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

WesPro/Wizard-Kun-Lake_3x7B-MoE — языковая модель архитектуры Mixtral с разреженной смесью экспертов (MoE), опубликованная автором WesPro. Автор описывает её как модель 3x7B, созданную на основе нескольких понравившихся ему моделей для ролевых диалогов, с небольшой собственной LoRA, применённой к одному из экспертов. В метаданных указаны 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста, в частности ролевых диалогов. Репозиторий содержит веса safetensors; автор также упоминает доступную версию GGUF Q5_K_M. Лицензия в предоставленных данных не указана.

WorldGen — экспериментальная объединённая языковая модель на архитектуре Mistral, созданная автором Casual-Autopsy методом TIES с помощью mergekit. Базой слияния послужила kubernetes-bad/chargen-v2; также объединены NousResearch/Hermes-2-Pro-Mistral-7B, Weyaxi/Einstein-v4-7B и NeverSleep/Noromaid-7B-0.4-DPO. Модель предназначена для генерации текста, в частности для создания персонажей и записей Lorebook/WI; автор описывает её как тестовое слияние, призванное улучшить эти сценарии. Она содержит 7,1 млрд параметров, работает с текстом и имеет контекстное окно 32 768 токенов. В метаданных также указана поддержка диалогового взаимодействия. Модель опубликована в формате safetensors и доступна под лицензией, указанной в метаданных Hugging Face. Слияние экспериментальное, а README формулирует заявленную цель как проверку возможного улучшения CharGen; подтверждённых оценок качества в карточке нет.

GenEx World Initializer — конвейер генерации панорам на основе FluxFillPipeline, опубликованный genex-world. Он преобразует одно входное изображение в панораму 360° с помощью обусловленного изображением заполнения областей; необязательное текстовое описание может направлять генерацию. Входное изображение центрируется и обрезается до квадрата, а результат имеет размер 2048 × 1024 в эквиректangularной проекции. Модель дообучена на black-forest-labs/FLUX.1-Fill-dev и предназначена для создания панорамного окружения по одному виду, например для подготовки фона виртуального мира. Конвейер использует фиксированную маску панорамы, Diffusers и формат Safetensors. Лицензия — CC BY 4.0.

digiplay/xiaomeige_outlineColor_v10 — модель генерации изображений по текстовому описанию в формате Diffusers, представленная в файле SafeTensors. Название и карточка связывают её со стилем «Outline Color» (勾线彩画凤), то есть цветной иллюстрацией с контурной обводкой. Модель предназначена для создания изображений по текстовым запросам. Карточка не сообщает сведения об авторе-разработчике, базовой модели, архитектуре или поддерживаемых языках. Лицензия указана как other, поэтому условия использования следует проверять отдельно перед применением.

Модель shae2977/xlm-roberta-hinglish-sentiment-analysis разработана автором shae2977 для определения тональности текстов на хинглише — смеси хинди и английского, часто записанной латиницей. Это дообученная для классификации последовательностей модель XLM-RoBERTa с 305,2 млн параметров, принимающая текст и выдающая одну из трёх меток: положительная, отрицательная или нейтральная тональность. Максимальная длина контекста — 514 токенов. Модель предназначена прежде всего для анализа комментариев YouTube об индийской музыке, развлечениях и поп-культуре. На отложенной выборке таких комментариев автор сообщает weighted F1 0,67; нейтральная тональность распознаётся хуже положительной и отрицательной. Модель обучена на более чем 3 000 вручную размеченных примерах и может хуже работать в других темах, например в политике или спорте. Лицензия — Apache-2.0.

ivrit-ai/yi-whisper-large-v3-turbo — дообученная на идише модель распознавания речи на базе OpenAI Whisper Large v3 Turbo. Она принимает аудио и преобразует речь в текст; в карточке указано, что модель предназначена преимущественно для транскрибации аудио на иврите, хотя обучение проводилось на датасетах с записями на идише. Для выбора языка распознавания нужно явно задавать токен Yiddish. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате safetensors через Transformers. Модель обучена ivrit-ai на двух краудсорсинговых наборах аудиозаписей: чтении фрагментов статей и голосовых записях заранее заданных фраз. Детальная оценка качества недоступна: внутренний тестовый набор не опубликован. Обнаружение языка ухудшилось, а перевод аудио не обучался и существенно деградировал, поэтому модель следует использовать для распознавания речи, а не для перевода. Лицензия — Apache-2.0.

Модель Swedish Lion OCR разработана Национальным архивом Швеции. Это модель сегментации экземпляров YOLO26s, которая выделяет рукописные текстовые строки внутри уже обнаруженных текстовых областей исторических документов. Она предназначена для этапа HTR-конвейера: после выделения текстовых областей модель размечает строки, которые затем можно передать системе распознавания рукописи для транскрипции страниц. Модель работает с обрезанными изображениями текстовых областей и не предназначена для обработки целых страниц. Обучение проводилось на размеченном наборе исторической шведской рукописи объёмом около 31 000 страниц и 1,7 млн строк, подготовленном при участии архивных учреждений Швеции и Финляндии. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0.

Yuzu — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная пользователем Yntec. Веса представлены в формате Diffusers и Safetensors; в модель встроен VAE MoistMixV2. Модель предназначена для создания иллюстраций по промптам. В карточке приведён пример запроса для реалистичной живописной chibi-сцены с видеоиграми, растениями и классическими мотивами. Теги модели указывают на аниме и полуреалистичный стиль. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не содержит сведений о размере модели и контексте; эти характеристики для генерации изображений не приводятся.

cerspense/zeroscope_v1_320s — версия модели Text-to-Video на основе исходных весов ModelScope, переобученная автором карточки. Она предназначена для создания коротких видео по текстовому описанию; модель обучалась на подмножестве Vimeo-90K и подборке музыкальных клипов. Репозиторий использует Diffusers и формат PyTorch, задача в метаданных — text-to-video. Автор указывает разрешение обучения 320×320 и отсутствие пропуска кадров, что должно уменьшать мерцание. Модель распространяется по лицензии CC BY-NC 4.0, которая требует указания авторства и запрещает коммерческое использование.

1800-9B — объединённая автором ClaudioItaly языковая модель на архитектуре Gemma 2 для генерации художественного текста. Она создана методом TIES с помощью mergekit на базе sam-paech/Quill-v1; в слияние также вошли nbeerbower/Gemma2-Gutenberg-Doppel-9B и sam-paech/Delirium-v1. Модель содержит 9 млрд параметров, использует формат safetensors и имеет контекстное окно 8192 токена. Модель предназначена прежде всего для творческого письма: она генерирует атмосферные сцены с выразительными деталями и эмоциональными описаниями, а также может переключаться между повествованием, детективом, романтикой и экшеном. Метаданные указывают поддержку английского и итальянского языков и режим чата. Лицензия — MIT. Карточка описывает сильные стороны модели как выразительный стиль, насыщенные образы и связное повествование; это самооценка автора, а не результаты независимого тестирования. В README не приведены количественные оценки качества или подробные инструкции по использованию.

FFusion/400GB-LoraXL — набор LoRA-адаптаций, разработанный FFusion и опубликованный для использования с базовой моделью FFusion/FFXL400. Модель предназначена для генерации изображений по текстовому описанию в экосистеме Stable Diffusion XL и Diffusers. Примеры показывают широкий спектр сценариев: персонажи, аниме и цифровой концепт-арт, сюрреалистичные композиции, предметные изображения и стилизованные иллюстрации. Основной язык промптов — английский. Это не самостоятельная генеративная модель, а низкоранговая адаптация, которую необходимо подключать к совместимому SDXL-чекпойнту или пайплайну Diffusers. В репозитории представлены параметры для нескольких LoRA-компонентов, включая UNet, свёрточные слои и два текстовых энкодера, однако полные сведения о размере, обучающих данных, рекомендуемых весах, разрешении и точных ограничениях отсутствуют. Сильной стороной является поддержка разнообразных художественных стилей и сюжетов; качество и результат зависят от базовой модели, промпта и настроек LoRA. Указана лицензия openrail++.

AbyssHellHero — текстовая модель генерации изображений на базе Stable Diffusion, опубликованная пользователем AIARTCHAN. Она создана слиянием LoRA с моделью AbyssOrangeMix2, а также компонентами Helltaker 0.27 и HeroAcademia 0.2; репозиторий содержит веса Diffusers, PyTorch и Safetensors, включая вариант FP16. Модель предназначена для создания изображений по текстовым запросам. Автор рекомендует использовать отрицательные эмбеддинги, например EasyNegative, и усиливать нужные теги весом от 1.1. Исходный вариант занимает около 7,7 ГБ, Safetensors — 4,27 ГБ, а FP16 — 2,13 ГБ. Лицензия CreativeML Open RAIL-M разрешает использование с соблюдением её условий и ограничений.

add-detail-xl — модель типа LoRA, разработанная LyliaEngine для настройки детализации изображений при генерации на базе LyliaEngine/Pony_Diffusion_V6_XL, совместимой с экосистемой Stable Diffusion и Diffusers. Она предназначена для сценариев text-to-image и позволяет управлять уровнем детализации изображения с помощью веса адаптера: положительные значения усиливают детализацию, а отрицательные уменьшают её. Модель может применяться для фотореалистичных сцен, портретов и других изображений, где требуется корректировать выразительность мелких деталей. Рекомендуемый диапазон веса составляет от -3 до 3, а начальное значение — около 1,5 с последующей настройкой в зависимости от промпта и количества шагов сэмплирования. Для активации отдельное ключевое слово не требуется: в README указано использовать None. Веса доступны в формате Safetensors. Лицензия модели — CDLA-Permissive-2.0. Ограничения включают зависимость результата от базовой модели, промпта, веса LoRA и параметров сэмплирования; сведения о размере, точной архитектуре, поддерживаемых языках и модальностях помимо генерации изображений не указаны.

OccultAI Adversary 8B v1.21 — языковая модель для генерации художественных текстов и ролевых диалогов. Это слитая с помощью mergekit методом DELLA модель на архитектуре Llama, содержащая 7,5 млрд параметров. Она предназначена для создания историй, продолжения сцен и сюжетов в разных жанрах; автор характеризует эту версию как наиболее сбалансированную и творческую среди пяти проверенных вариантов. Модель принимает текст и генерирует текст, поддерживает английский язык. Указанный для неё контекст — до 1 073 152 токенов. Модель подходит для творческого письма и ролевых сценариев, включая мрачные жанры. Она может генерировать сцены с насилием, графическим эротическим содержанием и ненормативной лексикой, поэтому содержание ответов требует учёта при выборе сценария применения. Для работы автор рекомендует шаблон Llama 3. Лицензия — Llama 3.1.

Kaan Demir разработал классификатор изображений на основе CLIP ViT-B/16, дообученный с помощью LoRA для различения реальных изображений и изображений, созданных генеративными моделями, включая Stable Diffusion, Midjourney, DALL-E и Flux. Модель принимает изображения размером 256 × 256 пикселей и выдаёт оценку вероятности класса «реальное»; предусмотрена зона неопределённости, в которой модель воздерживается от решения. В README приведены результаты на отложенной тестовой выборке: точность 0,959 и макро-F1 0,959. Это экспериментальная оценка на данных автора, поэтому качество на изображениях из других источников и новых генераторов может отличаться. Модель предназначена для выявления изображений, созданных ИИ, и не гарантирует надёжную проверку подлинности отдельного изображения. Репозиторий распространяется по лицензии MIT.

AlayaWorld — веса для инференса модели генерации длительных интерактивных видеосцен, разработанной Alaya Lab. Репозиторий содержит единый файл merged_infer.safetensors с DiT, VAE, текстовым энкодером и энкодером истории; по метаданным модель основана на Lightricks/LTX-2.3 и доступна в формате Diffusers. Основной сценарий — генерация видео по исходному изображению. README также указывает на назначение для создания интерактивных, управляемых сцен, но не приводит подробностей об управлении или длительности генерации. Текстовый энкодер Gemma-3 и модель глубины пространственной памяти Depth-Anything-3 в набор весов не включены: их нужно получить из исходных репозиториев согласно инструкции в репозитории кода. Лицензия обозначена как other, конкретные условия использования в доступных данных не раскрыты.

Amberlight-12B — экспериментальная многоязычная модель для ролевых диалогов и генерации художественных сцен, разработанная shrugging-shoulders как дообучение Retreatcost/KansenSakura-Eclipse-RP-12b. Это плотная авторегрессионная модель семейства Mistral на 12,1 млрд параметров с контекстом до 131 072 токенов; опубликованные веса представлены в формате safetensors и предназначены для Transformers. Модель поддерживает чат и обучалась, в частности, на многоязычном наборе IFEval. Карточка характеризует следование инструкциям как приемлемое, а качество письма — как хорошее. Модель рассчитана на ролевые беседы и повествовательную генерацию; NSFW-содержание может потребовать явного запроса. Автор отмечает характерный динамичный стиль повествования, скачки темпа и отдельные шаблонные фрагменты. Дообучение обозначено как незавершённое, запланированы дополнительные этапы SFT и DPO. Лицензия — Apache-2.0.

Модель создана пользователем hiero и представляет собой Stable Diffusion, дообученную методом DreamBooth для генерации изображений в стиле Angus McBride. Для вызова стиля в запросе используется фраза «angus mcbride style». Модель предназначена для создания изображений по текстовым описаниям; доступна в форматах Diffusers и PyTorch и распространяется по лицензии MIT.

Anima-2.9B — модель генерации изображений, разработанная автором этого выпуска на основе circlestone-labs/Anima и предназначенная для создания аниме-иллюстраций и другого нереалистичного искусства по текстовым описаниям. Модель дообучена на дополнительных 1,7 млн образцов аниме и иллюстраций; архитектуру расширили с 28 до 40 слоёв Transformer, увеличив её примерно до 2,9 млрд параметров. В версии preview-v1 обучались только новые слои. Модель понимает подсказки с тегами и естественным языком. Автор рекомендует подробные промпты с указанием качества, периода, художника, персонажей и их серий; короткие запросы могут давать простые фоны и менее точные результаты. Модель рассчитана на работу в ComfyUI и Forge-Neo; для некоторых установок ComfyUI может потребоваться отдельный узел. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнять в карточке модели.

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

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

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

Anima Tagger — модель автоматической многометочной разметки аниме-изображений в формате подписей booru, разработанная авторами проекта Anima. Она преобразует изображение в упорядоченную подпись с рейтингом, числом людей, персонажами, франшизами и общими тегами; модель предназначена для автоматической разметки датасетов, подготовки подписей для обучения Anima LoRA и курирования изображений. В основе лежит CAFormer B36 dbv4 с 134 млн параметров, входным разрешением 384 пикселя и теговым пространством Danbooru из 12 476 меток. Проекция приводит результаты к словарю Anima из 2 532 тегов, а обученная авторами дополнительная линейная голова покрывает часть тегов, отсутствующих в backbone. Веса backbone не включены в репозиторий: для их загрузки требуется доступ к animetimm/caformer_b36.dbv4-full и принятие его условий GPL-3.0. Собственные словарь, правила, пороги и дополнительная голова распространяются по MIT. Модель ориентирована на подписи в распределении Anima и выполняет классификацию по множеству тегов изображения. Она не выдаёт теги художников, не моделирует artist OCs, а часть тегов отключена или сводится правилами к актуальным названиям. Пороги backbone взяты из исходной модели и могут быть не оптимальны для других наборов данных.

litagin/anime_speech_emotion_classification — модель распознавания эмоций в речи, разработанная на основе Wav2Vec2 и обученная на датасете litagin/Galgame_Speech_SER_16kHz. Она принимает аудио и классифицирует эмоциональную окраску речи; для запуска в README приведён пример использования через Transformers на GPU. Модель содержит 201,3 млн параметров и распространяется в формате safetensors. Она предназначена для анализа эмоциональных характеристик речи, в том числе реплик из визуальных новелл и аниме-игр. Лицензия — MIT. Состав классов эмоций и показатели качества в доступных сведениях не описаны.

Anything V4 — модель семейства Stable Diffusion, разработанная Yntec для генерации изображений 768×768 по текстовым запросам. Она предназначена прежде всего для создания изображений в аниме-стилистике; в карточке приведён пример запроса с персонажем и художественными деталями. В модель встроен VAE MoistMix V2, а файлы доступны в форматах Diffusers и safetensors. Модель дообучена на Yntec/AnythingV3. Метаданные указывают английский язык и лицензию CreativeML OpenRAIL-M. Карточка не сообщает подробностей о составе обучающих данных или оценках качества.

Archaeo-12B — разговорная модель, созданная Delta-Vector слиянием моделей Rei-12B и Francois-Huali-12B методом SLERP. Она предназначена для ролевых диалогов и творческого письма; карточка показывает формат диалога ChatML и возможность использовать модель для генерации текста. Модель построена на плотной архитектуре Mistral с 12,1 млрд параметров и нативным контекстом до 131 072 токенов. Репозиторий содержит веса Safetensors; в карточке также упомянуты варианты квантования GGUF и EXL2. Для работы доступны диалоги на английском языке; базовая модель Rei-12B описана как англоязычная. Лицензия в предоставленных данных не указана.

Lambent/arsenic-nemo-unleashed-12B — дообученная модель на архитектуре Mistral Nemo с 12,1 млрд параметров, созданная на основе MarinaraSpaghetti/NemoMix-Unleashed-12B. Автор описывает её как DPO-настройку на смеси gutenberg-dpo и toxic-dpo для художественного письма и ролевых диалогов; модель усиливает классическую, местами архаичную стилистику, особенно в поэзии. Поддерживает генерацию текста и чат; в метаданных также отмечен интерфейс вызова инструментов. Автор сообщает о работе с контекстом до 32 тыс. токенов при корректной настройке RoPE. Метаданные каталога указывают нативный контекст 1 024 000 токенов, но README подтверждает испытания только до 32 тыс., поэтому более длинный контекст не следует считать проверенным автором. Возможный побочный эффект DPO-настройки — краткие переходы на арабский язык в диалоге. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

ArtiWaifu Diffusion 2.0 — модель генерации изображений по текстовому запросу, разработанная Euge при финансировании Neta.art. Это дообученная версия ArtiWaifu Diffusion 1.0 на отобранном наборе из 2,5 млн аниме-изображений; модель построена на основе Stable Diffusion XL и работает через библиотеку Diffusers. Модель предназначена для создания аниме-иллюстраций по тегам или обычным текстовым описаниям. С помощью слов-триггеров можно задавать персонажей, художественные стили, сцены и другие элементы изображения. Разработчики отмечают улучшенную стабильность анатомии и поддержку более чем 9000 художественных стилей и 6000 персонажей. Для более предсказуемого результата рекомендуется перечислять теги через запятую и пробел; руководство предлагает генерацию примерно при разрешении 1024×1024. Модель специализируется на аниме-изображениях, а много персонажные сцены могут оставаться нестабильными. Карточка рекомендует краткие и узнаваемые негативные подсказки, поскольку избыток таких тегов способен ухудшить результат. Лицензия — Fair AI Public License 1.0-SD.

Модель tomragus/ast-finetuned-audioset-10-10-0.4593-finetuned-gtzan — дообученная на наборе GTZAN модель MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer (AST) для классификации аудио. На оценочной выборке GTZAN достигла accuracy 0,8754 после 4,27 эпохи обучения. Модель предназначена для отнесения музыкальных аудиозаписей к классам GTZAN. Веса опубликованы в формате Safetensors и доступны по лицензии BSD-3-Clause. Архитектура содержит около 113,2 млн параметров.

AstolfoKarmix-XL — семейство слитых диффузионных моделей для генерации изображений по тексту, опубликованное пользователем 6DammK9. В README описаны варианты с разными составами и рецептами слияния; среди упомянутых основ — AstolfoMix-XL, NoobAI XL и модели NIL1.5. Метаданные указывают на загрузку в формате Diffusers и использование StableDiffusionXLPipeline, а также на формат весов Safetensors. Модель предназначена для генерации стилизованных изображений по промптам. Автор отмечает, что промпт может быть минимальным или пустым, и приводит рекомендации по CFG и сэмплеру Euler для отдельных вариантов. README также сообщает о смещении одного из вариантов в сторону NSFW-изображений с девушками; пригодность и поведение могут различаться между версиями. Модель распространяется по лицензии CreativeML OpenRAIL-M. В README отмечено, что для ряда вариантов Rebasin не работает; для версии на базе SDXL 1.0 автор субъективно оценивает результат хуже Evo. Подробные характеристики отдельных весов и оценки качества в карточке не приведены.