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

Это конвертированная в Core ML модель SAM 2 Large из семейства Segment Anything, разработанного FAIR. Она предназначена для сегментации изображений и видео по подсказкам и подходит для использования с демонстрационным приложением SAM2 Studio. Веса сохранены в формате Core ML с точностью float16 и распространяются по лицензии Apache-2.0. Модель принимает визуальные данные и формирует маски сегментации. Репозиторий представляет собой преобразование исходной модели для запуска в экосистеме Core ML; README не описывает дополнительные ограничения качества или поддерживаемые языки.

Карточка модели chili-raw/coreml-sam2-tiny на Hugging Face совпадает с карточкой apple/coreml-sam2-tiny, поэтому описание составлено по ней. Это конвертированная в Core ML версия SAM 2 Tiny — модели семейства Segment Anything от FAIR для сегментации изображений и видео по подсказкам. Репозиторий предназначен для использования в демонстрационном приложении SAM2 Studio. Модель принимает визуальные данные и создаёт маски объектов. Веса преобразованы из исходной модели в формат Core ML с точностью float16; метаданные указывают задачу генерации масок. Лицензия — Apache 2.0.

Crimson-Twilight-12B — языковая модель Vortex5 для повествовательного ролевого взаимодействия. Это плотная causal language model на архитектуре Mistral с 12,1 млрд параметров и контекстом до 131 072 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Модель создана как многоэтапное слияние четырёх моделей Vortex5 с помощью MergeKit: сначала применены методы nearswap и slerp, затем промежуточные результаты объединены методом Karcher mean. Она предназначена для генерации текста в сценариях ролевой игры и написания повествовательных ответов. В карточке не указаны языки, на которых она специально обучена. Лицензия в предоставленных данных не указана. Сведения о качестве, безопасности и ограничениях применения в карточке отсутствуют.

Yntec/Cryptids — модель генерации изображений по текстовому описанию на основе Stable Diffusion, опубликованная Yntec. В README указано, что стиль LoRA Cryptids от RIXYN с весом 1.0 объединён с HellSKitchen; также в состав входят HELLmix от Barons и Kitsch-In-Sync от iamxenos. В модель встроен VAE MoistMixV2VAE. Модель предназначена для создания стилизованных фантастических иллюстраций, в том числе изображений животных и существ с выразительными глазами. Для генерации используется текстовый промпт; карточка показывает примеры с милым котёнком и сказочным окружением. Репозиторий представлен в формате Diffusers и Safetensors. Лицензия — CreativeML OpenRAIL-M, её условия необходимо соблюдать при использовании и распространении модели.

Cyberpunk Anime Diffusion — модель генерации изображений в аниме-стиле на тему киберпанка, опубликованная DGSpitzer. Она создана дообучением Waifu Diffusion V1.3 с использованием DreamBooth и Stable Diffusion V1.5 New VAE. Модель принимает текстовые запросы и генерирует изображения; для усиления авторского иллюстративного стиля в запросе рекомендуется использовать ключевое слово «dgs». Репозиторий содержит файлы для Diffusers и checkpoint, совместимые со стандартными пайплайнами Stable Diffusion. Модель рассчитана на создание киберпанк-персонажей, прежде всего аниме-портретов и иллюстраций. Карточка не сообщает размер модели или длину контекста. Лицензия — CreativeML Open RAIL-M; ограничения использования следует сверять с условиями этой лицензии.

KamCastle/CyberRealistic42 — модель для генерации изображений по текстовому описанию, опубликованная пользователем или разработчиком KamCastle на Hugging Face. Она предназначена для сценариев text-to-image и может использоваться через библиотеку Diffusers с конвейером StableDiffusionPipeline, а также в совместимых локальных приложениях. Известно, что модель содержит около 0,9 млрд параметров, распространяется в формате Safetensors с тензорами F32 и поддерживает работу через Diffusers. В карточке модели приведён англоязычный пример текстового запроса, однако сведения о поддерживаемых языках, максимальном разрешении или размере контекста не указаны. Модель не развернута у Inference Providers. По доступным данным, её ключевая возможность — синтез изображений из текста. Подробные сведения об архитектуре, обучающих данных, сильных сторонах, ограничениях, фильтрах безопасности и качестве на отдельных типах запросов отсутствуют; поэтому нельзя надёжно утверждать наличие специализированной оптимизации для фотореализма, несмотря на название модели. Лицензия в карточке модели не указана, поэтому условия коммерческого и иного использования требуют отдельной проверки.

John6666/cyberrealistic-pony-semi-realistic-semi-real-v30-sdxl — производная text-to-image модель, опубликованная John6666 на Hugging Face и основанная на CyberRealistic Semi Real от Cyberdelia. Репозиторий использует Diffusers и формат safetensors; карточка указывает архитектуру StableDiffusionXLPipeline и лицензию fair-ai-public-license-1.0-sd. Модель предназначена для генерации изображений по текстовым запросам в реалистичном и полу-реалистичном стиле, с тематикой Pony и anime. Она принимает текстовые описания и выдаёт изображения. В доступных сведениях не приведены размер параметров и длина контекста; точные показатели качества и подробные ограничения не установлены.

CyberRealisticXL-GGUF — это набор GGUF-квантизаций и извлечённых компонентов модели CyberRealistic XL v10.0, разработанной Cyberdelia и подготовленной пользователем InsecureErasure для использования с ComfyUI-GGUF. Модель основана на архитектуре Stable Diffusion XL и предназначена для генерации изображений по текстовому описанию, в частности реалистичных портретов и сцен с фотографическим стилем. В репозитории представлены варианты весов F16, Q8_0, Q6_K, Q5_K_S, Q4_K_M, Q3_K_M и Q2_K, а также компоненты CLIP в формате Safetensors. GGUF-версии рассчитаны на разные компромиссы между качеством генерации, размером файлов и требованиями к памяти. В README подтверждается совместимость конфигураций с VAE и эквивалентность результатов для отдельных вариантов, однако поддерживаемые языки, размер контекста и точные системные требования не указаны. Сильными сторонами модели являются ориентация на реалистичную визуальную стилистику, наличие нескольких уровней квантизации и интеграция с ComfyUI-GGUF. Более сильная квантизация может снижать требования к ресурсам, но потенциально сказывается на качестве и детализации изображений; кроме того, для работы необходимы совместимые компоненты SDXL, CLIP, VAE и соответствующий интерфейс. Модель и производные веса распространяются по лицензии creativeml-openrail-m, если иное не установлено условиями исходной модели.

MAEST — трансформерная модель для анализа музыкального аудио, разработанная Pablo Alonso и основанная на архитектуре Audio Spectrogram Transformer. Эта версия содержит 113,2 млн параметров и дообучена от DeiT; модель предназначена для классификации музыкальных стилей и выдаёт предсказания по таксономии из 400 стилей, сформированной на основе метаданных Discogs. Модель обучалась на наборе Discogs20 из 3,3 млн музыкальных треков. Её представления также применялись в задачах распознавания жанра и эмоций в музыке, а также обнаружения инструментов. Для использования в Transformers требуется доверенная загрузка пользовательского кода через trust_remote_code=True; при обработке аудио возможны небольшие расхождения из-за особенностей воспроизведения предобработки мел-спектрограмм. MAEST не является универсальным классификатором аудио и не рассчитана на задачи вроде классификации AudioSet. Обучающие данные преимущественно отражают западную музыку, особенно электронную, поэтому качество может быть ниже для недостаточно представленных музыкальных традиций. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование на её условиях; для коммерческого применения разработчик предлагает запросить отдельную лицензию.

liamhvn/disney-pixar-cartoon-b — модель генерации изображений по текстовому описанию, опубликованная через Stable Diffusion API. Карточка содержит пример вызова API для модели с идентификатором disney-pixar-cartoon и указывает на генерацию изображений размером 512 × 512 пикселей; в примере используются 30 шагов вывода и guidance scale 7.5. Модель предназначена для создания изображений по текстовым запросам, в том числе стилизованных под мультфильмы Disney и Pixar. Пример запроса включает портрет персонажа с киберпанк-эстетикой и кинематографическим освещением, однако сам пример не подтверждает специализацию на этом жанре или гарантированное качество результата. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M.

Dispider — официальный чекпойнт видеоязыковой модели из работы CVPR 2025 «Dispider: Enabling Video LLMs with Active Real-Time Interaction via Disentangled Perception, Decision, and Reaction». Модель предназначена для непрерывного анализа видеопотока и выдачи текстового ответа при обнаружении значимого события. В архитектуре CLIP кодирует выборки по 16 кадров, компактная модель Qwen2-1.5B формирует временную память и принимает решение, когда запускать более крупный компонент Reaction. Веса опубликованы в формате safetensors; для инференса требуется сопровождающий репозиторий, поскольку стандартный AutoModel.from_pretrained() не собирает видеокомпоненты. Контекст составляет 32 768 токенов. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

Это модель классификации аудио на основе DistilHuBERT, дообученная автором на датасете GTZAN. Она предназначена для распознавания музыкальных жанров по аудиозаписи. В карточке указаны точность 0,88 и loss 0,8658 на оценочном наборе; размер модели — 18,9 млн параметров. Модель принимает аудио и выдаёт метку класса. Она опубликована в формате PyTorch под лицензией Apache-2.0. В README не приведены дополнительные сведения о наборе классов, способе подготовки аудио или ограничениях оценки.

Dreamlike Anime 1.0 — модель генерации изображений в стиле аниме от dreamlike.art. Она создаёт изображения по текстовым описаниям и предназначена для иллюстраций, персонажей и других художественных сцен. Модель основана на Stable Diffusion и доступна в форматах CKPT, Safetensors и Diffusers; размер файлов указан как 2,13 ГБ. Модель поддерживает генерацию изображений по тексту. В метаданных также отмечена задача image-to-image, однако README не описывает её применение. Карточка предлагает использовать модель через Stable Diffusion Pipeline. Указана лицензия «other» без дополнительных условий в предоставленных данных.

DucHaiten Anime 768 — модель генерации изображений в стиле аниме, опубликованная Yntec. Это вариант модели DucHaiten Anime с разрешением 768 пикселей, в формате FP16 без EMA и со встроенным VAE Waifu 1.4 для инференса. Репозиторий предназначен для использования с библиотекой Diffusers и содержит веса PyTorch в формате safetensors. Модель принимает текстовое описание и генерирует изображение. Она подходит для создания аниме-иллюстраций по промптам. В карточке указана лицензия CreativeML OpenRAIL-M; она предусматривает условия использования и ограничения, изложенные в самой лицензии.

EarthnDusk-Nov-SD15-Merges-Mixes — набор смешанных и объединённых моделей Stable Diffusion 1.5 от Earth & Dusk, распространяемый в формате safetensors и рассчитанный на генерацию изображений по текстовым запросам. Карточка относит модели к иллюстрации, аниме и комиксам; для работы используется библиотека Diffusers. Модель подходит для создания иллюстраций и изображений в стилистике аниме и комиксов по текстовому описанию. В README авторы предлагают повторно использовать и объединять модели с указанием авторства и сохранением метаданных. Базовые модели, точные характеристики отдельных вариантов и длина контекста в карточке не описаны. Указанная лицензия — CreativeML OpenRAIL-M. Авторы просят не перезагружать модели без разрешения и рекомендуют указывать авторство при повторном использовании и объединении.

Emi 3 (Ethereal master of illustration 3) — модель генерации изображений по тексту, разработанная компанией AI Picasso на базе Stable Diffusion 3.5 Large. Она предназначена прежде всего для создания иллюстраций в японском художественном стиле, включая аниме и мангу. Архитектура использует Rectified Flow Transformer и текстовые энкодеры OpenCLIP ViT/G, CLIP-L и T5; модель распространяется в форматах Diffusers и safetensors и рассчитана на работу через ComfyUI или библиотеку Diffusers. Модель принимает текстовые запросы примерно до 200 слов. README сообщает об обучении на наборе примерно из 3 000 вручную и 400 000 автоматически собранных изображений после исключения изображений Danbooru, размещённых без разрешения. Среди сценариев применения — создание иллюстраций, эскизов и изображений для творческих проектов. Модель лучше подходит для японских иллюстративных изображений, чем для фотореализма; генерация рук может быть неточной. В README указан язык японский, а метаданные карточки отмечают английский. Лицензия обозначена как Stability AI Community License; для производных изображений следует соблюдать применимые законы и условия лицензии. Модель не предназначена для передачи вымышленных сведений за факты, публикации цифровых подделок или распространения запрещённого контента.

Michelle Li обучила эту модель для классификации эмоций в тексте. Это дообученная DistilRoBERTa-base с архитектурой RoBERTa и примерно 95,2 млн параметров; модель принимает текст и относит его к одному из семи классов: гнев, отвращение, страх, радость, нейтральность, грусть или удивление. Контекст модели — до 514 токенов. Модель предназначена прежде всего для анализа диалогов из сериалов и фильмов, а также может применяться для классификации эмоций в других текстах на английском языке. Обучение включало датасет Emotion Lines (Friends) и данные, использованные базовой Emotion English DistilRoBERTa-base. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

EnCodec 32 kHz — нейросетевой аудиокодек Meta AI, обученный в рамках проекта MusicGen. Он использует потоковую архитектуру кодировщика и декодировщика с квантованным латентным представлением и предназначен для сжатия и восстановления аудиосигнала с низкой задержкой. Модель можно применять отдельно для сжатия и декомпрессии аудиофайлов, а также вместе с официальными чекпойнтами MusicGen. Вариант обучен на музыкальных данных, включая внутренний набор Meta AI и каталоги Shutterstock и Pond5. Для обработки доступны потоковый режим и режим с разбиением аудио на перекрывающиеся фрагменты; можно задавать битрейт. Модель рассчитана на высококачественное сжатие музыки и работу в реальном времени. Карточка не описывает поддержку конкретных естественных языков: модель обрабатывает аудиосигнал, а не текст. Лицензия в предоставленных данных не указана.

Neobe разработала дообученную модель byT5-large для перевода отдельных предложений с английского на дивехи. Это байтовая encoder-decoder модель на архитектуре T5 с 1,2 млрд параметров; базовая модель — google/byt5-large. Модель рассчитана на вход на английском языке и выдаёт текст на дивехи письмом тханаа. Модель обучена на корпусе предложений о Мальдивах, включая новости, пресс-материалы и Википедию. В карточке приведены оценки chrF, chrF++ и BLEU на тестовых данных; для дивехи автор рекомендует ориентироваться на chrF, поскольку BLEU ненадёжен из-за особенностей сегментации слов и морфологии. Лицензия — Apache-2.0. Модель предназначена только для перевода одного предложения за раз: на абзацах она теряет связность. Перевод технического и разговорного английского может быть ненадёжным, поскольку эти типы текстов выходят за распределение обучающих данных; эталонные переводы в части оценки созданы машинным способом.

animetimm/eva_giant_patch14_560.dbv4-full — модель многометочной классификации изображений и визуальный backbone, опубликованный animetimm. Она дообучена на наборе danbooru-wdtagger-v4-w640-ws-full и предсказывает теги для изображений: 9 225 общих тегов, 3 247 тегов персонажей и 4 категории рейтинга. Размер входного изображения при обучении и тестировании — 560 × 560 пикселей; модель содержит около 1,0 млрд параметров. Модель предназначена для автоматической разметки изображений тегами и извлечения визуальных признаков для последующей обработки. В README приведены метрики на тестовой выборке: micro F1 0,697 при пороге 0,40 и 0,948 для тегов персонажей при рекомендованном пороге 0,62. Для разных категорий и тегов оптимальны разные пороги, поэтому результаты зависят от настройки порогов и состава данных. Модель основана на timm/eva_giant_patch14_560.m30m_ft_in22k_in1k, распространяется в форматах PyTorch и safetensors по лицензии GPL-3.0.

EVA Qwen2.5 14B — плотное текстовое чат-обучение на базе Qwen2.5-14B, созданное Kearm и Auri полным дообучением всех параметров на смеси синтетических и естественных данных. Модель ориентирована на ролевые диалоги и написание историй; в обучающую смесь вошли данные для инструкций, структурированного письма, ролевых карточек и коротких рассказов. Модель принимает текстовые запросы в формате ChatML и генерирует текст. Размер составляет 14 млрд параметров, базовая модель поддерживает контекст до 131 072 токенов. В README рекомендованы температура 0,7, top-p 0,8 и штраф за повторы 1,03; авторы отмечают, что модели подходят низкие значения температуры и не подходит сэмплер Min-P. Распространяется под лицензией Apache-2.0.

EVA-Qwen2.5-32B-v0.1 — модель для ролевых диалогов и написания историй, разработанная Kearm и Auri. Это полно-параметрическое дообучение плотной авторегрессионной модели Qwen2.5-32B; она поддерживает генерацию текста и чат, использует формат ChatML и принимает контекст длиной до 131 072 токенов. Модель обучали на смеси синтетических и естественных данных: наборах для инструкционного диалога, творческого письма, ролевых сценариев и карточек персонажей. Она предназначена для создания историй, отыгрыша персонажей и следования инструкциям в диалоге. В README указаны рекомендации по настройке семплирования и доступность инференса через FeatherlessAI. Модель опубликована в формате Safetensors под лицензией Apache-2.0. Она ориентирована на творческое письмо и ролевые сценарии, поэтому её ответы и стиль могут быть менее подходящими для задач, требующих строго фактических или нейтральных ответов; отдельные оценки качества в карточке не приведены.

Модель dima806/facial_age_image_detection разработана на базе Vision Transformer google/vit-base-patch16-224-in21k и дообучена для классификации изображений лиц по возрастным группам. Она принимает изображение лица и возвращает метку возрастной группы. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors. Модель предназначена для оценки возрастной категории по лицу в сценариях, где достаточно группового диапазона, а не точного возраста. Она использует архитектуру ViT для классификации изображений. Лицензия Apache-2.0.

fantassified_icons_v2 — дообученная модель Stable Diffusion от proximasanfinetuning для генерации изображений по текстовому описанию. Она создаёт иконки предметов в духе фэнтезийных игр, обычно на простом фоне; специальное триггерное слово не требуется. Модель предназначена прежде всего для создания игровых предметов и зелий. В README приведён пример использования через Diffusers с StableDiffusionPipeline. Автор отмечает, что лица и люди не были целью обучения, а включение hires fix может ухудшать изображения зелий. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Указана лицензия other; конкретные условия лицензии в доступных данных не раскрыты.

FastVideo-FastH3-8-Step-V2-ComfyUI-GGUF — это GGUF-квантизованные версии чекпойнта FastVideo-FastH3-8-Step-V2, подготовленные VantageWithAI для использования в ComfyUI. Базовая модель — MiniMaxAI/MiniMax-H3, разработчик исходного чекпойнта — проект FastVideo. Модель предназначена для генерации синхронизированных видео и аудио по текстовому описанию. Модель использует трансформерную архитектуру и генерирует результат за восемь прямых проходов трансформера. Чекпойнт на шаге обучения 1300 был оптимизирован с использованием методов DMD2 и VSA-H3 при разреженности 80%, что ориентировано на ускорение генерации. Для работы требуется backend внимания VSA-H3; параметр video scheduler shift должен быть установлен в 10 вместо 12 у базовой модели. Поддержка FL2VA и Ref2VA в этой дистиллированной версии отсутствует, сведения о языках и размере модели в карточке не указаны. Сильными сторонами модели являются малое число шагов генерации и поддержка текстовой генерации сразу двух модальностей — видео и аудио. По сравнению с базовой MiniMax H3 возможны ухудшения в сложной динамике, детализации и отдельных элементах аудио. Модель распространяется по лицензии MiniMax H3 Community License; применимые условия следует уточнять в файле LICENSE.

FireRed-Image-Edit-1.0-Lightning — это облегчённый дистиллированный LoRA-адаптер для модели FireRed-Image-Edit-1.0, разработанный командой FireRedTeam. Он предназначен для редактирования изображений по текстовым инструкциям в сценариях image-to-image: пользователь передаёт изображение и описание требуемого изменения, после чего модель генерирует отредактированный результат. Адаптер используется через библиотеку Diffusers и базовый пайплайн QwenImageEditPlusPipeline. Ключевая особенность модели — ускоренная генерация с малым числом шагов инференса: в примере README используется 8 шагов и отключён стандартный CFG посредством параметра true_cfg_scale=1.0. Заявлены английский и китайский языки. Архитектура, количество параметров, поддерживаемые модальности помимо редактирования изображений и размер контекста в предоставленных данных не указаны. Модель удобна для быстрых итераций при локальном редактировании изображений, однако требует базовую модель FireRed-Image-Edit-1.0, совместимый пайплайн Diffusers и вычислительную среду с CUDA; в примере применяется тип данных bfloat16. Ограничения качества, перечень поддерживаемых операций и результаты оценки в README не описаны. Лицензия — Apache-2.0.

QuantStack/FLUX.1-Kontext-dev-GGUF — это квантизированная модель в формате GGUF, напрямую преобразованная из FLUX.1-Kontext-dev, разработанной Black Forest Labs. По имеющимся данным, модель предназначена для сценариев image-to-image, то есть для преобразования и редактирования изображений на основе исходного изображения, однако подробные сведения о поддерживаемых языках, архитектуре, размере, модальностях и длине контекста не указаны. Модель можно использовать в ComfyUI через пользовательский узел ComfyUI-GGUF; файлы размещаются в каталоге ComfyUI/models/unet. Квантизация может снизить требования к ресурсам, но конкретный уровень квантизации и его влияние на качество в карточке не указаны. Применяются исходные условия и ограничения лицензии FLUX.1-Kontext-dev: flux-1-dev-non-commercial-license; лицензия некоммерческая, полный текст доступен в файле LICENSE.md.

Keltezaa/Flux2_Klein_9B_snofs_v1 — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией Keltezaa. Модель предназначена для использования в сценариях text-to-image и интеграции с библиотекой Diffusers. Адаптер создан на базе black-forest-labs/FLUX.2-klein-base-9B. Из README известно, что базовая модель относится к семейству FLUX.2 Klein и имеет размер 9B, однако сведения о конкретной архитектуре адаптера, поддерживаемых языках, модальностях, размере контекста и отличительных визуальных характеристиках версии snofs_v1 не указаны. Сильная сторона модели — возможность использовать специализированную настройку LoRA поверх базовой модели FLUX.2 Klein, что обычно позволяет применять адаптер без полного хранения или дообучения базовой модели. Ограничения и требования к аппаратному обеспечению в README не описаны; также отсутствуют примеры промптов и результаты тестирования. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая предусматривает указание авторства, запрещает коммерческое использование и распространение производных материалов.

Fluxed Up 2.5devfp8 — модель типа LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с библиотекой Diffusers и базовой моделью black-forest-labs/FLUX.1-dev. В карточке модель опубликована под идентификатором eqtgeqw/Fluxed_Up_2.5devfp8; сведения об отдельной организации-разработчике отсутствуют. Модель ориентирована на сценарии text-to-image и распространяется в формате весов Safetensors. Архитектура, размер, поддерживаемые языки, длина контекста и точные особенности дообучения в README не указаны. Пример результата представлен изображением, однако подробные рекомендации по промптам и применению отсутствуют. Условия лицензирования обозначены как other; используется специальная лицензия fluxed-up-2.5devfp8-license, доступная в файле LICENSE. Ограничения по использованию, коммерческому применению и распространению следует уточнять непосредственно в этой лицензии.

FormosanBank/formosan-asr-amis — модель автоматического распознавания речи на языке ами. Это дообученный вариант XLS-R 53 на базе facebook/wav2vec2-large-xlsr-53 с 402,7 млн параметров. Обучение включало продолженное самообучение на пан-формозских аудиоданных, supervised-обучение распознаванию речи и адаптацию к ами. Модель принимает аудио и выдаёт текстовую транскрипцию. Она предназначена для исследования, обучения, документирования и поддержки возрождения языка ами. В описанном протоколе оценки на шести тестовых корпусах получены нормализованные micro WER 7,67% и CER 1,89%; результаты зависят от корпуса и условий записи. Для использования Transformers доступен pipeline automatic-speech-recognition. Лицензия — CC BY 4.0.