скорость измерена на AMD MI250X GCD. Выходная транскрипция следует стилю разметки обучающих корпусов: например, на парламентских записях модель может пропускать повторы и перезапуски фраз. На очень длинных записях, тишине или музыке возможны повторения фрагментов; для таких случаев авторы рекомендуют делить аудио на части по паузам. Работа с детской речью, сильными ненативными акцентами, телефонным аудио и пением не проверялась. Лицензия — Apache-2.0.

Карточка модели OsGo/ERNIE-Image-Turbo на Hugging Face совпадает с карточкой baidu/ERNIE-Image-Turbo, поэтому описание составлено по ней. ERNIE-Image-Turbo — модель генерации изображений по текстовому описанию, разработанная командой ERNIE-Image компании Baidu. Это дистиллированная версия ERNIE-Image на основе одно-поточной архитектуры Diffusion Transformer (DiT), распространяемая в формате Diffusers с весами Safetensors и лицензией Apache 2.0. Модель предназначена для быстрого создания изображений по сложным запросам: она генерирует результат за 8 шагов и рассчитана на сценарии, где важны точное следование инструкции и композиция. Среди заявленных сильных сторон — отрисовка длинного текста, постеры, инфографика, комиксы, раскадровки и многопанельные макеты; также поддерживаются фотореалистичные и стилизованные изображения. Авторы сообщают, что модель может запускаться на потребительских GPU с 24 ГБ видеопамяти. Модель принимает текстовые запросы и выдаёт изображения. В карточке показаны результаты тестов на английском и китайском языках, но другие поддерживаемые языки не перечислены. Качество зависит от запроса и сценария; результаты бенчмарков в README относятся к ERNIE-Image, а не отдельно к Turbo, поэтому их нельзя напрямую считать оценкой этой версии.

unsloth/ERNIE-Image-Turbo-GGUF — GGUF-квантизированная версия модели ERNIE-Image-Turbo, разработанной командой ERNIE-Image компании Baidu и подготовленной Unsloth. Это модель генерации изображений по текстовому описанию, основанная на семействе одно-поточных Diffusion Transformer (DiT) и оптимизированная для быстрого вывода всего за 8 шагов диффузии. Модель предназначена для создания изображений по сложным инструкциям, включая реалистичные фотографии, дизайн-ориентированные изображения и стилизованные сцены. Она особенно хорошо подходит для постеров, инфографики, комиксов, раскадровок, много-панельных композиций и других задач, где важны корректное размещение объектов, структура изображения и читаемый текст. Заявлены сильные возможности следования многоэлементным инструкциям, рендеринга плотного и длинного текста, а также генерации изображений с заданной композицией. Ключевая особенность этой версии — квантизация в формате GGUF с использованием методологии Unsloth Dynamic 2.0: важные слои переведены в более высокую точность для сохранения качества. По данным README, компактный размер позволяет запускать модель на потребительских GPU с 24 ГБ видеопамяти. Точные параметры модели, поддерживаемые языки и размер контекстного окна не указаны. Поскольку это квантизированная версия, характеристики качества и совместимость могут зависеть от используемого рантайма; в README упоминаются инструменты ComfyUI-GGUF. Модель распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи на основе wav2vec2, дообученная jssaluja на базе facebook/mms-1b-all. Она предназначена для преобразования аудио на пенджаби в текст; обучение проводилось на наборах с речью, аудиокнигами, киртаном, подкастами, лекциями и другими записями. Модель содержит 1,3 млрд параметров и использует архитектуру Wav2Vec2ForCTC. В карточке приведены результаты оценки: WER 0,3195 и CER 0,0798. Это указывает на ошибки распознавания, поэтому результат может требовать проверки и исправления, особенно для аудио вне тематики и условий обучающих данных. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое использование.

Это дообученная модель spacemanidol на базе google/flan-t5-small для суммаризации новостных статей CNN/DailyMail версии 3.0.0. Она использует архитектуру T5 с 45,8 млн параметров и принимает текст длиной до 512 токенов.

F Lite 7B — диффузионная модель генерации изображений по тексту, разработанная Freepik и Fal. Модель содержит 7 млрд параметров и получена дистилляцией F Lite; по заявлению разработчиков, она обеспечивает сопоставимое с более крупной моделью качество изображений при меньших затратах времени и памяти. Модель предназначена для создания изображений по описательным запросам. Она ориентирована на безопасную для авторских прав генерацию и контент без откровенных материалов. Для лучших результатов рекомендуется использовать подробные промпты и генерировать изображения размером более одного мегапикселя. Репозиторий распространяется в формате Diffusers с весами Safetensors; лицензия — CreativeML Open RAIL-M. Ограничения включают возможные искажения объектов, слабую отрисовку текста внутри изображений и потенциальные социальные и эстетические предубеждения. Короткие запросы и низкое разрешение могут ухудшать результат.

FlowDIS — модель сегментации изображений, разработанная Picsart AI Research. Она выделяет передний план и может использовать текстовую подсказку, чтобы уточнить, какие объекты следует оставить на переднем плане. Модель предназначена для удаления фона и выделения объектов на изображениях, в том числе когда без подсказки неоднозначно, какой элемент нужно сохранить. В метаданных указаны библиотека flowdis и набор данных DIS5K; веса представлены в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, представленная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для запуска через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по текстовым запросам, включая творческие проекты и приложения, которым важны качество результата и следование описанию. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование. Для производных моделей также перечислены ограничения на незаконное использование, вред несовершеннолетним, создание вредоносной дезинформации и другие виды злоупотребления. Модель не предназначена для предоставления фактической информации. Результат может не соответствовать запросу, а следование промпту зависит от его формулировки; модель также может усиливать общественные предубеждения.

Карточка модели tripathiarpan20/FLUX.1-schnell на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-schnell, поэтому описание составлено по ней. FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для работы через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по промптам и может использоваться в творческих, научных и коммерческих проектах. Качество генерации и следование промпту конкурентоспособны с закрытыми моделями, но результат зависит от формулировки запроса и может не совпасть с ним. Модель не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Лицензия — Apache-2.0; README также перечисляет ограничения на незаконное и вредоносное использование.

FLUX.1 [schnell] — модель генерации изображений из текстовых описаний, разработанная Black Forest Labs и перепубликованная Unsloth в виде зеркала с неизменёнными весами. Это rectified flow transformer с 12 млрд параметров, распространяемый в форматах Diffusers и Safetensors. Модель предназначена для быстрого создания изображений по текстовым запросам: благодаря дистилляции latent adversarial diffusion она генерирует результат за 1–4 шага. Карточка отмечает высокое качество изображений и хорошее следование запросу, при этом результат зависит от формулировки промпта. Модель не предназначена для выдачи фактических сведений, может не следовать запросу и воспроизводить общественные предубеждения. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование; также действуют ограничения на недопустимые сценарии, перечисленные в карточке.

magespace/FLUX.1-schnell-bnb-nf4 — квантованная версия FLUX.1 [schnell], разработанной Black Forest Labs и опубликованной пользователем Mage.Space. Это модель генерации изображений по текстовому описанию, совместимая с Diffusers и FluxPipeline. В репозитории указаны формат Safetensors, NF4-квантование через bitsandbytes и 4-битные веса трансформера; размер модели в метаданных Hugging Face составляет около 6 млрд параметров. Архитектура включает FluxTransformer2DModel с 24 головами внимания, 19 слоями attention и 38 однотактными слоями.

OlafCC/flux1-schnell.safetensors — репозиторий с весами модели FLUX.1 [schnell], разработанной Black Forest Labs и размещённой пользователем OlafCC на Hugging Face. Это модель text-to-image для генерации изображений по текстовым описаниям. Модель представляет собой rectified flow transformer размером 12 млрд параметров с гибридной архитектурой мультимодальных и параллельных diffusion-transformer блоков. Благодаря latent adversarial diffusion distillation она рассчитана на быстрое создание изображений обычно за 1–4 шага; файл весов имеет размер около 23,8 ГБ и используется через Diffusers или совместимые локальные инструменты. Поддерживаемая модальность — текстовый запрос на входе и изображение на выходе. Оригинальная модель FLUX.1 [schnell] выпущена под лицензией Apache 2.0, допускающей личное, научное и коммерческое использование с соблюдением условий лицензии. Модель не предназначена для предоставления фактической информации, может не точно следовать запросу и усиливать общественные предубеждения; качество результата зависит от формулировки промпта.

silveroxides/FLUX.2-dev-fp8_scaled — версия FLUX.2 [dev] от silveroxides, основанная на модели Black Forest Labs. Это FP8 scaled-вариант 32-миллиардной rectified flow transformer, предназначенный для генерации изображений по тексту, редактирования изображений и работы с одним или несколькими референсами. Карточка репозитория отмечает ускорение при использовании указанного workflow и специального загрузчика, в том числе на видеокартах с меньшим объёмом видеопамяти. Модель принимает текстовые инструкции и изображения, выдаёт изображения; заявленный язык карточки — английский. Для запуска автор рекомендует workflow и загрузчик для ComfyUI. Модельная карточка указывает лицензию FLUX Dev Non-Commercial License; коммерческое использование весов ограничено её условиями.