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

CapCheck AI Image Detection — модель компьютерного зрения, разработанная CapCheck на основе dima806/ai_vs_real_image_detection и архитектуры Vision Transformer ViT-Base от Google. Она предназначена для бинарной классификации изображений: определения, является ли изображение реальной фотографией или синтетическим изображением, созданным с помощью ИИ. Основные сценарии применения включают модерацию контента, проверку подлинности изображений, исследовательские и образовательные задачи. Модель содержит около 86 млн параметров и принимает изображения размером 224×224 пикселя. Она обучена на датасете CIFAKE и работает в режиме image-classification с метками Real и Fake. В README не указаны поддерживаемые языки, поскольку модель анализирует изображения, а не текст. Для запуска можно использовать библиотеку Transformers и стандартный pipeline image-classification. Модель может быть полезна как базовый инструмент предварительной проверки, однако её точность на современных генераторах, включая Flux, Midjourney v6, DALL-E 3 и Stable Diffusion 3, может отличаться от результатов на обучающих данных. Ограничения также включают возможное снижение точности для сильно сжатых или небольших изображений, новых генераторов и некоторых сложных визуальных случаев. Результаты не следует использовать без человеческой проверки для правоприменения или других решений с серьёзными последствиями. Модель распространяется по лицензии Apache 2.0.

AI Music Detector от lofcz — классификатор аудио на основе логистической регрессии, который выявляет музыку, созданную Suno версии 5 и ниже или Udio версии 1.5 и ниже. Модель анализирует спектральные признаки fakeprint: характерные равномерно расположенные пики, связанные с транспонированными свёрточными слоями нейронных вокодеров. На вход она принимает вектор из 3585 признаков, а на выходе выдаёт вероятность того, что музыка создана ИИ. Перед классификацией аудио нужно извлечь fakeprint-признаки; в README указаны частота дискретизации 16 кГц, размер FFT 8192 и диапазон частот 1000–8000 Гц. Модель опубликована в форматах ONNX и Safetensors. README сообщает об оценке на тестовом наборе из 17 866 фрагментов с точностью 99,88%, однако результат зависит от соответствия данных обучающим и проверочным условиям. Лицензия — MIT.

Analog Madness 1.1 — модель генерации изображений по текстовому описанию, размещённая пользователем Yntec. В карточке приведён пример промпта с персонажем и стилизованной рекламной сценой; теги указывают на фотореалистичные изображения персонажей и стиль Stable Diffusion. Модель предназначена для создания изображений по англоязычным промптам через Diffusers; файлы представлены в форматах Diffusers и safetensors. Лицензия модели — CreativeML OpenRAIL-M. Пример карточки показывает, что модель может быть ориентирована на привлекательные изображения персонажей; подробных сведений об архитектуре и размере в доступных данных нет.

AngelBreed-v4 — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем eienmojiki. В README указано, что это конверсия модели автора JujoHotaru для использования с библиотекой Diffusers, а не официальная публикация автора. Метаданные относят её к Stable Diffusion и аниме-стилю; репозиторий содержит веса safetensors. Модель предназначена для создания изображений по текстовым запросам, в том числе иллюстраций в аниме-стиле. Указана лицензия CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, конкретные языковые ограничения или оценку качества.

Карточка модели kingzhenxing/animagine-xl-3.0 на Hugging Face совпадает с карточкой cagliostrolab/animagine-xl-3.0, поэтому описание составлено по ней. Animagine XL 3.0 — диффузионная модель для генерации аниме-изображений по текстовым запросам, разработанная Cagliostro Research Lab на основе Stable Diffusion XL и дообученная на Animagine XL 2.0. Она предназначена для создания иллюстраций в аниме-стиле и лучше понимает аниме-концепции и структуру тегов в промпте; авторы также отмечают улучшения в изображении рук. Модель поддерживает генерацию с разными соотношениями сторон и доступна в форматах Diffusers и Safetensors. Для лучших результатов рекомендуется использовать структурированные, конкретные промпты и настройки генерации, описанные авторами. Модель не предназначена для фотореализма и может ошибаться в сложных позах и анатомии; охват персонажей и серий ограничен обучающими данными. Модель может генерировать NSFW-контент, поэтому следует учитывать рейтинг и тщательно задавать промпты. Лицензия — CreativeML Open RAIL++-M.

Animagine XL 4.0 — диффузионная модель генерации и редактирования изображений в аниме-стиле, разработанная Cagliostro Research Lab на основе Stable Diffusion XL 1.0. Модель дообучена на более чем 8,4 млн изображений и рассчитана на создание иллюстраций по текстовым запросам. Она поддерживает работу через Diffusers, ComfyUI и Stable Diffusion WebUI; карточка описывает вариант Animagine XL 4.0 Opt с улучшенной стабильностью, анатомией, снижением шума и цветопередачей. Для управления результатом модель лучше использовать с запросами в формате тегов и специальными тегами качества, рейтинга и периода. Поддерживаемый язык в метаданных — английский. Лицензия — CreativeML Open RAIL++-M (в метаданных Hugging Face указана OpenRAIL++).

ape fiction — языковая модель, дообученная автором leftyfeep для генерации художественной прозы. Она основана на Mistral Nemo Base и обучена на датасете fullfictions-85kmax в течение двух эпох с использованием Unsloth; при обучении использовались длинные примеры из датасета, которые удавалось обрабатывать без нехватки памяти. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров, распространяется в формате safetensors под лицензией Apache-2.0. В метаданных указан контекст до 1 024 000 токенов. Основной сценарий — продолжение и создание художественных текстов по запросу. README не сообщает результаты оценки качества или отдельные языки обучения.

Guilherme34/ArliAI-RPMax-Formax-v1 — языковая модель, созданная слиянием SLERP двух моделей ArliAI: Llama-3.1-8B-ArliAI-Formax-v1.0 и Llama-3.1-8B-ArliAI-RPMax-v1.1. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста в диалогах и творческих ролевых сценариях. Её можно использовать для продолжения историй, отыгрыша персонажей и создания ответов в чате. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Сведения о лицензии отсутствуют в предоставленных данных.

Это модель классификации аудио на базе Audio Spectrogram Transformer (AST), разработанная как дообученная версия MIT/ast-finetuned-audioset-10-10-0.4593. Её дополнительно обучили на части набора ESC-50 с аугментациями звука: изменением громкости и скорости, добавлением шума, сдвигом высоты тона и маскированием фрагментов. Модель предназначена для распознавания классов звуковых событий по аудиозаписи, в том числе для сценариев, связанных с категориями ESC-50. В README указаны результаты оценки: accuracy 0,9286 и F1 0,9244. Архитектура содержит около 113,2 млн параметров; доступны веса PyTorch. Лицензия — BSD-3-Clause.

Atlantis-v0.1-12B — модель на 12,1 млрд параметров, дообученная invisietch на базе Mistral-Nemo-2407-Instruct для ролевых диалогов и написания историй. Это плотная языковая модель Mistral с архитектурой MistralForCausalLM; она принимает текст и генерирует текст в формате чата. Автор рекомендует формат запросов Mistral и указывает поддержку контекста до 128K токенов, однако отмечает, что в ролевых сценариях связность может ухудшаться уже после 24K токенов. Модель ориентирована на длинные творческие ответы, повествование и ролевое взаимодействие. По заявлению автора, она слабо ограничена по содержанию и может генерировать откровенные, тревожные или оскорбительные ответы. Это ранняя версия дообучения, поэтому возможны ошибки и нестабильное качество. Выпущена по лицензии Apache 2.0.

AutoT2VPrompt — дообученная на наборе VidProM модель Wenhao Wang на базе Mistral-7B-v0.1. Она принимает текстовые запросы и генерирует варианты промптов для систем преобразования текста в видео: за один запуск можно получить десять вариантов и выбрать подходящий. Модель использует архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории представлены веса Safetensors. В карточке указан английский язык. Для запуска README показывает использование Transformers и требует GPU для приведённой конфигурации. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Результат модели — текстовые промпты; она сама не генерирует видео.

AVTR-1 — открытая модель для создания говорящего аватара в реальном времени; разработчик — Avaturn. На вход подаются портретное изображение и два аудиопотока: речь и дорожка слушающего. Модель синхронизирует движения губ с речью и генерирует активную реакцию слушающего. Выходное видео формируется с частотой 25 кадров в секунду, блоками по пять кадров; README приводит результаты работы на одном GPU, включая NVIDIA A100 и RTX 4060 Ti. Модель предназначена для интерактивных аватаров, потоковой анимации портрета и видеодиалогов. В репозитории Hugging Face находятся веса и вспомогательные материалы в формате ONNX; код инференса и стриминга размещён отдельно. Языки и длина контекста не заявлены. Качество может снижаться для непортретных ракурсов, перекрытий лица, шумного аудио и длительной речи, а синхронизация губ может быть менее точной для недостаточно представленных в обучении языков и групп. Использование регулируется лицензией AVTR-1 Community License и ограничениями из приложения к ней: в частности, запрещены несогласованные дипфейки и выдача себя за другого человека. Для коммерческого применения необходимо учитывать лицензионные условия и зависимости: используемые модели InsightFace ограничены некоммерческим исследовательским использованием, пока их не заменить или не получить коммерческую лицензию. Отдельный Avaturn Streamer лицензируется отдельно и в репозиторий модели не входит.

Карточка модели qyfh258/basil_mix на Hugging Face совпадает с карточкой nuigurumi/basil_mix, поэтому описание составлено по ней. basil_mix — объединённая модель генерации изображений по текстовому описанию, опубликованная пользователем nuigurumi на Hugging Face. Она построена для работы с Diffusers и ориентирована на реалистичные текстуры, азиатские лица и отклик на промпты в стиле Danbooru. Модель принимает текстовые промпты и создаёт изображения. Автор рекомендует простые промпты и VAE vae-ft-mse-840000 от StabilityAI; большое количество тегов качества и негативных промптов может ухудшать результат. Репозиторий распространяется с лицензией other, конкретные условия которой в предоставленных данных не раскрыты.

sinkinai/Beautiful-Realistic-Asians-v5 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, предназначенная для создания реалистичных изображений азиатских людей. В метаданных указаны конвейер text-to-image и форматы Diffusers и PyTorch; карточка упоминает возможность запуска через API.

dbmdz/bert-base-historic-multilingual-64k-td-cased — многоязычная модель семейства BERT, опубликованная командой dbmdz для работы с историческими текстами. Она предобучена на корпусах Europeana и British Library, включающих OCR-тексты на немецком, французском, английском, финском и шведском языках; размер итогового обучающего корпуса составляет 130 ГБ. Вариант использует словарь из 64 тысяч подслов и сохраняет регистр символов. Модель подходит для предсказания замаскированных токенов и может служить основой для дообучения на распознавание именованных сущностей в исторических документах. Это BERT с архитектурой BertForMaskedLM и 162,4 млн параметров; контекст ограничен 512 токенами. Доступны веса в форматах PyTorch, safetensors и ONNX. Лицензия — MIT.

digiplay/bluePencilRealistic_v05 — модель семейства Stable Diffusion для генерации изображений по текстовому описанию. Карточка называет её «Lovely Cute Model» и содержит примеры изображений, но не сообщает подробностей об архитектуре, размере или настройках генерации. Модель предназначена для создания изображений по запросам пользователя. Репозиторий содержит веса в формате safetensors для использования с Diffusers и PyTorch. Лицензия указана как other, поэтому условия использования следует проверять в материалах репозитория.

Испаноязычный bi-encoder на базе BETO, дообученный для связывания упоминаний сущностей с авторитетными записями Biblioteca Nacional de España (BNE). Он преобразует текстовые упоминания и записи в нормализованные векторы размерностью 768 для векторного поиска, семантического извлечения кандидатов и устранения неоднозначности с привязкой к устойчивым URI BNE. Модель предназначена для работы с историческими авторами, литературными произведениями и библиотечными предметными рубриками. В карточке заявлены результаты Recall@1 0,992, Recall@5 0,997 и Recall@10 0,999 на benchmark-оценке. Метаданные указывают архитектуру BERT, 137,1 млн параметров, контекст до 512 токенов и формат safetensors; модель распространяется по лицензии CC BY 4.0. README приводит другое число параметров — около 110 млн. Применение модели лучше ограничивать испанскими историческими, литературными и библиографическими ресурсами; приведённые метрики относятся к оценке, описанной в карточке.

B-NIMITA-L3-8B-v0.02 — языковая модель Arkana08 для ролевых диалогов и создания историй с эмоционально выразительными сценами, естественными репликами и последовательными персонажами. Она построена на архитектуре Llama и содержит 7,5 млрд параметров; модель создана слиянием NIHAPPY-L3.1-8B-v0.09, Mythorica-L3-8B и Jamet-8B-L3-MK.V-Blackroot методом DARE TIES. Основой слияния служит Arkana08/NIHAPPY-L3.1-8B-v0.09. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и предназначена для интерактивного повествования, отыгрыша персонажей и развития сюжетных сцен. В репозитории указаны веса в формате safetensors; README также ссылается на сторонние GGUF-сборки. Лицензия в предоставленных данных не указана.

Bunny-v1.1-4B — компактная мультимодальная модель семейства Bunny, разработанная командой Bunny. Она сочетает визуальный энкодер SigLIP с языковой моделью Phi-3-mini-4k-instruct и использует S²-Wrapper. Модель предназначена для диалога по изображениям: пользователь может задавать вопросы о визуальном содержимом и получать текстовые ответы. Поддерживается разрешение изображений до 1152×1152 пикселей; размер модели составляет 3,7 млрд параметров, контекст — 4096 токенов. Модель ориентирована на прикладные сценарии визуального понимания при умеренных вычислительных ресурсах. Карточка описывает семейство как лёгкое и отмечает использование отобранных обучающих данных, однако независимые показатели качества не приведены. Репозиторий содержит веса Safetensors и заявлен pipeline text-generation; для задач по изображениям требуется соответствующий мультимодальный способ подачи входа. Лицензия — Apache 2.0.

Cakrawala-Llama-3.1-70B — языковая модель NarrativAI, дообученная методом QLoRA на базе meta-llama/Llama-3.1-70B-Instruct. Она предназначена для ролевых диалогов и взаимодействия персонажей: генерирует подробные реплики, описания действий, мимики, обстановки и эмоциональных реакций, стараясь сохранять голос и точку зрения персонажа в продолжительных сценах. Обучение проводилось на 13 000 диалоговых пар длиной не менее 12–13 ходов, в течение двух эпох. Модель использует плотную архитектуру LlamaForCausalLM и содержит 69,5 млрд параметров. Она принимает текст и генерирует текст; заявленный размер контекста — 131 072 токена. В метаданных указан английский язык. Лицензия — MIT. Для запуска требуется совместимая с крупной моделью вычислительная инфраструктура; в README приведены сведения об обучении на восьми GPU H100.

tonyassi/celebrity-classifier — модель классификации изображений лиц, разработанная автором репозитория и дообученная на базе google/vit-base-patch16-224-in21k. Она определяет знаменитость на изображении, выбирая класс из 1000 персон; обучение проводилось на наборе tonyassi/celebrity-1000 из 18 184 квадратных изображений лиц размером 256×256 пикселей. Модель основана на Vision Transformer (ViT), содержит 113,2 млн параметров и распространяется в формате safetensors. Модель подходит для распознавания знаменитостей на фотографиях и демонстрационных задач классификации лиц. В README указана точность 0,7982 на evaluation set. Результат зависит от качества и кадрирования изображения; модель классифицирует только знаменитостей из обучающих классов. Лицензия — Apache-2.0.

Cerebral-Lemonade-9B — объединённая языковая модель, созданная ABX-AI с помощью mergekit из Cerebral-Infinity-7B и Infinite-Laymons-7B. Это плотная авторегрессионная модель семейства Mistral с 8,9 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для художественного письма и ролевых диалогов: она сочетает заявленный упор на рассуждения и контекст Cerebral-Infinity с оригинальностью Infinite-Laymons. Автор отмечает, что модель слабее ограничена выравниванием. Поддерживает генерацию текста; README упоминает варианты GGUF, IQ и Imatrix, а метаданные указывают формат safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели. Это экспериментальное слияние: автор описывает его как эксперимент и сообщает о субъективно хороших результатах, без независимых оценок качества.

Cetus — модель генерации изображений по текстовому описанию в формате Diffusers, представленная пользователем Yntec. В карточке указана версия 3.5 и вариант весов fp16-no-ema; примеры показывают создание аниме- и 2D/2.5D-изображений по англоязычным промптам. Модель предназначена для генерации иллюстраций по тексту. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Модель распространяется по лицензии CreativeML OpenRAIL-M. Подробные сведения об архитектуре, размере, обучении и контексте в доступных материалах не приведены.

CharGen v3 mini — компактная языковая модель для создания персонажей ролевых игр по текстовому описанию. Проект CharGen ведёт разработку моделей для упрощения создания персонажей; версия v3 обучена на материалах из общедоступных репозиториев карточек персонажей, прошедших ручную проверку и редактуру. Модель представляет собой плотную авторегрессионную архитектуру Llama примерно на 3,9 млрд параметров, дообученную на Delta-Vector/Holland-4B-V1. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Модель генерирует текстовые описания персонажей и ролевые материалы в заданном формате: черты личности, внешность, факты, сценарии, вступительные сообщения и примеры диалогов. Она предназначена для авторов ролевых персонажей и диалоговых сценариев; README отмечает улучшенное следование инструкциям и соблюдение формата относительно CharGen v2. Модель распространяется по лицензии MIT. Доступны также квантованные версии GGUF, но этот репозиторий содержит веса safetensors.

CharGen-v3-mini-GGUF — компактная языковая модель проекта CharGen, ориентированная на создание персонажей для ролевых игр. Проект CharGen развивается с 2023 года, а модель является GGUF-версией CharGen-v3-mini и улучшает CharGen v2 в следовании инструкциям и соблюдении заданного формата. Модель принимает свободно сформулированное текстовое описание и генерирует персонажей в виде обычного текста, обычно пошагово и в диалоговом формате. Она поддерживает отдельные сценарии генерации описания, фактов, сценария ролевой игры, личности, внешности, первого сообщения и примеров диалогов, включая экспериментальную функцию Dialogue Example Hints. Основной язык, указанный в карточке, — английский. Сильными сторонами модели являются специализация на ролевых персонажах, гибкое создание деталей и хорошее следование инструкциям и форматам. Она может генерировать материалы с сексуальным содержанием, поскольку обучалась на части NSFW-данных, поэтому требует соответствующих ограничений при использовании. Сведения об архитектуре, количестве параметров, размере контекста и точных системных требованиях в карточке не приведены. Модель распространяется по лицензии MIT.

ChuckleNet Verified — модель классификации аудио, разработанная автором репозитория Hayasuki/chucklenet-verified для обнаружения и прогнозирования смеха в аудиозаписях. Она дообучена на базе microsoft/wavlm-base: замороженный WavLM извлекает признаки из окон аудио длительностью 25 мс, а дополнительная MLP-голова с признаками просодии выдаёт вероятность смеха для каждого окна. Размер MLP-головы — около 230 тысяч параметров. Модель обучена на 87 видео стендап-выступлений с проверенными человеком метками смеха. На обучающей выборке заявлен F1 0,975, а IoU-F1 на отдельной подборке из 118 видео с проверенными метками составляет 0,3302. Модель предназначена для поиска и временной локализации смеха в англоязычных стендап-записях; заявленные результаты указывают на заметный разрыв между обучающей и проверочной выборками. Для весов указана лицензия MIT.

clip-roberta-finetuned — дообученная модель davanstrien на датасете davanstrien/manuscript_noisy_labels_iiif. По архитектуре VisionTextDualEncoderModel она совместно кодирует изображения и текст, формируя признаки для сопоставления этих модальностей. Модель предназначена для извлечения признаков; карточка сообщает значение loss 2.5792 на оценочной выборке, но не описывает сценарии применения или подробности обучения.

ColorfulSSD-1B_v04 — модель генерации изображений по текстовому описанию, дообученная recoilme на наборе портретов recoilme/portraits_xs от модели recoilme/ColorfulSSD-1B_v03. Модель предназначена для создания портретных изображений по текстовым запросам и распространяется в формате Diffusers с весами safetensors. Для обучения использовался VAE madebyollin/sdxl-vae-fp16-fix; метаданные указывают на совместимость с Stable Diffusion XL. Модель опубликована по лицензии CreativeML Open RAIL-M. Карточка приводит мало сведений о настройках генерации и качестве результатов, поэтому возможности за пределами портретной генерации не подтверждены.

latentcat/control_v1p_sd15_brightness — модель ControlNet для Stable Diffusion, разработанная пользователем @ciaochaos и предназначенная для работы в web UI AUTOMATIC1111. Она добавляет управление яркостью к процессу генерации и преобразования изображений: позволяет колоризировать чёрно-белые изображения и изменять цветовую тональность сгенерированных изображений. Модель относится к сценарию image-to-image и работает с визуальными данными. В карточке указано, что при обучении использовался набор данных ioclab/grayscale_image_aesthetic_3M; заявленный язык — английский. Архитектура, количество параметров, поддерживаемый контекст и точные требования к базовой версии Stable Diffusion не указаны. Сильной стороной модели является специализированное управление яркостью и возможность использовать его для колоризации и перекрашивания изображений. Ограничения, риски, смещения, рекомендуемые параметры и перечень сценариев вне области применения в карточке не описаны, поэтому качество и применимость для конкретных задач требуют самостоятельной проверки. Доступна демонстрация в Hugging Face Space brightness-controlnet. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Cool Japan Diffusion 2.1.2 — модель генерации изображений по текстовому описанию, созданная Alfred Increment путём дообучения Stable Diffusion. Она ориентирована на образы из аниме, манги, игр и других аспектов японской популярной культуры. Модель основана на Latent Diffusion Model и OpenCLIP-ViT/H; её можно запускать через Diffusers или веб-интерфейс. В README указан японский язык. Модель предназначена для иллюстраций, образовательных и исследовательских проектов, самовыражения и представления японской популярной культуры. Автор отмечает, что результатам нельзя доверять как фактическим изображениям и что у модели есть те же смещения, что у Stable Diffusion. Лицензия CreativeML Open RAIL++-M-NC запрещает коммерческое использование, кроме перечисленных автором исключений; при распространении модификаций лицензию нужно сохранять.