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

MusicGen Small — модель генерации музыки по текстовому описанию, разработанная командой FAIR в Meta AI. Это версия семейства MusicGen с 300 млн параметров, построенная на авторегрессионном Transformer и аудиотокенизаторе EnCodec: модель предсказывает четыре кодбука аудио за один проход. Она обучена на аудиоданных с частотой 32 кГц и генерирует музыку по текстовым подсказкам; в README также описан режим с аудиоподсказкой для семейства MusicGen, но этот чекпойнт предназначен для генерации по тексту. Модель подходит для создания музыкальных фрагментов по описанию жанра, настроения или инструментов, а также для изучения управляемой генерации музыки. Лучше реагирует на английские описания. Модель не генерирует реалистичный вокал, может затихать до окончания фрагмента и не одинаково хорошо охватывает разные музыкальные стили и культуры; для получения нужного результата может потребоваться подбор формулировки запроса. Веса распространяются по лицензии CC-BY-NC 4.0, код — по MIT; для прикладного использования авторы рекомендуют отдельно оценивать риски.

MythoMix-L2-13b — текстовая генеративная модель Gryphe, созданная экспериментальным слиянием MythoLogic-L2 и Huginn. Модель на архитектуре Llama с плотной архитектурой и 12,9 млрд параметров; для диалога используется формат Alpaca, а контекст составляет до 4096 токенов. Модель предназначена прежде всего для ролевых диалогов и написания историй. Автор сообщает, что слияние 360 тензоров с индивидуальными коэффициентами позволило объединить понимание текста MythoLogic-L2 с писательскими способностями Huginn. Лицензия указана как other; конкретные условия следует уточнять в репозитории модели.

NarraThinker12B — текстовая генеративная модель ClaudioItaly, полученная слиянием методом SLERP двух моделей: nbeerbower/mistral-nemo-gutenberg-12B-v4 и NeverSleep/Lumimaid-v0.2-12B. Она предназначена для диалоговой генерации и продолжения художественного текста; в метаданных также отмечен интерфейс вызова инструментов. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Заявленная длина контекста — 1 024 000 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Данные о лицензии и конкретно поддерживаемых естественных языках не предоставлены.

NarrativAI Reflection — дообученная модель passthepizza на архитектуре Llama 3.1 8B, предназначенная для творческого письма и ролевых сценариев. Она генерирует внутренний монолог персонажа до ответа, реплики и действия в диалоге, а также рефлексию после ответа, учитывая заданные в запросе характер, эмоции и ситуацию. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекстное окно до 131 072 токенов. Принимает текстовые запросы и выдаёт текст; в карточке указан английский язык. Лицензия — MIT. Модель подойдёт для создания ролевых персонажей и сцен, но может опираться только на переданный контекст, испытывать трудности со сложными ситуациями и воспроизводить предубеждения и стереотипы из обучающих данных.

Это дообученная NVIDIA Nemotron 3.5 ASR Streaming 0.6B модель для потокового распознавания речи на гаитянском креольском (Kreyòl Ayisyen). Она использует архитектуру FastConformer RNN-T с учётом контекста потоковой обработки и языковым промптом; для выбора языка требуется указать `target_lang="ht-HT"`. Модель рассчитана на преобразование аудио в текст и поддерживает настройку размера контекста для компромисса между задержкой и качеством распознавания. На тесте из 332 записей автор сообщает WER 10,11% при задержке 320 мс и CER 2,83%. Модель не сохраняет многоязычное поведение исходного чекпойнта: промпты для французского и английского также могут выдавать креольский текст. Остаточные ошибки связаны, среди прочего, с границами слов, именами и числами; длинные записи изучены хуже, а часть обучающих транскриптов машинно сгенерирована. Для работы README приводит загрузку через NeMo; поддержка Transformers не заявлена. Лицензия в метаданных указана как `other`, без уточнения условий в предоставленной карточке.

NetaYume Lumina Image v2.0 — модель генерации изображений по текстовому описанию, созданная Neta.art Lab на основе Neta Lumina и Lumina-Image-2.0 от команды Alpha-VLLM при Shanghai AI Laboratory. Модель дообучена для создания реалистичных изображений людей и детализированных иллюстраций в аниме-стиле. Она лучше передаёт персонажей, в том числе описанных тегами Danbooru, и прорисовывает контуры, цвета, одежду, причёски, аксессуары и фон. Веса объединены в файл safetensors со встроенными компонентами VAE, текстовым кодировщиком и моделью изображения; автор рекомендует использовать его в ComfyUI. Текстовый кодировщик основан на Gemma-2-2b, а VAE — на Flux.1 dev. Модель подойдёт для создания аниме-иллюстраций и изображений по текстовым промптам. Репозиторий распространяется по лицензии Apache-2.0.

NetaYume Lumina Image 2.0 Diffusers v35 pretrained — модель генерации изображений по текстовому описанию в формате Diffusers. Она создана на основе объединения Alpha-VLLM/Lumina-Image-2.0 и neta-art/Neta-Lumina; карточка рекомендует использовать Danbooru-теги для аниме-иллюстраций и обычные текстовые запросы для изображений общего назначения. В README приведены рекомендуемые настройки: CFG 4–7 и 40–50 шагов сэмплирования. Модель принимает текст и генерирует изображения. Базовая Neta Lumina предназначена для аниме-иллюстраций; также заявлена ориентация на точное соответствие изображения текстовому запросу. Репозиторий распространяется в формате Diffusers и Safetensors по лицензии Apache-2.0.

inu-ai разработала niji-diffusion-xl-base-1.0 — модель генерации изображений на основе Stable Diffusion XL Base 1.0, настроенную на аниме и иллюстративную стилистику. По карточке, модель обучали на изображениях из набора niji-v5: применяли LoRA-файнтюнинг, а затем объединяли адаптеры с SDXL; в истории также описаны полноточечное дообучение, дополнительные слияния и корректировки. Репозиторий содержит веса в форматах Diffusers и Safetensors. Модель предназначена для создания аниме-иллюстраций по текстовым промптам, например персонажей и сцен с цветочными мотивами. Автор предупреждает, что обучение было ограниченным по объёму, поэтому длинные промпты с множеством элементов могут ослаблять характерный стиль niji. Лицензия — CreativeML Open RAIL++-M.

OddTheGreat/Nomad_12B_V6 — слитая разговорная модель на архитектуре Mistral, опубликованная OddTheGreat. Она предназначена для диалогов и творческой генерации, особенно для сюжетного письма и ролевых сценариев; автор описывает её как улучшенную версию Badman с более сильными рассуждениями и генерацией эротических ролевых сцен (ERP). Модель содержит 12,1 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает текст и генерирует текст. Карточка сообщает о поддержке русского и английского языков, причём русские возможности унаследованы от предыдущей версии; на полностью русских карточках персонажей она работает немного лучше, а на частично переведённых иногда может менять язык. Поддерживаются форматы диалога ChatML и Mistral, которые дают заметно различающееся поведение. Модель распространяется в формате Safetensors; сведения о лицензии в доступных данных отсутствуют.

NPC Model — языковая модель Gigax для управления неигровыми персонажами в играх. Она дообучена методом LoRA на базе Phi-3-mini-4k-instruct и принимает текстовое описание игровой сцены, после чего генерирует команды навыков персонажа: например, реплику, приветствие или атаку. Можно задавать дополнительные навыки в формате промпта. Модель имеет плотную архитектуру Phi-3 с 3,7 млрд параметров, предназначена для текстовой генерации и диалоговых сценариев на английском языке. Контекст составляет 4096 токенов. Для наилучшей работы требуется строго придерживаться обучающего формата промпта: модель специально переобучена на нём. Веса опубликованы в формате safetensors, лицензия — MIT.

Yntec публикует nuipenimix 2 — модель Stable Diffusion для генерации изображений по текстовым описаниям. Она предназначена для создания иллюстраций, в том числе милых животных в стилизованном оформлении; в карточке приведён пример изображения красной панды в круглой рамке на фиолетовом фоне. Модель распространяется в формате Diffusers и весах safetensors в точности fp16; указана версия без EMA. Лицензия — CreativeML OpenRAIL-M.

omnigenxl-nsfw-sfw — модель генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и предназначенная для использования через сервис ModelsLab. В карточке указано семейство Stable Diffusion XL и поддержка конвейера StableDiffusionXLPipeline; пример запроса показывает генерацию фотореалистичных изображений по prompt и negative prompt с настройкой размера, числа шагов и guidance scale. Модель подходит для создания портретов и других изображений по тексту, в том числе с реалистичной эстетикой. README также показывает параметры усиления запроса и подключения LoRA и embeddings через API ModelsLab. В метаданных указан тег not-for-all-audiences; название модели и пример запроса указывают на поддержку как NSFW-, так и SFW-контента. Модель распространяется по лицензии CreativeML OpenRAIL-M. README описывает доступ к генерации через API ModelsLab и не содержит сведений о весах или локальном запуске.

Ozan-v1-12B — модель на 12,1 млрд параметров, разработанная Arbaz Siddiqui для создания художественной прозы и длинных рассказов с меньшим количеством шаблонных оборотов, характерных для текстов LLM. Это дообученная на базе Mistral-Nemo-Instruct-2407 модель архитектуры Mistral, обученная с помощью QLoRA на отобранных примерах прозы и затем настроенная методом DPO на предпочтение реальной книжной прозы. Модель предназначена для написания сцен и рассказов, развития персонажей и следования творческим инструкциям в диалоговом формате. Модель принимает текстовые запросы и генерирует текст; поддерживает контекст длиной до 131 072 токенов и рассчитана прежде всего на английский язык. В описании приведены результаты оценки художественного мастерства и метрики повторяющихся шаблонных формулировок; модель сильна в голосе и тоне, связности, следовании инструкциям и образности. Среди отмеченных слабых сторон — эмоциональная сложность и неожиданность. Распространяется в формате safetensors по лицензии Apache-2.0; карточка также указывает отдельную GGUF-версию для запуска в совместимых локальных приложениях.

Paint Journey V1 — модель генерации изображений по текстовому описанию, созданная Fred Zhang. Это дообученная на Linux DreamBooth модель Dreamlike Diffusion V1, обученная на 260 отобранных акварельных и цифровых картинах, созданных Disco Diffusion. Она предназначена для создания художественных изображений в этих стилях; автор рекомендует добавлять слово «disco» в начало запроса. Модель совместима с промптами для Stable Diffusion 1.5 и доступна в форматах Diffusers и PyTorch. Для портретов, пейзажей и других сюжетов README приводит рекомендуемые разрешения от 768×768 до 1088×768. Указана лицензия CreativeML OpenRAIL-M. README также предупреждает, что сгенерированные изображения могут содержать анатомические искажения, лишние пальцы, размытие и другие дефекты; для фильтрации небезопасного контента предлагается подключать внешний safety checker.

Vortex5 выпустил Pantheon-Reasoning-26B-A4B-1.1-heretic — вариант модели Gryphe/Pantheon-Reasoning-26B-A4B-1.1 с ослабленным механизмом отказов. Это дообученная модель семейства Gemma 4 с разреженной MoE-архитектурой; репозиторий содержит веса Safetensors. Модель предназначена для ролевого общения, интерактивной прозы и текстовых приключений: она планирует ответ с учётом психологии персонажа, тона и развития сюжета, а также обучена следам рассуждений для выполнения общих инструкций, задач STEM и программирования. Модель использует шаблон чата Gemma 4 и поддерживает диалог на английском языке. В README приведены параметры генерации temperature 1.0, repetition_penalty 1.0 и min_p 0.05. По приведённому сравнению число отказов снизилось со 100 из 100 у исходной модели до 13 из 100. Автор отмечает, что качество ролевых ответов проверялось ограниченно, а польза рассуждений для ролевой игры остаётся экспериментальным вопросом. Лицензия — Apache-2.0.

Peacock — мультимодальная модель семейства InstructBLIP, разработанная UBC-NLP для работы с изображениями на арабском языке. В качестве языковой модели она использует AraLLaMA; модель предназначена для генерации текстовых описаний изображений и ответов о визуальном содержимом. Репозиторий содержит веса PyTorch, а карточка указывает лицензию «other».

Perfect RSB Mix Illustrious v4323 — модель для генерации изображений по текстовому описанию, опубликованная пользователем frakerkill_ и созданная на основе OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для использования с библиотекой Diffusers и реализует StableDiffusionXLPipeline на архитектуре Stable Diffusion XL. Она ориентирована на создание иллюстраций в стилях anime, cartoon и game, включая изображения персонажей, girls и furry; в метаданных также отмечена категория контента для взрослой аудитории.

PiVoT-MoE — языковая модель для ролевых диалогов, созданная maywell. Она использует архитектуру Mixture of Experts на базе Mixtral и объединяет четыре специализированных эксперта; в метаданных указано 10,6 млрд параметров и контекст до 32 768 токенов. Модель предназначена для ведения бесед от лица заданных персонажей и работы с разнообразными ролевыми сценариями. README указывает на базовую модель PiVoT-10.7B-Mistral-v0.2-RP и рекомендует шаблон Alpaca, также совместимый с ChatML. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

PixelEyes-4B — мультимодальная модель визуального рассуждения из семейства Qwen3-VL, представленная как агент для многошагового поиска визуальных свидетельств. Она разделяет рассуждение и детальную локализацию: специализированный компонент восприятия помогает находить нужные области изображения, чтобы агент мог точнее отвечать на вопросы с опорой на визуальные данные. Репозиторий содержит веса модели; дополнительные сведения об обучении и оценке представлены в статье и связанном GitHub-репозитории. Модель предназначена для диалоговых сценариев, где требуется последовательно искать мелкие или точные визуальные детали и использовать их в рассуждении. Метаданные указывают архитектуру Qwen3VLForConditionalGeneration, плотный тип модели, формат safetensors и возможности чата и обработки изображений. Лицензия, размер параметров и длина контекста в предоставленных источниках не указаны.

Poemma 12B — русскоязычная языковая модель, созданная дообучением Mistral Nemo с помощью ORPO. Она предназначена для генерации стихов с нуля и имитации манеры ряда русских поэтов, включая Пушкина, Цветаеву, Ахматову, Есенина и Маяковского. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров; в метаданных указан контекст до 1 024 000 токенов. Карточка описывает генерацию поэзии на русском языке и разговорный формат. Модель распространяется под лицензией Apache-2.0.

Pony-InternVL2-40B-AWQ — дообученная модель purplesmartai на основе OpenGVLab/InternVL2-40B-AWQ, предназначенная для описания содержимого изображений по специализированному запросу Pony V7. Её используют для получения подписей к изображениям с акцентом на их содержание; дополнительные теги к изображению помогают распознавать персонажей, места и действия. Модель построена на архитектуре InternVLChatModel и настроена на чатовый сценарий с изображениями и текстовым запросом; семейство InternVL2 поддерживает обработку визуального ввода и генерацию текста. README сообщает о меньшем числе отказов для разных категорий контента, но не приводит количественной оценки качества. Указана лицензия MIT. В README советуют рассмотреть более новые модели InternVL или Gemini для актуальных возможностей.

Модель LucyintheSky/pose-estimation-front-side-back классифицирует изображения человека по положению тела относительно камеры: спереди, сбоку или сзади. Она создана дообучением Vision Transformer ViT-Base с патчами 16×16 на базе google/vit-base-patch16-224-in21k и предназначена для распознавания ориентации человека на изображении. Модель обучена на изображениях Lucy in the Sky. В карточке указаны точность 0,9355 и loss 0,2524 на оценочном наборе. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

PosterCraft — модель генерации эстетичных постеров по текстовому описанию, разработанная авторами проекта PosterCraft. Она предназначена для создания готовых постерных изображений с выразительной композицией, интеграцией абстрактного искусства и согласованным стилем. Модель ориентирована на точное отображение текста внутри изображения; для улучшения результата авторы предлагают сценарий с автоматической переработкой промпта. Это дообученная версия FLUX.1 [dev] от Black Forest Labs и использует библиотеку Diffusers. Репозиторий содержит веса в формате safetensors. README предлагает генерацию с точностью BF16, а также вариант с выгрузкой части компонентов на CPU для видеокарт с ограниченной памятью. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и лицензии базовой модели.

psychogen-dream — модель для генерации изображений по текстовому описанию, опубликованная Earth & Dusk. Она основана на Stable Diffusion и предназначена для создания изображений в аниме-стиле; карточка указывает на дообучение и использование датасетов bad_prompt и EasyNegative. Модель работает через библиотеку Diffusers и распространяется в форматах PyTorch и safetensors. Модель принимает текстовые запросы и генерирует изображения. В карточке указан английский язык. Лицензия CreativeML OpenRAIL-M. Автор просит не загружать модель повторно и рекомендует сохранять метаданные и указывать авторство при использовании и смешивании моделей.

Quantum-Citrus-9B — объединённая языковая модель ABX-AI на архитектуре Mistral с 8,9 млрд параметров и контекстом до 32 768 токенов. Она создана методом passthrough merge из ABX-AI/Cerebral-Infinity-7B и ABX-AI/Starfinite-Laymospice-v2-7B; в README также упоминаются более ранние слияния Starling, Cerebrum, LemonadeRP, InfinityRP и базовая Layla v0.1. Модель предназначена для вымышленного повествования и ролевых диалогов. Она генерирует текст и описана автором как эксперимент по созданию более развитой и неограниченной модели. README предупреждает, что её контент подходит не для всех аудиторий. Модель распространяется в формате safetensors; в README также упомянуты варианты GGUF, IQ и Imatrix. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у исходных моделей слияния.

Aratako разработал Qwen3-8B-RP-v0.1 — дообученную для ролевых диалогов модель на архитектуре Qwen3. Она основана на Qwen/Qwen3-8B и содержит 7,6 млрд параметров; для работы доступны веса safetensors и версия GGUF. Модель предназначена для диалогов от лица заданного персонажа: его описание и ситуацию общения рекомендуется задавать в системном промпте. Модель принимает текст и генерирует текст. В метаданных указан контекст до 40 960 токенов; при обучении использовалась максимальная длина последовательности 8 192 токена. Карточка содержит японский язык, а базовая Qwen3-8B описана как многоязычная модель. Модель опубликована по лицензии MIT. Практические ограничения и результаты оценки качества в карточке не описаны.

dx8152/Qwen-Edit-2509-Light-Migration — модель LoRA для редактирования изображений, созданная сообществом на базе Qwen/Qwen-Image-Edit-2509. Она предназначена для переноса освещения и цветового тона с одного изображения на другое, включая сценарии, где исходное изображение уже имеет собственное освещение. Модель позволяет переосвещать изображение по текстовому указанию и референсу с желаемым светом и тенями. Модель работает в режиме image-to-image и интегрируется с библиотекой diffusers. Для использования требуется базовая модель Qwen/Qwen-Image-Edit-2509; в README также упоминается совместимость с вариантами Lightning, причём автор считает версию Edit более эффективной. Архитектурный размер, поддерживаемые языки, максимальный контекст, обучающий датасет и точные требования к ресурсам не указаны. В качестве сильной стороны заявлена возможность вторичного освещения изображений с уже существующим светом, однако количественные оценки качества и подробные ограничения не приведены. Модель распространяется по лицензии Apache-2.0. Обучение проводилось без написания кода на инфраструктуре ModelScope.

Qwen-Edit-2509-Multiple-angles — это LoRA-адаптер для модели Qwen/Qwen-Image-Edit-2509, разработанный пользователем dx8152 и обученный на ModelScope. Адаптер предназначен для редактирования изображений по текстовым инструкциям и управления ракурсом виртуальной камеры при сохранении содержания исходного изображения. Он подключается к базовой модели через библиотеку Diffusers и может использоваться в сценариях image-to-image, включая перемещение камеры вперёд, влево, вправо и вниз, поворот влево или вправо, переход к виду сверху, широкоугольному плану или крупному плану. Для работы не требуются триггерные слова. README рекомендует совместное использование этого адаптера с LoRA Qwen-Image-Lightning, однако конкретные сведения об архитектуре базовой модели, размере адаптера, поддерживаемых языках и максимальном контексте не указаны. Заявлена улучшенная согласованность после повторной загрузки версии с большим числом итераций обучения, но также упоминается возможная нестабильность согласованности. Модель предназначена для управляемого редактирования изображений, однако её результаты могут зависеть от исходного изображения, формулировки запроса и настроек инференса. Лицензия указана как Apache-2.0. README не содержит подробностей о коммерческих ограничениях, точных требованиях к оборудованию или качестве работы в отдельных языках и предметных областях.

ddalcu/Qwen-Image-2.1-MLX-Serve-8bit — 8-битная квантованная версия Qwen/Qwen-Image-2.1, подготовленная ddalcu для запуска через mlx-serve на компьютерах Mac с 32 ГБ памяти. Это модель преобразования текста в изображения; также поддерживается сценарий image-to-image с передачей исходного изображения и параметра strength. Текстовый энкодер и линейные слои DiT квантованы до 8 бит с группой 64, а VAE, embed_tokens, нормализации и некоторые небольшие или общие линейные слои сохранены в плотном виде. Зрительная башня Qwen3-VL и lm_head удалены, поскольку модель предназначена только для генерации изображений. Размер пакета составляет 17,6 ГБ. Согласно измерениям на Mac с M1 Pro и 32 ГБ памяти, генерация изображения 1024×1024 за 40 шагов занимает около 985 секунд, а пиковое потребление памяти достигает 12,95 ГБ. mlx-serve загружает текстовый энкодер отдельно для каждого запроса и освобождает его перед денойзингом, поэтому постоянно используемая память приходится главным образом на DiT и VAE. При задании guidance_scale выше 1 вместе с negative_prompt применяется полноценный CFG, требующий двух проходов на шаг. Модель подходит для локальной генерации изображений по текстовым описаниям на совместимых Mac-системах, но на момент публикации README не поддерживается выпущенными версиями mlx-serve или MLX Core и требует специальной ветки feat/qwen-image-2.1. Лицензия — Apache-2.0, такая же, как у базовой модели.

Qwen-Image-Dodge_Burn — модель, дообученная для ретуши фотографий методом dodge and burn: осветления и затемнения отдельных участков для коррекции света и объёма. Она основана на Qwen-Image-Layered и предназначена для редактирования изображений по текстовому описанию. Для запуска автор указывает требование как минимум одной видеокарты A100. Репозиторий использует Diffusers и формат Safetensors; лицензия — Apache-2.0. Карточка показывает пример сравнения исходного и обработанного изображения, но подробные инструкции по инференсу не приводит.