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

Fictiverse/Stable_Diffusion_PaperCut_Model — дообученная модель генерации изображений на основе Stable Diffusion 1.5, обученная на изображениях в стиле вырезанной бумаги. Для получения этого стиля в запросе рекомендуется использовать слово PaperCut. Модель предназначена для создания изображений по текстовым описаниям; в карточке приведён пример генерации изображения персонажа R2-D2. Модель использует StableDiffusionPipeline из библиотеки Diffusers и распространяется в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M. README также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX, но не приводит сведения о качестве такого экспорта или дополнительные ограничения.

Starlight-Synthesis-31B — мультимодальная диалоговая модель на архитектуре Gemma 4, созданная Cyclone Labs слиянием Gemma 4 31B IT и нескольких моделей семейства Cyclone и Vortex5. Репозиторий содержит веса Safetensors; модель предназначена для работы через Transformers и поддерживает диалог с изображениями и генерацию текста. Модель ориентирована на ролевые диалоги с персонажами, творческое письмо, построение длинных историй и интерактивную прозу с ветвящимися сценариями. Эти задачи подходят для создания художественных сцен, развития персонажей и поддержания сюжетной непрерывности. Лицензия — Apache-2.0. В README не приведены результаты оценки качества или подробные ограничения применения. По заявленному назначению модель специализируется на ролевых и творческих сценариях; практические результаты могут зависеть от промпта и выбранного сценария.

Elldreth's Stolen Dreams — модель для генерации изображений по текстовому описанию, опубликованная Yntec. Репозиторий содержит модель в формате Diffusers и веса Safetensors; в неё встроен VAE MoistMixV2VAE. Для усиления характерного эффекта автор рекомендует включать слово «Elldreth» в запрос. Карточка демонстрирует генерацию изображений с аниме-персонажами, включая милые лица и стиль чиби, а также детализированные художественные и реалистичные изображения. Модель подходит для создания иллюстраций по текстовым промптам. Лицензия — CreativeML Open RAIL-M.

Xenova/swin2SR-classical-sr-x2-64 — модель сверхразрешения изображений, опубликованная Xenova в формате ONNX для совместимости с Transformers.js. Она основана на модели caidas/swin2SR-classical-sr-x2-64 и предназначена для повышения разрешения изображений в два раза, например для улучшения фотографий и других растровых изображений в веб-приложениях и JavaScript-проектах. Модель использует архитектуру Swin2SR; из доступных данных также следует, что она работает с изображениями и поддерживает варианты вычислений fp32, fp16, q8 и q4 через Transformers.js. Пример преобразует изображение в трёхканальный результат размером 512×512 пикселей. Сильной стороной является возможность запуска ONNX-весов в средах, совместимых с Transformers.js, однако сведения о качестве восстановления, поддерживаемых форматах входных данных, языках, ограничениях по размеру изображений и требованиях к ресурсам не приведены. Лицензия в README не указана.

T2I-Adapter-SDXL Depth-MiDaS — адаптер для управляемой генерации изображений, созданный Tencent ARC совместно с Hugging Face. Он подаёт карту глубины в Stable Diffusion XL как дополнительное условие, помогая задавать пространственную структуру изображения при генерации по текстовому запросу. Для работы адаптеру нужна базовая модель stabilityai/stable-diffusion-xl-base-1.0. Модель относится к семейству T2I-Adapter; размер адаптера составляет около 77–79 млн параметров, а SDXL Base 1.0 содержит 2,6 млрд параметров. Карточка указывает английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache 2.0. Она предназначена для сценариев text-to-image с контролем по глубине; качество и результат зависят от базовой модели и карты глубины.

Talk2DINOv3-ViTB — модель для сегментации изображений по свободно заданным текстовым категориям. Подход Talk2DINO разработан Luca Barsellotti, Lorenzo Bianchi и соавторами и представлен на ICCV 2025. Модель объединяет пространственные признаки DINOv2 с языковыми представлениями CLIP: обученная функция отображает текстовые эмбеддинги CLIP в пространство признаков патчей DINOv2, не дообучая сами базовые модели. Модель предназначена для open-vocabulary сегментации: она строит маски объектов по пользовательским текстовым описаниям без ограничения заранее заданным набором классов. Такой подход помогает точнее локализовать объекты и получать более естественные и менее шумные сегментации, а также отделять передний план от фона. README описывает исследовательские результаты на бенчмарках и пример инференса с пользовательскими категориями. Репозиторий содержит веса в формате safetensors и использует PyTorch. Лицензия — Apache-2.0. README описывает метод через DINOv2 и CLIP, хотя название репозитория указывает на DINOv3; размер модели, контекст и поддерживаемые языки в предоставленных данных не приведены.

h1t/TCD-SD15-LoRA — LoRA-адаптер для модели Stable Diffusion v1.5, разработанный как официальная реализация метода Trajectory Consistency Distillation из одноимённой научной работы. Адаптер предназначен для ускоренной генерации изображений по текстовому описанию в экосистеме Diffusers и используется совместно с базовой моделью runwayml/stable-diffusion-v1-5. Модель поддерживает текстовую модальность на входе и генерацию изображений на выходе. В README указано, что для работы используются StableDiffusionPipeline, TCDScheduler и подключение LoRA-весов; пример демонстрирует генерацию за 4 шага диффузии с guidance_scale, равным 0. Параметр eta управляет уровнем стохастичности, а рекомендуемое значение 0,3 часто даёт хорошие результаты. Языки, размер адаптера и максимальная длина контекста не указаны. Сильная сторона модели — возможность существенно сократить число шагов инференса по сравнению с обычной генерацией Stable Diffusion, сохраняя сценарий управления результатом через текстовый промпт. Для использования требуется базовая модель Stable Diffusion v1.5 и совместимый пайплайн Diffusers; качество зависит от базовой модели, промпта, числа шагов и параметра eta. Модель распространяется по лицензии MIT.

ToonOut — модель сегментации изображений, разработанная Маттео Муратори и Жоэлем Сейтром из Kartoon AI. Она представляет собой дообученную BiRefNet, специализированную на удалении фона с изображений в стиле аниме и выделении персонажей с помощью маски сегментации. Модель обучена на наборе ToonOut из 1 228 изображений. Авторы сообщают о точности пиксельной классификации 99,5% на тестовом наборе против 95,3% у исходной BiRefNet. Настройка ориентирована на особенности стилизованных изображений, включая тонкие пряди волос, контуры и прозрачность. Модель принимает изображение и выдаёт результат сегментации, пригодный для удаления фона. Доступна под лицензией MIT. Заявленная точность относится к тестовому набору авторов; результаты на других типах изображений не описаны.

Карточка модели nitesh-ml/TRELLIS.2-4B-nb-3D на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Trillion-LLaVA-7B — мультимодальная модель TrillionLabs для понимания изображений и ответов на вопросы о них. Это дообученная на визуально-языковых инструкциях версия Trillion-7B-preview с архитектурой LlavaLlamaForCausalLM и 7 млрд параметров; файлы модели представлены в формате safetensors. Модель принимает изображение и текстовый запрос, выдаёт текстовый ответ. Контекст составляет 4096 токенов. Модель предназначена для визуальных вопросов и рассуждений по изображениям. В README описано обучение на англоязычных визуально-языковых парах и приведены результаты на английском и корейском тестах; авторы отмечают перенос корейских навыков визуального рассуждения благодаря многоязычной языковой основе Trillion-7B-preview. Модель распространяется по лицензии Apache-2.0. Ограничение модели — визуальные инструкции для обучения были только на английском языке, поэтому качество на других языках может быть ниже. Она также наследует ограничения базовой Trillion-7B-preview.

TripoSR — быстрая модель генерации и реконструкции 3D, разработанная совместно Stability AI и Tripo AI. Она по одному изображению строит трёхмерное представление объекта в прямом проходе, без итерационного процесса генерации. Архитектура следует подходу LRM и включает улучшения в подготовке данных, модели и обучении. Модель предназначена для быстрого получения 3D-объектов из изображений, например для прототипирования и создания исходных ассетов. Обучение проводилось на отобранных рендерах из Objaverse с методом рендеринга, рассчитанным на лучшее соответствие реальным изображениям. Репозиторий содержит веса PyTorch; лицензия — MIT. Качество реконструкции зависит от входного изображения, а описание не обещает готовность результата к игровому или производственному использованию. Разработчики рекомендуют более новую модель SF3D для получения более быстрых и готовых к играм ассетов. Модель не следует использовать для создания оскорбительных или тревожащих 3D-объектов либо контента, распространяющего стереотипы.

Trouper-12B — модель для текстовой генерации и ролевых диалогов от DarwinAnim8or. Она дообучена на пользовательском наборе Actors на базе Mistral-Nemo-Base-2407 и содержит 12,1 млрд параметров. Модель предназначена для отыгрыша персонажей и творческого письма: она поддерживает естественные диалоги, эмоциональное развитие персонажей, юмор и разнообразную структуру ответов. Модель принимает текст и генерирует текст на английском языке; заявленное окно контекста — 131 072 токена. Для корректного завершения ответов рекомендуется режим chat completion с шаблоном Mistral-V3-Tekken или ChatML. Автор отмечает естественный, конкретный стиль прозы и эффективный вывод при размере 12B. Лицензия — Apache-2.0.

Vectorartz_Diffusion — модель генерации изображений из текста на базе StableDiffusionPipeline, опубликованная пользователем coder119. Она предназначена для создания векторных иллюстраций по текстовым запросам; примеры в карточке охватывают пейзажи, иконки, изометрические сцены, средневековые доспехи, стимпанк-механизмы и подводные рифы. Для активации заявленного стиля используется триггерное слово «vectorartz»; в карточке также приведены рекомендуемые настройки: сэмплер DPM++ 2S a Karras, 16 шагов и CFG 7. Модель размещена в форматах Diffusers и PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не указаны.

NiiCole дообучила видеотрансформер VideoMAE-base с архитектурой VideoMAEForVideoClassification для классификации видео. Модель содержит 113,2 млн параметров и сохранена в форматах PyTorch и Safetensors. В README указаны точность 0,8645 и loss 0,4799 на оценочном наборе; связь этих результатов с конкретным набором данных не раскрыта. Модель предназначена для присвоения видео классов. Она дообучена на подмножестве UCF101, однако состав подмножества и перечень классов не описаны, поэтому применимость к конкретным категориям действий следует проверять отдельно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Это модель для создания подписей к изображениям на китайском языке, разработанная yuanzhoulvpi. Она объединяет визуальный энкодер ViT с декодером GPT-2: ViT кодирует изображение, а GPT-2 формирует текстовое описание. В качестве компонентов указаны google/vit-base-patch16-224 и yuanzhoulvpi/gpt2_chinese. Модель принимает изображение и генерирует китайскую текстовую подпись. Она предназначена для автоматического описания изображений и может использоваться, например, для подготовки подписей к фотоколлекциям. Репозиторий содержит веса в форматах PyTorch и Safetensors; лицензия — MIT. Карточка не приводит оценок качества или ограничений применения.

Wan2.1_T2V_14B_FusionX-GGUF — квантизированная GGUF-версия текстово-видеомодели Wan14BT2VFusioniX. Базовую модель разработал пользователь vrgamedevgirl84, а конвертацию в GGUF выполнил lym00 с использованием скриптов city96 из проекта ComfyUI-GGUF. По идентификатору модели она относится к классу 14B и предназначена для преобразования текстовых описаний в видео. Модель ориентирована на запуск в ComfyUI через пользовательский узел ComfyUI-GGUF. Для работы требуются отдельные текстовый энкодер umt5-xxl-encoder и VAE Wan2_1_VAE_bf16. В метаданных указан английский язык; сведения о точном размере контекста, поддерживаемых форматах видео и других архитектурных параметрах отсутствуют. Ключевая особенность модели — представление в формате GGUF с квантизацией, что может упростить использование по сравнению с исходной FP16-версией, однако конкретный тип квантизации и влияние на качество в README не указаны. Ограничения включают необходимость установки ComfyUI, совместимого узла, текстового энкодера и VAE, а также отсутствие подробных данных о производительности и системных требованиях. Указана лицензия Apache-2.0, но README отдельно отмечает, что также действуют исходные лицензии и ограничения базовых моделей.

QuantStack/Wan2.2-Fun-5B-InP-GGUF — это квантованная версия модели Wan2.2-Fun-5B-InP, разработанной Alibaba PAI и преобразованной в формат GGUF. Модель предназначена для задач image-to-video, то есть генерации видео на основе входного изображения и текстового описания. Заявлена поддержка английского и китайского языков. Размер базовой модели — 5 млрд параметров, однако точный вариант квантования и параметры контекстного окна в карточке не указаны. Для работы модель рассчитана на использование в ComfyUI с пользовательским узлом ComfyUI-GGUF. Помимо основного GGUF-файла, требуются текстовый энкодер UMT5-XXL и VAE Wan2.2_VAE; они размещаются в соответствующих каталогах ComfyUI. К преимуществам относятся совместимость с GGUF и возможность запуска в экосистеме ComfyUI, потенциально более экономичная по памяти по сравнению с полной версией. Ограничения включают необходимость установки дополнительных компонентов, отсутствие подробных данных о производительности, архитектуре и требованиях к ресурсам, а также зависимость от исходной модели и её ограничений. Лицензия — Apache-2.0; для квантованной версии сохраняются все исходные лицензионные условия и ограничения использования.

Wan2.2-Fun-A14B-Control-GGUF-fork — это квантованная версия модели Wan2.2-Fun-A14B-Control, разработанной Alibaba PAI и преобразованной в формат GGUF. Модель предназначена для генерации и управления созданием видео по текстовым описаниям и, вероятно, рассчитана на использование в связке с ComfyUI и узлом ComfyUI-GGUF. В карточке указаны поддерживаемые языки English и Chinese, библиотека GGUF и задача text-to-video. Основная модель имеет размерный класс A14B; для работы также требуются текстовый энкодер Umt5-xxl и VAE Wan2.1_VAE. Файлы компонентов размещаются в соответствующих каталогах ComfyUI. Квантование может снизить требования к ресурсам, однако конкретный тип квантования, контекст, поддерживаемые разрешения и показатели качества не указаны. Модель ориентирована на генерацию видео в экосистеме ComfyUI, но для запуска необходимы дополнительные компоненты и совместимый пользовательский узел. README не содержит подробностей об ограничениях качества, производительности и аппаратных требованиях. Указана лицензия Apache-2.0; при использовании квантованной версии сохраняются исходные условия лицензирования и ограничения базовой модели.

Модель SIL AI — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на тагальском языке. Она принимает аудио и преобразует речь в текст; обучающие данные взяты из набора SIL-AI/bloom-speech, раздел TGL, связанного с Bloom Library. На оценочной выборке указаны WER 0,2457 и CER 0,0769. Модель предназначена для распознавания тагальской речи в сценариях, связанных с материалами Bloom. Это proof of concept: авторы не гарантируют качество в конкретных условиях. Для использования необходимо соблюдать лицензию SIL RAIL-M License.

Finnish-NLP/wav2vec2-xlsr-300m-finnish-lm — акустическая модель распознавания финской речи, разработанная Finnish-NLP на основе facebook/wav2vec2-xls-r-300m. Модель с архитектурой Wav2Vec2ForCTC содержит около 402,7 млн параметров и дообучена на 275,6 часах размеченной финской речи. В репозитории также есть финская языковая модель KenLM для декодирования распознанной речи. Модель предназначена для преобразования финской речи в текст, в том числе записей заседаний и коротких аудиофрагментов. При оценке на Common Voice 7.0 указана частота ошибок слов 8,16% с KenLM и 17,92% без неё. Обучающие аудиофрагменты ограничивались 20 секундами; основной корпус составили записи финского парламента, поэтому качество может снижаться на бытовой речи, диалектах, а также на речи женщин и детей. Для длинных записей может потребоваться разбиение аудио на фрагменты. Лицензия — Apache-2.0.

WD 1.5 Beta 3 — семейство моделей Waifu Diffusion для генерации изображений по текстовому описанию. В выпуск входят базовая версия WD 1.5 Base и четыре эстетические версии: Radiance, Ink, Mofu и Illusion. Базовая модель предназначена только для обучения: для генерации авторы рекомендуют создавать на её основе собственные дообученные модели или LoRA либо использовать одну из эстетических версий. Семейство использует Stable Diffusion Pipeline; доступны форматы Diffusers, PyTorch и safetensors. Для WD 1.5 применяется тот же VAE, что и для WD 1.4. В метаданных указана лицензия other; конкретные условия использования по имеющимся сведениям определить нельзя.

serge-wilson/whisper-base-wolof — дообученная на датасете Wolof версия Whisper Base от OpenAI для автоматического распознавания речи. Модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; опубликована в формате PyTorch. Модель предназначена для преобразования аудио на волоф в текст. На оценочной выборке указаны значение потерь 0,2902 и WER 32,8385. Распознавание речи на волоф — основное подтверждённое назначение модели. Модель распространяется по лицензии Apache-2.0. README не описывает состав обучающей выборки и практические ограничения; приведённая метрика WER указывает на возможные ошибки распознавания, поэтому результатам может требоваться проверка.

Whisper Large Khmer — модель распознавания речи, дообученная Kak Soky на наборе данных SLR42. Она основана на архитектуре Whisper и содержит около 905,2 млн параметров. Модель предназначена для преобразования аудио на кхмерском языке в текст. На оценочной выборке указаны значение loss 0,2375 и WER 29,5183. Репозиторий содержит веса PyTorch и опубликован по лицензии Apache-2.0. Подробные сведения о сценариях применения и ограничениях в карточке отсутствуют.

Shagufta/whisper-medium-km-indomain15-withac — модель распознавания речи, созданная дообучением OpenAI Whisper Medium на аудио на креольском языке Маврикия (Kreol Morisien, mfe). Это плотная encoder-decoder модель класса WhisperForConditionalGeneration примерно с 769 млн параметров, предназначенная для преобразования речи на этом языке в текст. В обучении использовались около 15 часов внутридоменной речи, разделённые на обучающую и проверочную выборки; аудио было в формате WAV, 16 кГц, моно. В названии README заявлено кондиционирование по акценту. Модель ориентирована на расшифровку речи на креольском Маврикия в тематически близких к обучающим данным сценариях. Она построена на мультиязычной базовой модели Whisper Medium, однако сведения о контекстном окне и измеренных показателях качества этой версии не приведены. Модель распространяется под лицензией Apache-2.0.

Модель thunderboltc/whisper-small-santali-coded — полноценно дообученная версия Whisper-small от OpenAI для распознавания устной сантали с выдачей транскрипции латиницей в орфографии Sanlish. Дообучены все параметры энкодера, декодера и выходной головы; размер базовой модели — около 244 млн параметров. Модель принимает аудио и генерирует текст, а при запуске для распознавания следует явно задавать задачу transcribe. Модель предназначена для транскрибирования аудиозаписей на сантали в Sanlish. На отложенном тестовом наборе из 193 примеров указаны WER 28,82% и CER 4,89%. Модель обучалась на сравнительно небольшом пользовательском наборе данных, поэтому качество может снижаться для незнакомых говорящих, диалектов и условий записи; автоматическое определение языка Whisper для этого чекпойнта не следует считать надёжным. Обучение остановилось на 17-й эпохе из запланированных 20. Лицензия — Apache-2.0.

Yaki-Dofu-Mix — слитая модель генерации изображений в аниме-стиле. Она предназначена для создания иллюстраций по текстовым описаниям и распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. В карточке приведены настройки генерации: 20–60 шагов, sampler DPM++ 3M SDE Exponential, CFG 7.5 и Clip skip 2. Для повышения разрешения рекомендованы апскейлер R-ESRGAN 4x+ Anime6B и 20 дополнительных шагов; пример использует размер 768×768. Автор отмечает, что модель выдаёт яркие цвета без VAE. Модель специализируется на стилизованных аниме-иллюстрациях. Карточка не сообщает размер модели и длину контекста; качество анатомии и деталей может требовать негативного промпта и настройки параметров. Языковые теги карточки — японский и английский.

mserrasa/yolos_finetuned_VinBigData — модель обнаружения объектов на базе архитектуры YOLOS, разработанная автором репозитория mserrasa. В карточке указано 113,2 млн параметров и формат весов safetensors. Модель предназначена для обнаружения объектов на изображениях; сведения о целевых классах и сценариях применения отсутствуют. Карточка описывает её как дообученную версию mserrasa/yolos_finetuned_VinBigData, но не приводит отдельную базовую модель или данные обучения. Лицензия и ограничения применения не указаны.

keremberke/yolov8s-scene-classification — модель компьютерного зрения на базе Ultralytics YOLOv8s, опубликованная пользователем keremberke. Она предназначена для классификации изображений сцен и подходит для определения типа сцены на фотографии. В карточке указана библиотека Ultralytics и формат PyTorch; модель связана с датасетом keremberke/indoor-scene-classification. Модель принимает изображение и выдаёт класс сцены. README содержит раздел с поддерживаемыми метками, но сами метки в предоставленных данных опущены, поэтому конкретные классы и точность модели определить нельзя. Условия лицензии в предоставленных данных не указаны.

230824-detr-segment-detect-unmasked — модель обнаружения объектов на изображениях, созданная дообучением DETR с backbone ResNet-50 от Facebook. В карточке указано, что модель дообучена на наборе данных, название которого не приведено. Она предназначена для поиска и локализации объектов на изображениях; архитектура относится к семейству DETR, веса сохранены в формате safetensors. Модель принимает изображения и выдаёт обнаруженные объекты с их расположением. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не содержит сведений о классах объектов, метриках качества или специальных ограничениях, поэтому пригодность для конкретного набора объектов следует проверять отдельно.

Agenda Mix — слитая модель для генерации изображений по текстовому описанию, опубликованная Earth & Dusk. В состав входят Comic Babes, Epic V4 и Marvellous Comics; модель рассчитана на создание иллюстраций в комиксном и аниме-стиле. Для усиления комиксного стиля автор рекомендует добавить в промпт ключевое слово «XDUSKY1».