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

mlx-community/FLUX.2-Klein-4B-3bit — 3-битная квантизированная версия FLUX.2 [klein] 4B от Black Forest Labs, подготовленная сообществом mlx-community. Это компактный rectified flow transformer с 4 млрд параметров для генерации и редактирования изображений. Модель принимает текстовые описания и изображения, включая несколько референсов для редактирования, и выдаёт изображения. Модель предназначена для быстрого создания изображений, локальной разработки, развёртывания на периферийных устройствах и производственных приложений. В README заявлены высокая скорость, возможность работы на потребительских GPU и потребление от 13 ГБ видеопамяти; эти показатели относятся к семейству FLUX.2 [klein] и могут зависеть от оборудования и реализации. Репозиторий распространяется по лицензии Apache 2.0.

FotoPhoto — модель генерации изображений по текстовому описанию, созданная Yntec как смесь Foto Assisted Diffusion и FennPhoto. Она предназначена для создания фотореалистичных фотографий, портретов, пейзажей и сцен, а также цифровых картин и фантазийных иллюстраций. Примеры в карточке показывают широкий диапазон сюжетов и стилей, включая кинематографичные кадры, арт-концепты и изображения еды. Модель использует Stable Diffusion и доступна в формате Diffusers с весами Safetensors. Она принимает текстовые запросы на английском языке и генерирует изображения. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M. Качество и соответствие результата запросу зависят от формулировки промпта; карточка не приводит сведений о размере модели или длине контекста.

noamrot/FuseCap_Image_Captioning — модель на архитектуре BLIP для создания семантически насыщенных описаний изображений. Она основана на подходе FuseCap, который использует большие языковые модели для обогащения подписей к изображениям; карточка указывает, что демонстрационная BLIP-модель обучена с использованием FuseCap. Модель предназначена для автоматического описания содержимого изображения, в том числе для получения более содержательных подписей, чем простое перечисление видимых объектов. В репозитории указаны формат PyTorch и лицензия MIT. Подробности об обучении, поддерживаемых языках и ограничениях качества в карточке не приведены.

Gemini 3.1 Flash Image, также известная как Nano Banana 2, — модель Google для генерации и редактирования изображений. В карточке она описана как модель с визуальным качеством уровня Pro и высокой скоростью работы линейки Flash. Модель предназначена для создания изображений по запросу и изменения существующих изображений. Данных о поддерживаемых языках, размере, контексте и лицензии в предоставленных источниках нет.

Gemini 3.1 Flash Image Preview, также известная как Nano Banana 2, — модель Google для генерации и редактирования изображений. В карточке она описана как модель, обеспечивающая визуальное качество уровня Pro при скорости Flash. Её можно использовать для создания изображений по запросу и изменения существующих изображений. Метаданные Hugging Face относят модель к задаче image-text-to-text. Данных о базовой модели, лицензии, поддерживаемых языках, размере и контексте в предоставленных материалах нет.

MarekCech разработал эту модель на основе ntu-spml/distilhubert, дообучив её для классификации музыкальных жанров. Модель использует архитектуру HuBERT и содержит 18,9 млн параметров; веса опубликованы в формате Safetensors. Модель предназначена для определения жанра по аудиозаписи. В карточке перечислены 18 жанров: блюз, классическая музыка, кантри, Drum & Bass, Dubstep, фолк, Future Bass, Hardstyle, House, джаз, латинская музыка, металл, поп, R&B и соул, рэп, регги, рок и трэп. Лицензия в доступных данных не указана.

Карточка модели Jinstudio/GLM-Image на Hugging Face совпадает с карточкой zai-org/GLM-Image, поэтому описание составлено по ней. GLM-Image — модель генерации изображений от команды zai-org. Она сочетает авторегрессионный генератор на 9 млрд параметров, инициализированный из GLM-4-9B-0414, и диффузионный декодер на 7 млрд параметров на основе одно поточной архитектуры DiT. Модель принимает текстовые описания для генерации изображений, а также изображения для редактирования, переноса стиля, сохранения идентичности объектов и согласованности нескольких персонажей. GLM-Image рассчитана на создание детализированных изображений и особенно хорошо справляется с точным отображением текста и генерацией, требующей предметных знаний и сложного семантического понимания. В карточке указана поддержка китайского и английского языков; для текста, который должен появиться на изображении, рекомендуется использовать кавычки в запросе. Модель распространяется под лицензией MIT. Ограничения: высокая стоимость инференса из-за ограниченных оптимизаций; целевое разрешение должно делиться на 32. Повышенная температура генерации увеличивает разнообразие, но может снижать стабильность результата.

Модель Faridul Reza Sagor и Abdul Wadud Shakib — GPT-2, дообученная на базе flax-community/gpt2-bengali для абстрактивного суммирования новостей на бенгальском языке. Она принимает текст и формирует его краткое изложение; карточка указывает датасеты BANSData и Bangla Summarization Dataset (Prothom Alo). Модель опубликована в формате PyTorch, её контекстное окно составляет 1024 токена. Модель подходит для сокращения бенгалоязычных новостных статей. По данным карточки, она хуже справляется с рассказами, диалогами и отдельными фрагментами текста, поскольку обучалась преимущественно на газетных материалах. Лицензия в предоставленных данных не указана.

Hausa-ASR — модель автоматического распознавания речи на языке хауса, разработанная Awarri Technologies при поддержке Федерального министерства связи, инноваций и цифровой экономики Нигерии и входящая в инициативу N-ATLaS. Это дообученная версия Whisper Small с архитектурой Transformer и примерно 244 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию на хауса; в README рекомендована частота дискретизации 16 кГц, а максимальная длительность аудио на один запуск указана как 30 секунд. Модель предназначена для транскрибирования записей и вещательных материалов, образовательных и голосовых приложений, проектов доступности, а также языкового и культурного документирования. Обучающие данные включали 120 часов записей с платформы Langeasy от говорящих из шести геополитических зон Нигерии и общедоступные наборы данных. Точность может различаться между региональными диалектами; качество снижается при смешении хауса с английским, шуме и плохом качестве аудио. В README также отмечены ограниченные данные детской речи и необходимость проверки человеком для решений с высокими ставками. Условия использования описаны как исследовательская лицензия с дополнительными ограничениями: коммерческое или крупномасштабное корпоративное применение требует отдельного соглашения, а использование для слежки, дискриминации, военных целей и ряда вредоносных сценариев запрещено.

Карточка модели unsloth/HiDream-I1-Dev на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

HiDream-I1-Full — модель генерации изображений по текстовому описанию, разработанная HiDream.ai и перепубликованная Unsloth с неизменёнными весами. Это полноразмерная версия семейства HiDream-I1 с 17 млрд параметров; модель использует архитектуру Sparse Diffusion Transformer и запускается через библиотеку Diffusers. Модель предназначена для создания изображений по текстовым запросам в фотореалистичном, мультяшном и художественном стилях. В карточке заявлены высокое качество генерации и точное следование запросам; приведены результаты сравнений на HPS v2.1, GenEval и DPG-Bench. Указан английский язык. Для работы требуются Flash Attention и рекомендуется CUDA 12.4. Репозиторий распространяется по лицензии MIT; README указывает, что условия upstream-лицензии сохранены.

HiDream-O1-Image-BF16 — конверсия модели HiDream-O1-Image в формате bfloat16, опубликованная drbaph для запуска в ComfyUI. Исходная модель разработана HiDream-ai и основана на Pixel-level Unified Transformer (UiT): она работает с пикселями, текстом и условиями задачи в общем токеновом пространстве, без внешнего VAE и раздельных текстовых энкодеров. Модель содержит 9 млрд параметров и использует библиотеку Diffusers. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений по инструкциям, персонализации объекта по нескольким референсам и создания раскадровок. Она поддерживает генерацию с нативным разрешением до 2048 × 2048, длинные текстовые запросы и многоязычный рендеринг текста; в карточке указаны английский и китайский языки. Конверсия BF16 ориентирована на баланс точности и эффективности памяти и рассчитана на 50 шагов инференса. Для комфортной работы в полном разрешении рекомендуется GPU с 20–24 ГБ видеопамяти; заявленный диапазон потребления VRAM составляет примерно 17–20 ГБ. Для запуска требуется ComfyUI и совместимый пользовательский узел. Модель и конверсия распространяются по лицензии MIT.

HunyuanDiT-Diffusers-Distilled — дистиллированная модель генерации изображений по текстовому описанию от команды Tencent Hunyuan, опубликованная в формате 🤗 Diffusers. Она основана на архитектуре Diffusion Transformer и поддерживает генерацию изображения за 25 шагов. Модель предназначена для создания изображений по коротким и длинным текстовым запросам, включая запросы с китайскими элементами. Модель принимает текст и выдаёт изображения. В README отмечены возможности понимания китайских элементов и длинных запросов; метаданные указывают английский язык. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и сопроводительными материалами репозитория.

Craftly-Image-2.1 — модель генерации изображений по текстовому описанию, представленная как разработка Craftly AI Labs. В README она описана как диффузионный трансформер в латентном пространстве (DiT) с flow-matching планировщиками, текстовым энкодером CraftlyVision-7B-Instruct и 16-канальным пространственным VAE. Модель предназначена для фотореалистичной генерации, рендеринга текста на изображениях и создания сложных пространственных композиций. Заявлена поддержка динамического соотношения сторон и разрешения до 2K; метаданные указывают английский и китайский языки. Репозиторий содержит формат Diffusers и веса Safetensors. В README приведён пример запуска с bfloat16 на CUDA. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория.

InternVL2_5-26B — мультимодальная модель OpenGVLab для диалога по тексту и визуальным данным. Она объединяет зрительный энкодер InternViT-6B-448px-V2_5 и языковую модель internlm/internlm2_5-20b-chat; каталог указывает связь с обеими базовыми моделями как merge. Модель построена по схеме ViT-MLP-LLM и использует динамическое разбиение изображений на фрагменты 448×448 пикселей для обработки в высоком разрешении. Модель предназначена для ответов на вопросы об изображениях, анализа нескольких изображений в одном запросе и понимания видео по кадрам; она также поддерживает обычный текстовый диалог. В README отмечены улучшения обучения и качества данных, а также внимание к сохранению языковых способностей. Карточка семейства указывает поддержку многоязычных данных, OCR и математических диаграмм; конкретный список языков и размер контекста для этой версии не приведены. Репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия — MIT. Обработка высокого разрешения, нескольких изображений и видео увеличивает расход визуальных токенов; при работе с несколькими изображениями может потребоваться увеличить контекст.

InternVL2_5-38B — мультимодальная чат-модель OpenGVLab, построенная по схеме ViT-MLP-LLM: зрительный кодировщик InternViT связан через MLP-проектор с языковой моделью Qwen2.5-32B-Instruct. Модель объединяет эти компоненты и распространяется в формате safetensors; лицензия — MIT. Модель предназначена для диалога по изображениям и видео, а также для генерации текста. Она поддерживает изображения высокого разрешения с динамическим разбиением на фрагменты, несколько изображений в одном запросе и видео, представляемое последовательностью кадров. В README также отмечены задачи OCR на нескольких языках и анализ математических графиков; языки описаны как многоязычные. Архитектурные детали и обучение рассчитаны на мультимодальные задачи, а в версии 2.5 улучшены стратегии обучения и качество данных для сохранения языковых возможностей. Работа с несколькими изображениями или кадрами видео увеличивает число визуальных токенов и может требовать большего контекстного окна. В метаданных указана поддержка генерации текста наряду с обработкой изображений и текста.

IS-Net — модель сегментации изображений семейства U²-Net, опубликованная BritishWerewolf в формате ONNX для использования через библиотеку Transformers. Она генерирует маску объекта на изображении и предназначена для получения точных контуров, в том числе при удалении фона и обработке портретов. README описывает интерактивное уточнение маски, однако способ передачи пользовательских указаний не раскрыт. Модель подходит для отделения объекта от фона и создания масок для дальнейшей обработки изображений. Репозиторий указывает Apache 2.0; в README отмечен вклад rembg и авторов оригинальной IS-Net.

IT5 Base for News Summarization — модель семейства T5, разработанная Gabriele Sarti и Malvina Nissim и дообученная для суммаризации итальянских новостных текстов. Она предназначена для создания кратких изложений новостных материалов, в частности текстов из корпусов Fanpage и Il Post. Модель имеет архитектуру T5 для преобразования текста в текст и содержит 123,7 млн параметров. Доступны контрольные точки для PyTorch, TensorFlow и JAX. Модель принимает текст и генерирует текстовое резюме; в карточке указана поддержка итальянского языка. Она ориентирована на новостную суммаризацию, поэтому пригодность для других жанров и языков не подтверждена. Лицензия — Apache-2.0.

ARTeLab/it5-summarization-fanpage — модель семейства T5, разработанная ARTeLab и дообученная на базе gsarti/it5-base на датасете Fanpage для абстрактивного суммирования текстов. Она генерирует краткое изложение исходного текста и подходит для автоматического составления сводок, в частности по материалам датасета Fanpage. Модель содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и доступна в форматах PyTorch и Safetensors. Карточка приводит значения ROUGE-1 34,19, ROUGE-2 15,79 и ROUGE-L 25,14. Лицензия в предоставленных данных не указана.

scenario-labs/juggernaut_reborn — модель преобразования текста в изображение, подготовленная на основе Juggernaut. Модель предназначена для генерации изображений по текстовым описаниям. Модель распространяется для использования через библиотеку Diffusers и совместима с StableDiffusionPipeline; веса представлены в формате safetensors. Данные о размере модели, поддерживаемых естественных языках, длине контекста и лицензии в предоставленных источниках отсутствуют.

ford442/Juggernaut-XI-v11-fp32 — производная модель семейства Stable Diffusion XL для генерации изображений по текстовым запросам. В метаданных указаны библиотека Diffusers и связь дообучения с stabilityai/stable-diffusion-xl-base-1.0; автор README — RunDiffusion. Модель предназначена для создания изображений по описаниям, в том числе в жанрах фотографии, кинематографических сцен, пейзажей, интерьеров, еды, автомобилей, дикой природы и архитектуры. Поддерживаемый язык из метаданных — английский. Репозиторий использует форматы Diffusers, PyTorch и Safetensors. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных материалов на условиях лицензии.

misri/juggernautXL_juggXIByRundiffusion — модель генерации изображений по текстовому описанию на основе Stable Diffusion XL, опубликованная пользователем misri. Репозиторий содержит веса в формате Safetensors и конфигурацию StableDiffusionXLPipeline для использования через Diffusers; название и источники связывают её с семейством Juggernaut XL от RunDiffusion и KandooAI. Модель предназначена для создания изображений по текстовым запросам, в том числе фотореалистичных изображений и художественных стилей. Карточка RunDiffusion описывает возможности семейства в генерации фотореалистичных сцен, а пример запуска репозитория демонстрирует текстовый запрос и получение изображения. Для этой копии Hugging Face указывает неизвестную лицензию, поэтому условия использования следует уточнять у правообладателя. Размер контекста и число параметров в доступных сведениях не приведены.

Kandinsky 2.1 — модель генерации изображений по тексту, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Она предназначена для создания изображений по запросам, а также для редактирования и преобразования изображений под текстовым управлением и интерполяции между изображениями. Модель сочетает подходы unCLIP и латентной диффузии: включает трансформерный image prior, диффузионную UNet и декодер MoVQGAN. CLIP-кодировщик преобразует текст и изображения в эмбеддинги; image prior связывает эти пространства, а диффузионная часть формирует изображение. Для обучения использовались данные LAION и дополнительные высококачественные изображения с описаниями. Модель доступна в формате Diffusers и поддерживает работу через библиотеку diffusers. Репозиторий распространяется по лицензии Apache-2.0. Это генеративная модель, поэтому результат зависит от формулировки запроса и может не соответствовать ему точно; описание не приводит отдельных гарантий качества для конкретных сценариев.

sinjy1203/ko-sbert-natenews — модель эмбеддингов предложений на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 141,2 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. По названию репозитория модель ориентирована на корейские новости. Её можно применять для поиска похожих новостных материалов и группировки статей по смыслу; карточка также описывает обучение с CosineSimilarityLoss. Доступны веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Kotoba-Whisper v1.0 — японская модель автоматического распознавания речи, разработанная Asahi Ushio совместно с Kotoba Technologies. Это дистиллированная модель семейства Whisper: полный энкодер взят от Whisper large-v3, а двухслойный декодер инициализирован первым и последним слоями учительской модели. Модель содержит 905,2 млн параметров и предназначена для транскрибации японской речи; обучена на 1 253 часах аудио ReazonSpeech с частотой дискретизации 16 кГц. По заявлению авторов, она работает в 6,3 раза быстрее Whisper large-v3 при сопоставимой частоте ошибок. В тестах на ReazonSpeech v1.0 показала лучшие CER и WER, чем large-v3, а на CommonVoice 8 и JSUT Basic 5000 — конкурентные результаты. Репозиторий содержит веса Safetensors; модель поддерживается Transformers версии 4.39 и новее. Лицензия — Apache-2.0. Модель ориентирована на японскую речь и может уступать на других языках и за пределами распределения обучающих данных. Версия v2.0 новее; результаты качества зависят от набора данных и метрики.

Карточка модели Jinstudio/Krea-2-Turbo на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

Карточка модели szwagros/Krea-2-Turbo-fp8 на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

Карточка модели Langitzt/Kreo2 на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

Liberte Redmond — модель генерации изображений из текста для библиотеки Diffusers. В карточке показаны примеры фотореалистичных изображений, аниме, иллюстраций и художественных сцен; модель позиционируется как универсальная для создания изображений по текстовым запросам. Модель предназначена для генерации портретов, персонажей, пейзажей, предметов и сюжетных сцен в разных визуальных стилях. В README приведены примеры запросов с подробными описаниями объектов, композиции, освещения и художественного оформления. Репозиторий использует форматы Diffusers и safetensors и относится к семейству Stable Diffusion. Лицензия — CreativeML OpenRAIL-M; её условия регулируют допустимое использование и распространение модели.

LLaDA-Image-Turbo-FP8 — открытая модель семейства LLaDA-Image, разработанная командой InclusionAI. Это FP8-версия ускоренной модели LLaDA-Image-Turbo для генерации и редактирования изображений на основе текста и эталонных изображений. Модель содержит около 6 млрд параметров и построена как унифицированная диффузионная модель, в которой и основной backbone, и DiT используют диффузионный подход. Turbo-вариант получен с помощью дистилляции Twin-DMD и рассчитан на быструю генерацию за 2–4 шага сэмплирования. Поддерживаются text-to-image, VQ-обусловленная генерация, редактирование изображений по инструкциям с сохранением содержимого, а также рендеринг текста на китайском и английском языках. К сильным сторонам относятся единая архитектура для генерации и редактирования, реалистичная передача деталей, естественное освещение, согласованные композиции и быстрое выполнение инференса. README не содержит сведений о точном размере контекста, требованиях к оборудованию или отдельных ограничениях качества FP8-версии. Модель распространяется по лицензии Apache-2.0.