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

Lumina-Image-2.0 — модель генерации изображений по текстовому описанию, разработанная командой Alpha-VLLM. Это 2-миллиардная flow-based диффузионная трансформерная модель; данная версия представляет реализацию на Hugging Face Diffusers работы «Lumina-Image 2.0: A Unified and Efficient Image Generative Framework». Она предназначена для создания изображений по текстовым запросам и может использоваться через Diffusers или официальный демо-интерфейс Gradio. Модель распространяется под лицензией Apache-2.0.

Lunar Diffusion 1.26.1 — модель преобразования текстовых запросов в изображения, опубликованная Yntec. Автор карточки называет её своей любимой моделью Lunar от mooncryptowow; репозиторий использует Diffusers и содержит веса в формате safetensors. Модель предназначена для генерации изображений по текстовому описанию. Указана лицензия CreativeML OpenRAIL-M.

Mage-Flow-Edit — модель генерации и редактирования изображений из семейства Mage-Flow, представленная в карточке как модель для редактирования по инструкции. Семейство разработано как компактный стек примерно на 4 млрд параметров: в его основе лежат латентный токенизатор Mage-VAE и общий мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow matching. Репозиторий использует Diffusers и формат safetensors. Модель принимает исходное изображение и текстовую инструкцию, чтобы менять содержимое и внешний вид, преобразовывать сцену, восстанавливать изображение и создавать структурно согласованные варианты. Семейство поддерживает работу с разрешениями от 512 до 2048 пикселей и разными соотношениями сторон. В README описаны базовая, согласованная с предпочтениями и ускоренная четырёхшаговая версии семейства; точный вариант этого репозитория не уточнён. README заявляет компактность и высокую скорость, а для Turbo-варианта приводит время редактирования около 1,02 секунды на изображение 1024×1024 на одном A100. Эти показатели относятся к указанной конфигурации и не гарантируют такую же скорость на другом оборудовании. Модель распространяется по лицензии MIT.

Mage-Flow-Edit-Base — базовая модель для редактирования изображений по текстовым инструкциям, опубликованная Microsoft и зеркально размещённая SceneWorks. Репозиторий содержит неизменённую копию microsoft/Mage-Flow-Edit-Base: веса не переобучались, не квантизировались и не конвертировались. Модель относится к семейству Mage-Flow и использует диффузионный стек с rectified flow: мультимодальный трансформер NR-MMDiT и VAE Mage-VAE; текстовый энкодер основан на Qwen3-VL. Карточка характеризует семейство как компактное, примерно 4B-масштаба, но размер параметров именно этого чекпойнта не указан. Модель принимает изображение и текстовую инструкцию и предназначена для семантического редактирования, преобразования внешнего вида, восстановления изображений и создания вариантов с учётом структуры исходного изображения. Стек семейства рассчитан на работу с изображениями от 512 до 2048 пикселей и разными соотношениями сторон; отдельное значение длины контекста в карточке не приведено. Модель распространяется в формате Diffusers и Safetensors по лицензии MIT. Указанные в карточке семейства показатели скорости относятся к Turbo-варианту и не должны переноситься на эту базовую версию.

Карточка модели arifqai/Mage-Flow-Edit-Turbo на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow-Edit-Turbo, поэтому описание составлено по ней. Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit от команды Mage-Flow, предназначенный для редактирования изображений по текстовым инструкциям. Это компактная модель семейства Mage-Flow с общей для генерации и редактирования архитектурой NR-MMDiT на 4 млрд параметров и латентным токенизатором Mage-VAE; обучение использует rectified flow. Вариант Turbo рассчитан на быстрое редактирование за четыре шага генерации. Модель принимает исходное изображение и текстовую инструкцию. Она подходит для изменения объектов и сцен, преобразования внешнего вида и художественного стиля, восстановления изображений и получения вариантов результата с учётом структуры исходника. Семейство ориентировано на работу с изображениями разного соотношения сторон и разрешением от 512 до 2048 пикселей; для Mage-Flow-Edit-Turbo в README указано время редактирования около 1,02 секунды для изображения 1024×1024 на одной A100. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия — MIT. Для запуска описана установка компонентов CUDA, включая flash-attn; приведённые показатели скорости относятся к указанному оборудованию и не гарантируют такую же задержку в других условиях.

Карточка модели natalie5/Mage-Flow-Edit-Turbo на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow-Edit-Turbo, поэтому описание составлено по ней. Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit от команды Mage-Flow, предназначенный для редактирования изображений по текстовым инструкциям. Это компактная модель семейства Mage-Flow с общей для генерации и редактирования архитектурой NR-MMDiT на 4 млрд параметров и латентным токенизатором Mage-VAE; обучение использует rectified flow. Вариант Turbo рассчитан на быстрое редактирование за четыре шага генерации. Модель принимает исходное изображение и текстовую инструкцию. Она подходит для изменения объектов и сцен, преобразования внешнего вида и художественного стиля, восстановления изображений и получения вариантов результата с учётом структуры исходника. Семейство ориентировано на работу с изображениями разного соотношения сторон и разрешением от 512 до 2048 пикселей; для Mage-Flow-Edit-Turbo в README указано время редактирования около 1,02 секунды для изображения 1024×1024 на одной A100. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия — MIT. Для запуска описана установка компонентов CUDA, включая flash-attn; приведённые показатели скорости относятся к указанному оборудованию и не гарантируют такую же задержку в других условиях.

SceneWorks/Mage-Flow-Edit-Turbo — архивная копия модели Microsoft Mage-Flow-Edit-Turbo для редактирования изображений по текстовым инструкциям. Репозиторий заявлен как побайтно идентичное зеркало upstream-версии; веса не конвертировались, не квантизировались и не дообучались. Модель относится к семейству Mage-Flow: в нём используется NR-MMDiT — мультимодальный диффузионный трансформер с rectified flow matching, а также текстовый энкодер Qwen3-VL и Mage-VAE. Конкретно вариант Edit-Turbo предназначен для редактирования изображений за несколько шагов генерации. Модель принимает исходное изображение и текстовую инструкцию, а выдаёт отредактированное изображение. Поддерживаются семантическое редактирование, преобразование внешнего вида, восстановление изображений и создание результатов с учётом структуры сцены. Семейство рассчитано на работу с изображениями разных разрешений и пропорций; для Edit-Turbo README указывает четыре шага генерации. Указанная в карточке лицензия — MIT. Для запуска используется библиотека Diffusers.

MIDNIGHT Illustrious — модель генерации изображений по текстовым запросам, созданная MidnightRunner на основе семейства Illustrious XL и SDXL. Она рассчитана на фотореалистичные, выразительные изображения с высокой детализацией, глубиной резкости и объёмным освещением; в карточке особо отмечены редакционная и журналистская фотография, постановочные и художественные сцены. Модель принимает текстовые промпты и выдаёт изображения. Её можно использовать в ComfyUI, Automatic1111 и других инструментах на базе Diffusers. В README приведены рекомендации по сэмплерам и настройкам генерации, включая 20–30 шагов, CFG 4 и Clip Skip 1. Модель ориентирована на английские промпты. Как и другие генераторы изображений, она может ошибаться в деталях и анатомии; автор рекомендует отрицательные промпты для снижения таких дефектов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Meissonic — модель генерации изображений по текстовому описанию, разработанная командой ATH-MaaS. Она использует неп autoregressive masked image modeling: изображение создаётся по маскам, а не последовательным предсказанием пикселей. Модель также заявлена для преобразования изображений и рассчитана на запуск на потребительских видеокартах. Meissonic генерирует изображения с разрешением до 1024×1024. Репозиторий содержит веса в формате Diffusers и safetensors; лицензия — Apache-2.0. Разработчики применяли проверки соответствия при обучении, но предупреждают, что не могут гарантировать отсутствие проблемного контента или нарушений авторских прав.

MewZoom-V0-4X — модель повышения разрешения изображений из семейства MewZoom, разработанного Andrew Dalpino. Она увеличивает изображения в 4 раза и одновременно восстанавливает детали, уменьшая размытие, шум и артефакты JPEG. Модель обрабатывает полноцветные RGB-изображения; версия V0-4X использует 96 каналов, 40 слоёв энкодера и содержит около 14 млн параметров. Модель предназначена для улучшения и масштабирования фотографий и других изображений низкого разрешения. Для настройки восстановления предусмотрен вариант с управляющим вектором из трёх значений, задающих предполагаемый уровень размытия, шума и JPEG-сжатия. Репозиторий содержит веса в форматах ONNX и Safetensors, а лицензия — Apache-2.0.

Ansu разработал модель автоматического распознавания речи на баскском языке — дообученную версию utter-project/mHuBERT-147 с архитектурой HuBERT и CTC-декодером. Модель содержит 113,3 млн параметров и предназначена для преобразования баскской речи в текст; в карточке приведены результаты на тестовых наборах CV, Parl и OSLR, включая WER 0,074, 0,068 и 0,204 соответственно. Модель принимает аудио и выдаёт текст. Примеры показывают распознавание баскской речи, в том числе записей с именами собственными и заимствованными словами; ошибки в орфографии и распознавании слов остаются, а качество различается между тестовыми наборами. Веса опубликованы в формате Safetensors для Transformers. Лицензия CC BY-NC-SA 4.0 требует указания авторства, ограничивает коммерческое использование и предписывает распространять производные материалы на тех же условиях.

MiMo-V2.5-ASR-8B-NOESIS-BF16 — версия модели распознавания речи Xiaomi MiMo-V2.5-ASR-8B, подготовленная AMAImedia для платформы автоматизации дубляжа NOESIS. Это плотная причинная языковая модель на архитектуре MiMoV2ASRForCausalLM, производной от Qwen2; в аудиотракте используются аудиотокены с параметрами n_rvq=20 и group_size=4. Веса преобразованы из FP32 в BF16 для уменьшения занимаемого места и совместимости с инструментами PEFT; дообучение модели не заявлено. По данным карточки, модель предназначена для распознавания и транскрибации речи на китайском путунхуа, английском и кантонском языках. Контекст составляет 8192 токена. Модель подходит для многоязычной транскрибации и как компонент конвейера кинодубляжа; BF16-сборка также рассчитана на запуск на оборудовании с нативной поддержкой BF16 и на использование в качестве основы для адаптерного дообучения или учителя при дистилляции. Карточка не приводит оценок точности или подробных условий работы с разными акустическими условиями. Лицензия — MIT.

Карточка модели Nadun29/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со стереозвуком по тексту, изображениям и другим мультимодальным материалам. В открытой версии представлены два специализированных чекпойнта H3-Base: FL2VA для генерации с начальным и конечным кадрами и Ref2VA для работы с мультимодальными референсами. Архитектура объединяет текстовый энкодер, Visual VAE, Audio VAE и Omni-Transformer, который совместно предсказывает латентные представления видео и аудио. Модель создаёт клипы длительностью 4–15 секунд с различными соотношениями сторон; базовый результат имеет разрешение 768p, а отдельный H3-Regenerate-2K позволяет повторно сгенерировать видео в разрешении до 2K. FL2VA принимает текст и до двух изображений. Ref2VA поддерживает до девяти изображений, трёх видеоклипов и трёх аудиоклипов с общим лимитом в 12 файлов. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR — размещённую отдельно систему предварительной обработки, которая не входит в открытый релиз. Веса распространяются в форматах Diffusers и Safetensors по лицензии с обозначением «other»; условия лицензии следует проверять в репозитории перед использованием.

MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным референсам. Репозиторий содержит H3-Base в форматах Diffusers и Safetensors; архитектура объединяет текстовый энкодер, визуальный VAE, аудиокодировщик VAE и Omni-Transformer, который совместно предсказывает видео- и аудиолатенты. Метаданные относят модель к задаче image-text-to-video. Модель принимает текст, изображения, видео и аудио, а генерирует видео длительностью 4–15 секунд с аудио; базовый вывод имеет разрешение 768p, а отдельный этап H3-Regenerate-2K позволяет получить 2K. В режиме First-and-last-frame можно задать до двух кадров, а Omni-reference принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при общем ограничении 12 файлов. Система рассчитана на сложные мультимодальные инструкции и синхронную генерацию аудио и видео. Для обработки свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот предварительный обработчик является размещённой системой и в открытый выпуск не входит. Открытая реализация использует полнослойное внимание; разреженное внимание в этом выпуске недоступно. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

Карточка модели wudingdeet/MiniMax-H3 на Hugging Face совпадает с карточкой MiniMaxAI/MiniMax-H3, поэтому описание составлено по ней. MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MIX-Pro-V4 — модель генерации изображений по текстовому описанию в формате Diffusers. Репозиторий указывает исходный размер загрузки 4,27 ГБ и вариант fp16. Модель предназначена для создания изображений по текстовым запросам через StableDiffusionPipeline. В карточке не приведены сведения о разработчике, обучающих данных, поддерживаемых языках или длине контекста. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении модели.

Xenova предоставляет модель MODNet в формате ONNX для запуска через Transformers.js. Это модель сегментации изображений на основе архитектуры MODNet, предназначенная для отделения человека от фона на портретных изображениях без предварительно заданной тримапы и для маттинга в реальном времени. Репозиторий содержит формат ONNX и распространяется по лицензии Apache-2.0. Модель подходит для удаления фона на портретах и выделения силуэта человека в приложениях на JavaScript. Данные карточки не сообщают размер модели, контекст или поддерживаемые языки; задача работает с изображениями и не зависит от естественного языка.

onnx-community/modnet-webnn — модель семейства MODNet для портретного маттинга без тримапа и удаления фона на изображениях. Репозиторий распространяет модель в формате ONNX для использования через Transformers.js; название указывает на поддержку WebNN, однако README не описывает настройки этого режима или требования к среде. Модель предназначена для выделения человека на портретном изображении, в том числе в сценариях обработки в реальном времени. Модель решает задачу сегментации изображения и выдаёт карту маски переднего плана, пригодную для отделения портрета от фона. В карточке не приведены размер модели, длина контекста и поддерживаемые языки; языковой ввод модели не требуется. Лицензия — Apache-2.0.

Карточка модели indigoskyai/Molmo-72B-0924 на Hugging Face совпадает с карточкой allenai/Molmo-72B-0924, поэтому описание составлено по ней. Molmo-72B-0924 — модель «зрение–язык» семейства Molmo, разработанного Allen Institute for AI. Это плотная мультимодальная модель с 129,6 млрд параметров: текстовый компонент основан на Qwen2-72B, а визуальный использует OpenAI CLIP. Модель обучалась на наборе PixMo из миллиона тщательно отобранных пар изображение–текст и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. В метаданных указан контекст 4096 токенов, библиотека Transformers и поддержка чата. Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы о нём. В карточке сообщается о высоких результатах на академических бенчмарках и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительная версия Molmo; README говорит о применении в исследованиях и образовании. Лицензия — Apache 2.0. Для базовой Qwen2-72B указана отдельная лицензия Tongyi Qianwen, поэтому условия использования базовой модели также следует учитывать.

mPLUG-Owl3-7B-241101 — мультимодальная модель семейства mPLUG-Owl3, разработанная командой авторов проекта mPLUG-Owl. Она предназначена для диалога и понимания изображений, последовательностей изображений и видео. Архитектура — плотная модель с 7,1 млрд параметров; заявленная длина контекста составляет 32 768 токенов. Ключевая особенность семейства — механизм Hyper Attention: авторы сообщают об ускорении понимания длинных визуальных последовательностей в шесть раз и обработке последовательностей до восьми раз длиннее. README также заявляет сохранение качества на задачах с одним и несколькими изображениями и видео. В карточке указана поддержка английского языка и чат-возможности. Лицензия — Apache-2.0.

multicentury-htr-model-small — компактная модель распознавания рукописного текста, разработанная Национальным архивом Финляндии и дообученная на базе microsoft/trocr-small-handwritten. Архитектура TrOCR типа vision-encoder-decoder принимает изображения строк текста и генерирует их транскрипцию. Обучающая выборка включает более 913 тысяч рукописных и печатных строк из документов XVI–XX веков; модель предназначена для оцифровки архивов и транскрибирования рукописных заметок на финском и шведском языках. В карточке указана оценка CER 4,08 на тестовом наборе примерно из 111 800 строк. Модель поддерживает базовую латиницу и скандинавские символы å, ä и ö; она может хуже обобщать на другие языки, а нелатинские письменности, включая кириллицу, в обучении не представлены. Лицензия — Apache 2.0.

Модель Davron04 — дообученная версия dima806/music_genres_classification на датасете GTZAN для классификации музыкальных аудиозаписей. Она построена на архитектуре Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Основной сценарий применения — определение музыкального жанра по аудиозаписи. На оценочной выборке модель показала accuracy 0,89 и loss 1,3618. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0.

freococo разработал компактную модель распознавания речи на бирманском языке, обученную с нуля на 1,66 млн высказываний. Модель состоит из 12-слойного Conformer-энкодера с совместными CTC- и attention-декодерами и содержит около 23,8 млн параметров. Она преобразует аудио в текст на бирманском, выдавая последовательности слогов. Для работы требуется монофонический звук с частотой 16 кГц; скрипт транскрипции может автоматически привести распространённые аудиоформаты к этим параметрам. Модель рассчитана на разные типы речи, включая новости, разговорную речь и чтение, и подходит для запуска на CPU и потребительских GPU. На отложенной выборке указана частота ошибок по слогам SER 9,42%, а на независимой веб-выборке — 12,30%. Вес модели опубликован в формате safetensors, библиотека — PyTorch. Лицензия Apache 2.0.

NbAiLab/nb-wav2vec2-300m-bokmaal-v2 — модель распознавания речи, разработанная лабораторией искусственного интеллекта Национальной библиотеки Норвегии (NbAiLab). Она преобразует аудиозаписи на норвежском букмоле в текст и предназначена, в частности, для транскрибирования речи из парламентского корпуса NPSC. Модель основана на архитектуре wav2vec 2.0 с CTC-выходом и содержит около 402,7 млн параметров. В репозитории также доступны файлы языковой модели 5-граммного типа для декодирования. Модель принимает аудио и выдаёт текст; лицензия — Apache-2.0.

Модель Impresso HIPE-2022 NER — дообученная многоязычная BERT-модель для распознавания именованных сущностей в исторических газетных текстах. Её разработали в рамках проекта Impresso и включили в конвейер Impresso NER. Модель основана на dbmdz/bert-base-historic-multilingual-cased и дообучена на наборе impresso-project/ner-augmentation для задачи HIPE-2022. Модель классифицирует токены по схеме IOB2 и выделяет категории персон, организаций, мест, продуктов и времени. Поддерживаются французский, немецкий и английский языки. Архитектура — BERT для классификации токенов; размер составляет 137,8 млн параметров, контекст — до 512 токенов. На тестовом наборе указан F1 0,7410 на уровне сущностей; для мест приведён F1 0,8340, для организаций — 0,4309. Модель предназначена для извлечения сущностей из исторической прессы и исследовательских либо редакционных конвейеров анализа газет. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0. Результаты зависят от языка, качества распознавания текста и соответствия данных историческим текстам и меткам обучения; приведённые метрики показывают более слабое распознавание организаций, чем мест.

monilouise/ner_news_portuguese — дообученная версия BERTimbau для распознавания именованных сущностей в португалоязычных новостях. Модель относит токены к четырём классам: PERSON, ORGANIZATION, PUBLIC INSTITUTION и LOCAL, то есть распознаёт людей, организации, государственные учреждения и места. Архитектура — BERT для классификации токенов; размер составляет 136,1 млн параметров, длина контекста — до 512 токенов. Доступны веса PyTorch и Flax. Модель предназначена для извлечения сущностей из новостных текстов, в частности материалов о мошенничестве и коррупции. В README приведены результаты оценки: accuracy 0,98, precision 0,86, recall 0,91 и F1 0,88. Обучение проводилось на корпусе примерно из 180 новостных статей, поэтому качество на других жанрах и типах текста может отличаться. Лицензия в предоставленных данных не указана.

Impresso NER — модель распознавания именованных сущностей в оцифрованных исторических документах, разработанная командой Impresso в EPFL. Она предназначена для анализа архивных текстов на английском, французском и немецком языках, включая тексты с ошибками OCR, вариативным написанием и нестандартной языковой формой. Модель использует стековую архитектуру на основе BERT: к предобученному многоязычному историческому BERT добавлены один или два слоя Transformer и декодер CRF. Это модель классификации токенов с 49,9 млн параметров и контекстом до 512 токенов. Она размечает сущности разных типов и уровней детализации, включая людей, организации, продукты, временные выражения и места; для людей может также извлекать имя, титул и функцию в контексте. Модель дообучена на базе dbmdz/bert-medium-historic-multilingual-cased и оценивалась на датасете HIPE-2020. Она подходит для исторического извлечения информации, но не предназначена для современных новостей и социальных сетей; качество может снижаться на неевропейских языках и при сильном шуме OCR. Лицензия — AGPL-3.0-or-later.

NextStep-1-Large — модель StepFun для авторегрессионной генерации изображений по текстовому описанию. Она сочетает авторегрессионную модель на 14 млрд параметров с головой flow matching на 157 млн параметров и обучена предсказывать следующие элементы последовательности из дискретных текстовых и непрерывных визуальных токенов. В метаданных указана архитектура LlamaForCausalLM и контекстное окно 131 072 токена. Модель предназначена для синтеза изображений высокого качества по текстовым запросам. В карточке заявлено, что она показывает передовые результаты среди авторегрессионных моделей в задачах text-to-image. Репозиторий использует библиотеку Transformers и формат safetensors; лицензия — Apache-2.0. Метаданные также отмечают поддержку чата и интерфейса вызова инструментов, но README не описывает эти возможности подробно.

AMAImedia выпустила NOESIS-Qwen3-Forced-Aligner-0.6B-112LANG-BF16 как компонент платформы автоматизации многоязычного дубляжа. Это дообученная версия Qwen3-ForcedAligner-0.6B от Alibaba: модель принимает аудио вместе с готовым текстом и определяет временные метки слов или символов, а не распознаёт речь с нуля. Она рассчитана на выравнивание фрагментов длительностью до пяти минут и, согласно карточке, обучена для 112 языков. Модель предназначена для подготовки субтитров, караоке-разметки и синхронизации реплик в многоязычных системах дубляжа. В README сообщается о тестировании на 112 языках; для части языков с более низкими строгими метриками автор рекомендует применять постобработку временных меток. Заявленные результаты тестирования и оценка готовности приведены разработчиком модели. Модель использует архитектуру Qwen3 ASR и распространяется в формате safetensors. Лицензия — Apache-2.0. Для аудио длиннее пяти минут требуется обработка окнами; сама модель не предназначена для получения транскрипции из аудио без исходного текста.