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

ShadoWxShinigamI/Midjourney-v4-PaintArt — модель генерации изображений по текстовому описанию, созданная ShadoWxShinigamI на базе Stable Diffusion 1.5. Она обучалась 2080 шагов на 26 изображениях с размером пакета 4 и разрешением 512×512, чтобы передавать иллюстративный стиль PaintArt. Для генерации рекомендуется начинать запрос с токена «mdjrny-pntrt»; для сложных объектов автор советует добавлять контекстные детали. Модель рассчитана на создание стилизованных иллюстраций по текстовым запросам. Репозиторий содержит веса в формате safetensors для Diffusers; лицензия — OpenRAIL. Ограниченный объём обучающих данных может сужать разнообразие изображений и приводить к нестабильным результатам для отдельных объектов или композиций.

MilkyWonderland_v2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Карточка показывает пример создания сказочной сцены с девушкой в лесу, светлячками и мягким свечением; модель подходит для генерации фантазийных и кинематографичных иллюстраций по промптам. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

Это неофициальная community-квантизация гибридной модели MiniMax H3, разработанной на основе чекпойнта smhfacct/Minimax-H3-fl2va-ref2va-hybrid-models. Вариант b25-49 объединяет FL2VA и REF2VA: FL2VA используется как базовая модель, а веса REF2VA adaln_proj применяются в трансформерных блоках 25–49. Автор данного репозитория — hoidhxd; исходную гибридную модель создал smhfacct, а оригинальную архитектуру MiniMax H3 разработала MiniMax. Модель предназначена для генерации видео в ComfyUI и других GGUF-совместимых средах, включая сценарии text-to-video, image-to-video, audio-to-video и reference-to-video, заявленные в метаданных исходного проекта. Архитектура обозначена как minimax_h3; модель содержит 532 тензора и около 20,1 млрд элементов. Доступны варианты GGUF Q4_0 размером 10,6 ГБ и Q5_0 размером 12,9 ГБ. Веса крупных матриц квантизированы, а часть чувствительных тензоров сохранена в F16/F32; дополнительное обучение при конвертации не выполнялось. Q4_0 успешно проверен в ComfyUI для FL2VA- и REF2VA-сценариев, включая генерацию видео на GPU NVIDIA RTX 5060 Ti с 16 ГБ VRAM. Версия Q5_0 не тестировалась и из-за большего размера может требовать больше 16 ГБ VRAM; фактические требования зависят от разрешения, числа кадров, входных данных и настроек offloading. Лицензия в README не указана. Модель не является официальным релизом MiniMax.

Mirai-70B-2.1 — экспериментальная модель для текстовой генерации и ролевых диалогов, созданная Blackroot методом слияния нескольких моделей семейства Llama 70B. Автор описывает её как stockmerge, собранную с помощью mergekit; среди компонентов — Nemotron, Euryale, Youko, Taiwan Instruct, Swallow, Korean Bllossom и другие модели. В метаданных указана плотная архитектура LlamaForCausalLM и размер 69,5 млрд параметров. Модель ориентирована прежде всего на ролевые сценарии, где важны выразительная проза, нюансы поведения персонажей и последовательное использование контекста. Автор подбирал состав слияния итеративно, оценивая ответы вручную, без автоматических бенчмарков. Длина контекста по метаданным — 131 072 токена; заявленный формат весов — safetensors. Модель принимает текст и генерирует текст; README не уточняет поддерживаемые естественные языки. Автор отмечает, что качество зависит от параметров генерации и рекомендует осторожно настраивать сэмплирование. Также описаны возможные ошибки и ухудшение последовательности при неудачных настройках. Лицензия в предоставленных данных не указана.

sanps/mist-7b-sft-gutenberg-50k — дообученная модель Mistral AI, созданная автором репозитория sanps на основе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса в формате Safetensors. Модель дообучена на части обучающего раздела GutenbergFictionSummaryPrepared и предназначена для генерации текста в этом контексте, включая работу в диалоговом формате. В карточке приведён результат Loss 2,1665 на наборе small_val. Автор сообщает, что обучение остановилось примерно на 0,69 эпохи и было нестабильным в начале, поэтому качество и завершённость дообучения могут быть ограничены. Лицензия — Apache-2.0. Язык и точный формат входных инструкций в карточке не описаны.

Aratako/Mistral-Nemo-12B-RP — ролевая чат-модель, созданная дообучением Mistral Nemo Instruct 2407. Она предназначена для диалогов от лица заданного персонажа: его описание и ситуацию общения передают в системном сообщении, после чего модель продолжает беседу. Модель имеет плотную архитектуру MistralForCausalLM, содержит 12,1 млрд параметров и рассчитана на генерацию текста в режиме чата. В карточке указан японский язык; базовая модель описана как многоязычная. Автор сообщает, что при дообучении использовалась длина контекста 32 тыс. токенов, поэтому поддержка длинных диалогов ожидается, но не проверялась. Метаданные каталога указывают нативный контекст в 1 024 000 токенов, однако README не подтверждает такую длину именно для дообученной версии. Автор предполагает, что модели может подойти низкая температура генерации, но это также не проверено. Модель опубликована под лицензией MIT.

Professor разработал эту модель на основе facebook/mms-300m, дообучив её для автоматического распознавания речи на языке фон (фɔнгбе), тональном языке, распространённом в Бенине. Модель использует архитектуру Wav2Vec2 с выходной головой CTC и содержит 402,7 млн параметров; она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Модель предназначена для расшифровки речи на фон и сохранения тоновых диакритических знаков и специальных букв, включая ɖ, ɛ и ɔ. В тесте ALFFA на 2168 высказываниях автор сообщает WER 9,48% и CER 3,96%. Её также можно использовать как основу для дальнейших исследований и разработки инструментов для языка фон. В карточке указаны ограничения: качество может снижаться при шуме и фоновой музыке; для отдельных диалектов и быстрой разговорной речи может потребоваться дополнительная настройка. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MN-Violet-Lotus-12B — объединённая языковая модель автора FallenMerick на архитектуре Mistral. Она создана с помощью mergekit: в состав объединения вошли Violet_Twilight-v0.2, Lumimaid-v0.2-12B, MN-12B-Lyra-v4 и Mahou-1.5-mistral-nemo-12B, а Mistral-Nemo-Instruct-2407 использовалась как базовая точка слияния. Модель содержит 12,1 млрд параметров, работает с текстом и имеет контекст до 131 072 токенов. Модель предназначена прежде всего для ролевых диалогов и творческого письма: она может поддерживать разные характеры персонажей, создавать художественные тексты и вести текстовые приключения. Автор отмечает высокие результаты на собственных тестах эмоционального интеллекта и предпочитаемый им стиль письма, однако не приводит независимой оценки этих качеств. Модель распространяется под лицензией CC BY 4.0.

Monet-Style Dreambooth — модель Lyith, обученная методом DreamBooth на базе Stable Diffusion для генерации изображений по текстовым описаниям в стиле Клода Моне. Её можно использовать для создания новых изображений с этим художественным стилем через интерфейсы A1111 или Diffusers. Модель работает с текстовым вводом и выдаёт изображения. В репозитории указаны форматы Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; её условия регулируют использование и распространение модели.

Murasaki-4B-v0.3-GGUF — это GGUF-квантизированная версия текстовой языковой модели Murasaki-Project/Murasaki-4B-v0.3, подготовленная mradermacher. Модель предназначена прежде всего для генерации и перевода текстов, связанных с визуальными новеллами, ранобэ, galgame и аниме-субтитрами. Заявлены японский и китайский языки, а также поддержка сценариев с chain-of-thought и text generation inference. Модель содержит около 4 миллиардов параметров и распространяется в формате GGUF, совместимом с соответствующими средствами инференса. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и полноточный f16; размеры файлов составляют примерно от 1,9 до 8,9 ГБ. В README не указаны архитектура исходной модели, размер контекста, точный набор поддерживаемых языков и результаты бенчмарков, поэтому качество для конкретных задач заранее оценить нельзя. Квантованные варианты позволяют снизить требования к памяти, однако более агрессивное квантование может ухудшать качество. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных работ.

Natsumura Storytelling RP 1.0 — дообученная Tohur чат-модель для создания художественных текстов и ролевых диалогов. Она основана на Meta-Llama-3.1-8B-Instruct: плотная архитектура Llama с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для персонажных чат-ботов в SillyTavern, Agnai, RisuAI и подобных приложениях, а также для написания историй и художественных сцен. При дообучении использовались наборы данных для ролевых диалогов, рассказов и общения; в карточке также описаны настройки обучения в Llama Factory. Модель выпускается в формате safetensors, а автор отдельно указывает на доступность вариантов GGUF. Лицензия — Llama 3.1 Community License (llama3.1).

NeuralStar-7b-Lazy — объединённая модель от OmnicromsBrain, созданная с помощью LazyMergekit на основе NeuralNovel/Mistral-7B-Instruct-v0.2-Neural-Story и maywell/PiVoT-0.1-Starling-LM-RP. Для объединения использован метод slerp; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в формате чата, включая ролевые диалоги и сюжетные ответы. В метаданных базовая модель охарактеризована как ориентированная на англоязычные ответы и ролевое общение. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

NIHAPPY-L3.1-8B-v0.09 — объединённая диалоговая языковая модель Arkana08 для творческого ролевого общения и повествования. Она построена на архитектуре Llama 3.1, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель объединяет три чекпойнта методом DARE TIES: v000000/L3.1-Niitorm-8B-DPO-t0.0001, v000000/L3-8B-Poppy-Moonfall-C и Nitral-AI/Hathor_Tahsin-L3-8B-v0.85. Модель предназначена для погружения в ролевые сценарии, поддержания персонажей и создания связного художественного текста; заявленные сильные стороны — сочетание творческой генерации, рассуждений, следования правилам и последовательности повествования. Это текстовая модель генерации, доступная в формате Safetensors. Лицензия в предоставленных данных не указана.

Nova Flat XL v10 SDXL — модель преобразования текста в изображение, созданная пользователем Crody и опубликованная John6666 на базе OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для генерации 2D-иллюстраций, аниме-арта, цифровых рисунков и фантазийных пейзажей по текстовым описаниям на английском языке. Модель работает в экосистеме Diffusers через StableDiffusionXLPipeline и относится к семейству Stable Diffusion XL. Она ориентирована на создание ярких, красочных изображений в стилизованной иллюстративной манере; метаданные также отмечают контент для взрослой аудитории. Лицензия указана как faipl-1.0-sd с типом other, поэтому перед использованием необходимо учитывать её условия и ограничения.

NPC-LLM-7B — доменно-специализированная разговорная модель, разработанная Gigax для управления персонажами в игровых сценах. Она принимает текстовое описание сцены и генерирует команды навыков, например реплики, приветствие или атаку; набор команд можно расширять через формат подсказки. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Это дообучение Mistral-7B-Instruct с помощью LoRA, выпущенное в формате safetensors. Карточка предупреждает, что модель переобучена под конкретный формат входного промпта, поэтому качество зависит от точного соблюдения этого формата. Лицензия — Apache-2.0.

NPPE-3 — модель на основе RRDBNet для совместного подавления шума и 4-кратного увеличения разрешения тёмных RGB-изображений. Автор карточки указывает, что генератор использует архитектуру Real-ESRGAN с 12 RRDB-блоками и примерно 8,78 млн параметров; обучение проведено для соревнования DLP26T2 NPPE-3 с функцией потерь Charbonnier без GAN. Модель принимает RGB-изображение любого размера и выдаёт очищенное изображение с увеличенным разрешением в четыре раза. Модель ориентирована на восстановление низкоосвещённых изображений, когда нужно одновременно убрать шум и повысить детализацию. В README приведены результаты на валидационной выборке соревнования из 267 изображений: RGB PSNR 39,10. Весовой файл представлен в формате PyTorch. Лицензия репозитория — MIT; заявленная область применения ограничена изображениями, подобными данным соревнования, поэтому качество на иных типах изображений не гарантировано.

NyankoMotsiX — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Это модель семейства Stable Diffusion для запуска через библиотеку Diffusers; файлы представлены в формате safetensors. В карточке приведены примеры аниме-иллюстраций с милыми персонажами, чиби-глазами и сценами в стиле детской книги или комикса. Модель предназначена для создания изображений по промптам, в частности аниме и милых иллюстраций. Примеры показывают персонажей, портреты и сцены с заданными деталями внешности, одежды, окружения и художественного стиля. Лицензия — CreativeML OpenRAIL-M; условия её использования следует учитывать при распространении и применении сгенерированных изображений.

OmniSVG — мультимодальная модель генерации SVG от команды OmniSVG, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct. Она создаёт векторную графику по текстовому описанию и изображению: от простых значков до сложных иллюстраций и персонажей. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 3,2 млрд параметров, принимает контекст до 128 000 токенов и распространяется в формате PyTorch. Модель предназначена для условной генерации SVG и подходит для создания значков, иллюстраций и персонажей по запросу или визуальному примеру. В README указано использование 17 ГБ видеопамяти при инференсе; для окружения авторы проверяли CUDA 12.1. Карточка перечисляет обучающие наборы MMSVG-Icon и MMSVG-Illustration, а также датасет MMSVG-2M с двумя миллионами размеченных SVG-объектов. Лицензия — Apache-2.0.

P2R-4B — модель для детального визуального рассуждения, созданная авторами работы Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning на основе Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые запросы, а в ответ формирует текст с анализом и выводами. В основе подхода P2R лежит двухэтапная схема, разделяющая восприятие изображения и рассуждение; при обучении применялась стратегия PRA-GRPO с чередованием ролей. Модель предназначена для вопросов о мелких визуальных деталях и других задач тонкого визуального анализа. В README приведены улучшенные результаты относительно Qwen3-VL-Instruct-4B на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

PaliGemma 3B FT OKVQA 224 — разработанная Google компактная модель «изображение—текст», объединяющая визуальный энкодер SigLIP и языковую модель Gemma. Эта версия дообучена для визуальных вопросов и ответов по изображениям (OK-VQA): она принимает изображение и текстовый вопрос, а в ответ генерирует текст. Модель поддерживает несколько языков; в карточке не указаны размер контекста и число параметров именно этой версии. Модель рассчитана на одношаговый сценарий и лучше подходит для целевого применения после настройки под конкретную задачу, чем для открытого использования без дообучения. Она может ошибаться в фактах, сложных рассуждениях и интерпретации нюансов; это не диалоговый чат-бот и она не предназначена для многоходового общения. Распространяется по лицензии Gemma.

Yntec/PaperBag — модель генерации изображений по текстовому описанию, созданная автором Yntec слиянием моделей Deliberate, aBagOfChips и Stable_Diffusion_PaperCut_Model. Она предназначена для создания иллюстраций в стиле PaperCut: бумажных аппликаций, оригами и бумажного квиллинга; автор отмечает, что стиль может проявляться и без специального слова в запросе, а слово «papercut» помогает его активировать. Модель основана на Stable Diffusion 1.5 и работает через Diffusers; доступны веса в формате safetensors. Примеры в карточке демонстрируют бумажные иллюстрации с аниме-персонажами, животными и сказочными сюжетами, включая детализированные текстуры и яркую или пастельную палитру. Модель принимает текстовые запросы и выдаёт изображения. Лицензия — CreativeML OpenRAIL-M.

Aleteian/Pathfinder-RP-12B-RU — объединённая плотная языковая модель на архитектуре Mistral, созданная с помощью mergekit и метода TIES на основе IlyaGusev/saiga_nemo_12b с добавлением LatitudeGames/Wayfarer-12B и MarinaraSpaghetti/NemoMix-Unleashed-12B. Модель содержит 12,1 млрд параметров и предназначена для генерации текста и диалогов в формате chatml, в том числе для ролевого общения и написания историй. Карточка указывает контекст до 1 024 000 токенов. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют. Практические результаты и ограничения качества в карточке не описаны.

PixArt-LCM-XL-2-1024-MS — модель генерации изображений по тексту, разработанная командами PixArt и LCM. Она основана на трансформерной латентной диффузии PixArt-α и использует дистилляцию LCM для быстрой генерации за небольшое число шагов. Модель принимает текстовые запросы и создаёт изображения разрешением 1024 пикселя; в карточке заявлено использование фиксированного предварительно обученного текстового кодировщика T5 и VAE. Модель подходит для быстрого создания иллюстраций и концептов, творческих и образовательных инструментов, а также исследований генеративных моделей. В README приведены результаты генерации за четыре шага на разных GPU; фактическая скорость зависит от оборудования и конфигурации. Модель плохо справляется с фотореализмом, читаемым текстом, сложной композицией и деталями вроде пальцев; автоэнкодер вносит потери. Она не предназначена для создания достоверных изображений людей или событий. Лицензия в метаданных указана как OpenRAIL++; README называет CreativeML Open RAIL++-M, поэтому точные условия следует сверять с лицензией репозитория.

Pixel Art XL — модель-адаптер LoRA, разработанная пользователем nerijs для Stable Diffusion XL Base 1.0 от Stability AI. Она предназначена для генерации изображений в стиле пиксель-арта по текстовым описаниям, включая изометрические и неизометрические сцены. Для получения пиксельной детализации рекомендуется уменьшать изображение в 8 раз с использованием интерполяции Nearest Neighbor. Модель поддерживает работу с Diffusers и может применяться как самостоятельный LoRA-адаптер поверх Stable Diffusion XL. В карточке указано, что специальное ключевое слово или стилевой промпт не требуются, а достаточно описывать содержание изображения; в качестве примера используется запрос с милым корги. Рекомендуется использовать фиксированный VAE для снижения артефактов. Также адаптер можно комбинировать с LCM LoRA для ускоренной генерации примерно за 8 шагов при guidance scale 1.5 и силе Pixel Art XL 1.2. Сильные стороны модели — специализация на пиксельной стилистике, совместимость с изометрическими сценами и возможность ускоренной генерации в сочетании с LCM LoRA. Ограничения включают необходимость корректного последующего уменьшения изображения для получения точного пиксельного результата, а также возможное появление артефактов при неподходящем VAE. Сведения о поддерживаемых языках, размере адаптера, максимальном контексте и конкретных аппаратных требованиях не указаны. Лицензия — CreativeML OpenRAIL-M.

Plat Diffusion v1.3.1 — модель генерации изображений по текстовому описанию, созданная p1atdev. Это латентная модель, дообученная на Waifu Diffusion v1.4 Anime Epoch 2; в обучении использовались изображения из niji・journey и генеративные изображения. Репозиторий содержит веса в форматах Diffusers и PyTorch, а для VAE автор рекомендует kl-f8-anime2.ckpt. Модель предназначена для создания изображений в аниме-стиле по текстовым запросам. Автор отмечает, что модель хуже справляется с изображением мужчин. В README также приведён рекомендуемый отрицательный запрос для снижения вероятности артефактов и нежелательных деталей. Лицензия — CreativeML OpenRAIL-M.

PoliticalBiasBERT — англоязычная модель классификации текста на базе BERT, дообученная bucketresearch на примерах политически предвзятых текстов. Она предназначена для анализа текста и выявления политической предвзятости; архитектура — BertForSequenceClassification, размер — 135,5 млн параметров, контекст — до 512 токенов. Модель использует Transformers и доступна в форматах PyTorch и Safetensors. Модель подойдёт для предварительной разметки текстов и исследовательского анализа политической предвзятости. Она обучена на примерах предвзятых текстов, однако README не описывает классы, датасеты и качество на независимых данных, поэтому результаты следует проверять для конкретного применения. Лицензия — MIT.

Bakanayatsu/Pony-Diffusion-V6-XL-for-Anime — версия Pony Diffusion V6 XL, опубликованная Bakanayatsu в формате Diffusers. Она предназначена для генерации изображений по текстовым описаниям, в частности изображений в аниме-стиле. Карточка Hugging Face указывает архитектуру StableDiffusionXLPipeline, формат safetensors и размер около 3 млрд параметров; модель загружается через Diffusers. Модель принимает текстовый prompt и выдаёт изображение. Карточка описывает репозиторий как версию оригинальной Pony Diffusion for Anime в формате Diffusers. Лицензия в доступных метаданных и карточке не установлена.

Pref-Restore PhaseA Fidelity — контрольная точка этапа SFT для восстановления лиц на изображениях, опубликованная командой разработчиков Pref-Restore. Модель предназначена прежде всего для обучения на её основе на этапе PhaseB с preference-RL; она также содержит веса для инференса. Это чекпойнт с уклоном в верность восстановленного изображения и реалистичность, ценой немного более слабого эстетического качества. Архитектура включает мультимодальную авторегрессионную основу в стиле BLIP-3o-NEXT и декодер диффузии SANA 1.5 с VAE-ветвью для изображений высокого качества; в метаданных указан класс blip3oQwenForCausalLMVAE и 1,9 млрд параметров. README приводит около 3 млрд для основы BLIP-3o-NEXT, что относится к компоненту архитектуры, а не к общему размеру чекпойнта. Модель рассчитана на преобразование изображений, в частности на слепое восстановление лиц. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

ProBel-MTL — двуязычная модель QCRI для обнаружения пропаганды и анализа техник убеждения в новостных и социальных текстах. Это дообученная на Qwen2.5-7B-Instruct плотная причинная языковая модель Qwen2 с 7,1 млрд параметров. Она совместно обучена на пяти задачах датасета QCRI/ProBel для арабского и английского языков; исходный LoRA-адаптер слит с базовой моделью, поэтому чекпойнт загружается как обычная языковая модель. Модель классифицирует текст по наличию пропаганды, относит его к общей категории или конкретной технике убеждения, объясняет предсказания и выделяет фрагменты текста с метками техник. Для работы следует использовать предусмотренные авторами шаблоны запросов. Контекст модели составляет 32 768 токенов. В опубликованных тестах результаты различаются по языку и задаче; редкие техники часто пропускаются, поэтому предсказания предназначены для поддержки обученных проверяющих, а не для самостоятельного принятия решений о модерации или политике. Лицензия — Apache-2.0.

Protogen x5.8 — модель генерации изображений по текстовому описанию, выпущенная darkstorm2150. Она предназначена для создания изображений в стиле sci-fi и аниме, а также художественных изображений с помощью Stable Diffusion. В README указано, что модель создана на основе Stable Diffusion v1.5 с использованием dreamlikePhotoRealV2.ckpt и объединения контрольных точек. Доступны форматы Diffusers, PyTorch и Safetensors; для запуска подойдёт Stable Diffusion Pipeline или Stable Diffusion Web UI. Лицензия — CreativeML OpenRAIL-M. Для управления стилем автор приводит триггерные слова modelshoot style, analog style, mdjrny-v4 style и nousr robot. Среди ограничений — результат зависит от формулировки запроса и использования стилевых триггеров; README не приводит количественных оценок качества или подробностей обучения.