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

Austral 4.5B Winton — текстовая модель Delta-Vector для диалоговых ролевых игр, приключений и творческого письма. Это плотная авторегрессионная модель семейства Arcee с 6 млрд параметров по метаданным; в README разработчик называет её версией размером 4,5 млрд параметров. Модель дообучена на базе Delta-Vector/Austral-AFM-SFT в несколько этапов: SFT, затем KTO. Для диалогов используется формат ChatML. Модель рассчитана на ведение ролевых сцен и приключений: по описанию разработчика, она хорошо работает с карточками приключений, активнее продвигает сюжет и получила дополнительные знания о ролевых сценариях. В обучении использовались наборы данных для ролевых диалогов, совместного письма и художественных текстов. Модель принимает текст и генерирует текст; заявленный контекст — 65 536 токенов, основной язык в карточке — английский. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Оценка преимуществ основана на описании разработчика; независимые результаты тестирования в карточке не приведены. README также упоминает квантизованные варианты GGUF и EXL3, но они не указаны как форматы файлов этого репозитория.

xFutureTechx/BackMixes — модель генерации изображений по текстовому описанию, размещённая под аккаунтом xFutureTechx. Она предназначена для создания иллюстраций, в том числе в стилях аниме и комиксов. Модель распространяется в формате safetensors и рассчитана на запуск через библиотеку diffusers. Модель доступна по лицензии CreativeML Open RAIL-M. Карточка не содержит сведений об архитектуре, размере, контекстных ограничениях или конкретной базовой модели. README сообщает, что авторы прекратили работу над ИИ-проектами, поэтому поддержка модели не заявлена.

Buttercup-4x7B-bf16 — экспериментальная MoE-модель для генерации текста и интеллектуального ролевого взаимодействия. По карточке, она собрана как «frankenMoE» из базовой модели mlabonne/Beagle14-7B и экспертных компонентов fblgit/una-cybertron-7b-v3-OMA, rwitz/go-bruins-v2 и повторных компонентов Beagle14-7B. Метаданные указывают архитектуру MixtralForCausalLM, 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors; в тегах указан английский язык. Модель предназначена для текстовых диалогов с ролевой игрой и вариативными ответами. Автор отмечает возможную избыточность и советует регулярно вводить новые темы или концепции, чтобы поддерживать разнообразие диалога. Это MoE с маршрутизацией токенов между экспертами; согласно README, маршрутизатор не обучался совместно с моделью. Лицензия — Apache-2.0.

animetimm разработала модель многометочной классификации изображений на основе CAFormer, предназначенную также для извлечения визуальных признаков. Это дообученная версия timm/caformer_b36.sail_in22k_ft_in1k_384, адаптированная на наборе animetimm/danbooru-wdtagger-v4-w640-ws-full для предсказания 12 476 тегов, включая общие теги, персонажей и рейтинговые категории. Модель содержит 134 млн параметров и рассчитана на изображения 384 × 384 пикселя. Её можно использовать с timm и PyTorch для обучения и оценки, а также выполнять инференс в формате ONNX. В README приведены метрики на тестовой выборке: micro F1 0,689 при пороге 0,40; качество различается между категориями тегов. Модель подходит для автоматической разметки изображений в стиле Danbooru и поиска изображений по предсказанным тегам. Она ориентирована на соответствующий набор тегов, поэтому качество на иных типах изображений и вне этой таксономии не подтверждено. Лицензия — GPL-3.0.

Это контрольные веса для генерации изображений на базе FLUX.1-dev, опубликованные Sayak Paul. Модель обучена с новым типом conditioning на датасете instruction-tuning-sd/cartoonization и предназначена для превращения входного изображения в мультяшную версию по текстовому запросу. Модель использует архитектуру FLUX и распространяется в формате safetensors для библиотеки Diffusers. В карточке не указаны размер весов, длина контекста и конкретные языки. Лицензия обозначена как other; условия её использования следует проверять в репозитории. Карточка не содержит примеров ограничений или смещений, а раздел об этом оставлен незаполненным.

CED-Base — модель семейства CED на основе Vision Transformer и трансформера, разработанная авторами работы «CED: Consistent ensemble distillation for audio tagging». Она предназначена для аудиотегирования: классификации аудиозаписей по звуковым классам. В карточке указана версия Base; README описывает семейство CED и приводит результаты для вариантов Tiny, Mini и Small, поэтому эти размеры и метрики нельзя приписать Base. Модель принимает аудио и выдаёт метки классов. Среди особенностей семейства — обработка входов переменной длины, нормализация мел-спектрограмм пакетной нормализацией и ускоренный вывод благодаря 64-мерным mel-фильтрам и неперекрывающимся патчам 16×16. Обучение и оценка описаны на AudioSet; README также показывает пример дообучения линейной головы для ESC-50 при замороженном энкодере. Репозиторий содержит форматы ONNX и safetensors. Лицензия — Apache-2.0. Заявления README о качестве относятся к семейству моделей и не дают отдельной оценки CED-Base; также не приведены размер Base, языковые характеристики и подробности обучающих данных помимо упоминания AudioSet.

Christina TTS — дообученная модель синтеза речи на базе Qwen/Qwen3-TTS-12Hz-0.6B-Base. Разработчик настроил два варианта пользовательского голоса, вдохновлённого Курису Макисэ из визуальной новеллы Steins;Gate: christina для преимущественно английской речи и christina-jp для преимущественно японской. Это фанатская реконструкция, не связанная с официальной актрисой озвучивания персонажа. Модель предназначена для преобразования текста в речь с характерной подачей выбранного голоса. Английский вариант ориентирован на естественные английские интонацию и ритм; японский — на естественное звучание японской речи. При использовании каждого варианта для другого из этих языков могут проявляться особенности акцента и интонации. Хотя базовая модель теоретически поддерживает и другие языки, качество дообученной версии для них не гарантируется. Модель распространяется в формате safetensors; README приводит установку через пакет qwen-tts. Информация о лицензии в предоставленных данных отсутствует.

CoffeeDonut_v1 — модель генерации изображений по текстовому описанию в стиле аниме, опубликованная автором Kodokuna. Карточка характеризует её как модель для создания аниме-изображений и содержит примеры изображений. Модель распространяется в форматах Diffusers, PyTorch и Safetensors; метаданные указывают архитектуру Stable Diffusion и задачу text-to-image. Лицензия обозначена как other, поэтому условия использования следует сверить с репозиторием. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

CognitiveFusion-4x7B-bf16-MoE — экспериментальная языковая модель, созданная Kquant03 совместно с NeuralNovel. Это FrankenMoE на архитектуре Mixtral: в качестве экспертов объединены Loyal-Macaroni-Maid-7B, Dolphin-2.6-Mistral-7B, Silicon-Maid-7B и Panda-7B-v0.1. Репозиторий содержит веса SafeTensors в формате BF16; в метаданных указан размер 7,1 млрд параметров и контекст 8192 токена. Модель предназначена для генерации текста, особенно творческого письма, повествования и диалогов. Авторы отмечают, что объединение экспертов Panda, Silicon Maid и Dolphin должно поддерживать творческий стиль и рассуждения; это заявленные авторами качества, а не гарантия результата. Карточка описывает модель как нестабильную по меркам FrankenMoE: маршрутизатор экспертов не обучался совместно с ними, поэтому возможны галлюцинации и непредсказуемые ответы. Для запуска требуется память, достаточная для размещения весов всех экспертов. Лицензия — Apache-2.0.

diffusers/controlnet-canny-sdxl-1.0 — модель ControlNet для управляемой генерации изображений, опубликованная в экосистеме Hugging Face Diffusers и обученная на базе Stable Diffusion XL Base 1.0 от Stability AI. Она использует conditioning по контурам Canny, поэтому предназначена для генерации изображений по текстовому описанию с сохранением структуры и границ объектов на входном изображении. Модель подходит для сценариев text-to-image с контролем композиции: создания фотореалистичных сцен, интерьеров, персонажей, пейзажей и других изображений при наличии карты контуров. Для работы используется StableDiffusionXLControlNetPipeline; входное изображение предварительно преобразуется оператором Canny. В README рекомендован controlnet_conditioning_scale 0.5, а также приведён пример работы в формате FP16 с выгрузкой части вычислений на CPU. Веса обучались в два этапа по 20 000 шагов на данных LAION 6A: сначала на изображениях с минимальным размером 384 пикселя, затем на высоком разрешении до 1024 пикселей с фильтрацией изображений не менее 1024 пикселей. Обучение проводилось на одной машине с 8 GPU A100, с общим batch size 64 и смешанной точностью FP16. README не указывает языковые ограничения, точный размер параметров или отдельные поддерживаемые модальности; модель предназначена для изображений и текстовых промптов. Лицензия указана как OpenRAIL++. Для использования требуется базовая модель Stable Diffusion XL Base 1.0 и совместимые компоненты Diffusers. Качество и точность следования структуре зависят от качества карты Canny, промпта и выбранной силы conditioning; модель не является самостоятельной текстовой или мультимодальной системой.

Corporate Memphis — дообученная модель Stable Diffusion, опубликованная jinofcoolnes. Она создаёт изображения по текстовым запросам в стиле корпоративных иллюстраций Memphis; для активации стиля в запросе рекомендуется фраза «Corporate_Memphis digital illustration». Модель использует интерфейс Diffusers StableDiffusionPipeline и распространяется в форматах Diffusers и PyTorch. Модель предназначена для генерации цифровых иллюстраций, например сцен с объектами и цветными формами. Лицензия CreativeML OpenRAIL-M допускает использование с ограничениями, предусмотренными её условиями. Карточка не сообщает размер модели и длину контекста.

Cosmos-Predict2-0.6B-Text2Image — диффузионная модель NVIDIA для генерации изображений по текстовому описанию, входящая в семейство моделей для генерации миров. Это трансформерный диффузионный денойзер, который использует слои self-attention, cross-attention и feedforward, а также адаптивную нормализацию для учёта шага денойзинга. Размер модели — 0,6 млрд параметров не указан в предоставленных данных напрямую; обозначение версии содержится в названии модели. Модель предназначена для создания изображений сцен и объектов по текстовым промптам и может служить строительным блоком для разработки приложений физического ИИ и генерации миров. На вход подаётся текст короче 300 слов, на выходе по умолчанию получается RGB-изображение размером 1280×704. Модель ориентирована на работу с GPU NVIDIA; в карточке указана проверенная точность BF16 и поддержка Ampere, Blackwell и Hopper. Модель разработана NVIDIA и доступна для коммерческого использования на условиях NVIDIA Open Model License. Среди ограничений — артефакты при генерации изображений высокого разрешения, неточное представление трёхмерного пространства и физических законов, а также неправдоподобные взаимодействия объектов; поэтому результаты могут быть ненадёжны для сценариев, требующих физически точной симуляции.

du-kang/custom4 — дообученная модель семейства T5, разработанная автором репозитория для суммаризации текстов на корейском языке. Она предназначена для создания краткого изложения, в том числе по материалам корейского корпуса книжной суммаризации. Модель использует архитектуру T5ForConditionalGeneration и содержит 137,8 млн параметров. В репозитории указаны веса PyTorch; лицензия — MIT. README показывает загрузку модели через библиотеку Hugging Face Transformers.

CyberRealistic Pony v127 Alternative — производная модель Cyberdelia на основе cyberdelia/CyberRealisticPony для генерации изображений по текстовым запросам. Модель предназначена для создания реалистичных и фотореалистичных изображений; в метаданных указана поддержка Stable Diffusion XL и библиотеки Diffusers. В тегах отмечены более сбалансированные освещение, контраст и цветовые тона. Карточка не содержит подробных инструкций по использованию или описания отличий версии v127 Alternative от базовой модели. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Descript Audio Codec (DAC) — нейронный аудиокодек, разработанный Descript. Репозиторий `descript/dac_44khz` содержит модель DAC для аудио с частотой дискретизации 44,1 кГц; она извлекает дискретные коды из аудиосигнала и декодирует их обратно в аудио. Архитектура — энкодер-декодер с residual vector quantization. Модель предназначена для сжатия и восстановления речи, музыки и других типов аудио, а также для использования аудиокодов в генеративных аудиосистемах. Разработчик заявляет сжатие аудио 44,1 кГц примерно в 90 раз при битрейте 8 кбит/с. В опубликованной конфигурации указаны девять кодовых книг и размер кодовой книги 1024. Модель работает с аудио, поэтому языковая поддержка как у текстовых моделей к ней не относится. Код и веса проекта Descript распространяются по лицензии MIT; карточка Hugging Face автоматически сгенерирована и не содержит отдельного описания лицензии. Ограничения: заявленные характеристики сжатия не гарантируют одинаковое субъективное качество для всех аудиоматериалов; модель этого репозитория рассчитана на 44,1 кГц.

Darkest-muse-v1 — модель для творческого письма, созданная Sam Paech как слияние Gemma-2-Ataraxy-v2-9B, Delirium-v1 и Quill-v1 и дообученная на примерах из набора Gutenberg3. Она построена на плотной архитектуре Gemma 2 с 9 млрд параметров, поддерживает чатовый шаблон Gemma и генерирует текст; заявленная длина контекста — 8192 токена. Модель предназначена для написания художественной прозы, в том числе диалогов, историй и текстов с мрачной или необычной атмосферой. В карточке приведены примеры исторической и постапокалиптической прозы, а автор отмечает выразительный авторский голос и результаты на EQ-Bench для творческого письма. Модель может проявлять повторяющиеся идеи и словесные фиксации, а её нестандартная манера не всегда подходит для нейтральной прозы. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

Deliberate — модель генерации изображений по текстовому описанию в формате Diffusers на основе Stable Diffusion. Автор описывает её как универсальную версию для создания изображений, рассчитанную на пользователей, которые готовы составлять подробные промпты; среди примеров применения названы создание иллюстраций, проработка анатомии и художественный дизайн. Карточка указывает лицензию BigScience OpenRAIL-M. Автор отмечает, что для хорошего результата нужны подробные промпты; модель ориентирована в том числе на создание откровенного контента. Сведения о базовой модели и её размере в предоставленных данных отсутствуют.

ssamperr/detr_v2_noTransform_30 — дообученная модель обнаружения объектов на основе facebook/detr-resnet-50. Она предназначена для нахождения объектов на изображениях и предсказания их классов и ограничивающих рамок. Репозиторий содержит веса в формате safetensors; размер модели по метаданным — 6,3 млн параметров. Модель опубликована под лицензией Apache-2.0. Карточка не описывает обучающий набор данных, классы объектов или результаты оценки, поэтому нельзя определить, на каких именно изображениях модель будет работать лучше всего. Для практического применения следует учитывать эти пробелы и проверять качество на целевых данных.

MAEST — модель семейства Transformer для анализа музыки, разработанная Пабло Алонсо и основанная на архитектуре Audio Spectrogram Transformer (AST). Эта версия содержит около 113,2 млн параметров и предназначена для классификации музыкальных аудиозаписей по 400 стилям, определённым на основе метаданных Discogs. Модель предварительно обучена для классификации музыкальных стилей и может использоваться для распознавания жанров, оценки музыкальных эмоций и обнаружения инструментов. Для ряда downstream-задач авторы отмечают пользу представлений из промежуточных слоёв. Модель доступна через Transformers и Essentia; для Transformers требуется включить trust_remote_code. Результаты могут немного зависеть от воспроизведения особенностей мел-спектрограмм Essentia. Обучение проводилось на наборе Discogs20 с 3,3 млн музыкальных треков, сопоставленных с метаданными Discogs. Данные стилей неравномерно представлены: особенно заметен перевес западной и электронной музыки. Модель не является универсальным аудиоклассификатором и не оценивалась для задач вне анализа музыки. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование; для коммерческого применения требуется отдельная лицензия.

Модель textattack/distilbert-base-uncased-imdb — классификатор текстовых последовательностей на архитектуре DistilBERT, дообученный TextAttack на датасете IMDb. Она предназначена для определения тональности отзывов о фильмах и различения положительных и отрицательных отзывов. Модель работает с текстом; максимальная длина последовательности в метаданных составляет 512 токенов, а при обучении использовалась длина до 128 токенов. На проверочной выборке модель достигла точности 0,88; лучший результат был получен после двух эпох обучения. Это специализированная модель для классификации отзывов, поэтому её результаты на других темах или типах текстов могут быть хуже. Модель сохранена в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.

Модель distilbert-base-uncased-rotten-tomatoes разработана TextAttack на основе DistilBERT и дообучена для классификации текстов на наборе rotten_tomatoes. Она определяет тональность рецензии на фильм: положительную или отрицательную. Модель использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов; при обучении максимальная длина последовательности составляла 128 токенов. При оценке на отложенной выборке модель достигла точности 0,84. Это специализированный классификатор англоязычных отзывов о фильмах, поэтому его результаты могут быть ненадёжны на других темах, языках или типах текстов. Доступна в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Модель ericsonwillians/distilbert-base-uncased-steam-sentiment разработана на основе DistilBERT-base-uncased и дообучена для бинарной классификации англоязычных отзывов Steam на положительные и отрицательные. Она принимает текст и выдаёт метку тональности с вероятностями. Архитектура — DistilBERT для классификации последовательностей; максимальная длина контекста составляет 512 токенов. Модель предназначена для анализа отзывов об играх: она может помогать системам рекомендаций учитывать оценки игроков, выявлять негативные отзывы для работы с обратной связью и собирать мнения о продукте для исследования рынка. В карточке заявлена точность около 89% на тестовой выборке, однако подробности протокола оценки не приведены. За пределами игровых отзывов качество может снижаться; сарказм, юмор и контекст модель может распознавать ненадёжно. Обучающие данные могут содержать грубые выражения и оскорбления, что способно отражаться на результатах. Лицензия — MIT.

SamirFaragHarb/distilbert-rotten-tomatoes — англоязычная модель классификации текста, созданная дообучением DistilBERT distilbert/distilbert-base-uncased. По названию репозитория модель связана с отзывами о фильмах Rotten Tomatoes, однако README не уточняет набор меток и характеристики обучающих данных. Модель предназначена для классификации текста; доступный контекст составляет до 512 токенов. Она использует архитектуру DistilBertForSequenceClassification и распространяется в формате safetensors. Лицензия — Apache-2.0.

DistilGPT2 Stable Diffusion — модель генерации текста на базе GPT-2, дообученная автором FredZhang7 для создания творческих и связных запросов к моделям преобразования текста в изображение. На вход она принимает произвольный текст и продолжает его в стиле описательных промптов для генерации изображений. Модель дообучена на 2,03 млн промптов из Stable Diffusion Discord, Lexica.art и Krea.ai. По заявлению автора, по сравнению с другими генераторами промптов на GPT-2 она выполняет прямой проход на 50% быстрее и требует на 40% меньше места на диске и оперативной памяти. Это компактная плотная архитектура GPT-2 с контекстом до 1024 токенов; доступны веса PyTorch и Safetensors. Модель подходит для подготовки и расширения промптов для генерации изображений, однако сама изображения не создает. Лицензия — CreativeML OpenRAIL-M.

Модель rogovk/distilhubert-finetuned-gtzan разработана как дообученная версия ntu-spml/distilhubert для классификации аудио по классам датасета GTZAN. Она построена на HuBERT, содержит около 18,9 млн параметров и предназначена для распознавания музыкальных жанров по аудиозаписи. В оценке на тестовом наборе GTZAN указана точность 0,87 и значение loss 0,9340. Модель принимает аудио и выдаёт класс или оценки классов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Результаты и назначение подтверждены для GTZAN, поэтому надёжность на других жанрах, типах аудио и распределениях данных не установлена.

trojblue дообучил SigLIP2-base-patch16-512, чтобы оценивать эстетическую привлекательность аниме-иллюстраций по метрикам Q-Align. Модель принимает изображения и выдаёт оценку эстетики; она предназначена для анализа качества изображений, фильтрации, рекомендаций и отбора иллюстраций. По описанию, компактная архитектура SigLIP2 упрощает интеграцию и пакетную обработку, а предсказания близки к оценкам исходной Q-Align. Модель обучена имитировать оценки Q-Align на примерно 5,8 млн иллюстраций из Danbooru и Twitter. Это специализированная модель для аниме-изображений, а не универсальный оценщик эстетики. В README отмечено, что исходная Q-Align может хуже отражать эстетику аниме и склоняться к западным предпочтениям, поэтому оценки модели могут наследовать это смещение; для практических задач автор рекомендует рассмотреть отдельную версию, дистиллированную по метрике качества. Модель распространяется по лицензии Apache-2.0.

Diving Illustrious Flat Anime Paradigm Shift v40 VAE SDXL — модель преобразования текста в изображение, созданная пользователем DivingSuit. Она основана на OnomaAIResearch/Illustrious-xl-early-release-v0 и предназначена для генерации изображений по текстовым описаниям с использованием Stable Diffusion XL и библиотеки Diffusers. Модель ориентирована на аниме-стилистику с плоской заливкой, при этом поддерживает элементы реалистичной визуальной подачи. Её можно применять для создания персонажей, иллюстраций, концепт-артов и других изображений по англоязычным промптам. В метаданных указана реализация через StableDiffusionXLPipeline и формат safetensors. Модель распространяется по лицензии FAIR AI Public License 1.0 for Stable Diffusion (FAIPL-1.0-SD); перед использованием необходимо учитывать условия этой лицензии и ограничения базовой модели.

DPRNNTasNet-ks2_WHAM_sepclean — модель разделения аудиосигнала, обученная Мануэлем Париенте по рецепту DPRNN в библиотеке Asteroid. Она предназначена для задачи sep_clean на наборе данных WHAM! и принимает аудио, выдавая разделённые аудиодорожки. В карточке приведены результаты оценки, включая SI-SDR 19,32 дБ и STOI 0,978. Модель представлена в формате PyTorch и распространяется по лицензии CC BY-SA 4.0. Карточка не сообщает размер модели, длину контекста или конкретные языки; задача разделения аудио не требует текстового ввода.

Dungeonmaster V2.2 Expanded — объединённая модель семейства Llama, созданная автором Tarek07 для творческих ролевых сценариев. Она ориентирована на ролевые игры с последствиями и развитием сюжета, следование подробным подсказкам, выразительное описание и мрачную, провокационную импровизацию. Модель объединяет несколько дообученных вариантов Llama 3.3 объёмом около 70 млрд параметров с помощью метода Linear DELLA в mergekit. Модель принимает текст и генерирует текстовые ответы в диалоговом формате. В метаданных указан контекст до 131 072 токенов; модель доступна в формате safetensors и использует лицензию llama3.3. Автор отмечает, что настройки с температурой около 0,8 и Min P 0,02 могут дать хорошие результаты, но качество зависит от сценария и параметров генерации.

EfficientNet-B6 — сверточная модель для классификации изображений, представленная Mingxing Tan и Quoc V. Le и обученная на ImageNet-1k. Она определяет, к какому из 1000 классов ImageNet относится изображение; модель рассчитана на входное разрешение 528×528 пикселей. Архитектура — мобильная и вычислительно эффективная ConvNet. EfficientNet масштабирует глубину, ширину и разрешение сети совместно с помощью единого коэффициента. Модель подходит для классификации изображений общего назначения и может служить основой для специализированных версий, дообученных на других задачах. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Обучение на ImageNet-1k задаёт набор из 1000 классов; качество на других предметных областях или при существенно отличающихся условиях съёмки может быть ниже.