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

Emma — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией Emma23123. Модель предназначена для использования с Diffusers и базовой моделью Tongyi-MAI/Z-Image; в карточке указана совместимость с задачами text-to-image. В качестве примера применения приведён текстовый запрос «screen». Известно, что это diffusion LoRA, однако точный размер адаптера, архитектурные параметры, поддерживаемые языки, максимальный контекст и конкретные сильные стороны не указаны. Для работы требуется базовая модель Tongyi-MAI/Z-Image и совместимый пайплайн Diffusers. Лицензия обозначена как «other», а подробные условия, судя по README, вынесены в файл LICENSE; без его содержимого ограничения использования определить нельзя.

English Sarcasm Detector — модель классификации текста, разработанная Helin Ivan и дообученная на bert-base-uncased для выявления сарказма в заголовках новостных статей. Она присваивает тексту один из двух классов: «не сарказм» или «сарказм», а пример работы показывает метку вместе с оценкой уверенности. Модель использует архитектуру BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. Обучение проводилось на англоязычном наборе News Headlines Dataset For Sarcasm Detection с Kaggle; карточка также указывает датасет helinivan/sarcasm_headlines_multilingual. В README приведена точность 92,42% и F1 92,38% для этой модели. Модель подходит для анализа англоязычных новостных заголовков и похожих коротких текстов. Её качество на других жанрах, длинных текстах и языках не подтверждено приведёнными данными. Формат весов — PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

Модель manupm87/finetuned-sd-1.4-oldbookillustrations — дообученная на датасете gigant/oldbookillustrations версия Stable Diffusion v1.4 от автора репозитория. Это латентная диффузионная модель для создания изображений по текстовым запросам; дообучена только UNet, а VAE, текстовый энкодер, токенизатор и scheduler сохранены от базовой модели CompVis/stable-diffusion-v1-4. Полный pipeline доступен через библиотеку Diffusers, веса представлены в формате safetensors. Модель предназначена для генерации изображений в стиле иллюстраций старых книг, гравюр и антикварных изданий. Для усиления стиля к запросу рекомендуется добавлять фразу «old book illustration, engraving, antique». В обучении использовались изображения, приведённые к размеру 512×512; основа модели преимущественно рассчитана на текстовые запросы на английском языке. Модель подходит для художественных иллюстраций, например морских сцен, замков и лесных сюжетов. Её специализация ограничена небольшим тематическим набором изображений, и она наследует ограничения и смещения Stable Diffusion v1.4. Распространяется по лицензии CreativeML OpenRAIL-M.

Firefly-V3 — языковая модель автора Guilherme34 для ролевых диалогов и творческого письма. Это плотная авторегрессионная модель семейства Llama на 3,2 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 131 072 токенов. Модель построена на основе Guilherme34/Firefly-V2.5 с компонентом слияния SicariusSicariiStuff/Impish_LLAMA_3B, после чего прошла дополнительное обучение и настройку поведения. Модель предназначена для отыгрыша персонажей, продолжительных сюжетных сцен, диалогов с характерными голосами персонажей и создания прозы, атмосферы и интерактивной художественной литературы. В README автор отмечает выразительность персонажей, связность сцен и ведение долгих разговоров как основные цели доработки. Модель описана автором как uncensored: она не имеет встроенных отказов и может создавать откровенный или жестокий контент. README рекомендует её для художественного ролевого взаимодействия между взрослыми по согласию. Лицензия в предоставленных данных не указана.

FlashSR-MLX-4bit — порт FlashSR для MLX, подготовленный для локального запуска на устройствах Apple Silicon. Модель представляет собой дистиллированную одношаговую латентную диффузионную систему сверхразрешения аудио; в составе VAE, UNet и специализированный вокодер SR на основе BigVGAN. Всего 638 млн параметров, веса квантованы до INT4 с группой 64. Модель принимает монофоническое аудио с произвольной частотой дискретизации и за один проход повышает его разрешение до 48 кГц. Она предназначена для восстановления деталей и улучшения качества аудио, включая музыку, при локальном выводе на Apple Silicon. В README приведены результаты на чипах серии M: коэффициент реального времени 1,10 и отношение сигнал/шум +29,4 дБ относительно FP16-версии. Модель основана на jakeoneijk/FlashSR_Inference; исходная FlashSR описана как дистиллированная ученическая модель AudioSR. Лицензия репозитория — CC BY-NC 4.0, разрешающая использование с указанием авторства и ограничивающая коммерческое применение. Описание и характеристики относятся к аудиосверхразрешению; подробные оценки качества на разных типах входного аудио не приведены.

FLUX.1-dev-ControlNet-Union-Pro-2.0-fp8 — это FP8-квантизованная версия модели Shakker-Labs/FLUX.1-dev-ControlNet-Union-Pro-2.0, опубликованная пользователем ABDALLALSWAITI. Модель предназначена для генерации изображений по текстовому описанию с управлением структурой изображения через ControlNet и используется в библиотеке Diffusers совместно с базовой моделью black-forest-labs/FLUX.1-dev. Это не дообученная версия, а прямая квантизация исходной модели из BFloat16 в формат FP8 E4M3 с помощью встроенной поддержки FP8 в PyTorch. Модель поддерживает несколько режимов управления: canny, soft edge, depth, pose и gray, а также совместное использование с другими ControlNet. По сравнению с FLUX.1-dev-ControlNet-Union-Pro она не использует mode embedding, лучше работает с canny и pose, поддерживает soft edge и не поддерживает tile. Архитектура ControlNet включает 6 double blocks и 0 single blocks. Исходная модель обучалась с нуля на 20 миллионах качественных изображений общего назначения и изображений людей при разрешении 512×512; в карточке также указано, что для обучения использовались 300 тысяч шагов и BFloat16. Ключевое преимущество версии FP8 — примерно на 50% меньший размер по сравнению с BFloat16 или FP16, потенциально более низкое потребление памяти и ускорение инференса на совместимом оборудовании при заявленной минимальной потере качества. Ограничения связаны с необходимостью поддержки FP8 и CUDA-окружения, а также с тем, что модель является компонентом ControlNet и требует базовой FLUX.1-dev для генерации. В метаданных указан английский язык. Лицензия — flux-1-dev-non-commercial-license; коммерческое использование регулируется условиями этой лицензии.

FLUX.1-dev-LoRA-add-details — адаптер LoRA для модели FLUX.1-dev, разработанный пользователем Dote и опубликованный Shakker Labs. Он предназначен для генерации изображений по текстовому описанию с повышением реалистичности и детализации, в частности для получения более естественной текстуры кожи и улучшенной проработки визуальных элементов. Модель применяется как дополнительный набор весов поверх базовой FLUX.1-dev и поддерживается библиотекой Diffusers. Адаптер не требует обязательных trigger words; рекомендуемый масштаб применения — 1.0, также допускаются отрицательные значения. В README приведён сценарий генерации изображений с использованием PyTorch, FluxPipeline, 24 шагов инференса, guidance_scale 3.5 и разрешения 768×1024. Сведения о размере адаптера, точной архитектуре базовой модели, поддерживаемых языках и максимальном контексте не указаны. К ограничениям относятся зависимость от FLUX.1-dev и необходимость учитывать совместимость с её окружением и параметрами инференса. Модель распространяется по лицензии flux-1-dev-non-commercial-license, то есть предназначена для некоммерческого использования.

flux2-dev-gguf — GGUF-версия модели FLUX.2-dev, разработанной Black Forest Labs и распространяемой организацией gguf-org. Модель предназначена для генерации и преобразования изображений по текстовым описаниям в ComfyUI; в README она обозначена как image-to-image и демонстрирует создание сложных сцен, персонажей, открыток, надписей и композиций с несколькими объектами. Для работы используются отдельные компоненты: текстовый энкодер cow размещается в каталоге ComfyUI/models/text_encoders, модель flux2 — в ComfyUI/models/diffusion_models, а pig — в ComfyUI/models/vae. Поддерживаются совместимые GGUF-энкодеры, включая Magistral-Small-2509-GGUF и Mistral-Small-3.2-24B-Instruct-2506-GGUF. В README указано, что вариант квантования q2 работает, однако энкодер более высокого уровня лучше следует исходному запросу. Точные архитектура, размер, контекст и набор модальностей не указаны; заявлен английский язык. Модель подходит для локальной генерации изображений и экспериментов с ComfyUI, особенно когда важны детализированные сцены и отображение текста на изображении. Ограничения включают зависимость от правильно установленных компонентов и возможное снижение точности следования промпту при использовании низкоуровневого q2-энкодера. Распространение регулируется лицензией flux-dev-non-commercial-license; коммерческое использование README не разрешает.

Dark Beast KLEIN 9B Blitz ComfyUI — специализированная доработанная модель семейства Dark Beast на базе FLUX.2 Klein 9B от Black Forest Labs. Автор README заявляет оптимизацию для замены лиц и портретного редактирования: модель должна лучше сохранять сходство с референсом, выражение лица и соответствие освещению. Она предназначена для генерации и редактирования изображений в ComfyUI, включая быстрые сценарии с малым числом шагов; в README рекомендованы 4–5 шагов и CFG=1. В карточке описаны версии и варианты с дообучением, дистилляцией, слиянием и квантизацией, но не уточнено, какие из них включены в данный репозиторий. Метаданные указывают базовую модель black-forest-labs/FLUX.2-klein-9B и связь finetune. Заявленные эффекты и настройки приведены автором README; независимые результаты оценки не представлены. Лицензия в предоставленных данных не указана.

Flux-Super-Realism-LoRA — адаптер LoRA для модели black-forest-labs/FLUX.1-dev, предназначенный для генерации фотореалистичных изображений высокого разрешения. В README разработчик или организация явно не указаны; модель связана с репозиторием Stranger-Zone и идентификатором автора strangerzonehf. Адаптер ориентирован на портреты, лица, реалистичные сцены и изображения в стиле ultra-realism. Указан триггерный промпт «Super Realism». Обучение выполнено на 55 изображениях высокого разрешения с английской разметкой, рекомендуемые размеры — 1024×1024 и 768×1024. Технические параметры включают Network Dim 64, Network Alpha 32, 20 эпох и 4380 шагов. Модель работает с текстовыми промптами и генерирует изображения; сведения о поддерживаемых языках, максимальном контексте и точных требованиях к ресурсам не указаны. Сильная сторона адаптера — специализация на реалистичности, детализации и качестве лиц по сравнению с базовой моделью и предыдущими версиями. Ограничения README не описывает; качество может зависеть от базовой FLUX.1-dev, промпта и параметров генерации. Лицензия — MIT.

TheLastBen/froggy-style-v21-768 — это дообученная модель Stable Diffusion V2.1 от TheLastBen для генерации изображений по текстовым запросам. Она обучена на 11 изображениях Midjourney размером 768×768: выполнено 1300 шагов обучения модели и 300 шагов обучения текстового энкодера. Для вызова усвоенного стиля в запросе можно использовать триггер «ttdddd»; карточка также приводит примеры описательных промптов для получения детализированных изображений с кинематографическим освещением. Модель предназначена для создания изображений в усвоенном стиле и обучения собственным концепциям с помощью fast-DreamBooth. Репозиторий представлен в форматах Diffusers и PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Обучение на небольшом наборе изображений ограничивает разнообразие усвоенного стиля и может приводить к повторению черт исходных примеров.

Indexnusrefather/gemma-3-4b-it-roleplay-tuned-v2 — дообученная версия Google Gemma 3 4B IT, созданная разработчиком Indexnusrefather с использованием LoRA. Модель предназначена для текстовой генерации, ролевого общения, творческого письма и создания художественных сцен на английском языке. По заявлению автора, модель обучалась на 17 млн токенов и по сравнению с базовой Gemma 3 4B IT лучше пишет, проявляет больше креативности, лучше отслеживает развитие сюжета и глубже понимает сложные эмоциональные темы. Это компактная модель, способная работать быстро и локально; доступны варианты квантования BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M с разным балансом качества, размера и скорости. Основное ограничение связано с размером в 4 млрд параметров: логические способности модели ограничены, а дообучение специально ориентировано на максимальное качество творческого письма, поэтому универсальные рассуждения могут быть менее сильной стороной. Сведения о размере контекстного окна и дополнительных модальностях не указаны. Модель распространяется по лицензии Gemma.

Gemma-3-Glitter-27B — модель для творческого письма на базе Gemma 3 27B, опубликованная организацией allura-org. Она создана слиянием Columbidae/gemma-3-27b-half, полученной как слияние моделей Gemma 3 27B IT и PT. Модель предназначена для диалогового написания художественных текстов и развития вымышленных сюжетов; архитектура Gemma 3 поддерживает работу с изображениями и текстом. В README рекомендуется использовать короткие, точные запросы: длинные подробные системные инструкции могут ухудшать результаты. Модель содержит 27 млрд параметров и распространяется в формате Safetensors для библиотеки Transformers. В README указан формат диалогов Gemma 2/3; автор отмечает, что добавление PT-компонента ослабляет следование инструкциям, но делает прозу естественнее и снижает склонность к отказам в некоторых вымышленных сценариях. Сведения о лицензии в предоставленных данных отсутствуют.

GenBook-Deepseek-R1.Llama-8B — дообученная модель семейства Llama, созданная для интерактивного повествования. Она генерирует связные истории по запросам пользователя, подстраивает сюжет под его предпочтения и поддерживает последовательность персонажей, событий и мира на протяжении длинных повествований. Модель описана как эффективная при ограниченных аппаратных ресурсах; при обучении применялись LoRA и 4-битная квантизация. По метаданным, размер модели составляет 7,5 млрд параметров, архитектура — плотная LlamaForCausalLM, контекст — до 131 072 токенов. Поддерживаются английский и испанский языки; основное назначение — генерация текста. Модель основана на unsloth/deepseek-r1-distill-llama-8b-unsloth-bnb-4bit и дообучена на данных для построения повествований, развития персонажей и описаний. Лицензия — Apache 2.0. Карточка не приводит результатов оценки качества, поэтому заявленные связность длинных историй и эффективность на ограниченном оборудовании не подтверждены метриками.

mdraw/german-news-sentiment-bert — модель классификации тональности немецких новостных текстов о миграции. Она создана дообучением BERT для проекта, изучающего изменение тональности статей немецких СМИ о миграции в период с 2007 по 2019 год. Модель предсказывает положительную, отрицательную или нейтральную тональность; её можно применять к необработанному тексту, а также получать дискретные метки классов: 0 — положительная, 1 — отрицательная, 2 — нейтральная. Модель содержит 136,3 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст с контекстом до 512 токенов. Доступны веса PyTorch, Flax и safetensors. Модель ориентирована на немецкие новости о миграции, поэтому её пригодность для других тем и жанров может быть ограничена. Сведения о лицензии в предоставленных материалах отсутствуют.

GhostFace-24B-v1 — экспериментальная слитая модель Naphula на архитектуре Mistral для генерации текста. Веса объединены методом scream, сочетающим model_stock, della и sce; в слияние вошли несколько моделей Mistral на 24B, включая Maginum-Cydoms-24B, Asmodeus-24B-v1, Tiamat-24B-Magistral и другие. Модель содержит 23,4 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации художественных повествований и ролевых диалогов; автор описывает её как случайный эксперимент без абляционных исследований. README предупреждает, что ответы могут содержать графическое насилие и откровенный эротический контент, а также отмечает наличие некоторых отказов. Лицензия — Apache-2.0. Для работы автор рекомендует шаблон чата Mistral Tekken.

GLIGEN — модель генерации и редактирования изображений на основе текста, разработанная исследователями и инженерами University of Wisconsin–Madison, Columbia University и Microsoft. Этот чекпойнт предназначен для работы через StableDiffusionGLIGENPipeline в библиотеке Diffusers и создаёт изображения по текстовому описанию с учётом привязки объектов к заданным ограничивающими рамками областям. Если передать входное изображение, модель может добавить в указанные области объекты, описанные текстом. Модель основана на латентной диффузии и использует фиксированный текстовый энкодер CLIP ViT-L/14; при обучении применялись наборы COCO2014D и COCO2014CD. Основной язык запросов — английский. Лицензия CreativeML OpenRAIL-M разрешает использование на её условиях и содержит ограничения на отдельные сценарии применения. Модель подходит для творческих инструментов, дизайна и исследований управляемой генерации изображений. Она не всегда создаёт фотореалистичные изображения, плохо справляется со сложной композицией, не формирует читаемый текст и может некорректно изображать лица и людей. Результаты на запросах не на английском языке обычно хуже; также отмечены риски смещения, запоминания обучающих изображений и генерации нежелательного контента. Для использования предусмотрен Safety Checker библиотеки Diffusers.

GLM4-9B-Neon-v2 — дообученная Auri модель семейства GLM-4-9B для ролевых диалогов и генерации короткой прозы. Она построена на плотной архитектуре GLM-4-9B-0414 и рассчитана на текстовый чат с контекстом до 32 768 токенов; размер модели — 8,8 млрд параметров. В README указано, что обучение проводилось методом QLoRA на 77 млн токенов синтетических ролевых диалогов и коротких рассказов. Модель ориентирована на выразительные ответы с заметной индивидуальностью и подходит для ролевых персонажей, совместного написания историй и творческих диалогов. Карточка отмечает, что она может вести себя своеобразно и хуже справляется с длинными системными подсказками и описаниями персонажей; форматированный как JSON системный промпт может работать лучше. Модель отвечает в формате инструкций GLM-4; для некоторых бэкендов нужно самостоятельно добавить токен BOS. Лицензия — MIT.

Goetia-31B-v1 — мультимодальная модель для диалогов и генерации художественного текста, собранная Naphula методом merge на основе семейства Gemma 4. Карточка рекомендует использовать шаблон Gemma 4; в метаданных указаны архитектура Gemma4ForConditionalGeneration, поддержка изображений и формат safetensors. Модель предназначена для написания и продолжения историй и ролевых сцен, в том числе в жанрах ужасов и эротики. README описывает её как uncensored и предупреждает, что ответы могут содержать графические сцены насилия и откровенный эротический контент. В качестве базовой модели в метаданных указана google/gemma-4-31B-it; также перечислены другие модели, участвовавшие в слиянии. Лицензия — Apache-2.0.

GPT-2 Arabic Sentence Generator — авторская модель генерации предложений на арабском языке, предназначенная прежде всего для создания текстов отзывов. В карточке указано обучение на наборе арабских книжных отзывов LABR; архитектура — GPT-2 с языковой моделью GPT2LMHeadModel, контекст — до 1024 токенов. Модель подходит для генерации отдельных предложений и черновиков отзывов о книгах на арабском языке. Она опубликована в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия в предоставленных данных не указана.

mnoukhov/gpt2-imdb-sentiment-classifier — дообученная на наборе IMDb модель на базе GPT-2 для классификации тональности отзывов о фильмах. Она использует архитектуру GPT2ForSequenceClassification, работает с текстом и имеет контекст длиной до 1024 токенов. На указанной в карточке оценочной выборке модель показала точность 0,9394 и loss 0,1703; автор сопоставляет её с distilbert-imdb и сообщает о немного лучших результатах по этим двум метрикам. Модель распространяется по лицензии MIT. Оценки относятся к IMDb и сами по себе не подтверждают качество на других темах или типах текста.

GPT-J-6B-Skein — модель генерации текста, разработанная KoboldAI на основе GPT-J. Она предназначена прежде всего для создания художественных историй и интерактивной прозы, включая продолжение текста в формате текстовых приключений с действиями, начинающимися с «> You». Модель принимает текст и предсказывает продолжение; её контекст составляет 2048 токенов. Для дообучения использовались преимущественно лёгкие романы из набора KoboldAI/GPT-Neo-2.7B-Horni-LN и материалы интерактивной прозы; данные размечались темами, чтобы задавать стиль продолжения. Основной язык — английский. Модель подходит для творческого письма и интерактивных сюжетов, но не предназначена для получения достоверных фактических ответов. Она может выдавать оскорбительный или нежелательный контент, поскольку базовая модель обучалась на данных, содержащих обсценную и резкую лексику; перед публикацией результаты следует проверять. Лицензия — Apache License 2.0.

nyxia/H3-Loras — это набор зеркал LoRA-адаптеров, от которых зависит движок MiniMax-H3. Представленный адаптер minimax_h3_turbo_v4_step600_ema.safetensors является неизменённой копией larryvrh/MiniMax-H3-Turbo-Lora и предназначен для работы с базовой моделью MiniMaxAI/MiniMax-H3 в задачах генерации аудиовизуального контента, включая text-to-video и audio-video сценарии. Адаптер содержит 518 тензоров в формате bf16, занимает около 744 МБ и использует rank 64, включая rank 16 для проекций AdaLN. Он применяется как низкоранговая добавка к весам W_eff = W + lora_B @ lora_A без alpha-параметра. По измерениям авторов, на базе int8_convrot с pinkcherry FL2VA адаптер позволил сократить генерацию 124 кадров при 24 кадрах в секунду с 50 шагов и 20 минут 40 секунд до 7 шагов и 4 минут 24 секунд на H100, при сопоставимом качестве вывода. Цена ускорения — примерно 7% дополнительных затрат на шаг, поскольку ветвь LoRA выполняется без слияния с int8-базой. Файлы используют именование ComfyUI и не загружаются напрямую через PEFT add_adapter(); требуется специальная трансляция через компонент ai-engines-h3. Адаптер распространяется по лицензии Apache-2.0. В README не указаны поддерживаемые языки, точное число параметров базовой модели, максимальный контекст или перечень аудио- и видеомодальностей на уровне архитектуры.

Delta-Vector/Hamanasu-7B-instruct — дообученная модель семейства Mistral, созданная Delta-Vector на основе Hamanasu-7B-Base. Модель сначала обучали продолжать тексты из Orion-Asstr, затем настроили на инструкции с помощью подмножества SonnetOrca объёмом 20 тысяч примеров. Она рассчитана на генерацию текста в диалоговом формате и ролевые сценарии; характерны реплики с действиями и сравнительно короткие ответы. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. Для общения рекомендуется форматирование Mistral с маркерами [INST] и [/INST]. Доступная информация не уточняет лицензию. Карточка описывает преимущественно ролевое поведение, однако не приводит оценок качества или подробных ограничений применения.

HawkVL-2B — компактная мультимодальная модель серии HawkVL, построенная на языковой модели Qwen2.5-1.5B. Архитектура включает визуальный энкодер Qwen-ViT, проектор на основе двухслойного MLP с pixel unshuffle и языковую часть Qwen2.5-1.5B; модель дообучена на данных LLaVA-OneVision. Модель предназначена для диалогов по изображениям и генерации текстовых ответов на визуальные запросы. В README приведены результаты оценки на англоязычных и китайских наборах OpenCompass, включая задачи визуальных вопросов и ответов, распознавания текста на изображениях и математики по изображениям. Поддерживается контекст до 32 768 токенов; метаданные указывают английский и китайский языки. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Модель компактна и рассчитана на эффективную мультимодальную обработку, однако приведённые результаты ограничены набором бенчмарков и сами по себе не гарантируют качество в конкретном сценарии. Входные изображения и язык запросов должны соответствовать возможностям мультимодальной архитектуры; модель может ошибаться при сложном визуальном рассуждении или распознавании текста.

Holodayo XL 2.1 — диффузионная модель для генерации изображений по текстовым запросам, разработанная Linaqruf. Она дообучена на базе Animagine XL 3.1 и предназначена для создания иллюстраций в аниме-стиле, особенно изображений персонажей и эстетики франшизы виртуальных ютуберов. Модель основана на Stable Diffusion XL и доступна в форматах Diffusers и safetensors; её можно использовать через ComfyUI, Stable Diffusion WebUI и библиотеку diffusers. В версии 2.1 разработчик стремился улучшить анатомию и качество рук, снизить забывание, связанное с обучением текстового энкодера, и уменьшить пересвеченный вид изображений. Карточка рекомендует структурированные запросы и приводит настройки генерации: CFG около 5–7, 25–30 шагов и сэмплер Euler Ancestral. Модель обучена преимущественно на англоязычных тегах и запросах. Лицензия — Fair AI Public License 1.0-SD.

Модель «みんなで翻刻 くずし字OCR» разработана для распознавания японских исторических документов. Она преобразует изображение одной вертикально набранной строки в текст транскрипции и одновременно отмечает структуру: фуригану, кунтэн, окончания и вставки варигaki. Архитектура — vision encoder-decoder: ConvNeXt V2-Base с обучаемыми двумерными позиционными эмбеддингами и декодер RoBERTa из 6 слоёв, размером 512 с 8 головами внимания. Вход — изображение строки размером 256 × 2048; словарь содержит 7 710 символов, включая старые и вариантные формы. Модель обучена на более чем миллионе строк и рассчитана на японские исторические материалы. В тестировании на 58 521 строке CER основного текста без учёта пробелов составил 0,0608; модель также выдаёт структурные теги. Она подходит для оцифровки кудзусидзи и подготовки транскрипций, но не находит строки на странице и не определяет порядок чтения. Модель хуже справляется с бухгалтерскими и табличными макетами и со вставками варигaki; ошибки заметно различаются между документами. Для загрузки требуется `trust_remote_code=True`, поскольку стандартный класс Transformers может отбросить позиционные параметры и снизить точность. Лицензия — CC BY-SA 4.0.

Модель xbgoose/hubert-large-speech-emotion-recognition-russian-dusha-finetuned — аудиоклассификатор для распознавания эмоций в русской речи. Она разработана на основе HuBERT Large facebook/hubert-large-ls960-ft и дообучена на наборе данных DUSHA; архитектура — HuBERTForSequenceClassification, размер — 402,7 млн параметров. Модель принимает аудио и выдаёт метки классов эмоций. В карточке указано, что при дообучении использовали половину обучающей выборки и обучали модель два эпохи. На тестовой выборке автор получил accuracy 0,86, balanced accuracy 0,76 и macro F1 0,81, улучшив accuracy и F1 относительно базового результата датасета. Модель распространяется по лицензии Apache-2.0.

andreca/hunyuan3d-2.1xet — опубликованная пользователем andreca копия весов Tencent Hunyuan3D-2.1, системы создания 3D-объектов. Основную модель разработала команда Tencent Hunyuan3D. В репозитории размещены компоненты генерации формы, текстурирования PBR и VAE; исходная система использует диффузионную архитектуру для генерации формы и отдельную модель синтеза материалов. Модель предназначена для создания 3D-геометрии по входному изображению и генерации реалистичных PBR-текстур для цифровых объектов. В официальном описании указаны модели генерации формы размером 3,3 млрд параметров и текстурирования размером 2 млрд параметров. Для генерации формы требуется около 10 ГБ VRAM, для текстур — около 21 ГБ, а для полного цикла — около 29 ГБ. Метки карточки указывают английский и китайский языки, однако основная функция — обработка визуального ввода. Распространяется по лицензии Tencent Hunyuan Community; условия лицензии необходимо соблюдать при использовании весов.

Карточка модели phan-kim-tu/Hunyuan3D-2mini на Hugging Face совпадает с карточкой tencent/Hunyuan3D-2mini, поэтому описание составлено по ней. Hunyuan3D-2mini — модель Tencent из семейства Hunyuan3D 2.0 для создания 3D-моделей по входному изображению. Репозиторий содержит генератор формы на 0,6 млрд параметров — уменьшенную и более быструю версию генератора на 1,1 млрд параметров. Модель использует архитектуру Hunyuan3D-2 и доступна в форматах PyTorch и Safetensors. Модель предназначена для преобразования изображения в 3D-сетку и подходит для быстрого создания 3D-ассетов по визуальным референсам. README показывает запуск через библиотеку Hunyuan3D-2 и вывод в формате trimesh; для инференса в примере используется CUDA. В метаданных указаны английский и китайский языки, однако основная задача — генерация формы по изображению. Лицензия указана как other; конкретные условия следует уточнять в карточке репозитория Tencent. В README описан генератор формы, поэтому наличие в этом репозитории генерации текстур не подтверждено. Качество результата зависит от входного изображения и параметров генерации.