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

apiantonio/vjepa2.1-vit-base-384 — конвертированная в формат Hugging Face версия видеокодировщика и предиктора V-JEPA 2.1 ViT-B/16 от Meta AI. Веса Meta перенесены без изменения значений; объединённые проекции QKV разделены на отдельные матрицы query, key и value для совместимости с Transformers. Архитектура включает энкодер ViT с 12 слоями, размером скрытого состояния 768 и 12 головами внимания, а также предиктор с 12 слоями и размером скрытого состояния 384. В метаданных указано 113,2 млн параметров; README приводит оценку 109,7 млн. Модель предназначена для анализа видеоклипов: извлечения признаков, получения промежуточных многоуровневых представлений и классификации видео через обучаемый attentive pooler. Основной режим рассчитан на кадры 384×384, но интерполяция RoPE позволяет использовать иные разрешения, включая неквадратные. Вход — последовательность видеокадров; длина клипа влияет на вычислительную стоимость квадратично, поэтому для длинных клипов нужны небольшие пакеты и значительные вычислительные ресурсы. Порт включает численную проверку соответствия исходной реализации. Для иерархических признаков только последняя из четырёх нормализаций имеет обученные аффинные параметры; остальные используют начальные параметры LayerNorm. Лицензия — MIT. Модель опубликована в июле 2026 года.

waiIllustriousSDXL_v170 — модель генерации изображений по текстовому описанию, представленная LyliaEngine и основанная на OnomaAIResearch/Illustrious-xl-early-release-v0. В карточке она помечена как LoRA для экосистемы Diffusers, однако описание также называет её самостоятельным checkpoint семейства WAI-NSFW-illustrious-SDXL. Модель предназначена для создания иллюстраций, включая персонажей, костюмы, окружение и различные художественные стили; заявлена совместимость с ComfyUI, WebUI API и приложением Character Select SAA, поддерживающим выбор персонажей и автодополнение тегов.Основная область применения — текстово-управляемая генерация изображений в аниме-ориентированной стилистике. В рекомендациях указаны разрешения исходного изображения выше 1024×1024, примерный диапазон 15–30 шагов, CFG scale 5–7 и sampler Euler a. VAE уже интегрирован. Для повышения разрешения рекомендуется Hires upscale 1.5 с R-ESRGAN 4x+ Anime6B и denoising strength 0.35–0.5. Разработчики отмечают улучшения согласованности цветовых тонов, соответствия фона персонажам и коррекции конечностей при высоком разрешении.Поддерживаются обычные, чувствительные и NSFW-сценарии; для фильтрации нежелательного контента предлагается явно добавлять тег nsfw в отрицательный запрос. Языки текстовых запросов, точный размер параметров, архитектурные детали и максимальная длина контекста в карточке не указаны. Модель распространяется по лицензии CreativeML Open RAIL-M версии 2.0, обозначенной как cdla-permissive-2.0.

Wan2.1-I2V-14B-480P-gguf — это конвертация в формат GGUF модели Wan2.1-I2V-14B-480P, разработанной Wan-AI и квантованная пользователем city96. Модель предназначена для генерации видео по исходному изображению в сценариях image-to-video и ориентирована на работу через ComfyUI с пользовательским узлом ComfyUI-GGUF. Известно, что это модель с размером 14B, рассчитанная на генерацию видео с разрешением 480p. Поддерживаемые языки указаны как английский и китайский. Доступны варианты квантования; файлы созданы на основе FP32, однако в репозитории опубликован только вариант FP16 из-за ограничения размера файлов и отсутствия поддержки загрузки gguf-split в ComfyUI-GGUF. Для работы также требуются дополнительные файлы из репозитория Comfy-Org. Модель удобна для локального запуска и интеграции с ComfyUI, а формат GGUF предоставляет несколько вариантов квантования. Ограничениями являются необходимость ручной установки пользовательского узла и дополнительных компонентов, а также отсутствие опубликованных вариантов, разделённых через gguf-split, что связано с ограничением размера файла. Модель распространяется по лицензии Apache-2.0.

Wan2.2-Animate-14B-GGUF — это GGUF-конверсия модели Wan2.2-Animate-14B, разработанной Wan-AI. Модель предназначена для задач video-to-video и запускается в экосистеме ComfyUI с использованием пользовательского узла ComfyUI-GGUF от city96. Модель относится к семейству Wan2.2-Animate и имеет размер 14B параметров. В README указаны поддерживаемые языки English и Chinese, а также необходимые компоненты: текстовый энкодер Umt5-xxl и VAE Wan2.1_VAE. Для работы требуются основной GGUF-файл модели, текстовый энкодер и VAE; конкретное значение контекстного окна и точный формат квантования не указаны. Ключевое преимущество этой версии — формат GGUF, предназначенный для использования через ComfyUI-GGUF. Ограничения включают необходимость настройки нескольких компонентов и зависимость от ComfyUI и соответствующего пользовательского узла. Поскольку модель является квантованной конверсией, сохраняются исходные условия лицензирования и ограничения базовой модели. В README указана лицензия Apache-2.0.

Модель chin-may/wav2vec2-audio-emotion-classification — дообученная версия facebook/wav2vec2-base для классификации аудио по эмоциональным категориям. Она принимает аудио и выдаёт метки классов; архитектура основана на Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель подходит для анализа эмоциональной окраски речи в аудиозаписях. В README приведены результаты на наборе оценки: accuracy 0,7398 и loss 0,9518. Модель распространяется по лицензии Apache-2.0.

yojul/wav2vec2-base-one-shot-hip-hop-drums-clf — модель классификации аудио, дообученная на базе facebook/wav2vec2-base. Она обучалась на 17 тысячах одноразовых хип-хоп-сэмплов ударных и относит звук к одному из семи классов: бочка, малый барабан, тарелки, открытый хай-хэт, закрытый хай-хэт, 808 и хлопок. Архитектура — Wav2Vec2ForSequenceClassification, размер — 113,3 млн параметров. Модель предназначена для автоматической сортировки аудиобиблиотек сэмплов, когда в них нет исходных метаданных. В README указаны точность 0,9243 и значение loss 0,2463 на оценочном наборе. Для входа подходят аудиофайлы; обучение проводилось на аудио с частотой дискретизации 16 кГц, поэтому на других типах звуков и частотах качество может отличаться. Лицензия — Apache-2.0.

Модель robinhad/wav2vec2-xls-r-300m-crh — дообученная на пользовательском наборе данных крымскотатарской речи версия facebook/wav2vec2-xls-r-300m. Это аудиомодель на архитектуре wav2vec2 с CTC-декодированием, предназначенная для автоматического распознавания речи и выдачи текстовой транскрипции на крымскотатарском языке. В репозитории указано 402,7 млн параметров; модель опубликована в формате PyTorch и распространяется по лицензии MIT. В README приведены результаты на оценочном наборе: WER 0,4494 и CER 0,1254. Эти показатели характеризуют только указанную оценку и не гарантируют качество на других записях. Подробности о составе данных, условиях записи и ограничениях применения не приведены.

Wayfarer-Large-70B-Llama-3.3 — дообученная LatitudeGames модель для текстовых приключений и ролевых игр. Она основана на Meta Llama 3.3 70B Instruct и содержит 69,5 млрд параметров; архитектура — плотная Llama для генерации текста. Контекст модели составляет до 131 072 токенов. В README описано обучение на сочетании данных текстовых приключений, ролевых игр и поднабора SlimOrca Sonnet. Модель рассчитана на интерактивное повествование с опасностями, конфликтами и реальными последствиями выбора: персонаж может потерпеть неудачу или погибнуть. Это подходит для игровых сценариев и ролевых историй, где важны напряжение и отсутствие сюжетной «защиты». Карточка указывает английский язык; модель использует исходный формат промптов Llama 3 и доступна в формате safetensors. Обучение ориентировано на повествование от второго лица в настоящем времени, поэтому такой стиль может проявляться в ответах. Модель распространяется по лицензии Llama 3.3; запуск и использование должны соответствовать её условиям.

Модель panlr/whisper-finetune-teochew — дообученная версия Whisper-medium для распознавания речи на чаошаньском диалекте (в том числе чаочжоуском). Она преобразует аудио в текст с принятой в обучающих данных орфографией диалекта и не переводит речь на путунхуа. Модель разработана на основе открытого набора teochew-wild; в карточке указаны архитектура Whisper, 455,8 млн параметров и формат safetensors. Для дообучения использовано около 18,9 часа аудио: 12 500 фрагментов речи 12 говорящих с несколькими региональными вариантами произношения. На тестовой выборке автор сообщает CER 12,254%, на валидационной — 12,865%; часть омонимов в эксперименте унифицировалась, что улучшило результат. Модель подходит для транскрибации чаошаньской речи, но точность может зависеть от диалекта и выбранного написания. Лицензия — CC BY 4.0.

efwkjn/whisper-ja-anime-v0.1 — экспериментальная модель распознавания речи на основе Whisper, ориентированная на японскую речь и аудио из аниме и близких к нему областей. По карточке, это вариант с замороженным turbo-энкодером и двумя слоями декодера; автор сообщает об обучении в течение 2^19 шагов с размером пакета 8 и отмечает, что модель, вероятно, обучена недостаточно. В метаданных указаны архитектура Whisper, класс WhisperForConditionalGeneration и 905,2 млн параметров. Модель предназначена для японской транскрибации, в том числе длинных записей и аудио с аниме-сценами. Автор стремился сделать её заменой Whisper turbo и снизить галлюцинации. На тестах результаты на аниме-наборах были сопоставимы с anime-whisper или хуже, а на TEDxJP модель немного уступала turbo. В README также отмечены галлюцинации на некоторых аудиозаписях и трудности с акцентами. Файлы опубликованы в формате safetensors; сведения о лицензии в предоставленных материалах отсутствуют.

Whisper Large Northern Sámi — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на наборе данных audiofolder. Она предназначена для преобразования аудио на северносаамском языке в текст. В карточке приведены результаты оценки: WER 24,9143 и loss 0,5559. Модель содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в форматах PyTorch и Safetensors. Базовая Whisper Large v2 — мультиязычная модель для транскрибации и перевода речи, но эта версия дообучена для распознавания северносаамской речи. Лицензия — Apache-2.0. Подробности об условиях записи аудио, обучающем наборе и ограничениях применения в карточке не раскрыты.

sitwala/whisper-large-v3-turbo-anv-zul-250h — дообученная модель семейства Whisper, созданная на основе openai/whisper-large-v3-turbo и обученная на датасете dsfsi-anv/za-african-next-voices. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; для работы доступны веса в формате safetensors. В README приведены результаты оценки на тестовом наборе: loss 0,3412 и WER 24,8599. Название модели указывает на язык zul, то есть зулу; отдельного описания обучения, рекомендуемых сценариев и ограничений автор не предоставил. Лицензия модели — MIT.

Whisper-SAM — модель распознавания речи на амхарском языке, разработанная Nekodimos на основе Whisper Small от OpenAI. Она дообучена примерно на 210 часах амхарской речи и использует собственный символьный токенизатор: один амхарский знак соответствует одному токену. Это сокращает расход текстового контекста декодера и число токенов для генерации по сравнению с побайтовой токенизацией, что, по описанию автора, помогает избежать артефактов UTF-8 и улучшает эффективность распознавания. Модель принимает аудио и выдаёт транскрипцию текстом; стандартный аудиофрагмент Whisper составляет 30 секунд, а текстовый контекст декодера — до 448 токенов. Вывод временных меток не поддерживается, поскольку соответствующие токены исключены из токенизатора. Модель распространяется по лицензии Apache-2.0.

Whisper Small Malayalam — модель распознавания речи, созданная Kavya Manohar дообучением openai/whisper-small на наборе Common Voice 13. Она предназначена для преобразования речи на малаялам в текст. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. На указанном в карточке наборе оценки модель получила значение WER 86,1789 и loss 0,5060. Эти результаты характеризуют только приведённую оценку и не гарантируют точность на других записях; подробности условий оценки в карточке отсутствуют.

Adnan666/whisper-small-pashto-run11-epoch2 — дообученная версия Whisper Small для автоматического распознавания речи. Модель содержит 153,1 млн параметров и использует архитектуру WhisperForConditionalGeneration; файлы представлены в формате safetensors. Она принимает аудио и выдаёт текстовую транскрипцию, с ориентацией на речь на пушту. В README приведён результат оценки на наборе данных: WER 50,2334 и Loss 1,0639. Датасет и подробности обучения не описаны, поэтому эти показатели сами по себе не дают полной картины качества на других данных. Лицензия — Apache-2.0.

EYEDOL/whisper-tiny-hausa2 — модель автоматического распознавания речи на основе архитектуры Whisper, дообученная разработчиком EYEDOL на наборе EYEDOL/naija-voices-hausa-split_0-5. Модель содержит 29,4 млн параметров и предназначена для преобразования речи на хауса в текст. В README приведены результаты оценки: WER 0,4809, орфографический WER 0,5454 и loss 0,6946. Указанные результаты относятся к оценочному набору; сведений о контексте применения и дополнительных языках карточка не содержит. Модель распространяется по лицензии Apache-2.0.

Zepar-24B-v1 — экспериментальная языковая модель DarkArtsForge для генерации текста, чата, ролевых диалогов и художественных историй. Это плотная модель MistralForCausalLM на 23,4 млрд параметров, созданная слиянием Morax-24B-v2 и Paimon-24B-v2 методом adaptiveswap; в README также указан Magistral-Small-2509 как base_model для настройки слияния. Модель работает через Transformers, распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Карточка ориентирует модель на ролевые сценарии и творческое письмо; автор предупреждает, что ответы могут содержать насилие и откровенные эротические сцены. Для лучших результатов рекомендуется шаблон Mistral Tekken. Условия лицензии в предоставленных данных не приведены.

MLbackup/01_2025 — модель для генерации изображений по текстовому описанию, опубликованная в формате, совместимом с библиотекой Diffusers. По карточке она представляет собой safetensors-бэкап или производную от моделей AstraliteHeart/pony-diffusion-v6, stabilityai/stable-diffusion-xl-base-1.0 и OnomaAIResearch/Illustrious-xl-early-release-v0; также указана принадлежность к семейству LoRA и PonyXL. Основной сценарий использования — создание художественных и anime-изображений из текстовых промптов. Модель ориентирована на английский язык и относится к text-to-image pipeline. Точные сведения о размере, архитектуре конкретного файла, поддерживаемых разрешениях, длине контекста и фактическом наборе модальностей в карточке не указаны. К сильным сторонам относятся использование экосистемы Stable Diffusion XL и специализация на художественной и anime-генерации. Ограничения включают отсутствие подробной документации по качеству, настройке и совместимости, а также пометку о контенте не для всех аудиторий. Модель распространяется по лицензии CreativeML Open RAIL-M. Условия лицензии и ограничения на использование следует учитывать перед применением, особенно в сценариях, связанных с распространением сгенерированных материалов.

Модель Akan Brown предназначена для бинарной классификации англоязычных новостных статей: она относит текст к FAKE или REAL. Это классификатор последовательностей на базе RoBERTa с 151,8 млн параметров и контекстом до 514 токенов; модель дообучена на базе jy46604790/Fake-News-Bert-Detect. В карточке указана оценка на наборе WELFake, но численные результаты не приведены. Модель можно применять в API проверки новостей, браузерных расширениях, инструментах медиаграмотности и исследованиях дезинформации. Она рассчитана на английские статьи и может хуже работать с новостями из регионов за пределами США и Великобритании, сатирой, мнениями, редакционными колонками и узкоспециализированной журналистикой. Предсказание не следует считать самостоятельным подтверждением достоверности публикации. Лицензия — MIT.

Aion 3.5 — система для ролевых диалогов и создания историй от AionLabs, построенная на семействе моделей GLM. Она использует совместную генерацию: несколько специализированных моделей работают над ответом. Подходит для интерактивных ролевых сценариев и совместного написания художественных текстов. В доступном фрагменте карточки не раскрыты размер, точная архитектура, поддерживаемые языки, контекстное окно и подробности взаимодействия компонентов. Лицензия также не указана в предоставленных данных.

Analog-Diffusion — модель генерации изображений по текстовому описанию, созданная wavymulder. Это DreamBooth-дообучение Stable Diffusion 1.5 с VAE на наборе разнообразных аналоговых фотографий; для выраженного стиля автор рекомендует добавлять в запрос токен «analog style». Модель предназначена для создания изображений с эстетикой аналоговой фотографии. Автор отмечает, что отрицательные подсказки «blur» и «haze» могут повысить резкость, но ослабить плёночный эффект. Также он предупреждает о склонности модели к откровенным изображениям и предлагает использовать «naked» в отрицательной подсказке; обучающий набор, по словам автора, не содержал материалов NSFW. Модель распространяется по лицензии CreativeML OpenRAIL-M.

baruga/ancient-maps — модель Stable Diffusion, дообученная автором на 100 старинных и древних картах для DreamBooth Hackathon. Она предназначена для создания изображений карт по текстовому запросу: например, можно описать карту вулканического острова, города, сада, пещерной системы, планеты или зодиакальной схемы. Для вызова темы в запросе README рекомендует формулировку «a photo of ancma map of …»; результат можно настраивать дополнительными и отрицательными запросами. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает другие сведения об ограничениях применения или качестве результатов.

vladmandic/Anima-1.0-Base — перенос модели Anima от CircleStone Labs и Comfy Org в формат Diffusers, подготовленный для SD.Next. Это базовая модель генерации изображений по тексту, ориентированная прежде всего на аниме, персонажей, стили и другие художественные изображения; для фотореализма она подходит хуже. Модель содержит около 2 млрд параметров, использует архитектуру AnimaTextToImagePipeline и веса BF16. Исходная Anima обучалась на аниме-изображениях и других нефотографических художественных работах; подсказки можно задавать тегами в стиле Danbooru и обычным текстом. Карточка рекомендует подробные запросы и приводит рабочий диапазон разрешений 512²–1536² пикселей. Базовая версия не прошла эстетическую донастройку: её исходный стиль описан как нейтральный, а качество зависит от подсказок. Модель слабо справляется с реализмом и длинными надписями на изображениях; короткие или недостаточно подробные подсказки могут приводить к нежелательному содержимому. Репозиторий vladmandic опубликован под MIT, однако исходная Anima распространяется по некоммерческой лицензии CircleStone Labs и подпадает под условия лицензии NVIDIA для производных от Cosmos-Predict2-2B-Text2Image; перед использованием весов следует учитывать применимые условия обеих лицензий.

Bedovyy/Anima-INT8 — это INT8-квантизированная версия модели Anima, разработанной circlestone-labs и опубликованной как производная от базовой модели circlestone-labs/Anima. Модель предназначена для генерации изображений по текстовому описанию и интеграции с ComfyUI; в метаданных она обозначена как diffusion-модель в формате одного файла. Ключевая особенность модели — INT8-квантизация, ориентированная на ускорение инференса по сравнению с BF16. README описывает варианты int8rowwise и int8convrot: первый обеспечивает совместимость с нативной поддержкой INT8 в ComfyUI, а второй предлагает более высокое качество за счёт меньшей скорости. Приведены результаты тестирования на видеокартах RTX 3060, RTX 3090 и RTX 5090 при разрешении 832×1216, включая сценарии без LoRA, с Hires LoRA и Turbo LoRA. В отдельных конфигурациях INT8 с компиляцией показывает ускорение относительно BF16, однако динамический вариант INT8 может работать медленнее. Ограничения модели и её README включают зависимость от конкретной конфигурации ComfyUI, драйверов, PyTorch, Triton и дополнительных оптимизаций; заявленная производительность может отличаться на другом оборудовании. Языки, размер модели, точная архитектура, поддерживаемые модальности помимо текста и изображения, а также системные требования в README не указаны. Модель распространяется по лицензии circlestone-labs-non-commercial-license, то есть её использование ограничено некоммерческими условиями.

Yntec/animeFIVEHUNDREDTWENTY-SIX — объединённая модель Stable Diffusion для создания аниме- и мультяшных изображений по текстовым запросам. Автор объединил 526Mix-AnimeMactest2 с animeSEXTILLION, в которую входят animeTWO и animeTEN, чтобы улучшить глаза первой модели и композицию второй. Модель распространяется в формате Diffusers и Safetensors и использует библиотеку Diffusers. Модель предназначена для генерации иллюстраций с персонажами, в том числе в аниме, мультяшной и 2.5D стилистике. Примеры в карточке показывают запросы на создание персонажей, детализированных глаз и волос, а также сцен и иллюстраций с заданной композицией. Лицензия — CreativeML OpenRAIL-M, которая устанавливает условия использования и ограничения.

AdamOswald1/Anime_with_support_for_Gen-Imp_characters — модель генерации изображений по текстовому описанию на основе смешанного чекпойнта Stable Diffusion. Автор сообщает, что она создана с помощью Automatic1111 Checkpoint Merger из Anything-V3.0-pruned, Waifu-v1-3-float16, NAI, sd-v1-5-pruned-emaonly и trinart_stable_diffusion_epoch3; эта версия дополнительно поддерживает персонажей Genshin Impact. Репозиторий распространяет веса в форматах Diffusers, PyTorch и Safetensors и предназначен для запуска через Diffusers или совместимые интерфейсы Stable Diffusion. Модель подходит для создания аниме- и иллюстративных изображений по английским промптам, включая персонажей и образы из Genshin Impact. В карточке приведены примеры генерации портретов и сцен с параметрами сэмплирования; данных о числе параметров и длине контекста нет. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

AniPlus v1 — модель генерации изображений в стиле аниме на основе Stable Diffusion 1.5, Waifu Diffusion 1.3, TrinArt Characters v1 и нескольких моделей DreamBooth. Репозиторий использует форматы Diffusers и PyTorch, а лицензия модели — CreativeML OpenRAIL-M. Модель предназначена для создания изображений по текстовым запросам, в том числе в аниме и полу-реалистичных стилях, с разнообразными позами персонажей. В карточке приведён пример работы через AUTOMATIC1111 Stable Diffusion Web UI с изображением 512×512; отдельного VAE AniPlus нет, автор рекомендует для хороших результатов VAE от TrinArt Characters.

architecture-tuned-model — модель генерации изображений по текстовому описанию, доступная через сервис ModelsLab и API stablediffusionapi. Карточка демонстрирует запрос на создание реалистичного изображения с заданными параметрами и негативным промптом, а метаданные указывают на совместимость с StableDiffusionPipeline и форматами Diffusers, PyTorch и Safetensors. Модель предназначена для генерации архитектурных изображений по текстовым запросам. README также показывает пример портрета в киберпанк-стиле, поэтому её можно использовать для создания реалистичных иллюстраций и концептов. В примере заданы разрешение 512×512, 30 шагов инференса и guidance scale 7,5; это параметры запроса, а не подтверждённые ограничения модели. Лицензия — CreativeML OpenRAIL-M.

ARI-8B — специализированная языковая модель DAMI-Lab для восстановления повреждённых или нечитаемых иероглифов ханча в корейских исторических записях, в том числе в «Анналах династии Чосон» и «Дневнике королевского секретариата». Она дообучена полным supervised fine-tuning на базе Qwen/Qwen3-8B и содержит 7,6 млрд параметров. Модель принимает текст с маркерами повреждённых символов, каждый из которых обозначает один пропущенный иероглиф, и генерирует восстановленный текст. ARI-8B предназначена для восстановления имён людей, географических названий, организаций, должностей, дат, названий книг и других фрагментов исторических документов. Полный метод ARI дополняет модель хронологическими метаданными и контекстом из 20 документов, найденных лексическим поиском BM25; эти документы и поиск не входят в опубликованные веса и должны быть подготовлены отдельно. В описанной оценке точность составила 35,36% для именованных сущностей и 76,87% для случайно повреждённых символов. Модель использует архитектуру Qwen3, поддерживает контекст до 40 960 токенов и распространяется по лицензии Apache-2.0.

Arthemy Comics — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она предназначена для создания иллюстраций в эстетике комиксов и графических романов, включая выразительный линейный рисунок, штрихованные тени, винтажные рекламные и pulp-иллюстрации. В примерах показаны портреты персонажей, фэнтезийные и научно-фантастические сцены, а также драматические эпизоды. Модель распространяется в формате Diffusers с весами Safetensors и использует лицензию CreativeML OpenRAIL-M. Карточка указывает английский язык. Примеры демонстрируют широкий диапазон стилей и сюжетов; отдельные запросы содержат сексуализированные образы. В README не приведены сведения об архитектурном размере, длине контекста или количественных оценках качества.