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

wcyat/whisper-small-yue — дообученная модель семейства Whisper для автоматического распознавания речи. Модель содержит 153,1 млн параметров и принимает аудио, выдавая распознанный текст. В README указана оценка WER 56,8538 на наборе для проверки; название обучающего набора обозначено как None. Подробности об обучающих данных и предполагаемых сценариях применения не приведены.

SzilviaB/Xwin_Forest — слитая языковая модель семейства LLaMA, созданная автором репозитория с помощью mergekit. В слиянии SLERP участвовали Elfrino/XwinXtended-20B и TeeZee/DarkForest-20B-v3.0; модель имеет плотную архитектуру LlamaForCausalLM, содержит 19,8 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста, в том числе ролевых диалогов и зрелых историй по карточкам персонажей. Репозиторий предоставляет веса в формате safetensors, а отдельная связанная публикация — GGUF-квантизацию. Сведения о лицензии и явных ограничениях качества в доступных данных отсутствуют.

YabaLMixAnimeRealistic_V1.0 — модель генерации изображений по текстовому описанию, совмещающая реалистичную и аниме-стилистику. Автор README не указан. Модель предназначена для создания детализированных изображений персонажей с разными позами и одеждой; в карточке приведён пример с девушкой на фоне реки и леса. Для генерации автор рекомендует 33–50 шагов. Репозиторий содержит файлы в форматах Diffusers, PyTorch и Safetensors, а лицензия обозначена как other.

YOLO26n-face — созданная Shubham12864 модель обнаружения лиц, полученная дообучением компактной архитектуры YOLO26n (nano) на наборе данных WIDER FACE. Она выделяет лица как единственный класс объектов и предназначена для компьютерного зрения, где нужно находить лица на изображениях или кадрах.

Fuyucchi/yolov8_animeface — модель обнаружения лиц на изображениях в стиле аниме, созданная на основе YOLOv8 и дообученная автором на 10 000 вручную размеченных изображений из safebooru. В README указана архитектура yolov8x6; обучение проводилось 300 эпох на изображениях размером 1280×1280. Модель предназначена для поиска и локализации аниме-лиц на изображениях. В тесте на собственном наборе данных автор сообщает precision 0,957, recall 0,924 и mAP50 0,955; результаты на других данных могут отличаться. Репозиторий содержит веса в формате PyTorch и использует библиотеку Ultralytics. Лицензия — AGPL-3.0.

Xenova/yolov9-c — преобразованная в формат ONNX версия модели обнаружения объектов YOLOv9-c, подготовленная для использования с Transformers.js. Она принимает изображения и определяет на них объекты, возвращая обнаруженные области и классы; модель подходит для запуска в JavaScript-приложениях, включая веб-среду. В репозитории опубликованы веса ONNX, библиотека для использования — Transformers.js. Репозиторий создан Xenova и содержит конверсию весов для совместимости с Transformers.js. Модель распространяется по лицензии GPL-3.0. В карточке не приведены сведения о числе параметров, контексте и поддерживаемом наборе классов, поэтому эти характеристики здесь не уточняются.

Z-Anime — семейство моделей генерации изображений по текстовому описанию, опубликованное в репозитории SeeSee21/Z-Anime. Модель представляет собой полноценную дообученную версию Z-Image Base от Alibaba, а не объединение LoRA. Она основана на архитектуре S3-DiT (Single-Stream Diffusion Transformer) с 6 млрд параметров и ориентирована на создание изображений в аниме-стилистике. Модель предназначена для генерации аниме-персонажей, сцен, поз, композиций и разнообразных художественных вариаций по описательным запросам на естественном языке. Доступны базовая версия с максимальным качеством, дистиллированные варианты для генерации за 8 или 4 шага, а также сборки BF16, FP8, GGUF и AIO. Указан английский язык. Поддерживаются negative prompts, однако в дистиллированных версиях их влияние ограничено. Модель совместима с Diffusers и ComfyUI; заявлена работа примерно от 8 ГБ видеопамяти, а GGUF-варианты подходят для малоресурсных, CPU- и AMD-сценариев. Сильные стороны Z-Anime — выразительная аниме-эстетика, разнообразие стилей, персонажей и композиций, управляемость и пригодность базовой версии для дальнейшего LoRA-дообучения. Ограничения зависят от варианта: BF16 требует около 12 ГБ памяти, FP8 — около 6 ГБ, а дистиллированные версии обеспечивают более быструю генерацию, но хуже поддерживают negative prompts и требуют рекомендованных настроек CFG. В README также указана частичная поддержка NSFW-контента. Лицензия — Apache-2.0.

Z-Image-Fun-Lora-Distill — это дистиллирующий LoRA-адаптер для модели Z-Image, опубликованный Alibaba PAI и разработанный в рамках проекта VideoX-Fun. Адаптер предназначен для ускорения генерации изображений из текста и совместим с другими LoRA-адаптерами Z-Image и ControlNet Union 2.1. Он обучен с нуля и не использует веса Z-Image-Turbo. Доступны варианты, рассчитанные на 2, 4 и 8 шагов генерации вместо стандартных 8 шагов; адаптер одновременно дистиллирует число шагов и CFG, поэтому для базовой версии CFG не требуется. Версия 2603 использует стратегию случайных временных шагов и лучше работает при sigma ниже 0,500, а для двухшагового варианта рекомендуется использовать второй шаг с sigma примерно от 0,800 до 0,500 и повышенную силу LoRA. Также доступны варианты для ComfyUI. Основное преимущество модели — существенное сокращение числа шагов и ускорение генерации производных моделей Z-Image. Ограничениями являются некоторое снижение качества и изменение композиции по сравнению с исходной моделью; адаптер предназначен для быстрой генерации и не позиционируется как замена Z-Image-Turbo. Лицензия — Apache-2.0.

ZooFun — модель генерации изображений по текстовому описанию, созданная на основе GenerateMe и распространяемая в формате Diffusers и Safetensors. Она рассчитана на создание милых стилизованных изображений животных и персонажей: например, мультяшных портретов, сцен с животными и персонажами в заданной обстановке. Для усиления характерного эффекта автор рекомендует добавлять в промпт слово «zoofun». Модель получена слиянием LoRA zoofun_v1.0 с GenerateMe с силой 0,7; в карточке она также обозначена как дообучение GenerateMe. Лицензия — CreativeML OpenRAIL-M.

10Eros-Max beta2 NVFP4 — это уменьшенная NVFP4-версия дообученной модели TenStrip/10Eros-Max, опубликованная sakamakismile для работы в ComfyUI. Модель представляет собой эксперимент MiniMax-H3 с переносом характера из LTX-2.3, Wan 2.2 и Krea 2; в карточке указана задача преобразования изображения в видео. Квантование сокращает размер весов с 40,22 ГБ BF16 до 12,53 ГБ NVFP4. Автор сообщает о запуске на одной видеокарте с 16 ГБ памяти и совместимости с существующим рабочим процессом MiniMax-H3 в ComfyUI. Репозиторий содержит веса в формате safetensors; для использования требуется настроить соответствующий H3 workflow и компоненты ComfyUI. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у базовой модели. Описание не приводит сравнительных оценок качества или подробностей о поддерживаемых языках; назначение модели — генерация видео по изображению.

thejagstudio/3d-animation-style-sdxl — стилевой LoRA-адаптер, разработанный автором thejagstudio для генерации изображений на основе Stable Diffusion XL Base 1.0 от Stability AI. Модель предназначена для задач text-to-image и добавляет к базовой модели визуальную стилистику 3D-анимации; по тегам также заявлены направления anime и paper. Адаптер распространяется в формате Safetensors и загружается поверх stabilityai/stable-diffusion-xl-base-1.0 через библиотеку Diffusers. Он может использоваться для создания иллюстраций и концепт-артов с выраженным стилизованным 3D-анимационным видом. Данные о размере адаптера, поддерживаемых языках, длине контекста, рекомендуемых весах и точных ограничениях по качеству в README не указаны. Для работы требуется совместимая базовая модель SDXL и программный стек Diffusers; итоговый результат зависит от исходной модели и текстового запроса. Лицензия обозначена как bespoke-lora-trained-license, с отдельными условиями по указанию авторства, коммерческому использованию, производным работам и возможности применения другой лицензии. Полные условия приведены по ссылке, указанной в карточке модели.

Anima 1.0 Aesthetic Diffusers — это версия модели генерации изображений Anima 1.0, подготовленная в формате Diffusers для использования с SD.Next. Её разработали CircleStone Labs и Comfy Org; эстетический вариант дообучен для более стабильных результатов и выразительного художественного стиля по умолчанию. Модель предназначена для генерации иллюстраций по текстовому описанию, особенно в аниме-стилистике и с не-фотореалистичными изображениями. Модель содержит около 2 млрд параметров и использует CosmosTransformer3DModel с 28 слоями, текстовый энкодер Qwen3-0.6B, адаптер перекрёстного внимания и VAE AutoencoderKLWan. Обучающие подписи включали теги в стиле Danbooru и естественный язык. Рекомендуемый диапазон разрешений — 512×512–1536×1536, а число шагов генерации — 30–50 при CFG 4–5. Модель не предназначена для фотореализма; при чрезмерном CFG или отдельных тегах результат может содержать шум, артефакты или избыточную детализацию. Репозиторий содержит конверсию Diffusers в формате safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензирования исходной модели и этой версии.

Anima-2.9B — модель генерации изображений по текстовому описанию, созданная автором репозитория как дообучение и расширение слоёв circlestone-labs/Anima. Она предназначена прежде всего для создания аниме-иллюстраций и другого непохожего на фотографию арта. Модель использует архитектуру AnimaDiT с 40 трансформерными слоями и примерно 2,9 млрд параметров; обучена на дополнительных 1,7 млн образцов аниме и иллюстраций. Поддерживает английские подписи, сочетающие теги и естественный язык. Модель рассчитана на подробные промпты: теги качества и периода, имена персонажей и художников, теги произведения и внешности помогают управлять результатом. Автор рекомендует ComfyUI и Forge-Neo, а также приводит настройки генерации для разрешений от 812×1216 до 1536×1536. Короткие запросы могут давать простые фоны и менее точные результаты; многоперсонажные сцены требуют явного связывания тегов с персонажами. Лицензия указана как other, поэтому конкретные условия использования следует проверять на странице модели.

Anima-2.9B-Preview-v1-Diffusers — версия модели Anima 2.9B Preview v1 в формате Diffusers, подготовленная CalamitousFelicitousness для SD.Next. Она генерирует аниме-изображения и иллюстрации по текстовым промптам. Модель основана на Gazingstars123/Anima-2.9B: трансформер расширен с 28 до 40 слоёв и содержит около 2,9 млрд параметров. Текстовый энкодер Qwen3-0.6B связан с трансформером через адаптер; также используются VAE Wan и pipeline CosmosTransformer3DModel. Модель обучена на дополнительной выборке из 1,7 млн изображений аниме и иллюстраций. В Preview v1 обучались только добавленные слои, а основные блоки и компоненты взяты из базовой Anima 1.0 Base. Авторы рекомендуют подробные промпты с тегами персонажей, серий и стиля; указаны настройки генерации вплоть до разрешения 1536 × 1536. Репозиторий занимает около 6,9 ГБ, веса сохранены в bf16. Лицензия обозначена как other, поэтому условия использования следует уточнить на странице модели.

Anima-Lightning — модель генерации изображений по текстовому описанию, опубликованная aina-tech. Это обновлённый чекпойнт на основе слияния circlestone-labs/Anima и NVIDIA Cosmos-Predict2-2B-Text2Image; в метаданных также отмечено дообучение. Репозиторий содержит веса в формате Safetensors и модуль трансформера с дополнительной ветвью conditioning K=4. Модель предназначена для создания аниме- и иллюстративных изображений за четыре шага диффузии. Для вывода автор рекомендует CFG 1, scheduler shift 3 и сигмы [1, 0.75, 0.5, 0.25]; обычный CosmosTransformer3DModel не загружает чекпойнт полностью, поскольку пропускает обученную ветвь K. Для запуска указаны PyTorch с CUDA и BF16, Diffusers с поддержкой Anima, Transformers, Accelerate и Safetensors. Веса сохранены в BF16, поэтому результаты могут отличаться от FP32-чекпойнта и других реализаций сэмплирования. Лицензия указана как other, конкретные условия в доступной карточке не раскрыты.

Anima Noct: Anime Mix — смешанная модель генерации изображений на основе Anima-2.9B. Она предназначена для создания аниме-изображений и иллюстраций по текстовым промптам и работает в ComfyUI со стандартными текстовым энкодером Anima и VAE. Автор отмечает более чёткую детализацию и аккуратную анатомию по сравнению с базовой моделью; доступны варианты int8, fp8 и bf16, а файл int8 занимает около 3,1 ГБ и рассчитан на видеокарты с 8 ГБ памяти. Модель подходит для портретов, сцен и иллюстраций с настраиваемым уровнем откровенности: README сообщает, что она поддерживает как безопасные, так и явные промпты. Для генерации указаны настройки около 30 шагов и разрешение порядка одного мегапикселя. Репозиторий содержит веса safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить у автора.

deepghs/animefull-latest — версия в формате Diffusers модели, описанной в карточке как официально утёкшая модель NovelAI. Она предназначена для генерации изображений по текстовым запросам и использует StableDiffusionPipeline. Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия указана как MIT. Оригинальный вариант модели доступен в репозитории deepghs/animefull-latest-ckpt.

AnimeSeg — модель сегментации персонажей на изображениях в стиле аниме, представленная вместе с библиотекой anime_seg. В README описаны варианты на основе Mask2Former и DINOv2 с U-Net++ и дообучением LoRA, а также отдельный вариант удаления фона. Для основного варианта Mask2Former заявлена разметка на 12 классов; совместимый вариант DINOv2 возвращает 13 классов, включая класс «unknown». Метаданные указывают формат весов safetensors и библиотеку Transformers. Модель предназначена для выделения частей персонажа и фона на изображениях аниме. README рекомендует использовать вариант Mask2Former; DINOv2 оставлен для совместимости. Размер модели, поддерживаемые языки, конкретное базовое семейство и лицензия в предоставленных данных не описаны.

anime SEXTILLION — модель для генерации изображений по текстовому описанию, созданная realisticElves. Это слияние моделей animeTWO и animeTEN, также разработанных realisticElves; в веса встроен zVae. Модель распространяется в форматах Diffusers, PyTorch и safetensors и использует библиотеку Diffusers.

Animistatics — латентная диффузионная модель от Maseshi для генерации изображений в аниме-стиле по текстовому описанию. Она построена для использования через Stable Diffusion и библиотеку Diffusers; поддерживает короткие промпты и теги Danbooru. В карточке приведён пример генерации изображения с помощью Diffusers и планировщика DPMSolverMultistepScheduler. Модель предназначена для создания детализированных аниме-иллюстраций, например персонажей и сцен с заданными предметами, внешностью и освещением. Указана лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

Anything2Real — это LoRA-адаптер для преобразования иллюстраций, аниме, мультфильмов, картин и других изображений в фотореалистичные изображения с сохранением исходной композиции и содержания. Модель разработана пользователем lrzjason и предназначена для использования с моделями редактирования изображений, в частности с Qwen Edit 2511; в README также упоминаются варианты на базе Flux2 Klein. Адаптер работает в сценариях image-to-image и ориентирован на стилизацию существующего изображения, а не на генерацию с нуля. Для Qwen Edit 2511 рекомендуется использовать силу LoRA в диапазоне 0,75–1 и текстовый запрос с указанием преобразования в реалистичную фотографию и описанием содержимого изображения. Подробное описание исходной сцены может улучшить результат. В составе семейства упомянуты варианты Anything2Real 2601, 2601 A и alpha, различающиеся балансом между сохранением оригинала, реалистичностью, цветом, освещением и детализацией. Ключевые характеристики архитектуры, число параметров, поддерживаемые языки и максимальный контекст в README не указаны. Сильной стороной модели является перенос различных художественных стилей в фотореалистичную форму при сохранении исходного содержания. Результат зависит от субъективного восприятия реализма, выбранной базовой модели и силы адаптера; чрезмерное увеличение веса LoRA не всегда улучшает изображение, поэтому автор рекомендует подбирать силу или использовать дополнительную фотореалистичную LoRA. Модель распространяется по лицензии Apache-2.0.

Anything V3 — модель генерации изображений в стиле аниме на основе латентной диффузии Stable Diffusion. Она предназначена для создания детализированных иллюстраций по коротким текстовым запросам и поддерживает теги Danbooru, что помогает задавать персонажей, внешний вид и элементы сцены. Модель распространяется в формате Diffusers с весами PyTorch Safetensors; для использования подходит StableDiffusionPipeline из библиотеки Diffusers. Модель ориентирована на иллюстрации в аниме-стилистике и рассчитана на запросы на английском языке. В README приведён пример генерации изображения по запросу «pikachu», а также упомянут запуск через Gradio. Репозиторий предоставляет лицензию CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

shibal1/anything-v4.5-clone — копия модели Anything V4.5, опубликованная автором как архив после того, как исходный репозиторий Anything V4.0 стал недоступен. Это модель latent diffusion на базе Stable Diffusion для генерации изображений по текстовым запросам; она ориентирована на детализированный аниме-стиль и понимает теги Danbooru. В README также приведён пример использования через StableDiffusionPipeline из библиотеки Diffusers. Модель подходит для создания иллюстраций и персонажей в аниме-стиле по коротким промптам. Репозиторий содержит файлы в форматах Diffusers, PyTorch и safetensors; метаданные указывают лицензию CreativeML OpenRAIL-M. Автор описывает репозиторий как архив, первоначальная попытка обучения модели через SD API не удалась. Размер и длина контекста в доступных данных не указаны.

Apply Texture LoRA — адаптер LoRA, разработанный автором tarn59 для базовой модели Qwen/Qwen-Image-Edit-2509. Модель предназначена для редактирования изображений и наложения описанных пользователем текстур на объекты, здания, растения и спрайты, в том числе на выбранную часть изображения. Она поддерживает рекурсивные сценарии, когда созданный объект или текстура также содержит повторяющийся объект с текстурой. Для активации рекомендуется использовать запрос в формате «Apply {описание текстуры} texture to {объект или уточнение области}», например для применения деревянной обшивки к стенам здания или текстуры лосося к листьям и стеблям. Ключевые характеристики включают архитектуру LoRA, работу в сценарии image-to-image и зависимость от Qwen-Image-Edit-2509; размер модели, окно контекста, поддерживаемые языки и точный набор модальностей в README не указаны. Сильная сторона модели — специализированное управление текстурированием конкретных объектов и областей. Ограничения связаны с необходимостью использовать базовую модель и рекомендуемый формат триггерной фразы, а также с отсутствием подробных данных о качестве, производительности и совместимости. Модель распространяется по лицензии Apache-2.0.

ArtiWaifu Diffusion 1.0 — модель генерации изображений по текстовому запросу, разработанная Euge при финансировании Neta.art. Это дообученная версия Stable Diffusion XL Base 1.0, обученная на отобранном наборе из 1,5 млн аниме-изображений; модель специализируется на иллюстрациях в аниме-стиле и распознаёт множество художественных стилей и персонажей, используя текстовые триггеры. Модель предназначена для создания аниме-иллюстраций с узнаваемыми персонажами и стилями, а также сцен с несколькими персонажами. В README рекомендуются промпты в виде тегов, разделённых запятыми, и разрешение около 1024×1024; качество результата чувствительно к точному написанию и порядку тегов. Для сцен с несколькими персонажами автор отмечает нестабильность. Указана лицензия Fair AI Public License 1.0-SD.

maurorisonho/ast-gtzan-audio-course — модель Audio Spectrogram Transformer, дообученная на датасете GTZAN в рамках четвёртого раздела курса Hugging Face Audio Transformers. Она классифицирует аудиозаписи по десяти музыкальным жанрам. Архитектура AST обрабатывает аудио через спектрограммы; число параметров — 113,2 млн. Модель предназначена для определения жанра музыкального фрагмента. В README заявлена точность 92% на задаче курса; условия и протокол оценки не описаны. Модель опубликована в формате PyTorch. Сведения о лицензии отсутствуют в предоставленных данных.

Athena-v3 — экспериментальная языковая модель IkariDev для генерации текста. Модель основана на архитектуре Llama, содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. В карточке указано, что опубликованы веса fp16; для диалога используется формат Alpaca. Модель предназначена для ролевых сценариев, включая RP и ERP, а также для генерации текста общего назначения. Athena-v3 собрана слиянием Athena-v2 и нескольких моделей и LoRA, включая Synthia, Huginn, Pygmalion, LimaRP и Storytime; слияние выполнил Undi95 по рецепту IkariDev. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели JasperCaldwell/audiobox-aesthetics на Hugging Face совпадает с карточкой facebook/audiobox-aesthetics, поэтому описание составлено по ней. Audiobox Aesthetics — модель Meta для автоматической оценки качества речи, музыки и других звуков. Она принимает аудиофайлы и предсказывает оценки эстетических характеристик; можно также оценивать выбранный временной отрезок записи. Для запуска README предлагает пакет audiobox_aesthetics и интерфейс командной строки. Модель распространяется в формате safetensors и решает задачу классификации аудио. Лицензия — CC BY 4.0. В README не приведены сведения об архитектуре, числе параметров и поддерживаемых языках.

Hatman/audio-emotion-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она анализирует речевой аудиосигнал и относит его к одной из семи категорий эмоций: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Архитектура — Wav2Vec2ForSequenceClassification семейства wav2vec2, около 402,7 млн параметров; модель сохранена в формате safetensors. Модель предназначена для распознавания эмоциональной окраски речи. В README приведены результаты оценки: accuracy 0,6262 и loss 0,9555. Для корректной работы входное аудио следует привести к частоте дискретизации 16 кГц. Обучающие данные включают Common Voice 6.0 и speech-recognition-community-v2/dev_data. Модель выпущена под лицензией Apache-2.0. Приведённая точность указывает на возможные ошибки классификации; оценка дана на конкретном наборе и не гарантирует такое же качество на других голосах, языках и акустических условиях.

Austral 24B Winton — языковая модель Delta-Vector для диалогового ролевого отыгрыша, приключенческих сценариев и художественного письма. Это дообученная плотная Mistral-модель с 23,4 млрд параметров; автор описывает её как многоэтапный финетюн Harbinger 24B с дополнительным обучением SFT и KTO для улучшения связности и качества текста. Модель поддерживает чат в формате ChatML и имеет контекстное окно до 131 072 токенов. Модель предназначена для создания и продолжения ролевых сцен, приключенческих историй и диалогов на английском языке. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка также упоминает варианты GGUF, EXL3 и EXL2 для сторонних средств запуска.