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

QuantStack/Qwen-Image-Edit-GGUF — это конвертированная в формат GGUF версия модели Qwen/Qwen-Image-Edit. В репозитории указано, что модель предназначена для задач image-to-image, то есть редактирования и преобразования изображений по заданным условиям. Для работы она рассчитана на использование в ComfyUI с пользовательским узлом ComfyUI-GGUF. Комплект включает основную модель Qwen-Image, текстовый энкодер Qwen2.5-VL-7B, мультимодальный проекционный модуль Qwen2.5-VL-7B-Instruct-mmproj-BF16 и VAE Qwen-Image. Указаны английский и китайский языки. Точные сведения об архитектуре исходной модели, размере основного компонента, максимальном контексте, поддерживаемых входных модальностях и количественных характеристиках качества в README отсутствуют. Квантование может снизить требования к ресурсам, однако его влияние на качество здесь не описано. Модель распространяется по лицензии Apache-2.0; при использовании сохраняются исходные условия лицензирования и ограничения Qwen/Qwen-Image-Edit. Для запуска требуются соответствующие компоненты, размещённые в каталогах ComfyUI, а также ComfyUI-GGUF.

Raemu XL — модель генерации изображений по текстовому описанию, разработанная Raelina. Она основана на диффузионной архитектуре Stable Diffusion XL и ориентирована на аниме и 2.5D-стиль. В README указаны слияние Animagine XL 3.1 с RealCartoonXL V6 и Blue Pencil XL v3.1.0, а также дополнительная настройка варианта Lightning на 860 изображениях высокого качества. Модель подходит для создания стилизованных иллюстраций по промптам. В карточке приведены рекомендуемые разрешения, настройки генерации и подсказки для улучшения качества, включая отрицательные промпты и режим Hires.fix. Метаданные указывают форматы Diffusers и Safetensors и английский язык карточки. Для модели указана лицензия Fair AI Public License 1.0-SD. README отмечает, что отрицательные промпты помогают уменьшить дефекты вроде плохо прорисованных рук, размытия и водяных знаков; результат зависит от промпта и настроек генерации.

RainbowDreams — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это дообученная версия Yntec/rainbowpatch, объединённая с несколькими другими моделями; автор README отмечает, что ранее в репозитории была ошибочно смешана другая модель, а затем добавлена правильная. Для усиления характерного эффекта автор рекомендует начинать запрос со слова «Rainbowpatch». Примеры показывают ретроиллюстрации и фотореалистичные изображения с персонажами, в том числе в эстетике супергероики и рекламных материалов середины XX века. Модель распространяется в формате Diffusers с весами Safetensors по лицензии CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или перечень поддерживаемых языков. Примеры промптов преимущественно на английском. Известное ограничение: результаты зависят от формулировки запроса; README описывает смешение моделей, но не приводит систематической оценки качества или воспроизводимости.

RainMix — модель генерации изображений по текстовому описанию, опубликованная Hemlok и предназначенная для использования через Diffusers или интерфейсы вроде WebUI. Это merge-модель на основе ACertainThing, созданная с изменениями рецепта и моделей RainierMix. В карточке также упомянут вариант fp16 со смешанным VAE. Модель ориентирована на создание иллюстраций по промптам; примеры в карточке показывают персонажа в аниме-стиле. Автор рекомендует семплер DPM++ SDE Karras, около 50 шагов или больше, Clip Skip 2 и CFG Scale 5–8; для негативного промпта предлагается EasyNegative. Лицензия CreativeML OpenRAIL-M допускает коммерческое использование и распространение при соблюдении её ограничений.

Rain-v0.1-8B — языковая модель, созданная Invisietch слиянием нескольких моделей Llama 3 методом DARE TIES через mergekit. Она предназначена для диалоговой генерации текста и ролевых сценариев; автор отмечает, что модель хорошо подходит для ролевого общения и является частью EtherealRainbow v0.2. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст длиной 8192 токена. Поддерживает генерацию текста и чат; сведения о конкретных естественных языках карточка не приводит. В слияние вошли mlabonne/NeuralDaredevil-8B-abliterated, Sao10K/L3-8B-Stheno-v3.2, Nitral-AI/Hathor-L3-8B-v.02 и grimjim/Llama-3-Luminurse-v0.2-OAS-8B. Модель рассчитана на свободные ролевые диалоги и художественное продолжение текста. Использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Raphael-7B — языковая модель на 7,1 млрд параметров, созданная слиянием моделей FallenMerick/Smart-Lemon-Cookie-7B и KatyTheCutie/LemonadeRP-4.5.3 с помощью LazyMergekit. В конфигурации слияния также указана SanjiWatsuki/Kunoichi-DPO-v2-7B как базовая модель; применён метод TIES с нормализацией, веса сохранены в формате float16 и safetensors. Модель построена на архитектуре Mistral и предназначена для генерации текста, в частности творческих ролевых диалогов и менее шаблонных ответов. Контекст составляет 8192 токена. Лицензия в предоставленных данных не указана.

RealCore Illustrious 1.0 — диффузионная модель генерации изображений, созданная автором репозитория rityak путём слияния нескольких реалистичных моделей и пользовательских LoRA на основе Illustrious. Это чекпойнт семейства SDXL в формате safetensors, предназначенный для создания реалистичных и фотореалистичных изображений, в том числе профессиональных фотокомпозиций и контента для взрослых. Модель работает с текстовыми запросами и совместима с ускорением LCM; автор ориентирует её на использование с ComfyUI. Модель нацелена на детализированную визуализацию с реалистичной подачей. Карточка заявляет поддержку NSFW-генерации. Указанная лицензия — OpenRAIL++; перед использованием следует учитывать её условия и ограничения.

Realistic Universal Base Build (RUBB) 2.1.0 — модель генерации изображений по текстовому описанию, созданная Adrian Bacon на основе Stable Diffusion 1.x. Автор собрал её из нескольких реалистичных чекпойнтов, применяя дистилляцию и слияние; среди указанных компонентов — RunDiffusion FX Photorealistic, EpicRealism, Juggernaut, Almost Anything и fusionCore Modern. Модель предназначена для создания фотореалистичных изображений и как базовый чекпойнт для дальнейшего слияния, подключения ControlNet и LoRA. Автор рекомендует стандартное разрешение 512×512, а для пейзажей — также широкие форматы; для генерации подойдут Diffusers и интерфейсы вроде A1111, Forge и ComfyUI. В репозитории указаны форматы Diffusers, PyTorch и safetensors. Модель основана на Stable Diffusion 1.x и рассчитана на текстовый ввод с изображением на выходе. Автор отмечает, что она может создавать NSFW-контент, хотя специально для этого не разрабатывалась. Лицензия — OpenRAIL; для некоторых включённых моделей README требует указывать авторство, а полный состав компонентов не раскрыт.

Reanimate — модель генерации изображений по текстовому описанию, собранная автором карточки путём слияния Deliberate от XpucT и ReVAnimated от s6yx. Она предназначена для создания иллюстраций в художественных и аниме-ориентированных стилях; в примере показан запрос на ретро-иллюстрацию обложки. Модель распространяется в формате Diffusers с весами safetensors и использует встроенный zVAE. Карточка не указывает размер модели, поддерживаемые языки или длину контекста. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами репозитория и лицензиями исходных моделей.

onnx-community/rfdetr_medium-ONNX — модель обнаружения объектов на основе архитектуры RF-DETR, опубликованная в сообществе onnx-community. Репозиторий содержит веса в формате ONNX для использования через Transformers.js. Модель принимает изображения и определяет на них объекты, возвращая классы и рамки обнаруженных объектов. Она подходит для интеграции распознавания объектов в приложения на JavaScript. В карточке не приведены сведения о размере модели и поддерживаемых языках. Лицензия — Apache-2.0.

Rocinante-12B-v1 — языковая модель BeaverAI для генерации текста в диалоговом формате. Это плотная модель семейства Mistral с 12,1 млрд параметров; веса опубликованы в формате safetensors. Карточка описывает её как модель для творческого письма, ролевых диалогов и приключенческих историй, с поддержкой шаблонов ChatML, Alpaca и Mistral. Модель ориентирована на создание выразительной прозы с высокой творческой вариативностью. Её можно использовать для совместного написания историй, продолжения сюжетов и ролевых сценариев. В метаданных заявлен контекст до 1 024 000 токенов, а также интерфейс вызова инструментов; README не приводит сведений о языковом охвате или фактическом качестве этих возможностей. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

Репозиторий AshtakaOOf содержит архив моделей для увеличения разрешения и других задач обработки изображений в формате safetensors. Автор собрал модели сторонних разработчиков и сообщает, что преобразовал исходные файлы pickle в safetensors; собственных моделей в репозитории нет. Модели предназначены для повышения разрешения и улучшения изображений. README направляет к файлу MODELS.md за сведениями о том, какую модель выбрать, но его содержимое здесь недоступно. Репозиторий опубликован под лицензией MIT; README уточняет, что модели принадлежат их исходным авторам, поэтому условия лицензирования отдельных моделей могут отличаться.

SAM 2 Hiera Base Plus — модель сегментации изображений и видео, разработанная FAIR. Это базовая версия семейства SAM 2 для интерактивного выделения объектов по точкам, ограничивающим рамкам или маскам, а также для автоматической генерации масок на изображениях. В видео модель распространяет сегментацию по кадрам и отслеживает выбранные объекты, в том числе несколько объектов одновременно. Модель относится к семейству SAM 2 с архитектурой Hiera; карточка Hugging Face предоставляет веса в формате safetensors и интеграцию через Transformers. Она принимает визуальные данные и подсказки для сегментации, а выдаёт маски объектов. Лицензия — Apache 2.0. README не приводит конкретных ограничений качества или количественных характеристик этой версии.

SAM 3.1 Multiplex BF16 for MLX — производная версия весов Meta SAM 3.1, подготовленная App Automaton для запуска через mlx-cv на компьютерах Apple Silicon. Это чекпойнт BF16 для обнаружения объектов и их сегментации и отслеживания в видео; целевая задача в каталоге — генерация масок. Модель принимает изображения и видеокадры, а результаты сегментации представляет в виде масок. Базовая SAM 3.1 поддерживает текстовые и визуальные подсказки, однако README этой версии отдельно не описывает доступные способы задания подсказок. В README приведены проверки совместимости и численной близости результатов к официальной реализации SAM 3.1, включая сравнение масок и распространение объектов между кадрами. Это инференсный чекпойнт для MLX, рассчитанный на поддерживаемые системы Apple Silicon; характеристики скорости и памяти зависят от разрешения, длины последовательности, числа объектов и устройства. Сегментация и трекинг могут давать сбои при неоднозначных подсказках, перекрытиях, малых объектах и сдвиге домена. По README, распространение осуществляется по лицензии SAM; перед использованием следует ознакомиться с bundled LICENSE, а использование означает принятие её условий. Метаданные указывают связь finetune с facebook/sam3.1 и библиотеку MLX.

jesusoctavioas/sam3-original — репозиторий модели SAM 3 для сегментации по подсказкам в изображениях и видео. Модель семейства sam3_video принимает текстовые запросы и визуальные подсказки: точки, рамки и маски. Для заданного текстом понятия она находит все подходящие экземпляры объектов, строит маски и может отслеживать объекты между кадрами видео; визуальные подсказки позволяют выделять конкретный экземпляр и уточнять сегментацию. Для видео описаны предварительно загруженная и потоковая обработка кадров. Модель предназначена для автоматической разметки изображений и видеопотоков, поиска объектов по текстовому описанию и интерактивного выделения объектов. В README SAM 3 представлена как развитие SAM 2 с поддержкой более широкого набора понятий открытого словаря; также приведён результат на бенчмарке SA-CO — 75–80% от человеческого уровня. Репозиторий содержит веса в формате safetensors и использует Transformers. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией в репозитории.

Карточка модели pankjkkkkkk/sam3_pt на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

SamDoesArt-V3 — модель генерации изображений по текстовому описанию, опубликованная пользователем Sandro-Halpo. Это чекпойнт для Diffusers на PyTorch, доступный также в формате Safetensors. Чтобы вызвать характерный эффект модели, автор рекомендует добавлять в промпт токен SamDoesArt; его положение и пунктуация могут менять результат. Автор предупреждает, что слово «style» сразу после токена может давать непредсказуемые результаты. Лицензия — Unlicense.

cstr распространяет модель SCUNet в формате GGUF для удаления шума с цветных изображений. Это конверсия модели cszn/SCUNet, разработанной для задачи цветного шумоподавления; архитектура Swin-Conv-UNet объединяет U-Net, оконное внимание Swin Transformer и остаточные свёрточные блоки. Модель содержит 18 млн параметров, файл весов F32 занимает 69 МБ. Она обучена на наборе SIDD с реальными шумами; в README указано совпадение результатов с исходной реализацией Python по всем стадиям кодировщика и декодировщика. Модель принимает зашумлённое цветное изображение и выдаёт очищенное изображение. GGUF — единственное заявленное изменение относительно исходных весов: обучение, дообучение и изменение возможностей не выполнялись. Репозиторий распространяется по лицензии Apache-2.0, как и исходная модель.

jbilcke-hf/sdxl-cinematic-1 — это адаптация LoRA в формате DreamBooth для модели stabilityai/stable-diffusion-xl-base-1.0, разработанная пользователем jbilcke-hf и обученная с использованием SD-XL trainer от @fffiloni на датасете jbilcke-hf/cinematic-1. Модель предназначена для генерации изображений по текстовым описаниям с использованием библиотеки Diffusers и базовой SDXL-модели. Адаптация ориентирована на создание кинематографичных визуальных сцен и активируется специальным ключевым словом cnmt в промпте. Это компактные дополнительные веса, а не самостоятельная генеративная модель; для работы требуется загрузить SDXL base и применить LoRA с подходящим коэффициентом масштабирования. В обучении адаптации LoRA для текстового энкодера не использовалась. Для обучения применялся VAE madebyollin/sdxl-vae-fp16-fix, который также рекомендуется использовать при инференсе. README не указывает точный размер весов, поддерживаемые языки, длину контекста или отдельные сведения о вычислительных требованиях. Для запуска рекомендуются Diffusers версии 0.19.0 или новее, а также transformers, safetensors, accelerate и invisible_watermark. Лицензия в предоставленных данных не указана; условия использования следует проверять отдельно для этой адаптации и базовой SDXL-модели.

Simple Diffusion XS (sdxs-2b alpha version) — компактная экспериментальная модель преобразования текста в изображения от AiArtLab. В основе заявлены CosmosTransformer3D примерно на 2 млрд параметров и Qwen3.5 на 0,8 млрд параметров; модель использует VAE Qwen с конфигурацией 16ch8x и распространяется в формате Diffusers с весами Safetensors. Модель предназначена для генерации изображений по текстовым запросам, включая иллюстрации, аниме и фотографии. Обучение проводилось на небольшом наборе данных; использовались подписи Danbooru и короткие или средние естественно-языковые описания длиной до 250 токенов. Заявленное разрешение по умолчанию — 768×1152, обучение охватывало разрешения от 576 до 1152 пикселей с шагом 64. В README также упомянуты доработка запросов и незатренированные конвейеры img2img и text-to-video. Это альфа-версия с предварительными весами и ограниченным обучающим набором, поэтому качество и универсальность могут быть неравномерными; возможности img2img и генерации видео не следует считать обученными функциями. Лицензия указана как other, без конкретных условий в предоставленных данных.

SemiRealMix — модель генерации изображений по текстовому описанию, созданная путём многократного слияния моделей. Она предназначена для создания полуреалистичных изображений людей, в частности портретов; автор приводит пример промпта для изображения девушки в студийном освещении и рекомендует негативный промпт для исключения низкого качества, наготы и детских образов. Модель основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами PyTorch и Safetensors. В README приведены настройки генерации: sampler DPM++ SDE Karras, 20 шагов, CFG 7 и размер 512×768. Для использования указана библиотека Diffusers. Лицензия — CreativeML Open RAIL-M.

Serenity — пользовательская объединённая модель для Stable Diffusion 1.5, опубликованная malcolmrey. Она предназначена для генерации изображений по текстовым запросам и доступна в форматах safetensors и diffusers. Модель рассчитана на англоязычные запросы. Репозиторий распространяется по лицензии MIT. В метаданных указана задача text-to-image и библиотека Diffusers. Карточка не описывает специализацию модели, её размер, контекст или подтверждённые ограничения качества.

Sink Or Swim — слитая модель на основе Kitsch-In-Sync v2 и Generate Me!, созданная автором Yntec с помощью SuperMerger. Она предназначена для генерации изображений по текстовым промптам и ориентирована на стилизованные иллюстрации, дизайн персонажей, мультяшные и CGI-образы. Примеры в карточке показывают сказочные сцены, милых персонажей и иллюстрации с предметами и животными. Модель использует Stable Diffusion через библиотеку Diffusers; веса доступны в формате Safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает подробностей о размере модели, контексте или поддерживаемых языках.

SmolVLM-500M-anime-caption-v0.2 — мультимодальная модель автора Andres77872 для создания подписей к изображениям в стиле аниме. Она дообучена на базе HuggingFaceTB/SmolVLM-500M-Base на синтетических парах изображений и описаний и использует архитектуру Idefics3. Модель принимает изображение и выдаёт естественное описание на английском языке; подходит для аниме-иллюстраций, манга-панелей и каталогизации изображений в тематических архивах. Модель ориентирована на аниме и иллюстрации и не предназначена для описания обычных фотографий или произведений в других стилях. Она выпущена под лицензией Apache 2.0.

SpecTTTra-α-5s — модель классификации аудио из проекта SONICS, представленного авторами исследования на ICLR 2025. Она определяет, является ли песня синтетической или созданной человеком, включая композиции, где ИИ сгенерировал не только вокал, но и музыку, текст и стиль. Модель использует архитектуру SpecTTTra (Spectro-Temporal Tokens Transformer): 12 слоёв, 6 голов внимания и размер эмбеддинга 384. Вариант α рассчитан на фрагменты длительностью 5 секунд; обработка выполняется с частотой 16 кГц, с использованием 128 мел-полос и спектрограммы. В таблице карточки для него приведён F1 0,78. Модель предназначена для выявления поддельных песен и не заменяет проверку происхождения записи другими методами. Обучена на данных SONICS; указана лицензия MIT.

SPYBG's Toolkit for Digital Artists V35 — модель генерации изображений из текста на базе Stable Diffusion, предназначенная для цифровых художников. По карточке, версии модели сохранены в форматах Safetensors и Diffusers; для улучшения персонажей можно использовать ключевое слово TK_CHAR, а для фонов — TK_ENV. Примеры охватывают концепт-арт окружений и персонажей, городские сцены, портреты и фотореалистичные пейзажи. Модель рассчитана на создание иллюстраций по текстовым запросам. Лицензия — CreativeML OpenRAIL-M.

Stable Audio 3 Medium Base — базовая предварительно обученная модель Stability AI для генерации аудио по текстовому описанию и дальнейшей тонкой настройки. Это латентная диффузионная модель на архитектуре Transformer: семантико-акустический автоэнкодер сжимает аудио в компактное латентное представление, в котором выполняется генерация. Семейство Stable Audio 3 также поддерживает генерацию аудио переменной длительности, продолжение коротких записей и локальное редактирование аудио; эта карточка описывает именно базовый чекпойнт, предназначенный для дообучения. Модель ориентирована на создание музыки и звуковых эффектов по англоязычным текстовым промптам. Для текстового условия используется предварительно обученная T5Gemma. Веса опубликованы в формате safetensors; для использования заявлены библиотеки stable-audio-3 и stable-audio-tools. Обучение проводилось на лицензированных и Creative Commons аудиозаписях. Для коммерческого использования применяются условия Stability AI Community License, а T5Gemma распространяется согласно Gemma Terms of Use. Базовая версия предназначена для тонкой настройки; для непосредственной генерации авторы рекомендуют Stable Audio 3 Medium.

Stable Cascade Prior — текстово-изобразительная диффузионная модель Stability AI на архитектуре Würstchen, предназначенная для генерации изображений по текстовому запросу. Она формирует компактное латентное представление изображения, которое затем декодируется каскадом Stage B и Stage A. Сжатие с коэффициентом 42 позволяет снизить стоимость обучения и ускорить инференс по сравнению с подходом Stable Diffusion с коэффициентом сжатия 8. В семействе Stable Cascade Stage C отвечает за генерацию латентов по тексту; доступны варианты на 1 и 3,6 млрд параметров. Для полного цикла генерации нужны также декодирующие стадии: Stage B на 700 млн или 1,5 млрд параметров и Stage A на 20 млн параметров. Репозиторий распространяет веса в форматах Diffusers и safetensors. Модель подходит для экспериментов с генеративными моделями, художественной генерации и творческих инструментов. Разработчик рекомендует модель для исследовательского использования. Среди ограничений — возможные ошибки при генерации лиц и людей, а также потери из-за lossy-автокодирования. Модель не предназначена для достоверного изображения реальных людей или событий. Метаданные указывают лицензию other; следует соблюдать Acceptable Use Policy Stability AI.

friedrichor/stable-diffusion-2-1-realistic — модель генерации и редактирования изображений по текстовому описанию, созданная дообучением Stable Diffusion 2.1 разработчиком friedrichor. Это латентная диффузионная модель с фиксированным предварительно обученным текстовым энкодером OpenCLIP-ViT/H; веса доступны в форматах Diffusers и safetensors. Модель рассчитана на создание реалистичных изображений, в том числе фотографических портретов и сцен, по англоязычным промптам. Она была дообучена на 120 парах изображений и текстовых описаний из friedrichor/PhotoChat_120_square_HQ; автор отмечает, что работа над ней велась как частью проекта Tiger для генерации ответов в мультимодальном диалоге. Для использования указан Diffusers. Лицензия — CreativeML Open RAIL++-M. Небольшой размер набора дообучения ограничивает основания ожидать широкую универсальность или стабильное качество за пределами близких к данным сценариев. Примеры автора рекомендуют подробные промпты и негативные подсказки для улучшения результата.

Stable Diffusion 2.1 UnCLIP — модель генерации и преобразования изображений, разработанная Робином Ромбахом и Патриком Эссером; этот репозиторий является зеркалом устаревшей модели Stability AI и не связан с компанией. Модель дообучена на Stable Diffusion 2.1 и принимает текстовый запрос вместе с зашумлённым CLIP-эмбеддингом изображения. Уровень шума позволяет управлять тем, насколько результат будет отличаться от исходного изображения; модель также подходит для создания вариаций изображений и работы в связке с текстово-изобразительным CLIP-prior. Это латентная диффузионная модель с фиксированным текстовым энкодером OpenCLIP-ViT/H. Использовать её можно через Diffusers; репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Основной язык запросов — английский, на других языках качество ниже. Модель не гарантирует фотореализм, плохо справляется с точным расположением объектов и читаемым текстом, а лица и люди могут получаться некорректно. Лицензия — CreativeML Open RAIL++-M. Карточка рекомендует модель для исследований, творчества и дизайна и описывает ограничения на вредоносное использование. Данные обучения происходят из LAION-5B и её подмножеств; несмотря на фильтрацию, возможны смещения и нежелательное содержимое.