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

NOESIS-Talker-Combo-LLM2-ASR2-BF16 — набор весов и адаптеров AMAImedia для синтеза речи в платформе автоматизации дубляжа NOESIS. Это производная модель семейства Qwen3-TTS: в README описан объединённый кросс-модальный Talker-компонент на базе Qwen3-TTS 1.7B, дополненный ветвями Qwen3 LLM и ASR и отдельными LoRA-адаптерами для языковых семейств. В контрольной точке около 1,929 млрд параметров; веса представлены в safetensors и BF16. Модель предназначена для озвучивания текстовых сегментов и многоязычного дубляжа. Для десяти языков используется базовый маршрут Qwen3-TTS, для других — выбранный маршрутизатором семейный адаптер; карточка заявляет тестирование 112 языков. Набор рассчитан на загрузку через родительский маршрутизатор NOESIS и резидентный TTS-воркер, а не на самостоятельный запуск как GUI-приложение. Лицензия Apache-2.0. README отмечает проблемы EOS-поведения в некоторых языках, в частности телугу, панджаби, малаялам, ория и каннада; также не следует объединять все семейные адаптеры в один чекпойнт, поскольку такой эксперимент нарушал завершение и поведение аудиокодека.

Nucleus-Image — базовая модель генерации изображений по текстовому описанию, представленная командой NucleusAI. Это диффузионный трансформер с разреженной архитектурой MoE: 32 слоя, 17 млрд параметров суммарно и около 2 млрд активных параметров на проход. В большинстве блоков используются 64 маршрутизируемых эксперта и один общий эксперт; модель применяет маршрутизацию Expert-Choice и совместное внимание к представлениям изображения и текста. Модель предназначена для создания изображений по запросу, включая портреты, фантастические и природные сцены, иллюстрации, предметную съёмку, архитектуру, еду и изображения с текстом. Поддерживает разные соотношения сторон и обучалась с постепенным повышением разрешения до 1024 пикселей. Для работы используется библиотека diffusers; доступны веса в формате safetensors. README описывает её как базовую модель без дополнительной настройки предпочтений. Лицензия — Apache-2.0. Заявленные в карточке результаты получены на предобученной модели при генерации 1024×1024 за 50 шагов с CFG 8.0. Эти показатели приведены разработчиками и не гарантируют качество на каждом запросе. Модель требует вычислительных ресурсов для диффузионной генерации; активная доля параметров снижает нагрузку относительно плотной модели, но не делает её малоресурсной.

Карточка модели BAAI/OmniGen-v1 на Hugging Face совпадает с карточкой Shitao/OmniGen-v1, поэтому описание составлено по ней. OmniGen-v1 — универсальная модель генерации изображений, представленная авторами проекта OmniGen. Она принимает текстовые и визуальные подсказки и предназначена для генерации изображений по тексту, редактирования изображений и создания изображений с учетом референсов или заданного объекта и его идентичности. Модель объединяет эти сценарии в одном решении без дополнительных модулей вроде ControlNet и отдельной предварительной обработки изображений. Модель содержит 3,7 млрд параметров, использует плотную архитектуру на базе Phi-3 и распространяется в формате safetensors. В карточке Hugging Face указана задача text-to-image; README также описывает генерацию по изображениям и мультимодальным подсказкам. Для запуска доступен код инференса, а авторы предоставляют возможность дообучения, включая LoRA. Репозиторий создан в октябре 2024 года. OmniGen позиционируется как гибкий инструмент для разнообразных задач генерации и редактирования изображений. Авторы отмечают, что модель пока имеет возможности для улучшения; при работе с несколькими изображениями могут потребоваться настройки размера входных изображений, а для снижения потребления памяти предусмотрена выгрузка части модели. Лицензия — MIT.

OmniGen-v1 — универсальная модель генерации изображений, представленная авторами проекта OmniGen. Она принимает текстовые и визуальные подсказки и предназначена для генерации изображений по тексту, редактирования изображений и создания изображений с учетом референсов или заданного объекта и его идентичности. Модель объединяет эти сценарии в одном решении без дополнительных модулей вроде ControlNet и отдельной предварительной обработки изображений. Модель содержит 3,7 млрд параметров, использует плотную архитектуру на базе Phi-3 и распространяется в формате safetensors. В карточке Hugging Face указана задача text-to-image; README также описывает генерацию по изображениям и мультимодальным подсказкам. Для запуска доступен код инференса, а авторы предоставляют возможность дообучения, включая LoRA. Репозиторий создан в октябре 2024 года. OmniGen позиционируется как гибкий инструмент для разнообразных задач генерации и редактирования изображений. Авторы отмечают, что модель пока имеет возможности для улучшения; при работе с несколькими изображениями могут потребоваться настройки размера входных изображений, а для снижения потребления памяти предусмотрена выгрузка части модели. Лицензия — MIT.

OpenCaption-4B-VL-SFT-v1.0-i1-GGUF — это мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная на базе prithivMLmods/OpenCaption-4B-VL-SFT-v1.0 и представленная в GGUF-квантизованном формате пользователем mradermacher. Модель дообучена методом supervised fine-tuning и предназначена для обработки изображений и генерации текста на их основе. Основные сценарии применения — создание подписей к изображениям, включая детализированное и мелкозернистое описание визуального содержимого, а также visual question answering, то есть ответы на вопросы об изображениях. В обучении использовались наборы OpenCaption-FineGrained, SuperFlickr-30K-LARGE-Remastered, OpenCaption-UHD и OpenCaption-Unified-10K. В карточке указана поддержка английского языка. Модель относится к классу conditional-generation и vision-language систем; сведения о максимальном контексте, точной архитектуре, поддержке дополнительных языков и характеристиках визуального энкодера не приведены. GGUF-представление доступно в нескольких вариантах квантизации с различным размером, скоростью и качеством. Более компактные варианты требуют меньше ресурсов, но могут заметно терять в качестве; в README рекомендованы некоторые варианты среднего размера, включая i1-Q4_K_M, как компромисс между скоростью и качеством. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Лицензия модели указана как Apache-2.0.

ysdede/Phi-4-mm-inst-asr-turkish — дообученная модель на основе microsoft/Phi-4-multimodal-instruct для транскрибирования аудио на турецком языке. Она обучена за один проход на наборе турецких аудиозаписей объёмом 600 часов с запросом «Transcribe the Turkish audio». Автор отмечает, что указание исходного языка при инференсе помогает снизить галлюцинации и повысить точность. Это плотная мультимодальная модель семейства Phi-4 с 3,8 млрд параметров и контекстом 4096 токенов. Модель использует Transformers и формат safetensors. Лицензия — MIT. Карточка не содержит оценок качества; обучение было ограничено ресурсами и одним проходом, поэтому точность на разных видах аудио может различаться.

PixelGen — модель HelpingAI для генерации изображений по текстовым описаниям. Она предназначена для творческих и практических сценариев, где нужно преобразовать текстовый запрос в визуальное изображение. В метаданных указана архитектура StableDiffusionXLPipeline и форматы Diffusers, PyTorch и safetensors; размер модели в README указан как 3,47 млрд параметров. Модель принимает текст и выдаёт изображения. Карточка описывает генерацию как средство для создания визуально привлекательных изображений с подробностями, но не приводит количественных оценок качества или конкретных ограничений. Лицензия обозначена как other, поэтому её условия следует уточнить в репозитории модели перед использованием.

ProteusV0.5 — модель генерации изображений по текстовому описанию, опубликованная dataautogpt3. Она основана на OpenDalleV1.1 и дообучена на подписях к изображениям; для предпочтений использовались пары изображений, обработанные методом DPO. В состав входит специально обученная CLIP-модель, а веса доступны в формате Diffusers и Safetensors. Модель предназначена для создания фотореалистичных изображений и иллюстраций по промптам. В README отмечены улучшенное понимание запросов, проработка лиц и текстуры кожи, а также поддержка сюрреалистичного, аниме и мультяшного стилей. Для работы рекомендован Clip Skip 2; примеры настроек включают CFG Scale 7, 25–50 шагов и разрешение 1024×1024. Лицензия — Apache-2.0.

QIE-2511-Object-Remover-v2 — адаптер LoRA, разработанный Prithiv Sakthi для модели Qwen/Qwen-Image-Edit-2511. Это image-to-image-модель для удаления нежелательных объектов с изображений с сохранением окружающей сцены. Она предназначена для редактирования фотографий и других визуальных материалов, когда требуется восстановить области после удаления объекта с учётом контекста, текстур, освещения, теней и перспективы. Модель работает через библиотеку Diffusers и совместима с версиями 2509 и 2511. Для активации поведения удаления объектов используется текстовый запрос «Remove the red highlighted object from the scene.»; в README также рекомендуется обозначать удаляемый объект красной подсветкой или как отмеченную область. Заявлены аккуратное заполнение удалённых областей, сохранение исходного качества и снижение видимых артефактов, искажений краёв и несоответствия стиля. Точные сведения о размере, внутренней архитектуре LoRA, числе параметров, максимальном разрешении и поддерживаемых языках не указаны. При удалении четырёх-пяти и более объектов либо большой выделенной области может потребоваться увеличить число шагов инференса. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2-VL-2B-Instruct-bnb-4bit — мультимодальная instruction-tuned модель, основанная на Qwen/Qwen2-VL-2B-Instruct и опубликованная Unsloth. Она предназначена для обработки изображений, видео и текста, визуального вопросно-ответного взаимодействия, анализа документов и сцен, а также сценариев, где требуется принимать решения на основе визуальной информации и текстовых инструкций. Модель содержит 2 миллиарда параметров и распространяется в 4-битном формате bnb. Она поддерживает динамическое разрешение изображений, преобразуя изображения в переменное число визуальных токенов, и использует Multimodal Rotary Position Embedding (M-ROPE) для обработки текстовых, двумерных визуальных и трёхмерных видеопозиционных данных. Заявлена поддержка понимания видео длительностью более 20 минут и распознавания текста на английском, китайском, большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Сильные стороны модели — сочетание компактного размера, 4-битного квантования и мультимодальных возможностей, включая анализ изображений высокого разнообразия разрешений и пропорций, документов и видео. Ограничения, включая возможные потери качества из-за квантования и отсутствие в карточке подробных характеристик контекстного окна, производительности и требований к оборудованию, следует учитывать при выборе модели. Модель распространяется по лицензии Apache-2.0.

Qwen3.8 Max Prime — вариант с повышенной пропускной способностью модели Qwen3.8 Max от команды Qwen компании Alibaba. Он предлагается как отдельный SKU по более высокой цене и принимает текст, изображения и видео. Метаданные каталога классифицируют модель для задачи image-text-to-text, поэтому она подходит для обработки визуального содержимого вместе с текстовыми запросами. Данных о базовой модели, архитектуре, поддерживаемых языках, ограничениях и лицензии в предоставленной карточке нет.

unsloth/Qwen3-VL-8B-Thinking-1M-GGUF — это GGUF-версия мультимодальной модели Qwen3-VL-8B-Thinking, подготовленная Unsloth на базе Qwen/Qwen3-VL-8B-Thinking. Модель предназначена для задач «изображение-текст»: анализа изображений и видео, генерации текста, визуального рассуждения, OCR, пространственного понимания и мультимодальных задач в STEM и математике. Thinking-редакция ориентирована на более глубокое рассуждение и доказательные ответы. Модель имеет плотную архитектуру с 8 млрд параметров и поддерживает текст, изображения и видео. Заявлен нативный контекст 256K токенов с возможностью расширения до 1M, что позволяет работать с длинными документами и многочасовыми видеозаписями. Среди архитектурных улучшений указаны Interleaved-MRoPE для пространственно-временного позиционирования, DeepStack для объединения признаков разных уровней Vision Transformer и выравнивание текста с временными метками для локализации событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — визуальное восприятие, анализ пространственных отношений и видео, распознавание текста в сложных условиях, мультимодальное рассуждение, а также возможности visual agent для взаимодействия с графическими интерфейсами и инструментами. Ограничения включают высокие требования к вычислительным ресурсам при работе с длинным контекстом, изображениями и видео, а также зависимость качества и совместимости от GGUF-квантизации и используемого движка. Для llama.cpp рекомендуется включать параметр --jinja из-за исправлений chat template. Лицензия — Apache-2.0.

Карточка модели Zillis/Qwen-Image на Hugging Face совпадает с карточкой Qwen/Qwen-Image, поэтому описание составлено по ней. Qwen-Image — базовая модель генерации изображений из серии Qwen, разработанная командой Qwen. Она предназначена для создания изображений по текстовым описаниям и редактирования изображений с помощью инструкций. Модель поддерживает разные художественные стили, включая фотореализм, живопись, аниме и минималистичный дизайн. Сильная сторона модели — точное встраивание текста в изображение, особенно китайского, а также работа с композицией и типографикой. Среди описанных сценариев редактирования — перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляция позой человека. README также перечисляет задачи понимания изображения, такие как обнаружение объектов, сегментация и оценка глубины, но основная задача модели в метаданных — генерация изображений по тексту. Модель доступна в форматах Diffusers и Safetensors, использует библиотеку Diffusers и распространяется по лицензии Apache-2.0. В README не приведены количественные характеристики модели и контекстного окна.

Карточка модели Deepdive404-3/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели ewgenni/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели felycia/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

Карточка модели fzy18604561133/Qwen-Image-2.1 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1, поэтому описание составлено по ней. Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений; в карточке она представлена как версия, опубликованная unsloth. Визуальный генератор содержит 7 млрд параметров и использует 32 слоя одно-поточного DiT. Модель рассчитана на создание изображений, в том числе с прозрачностью RGBA, и редактирование изображений по текстовым инструкциям. Среди заявленных возможностей — работа с десятью референсными изображениями, локальные правки по маскам и нарисованным пометкам, сохранение внешнего вида людей и товаров, а также извлечение объектов из фотографий. Разработчики отмечают улучшения в отрисовке текста, освещении портретов и детализации. Для работы требуются PyTorch, Transformers и Diffusers; конкретные требования к видеопамяти в карточке не приведены. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели.

vantagewithai/Qwen-Image-2.1-ComfyUI-GGUF — это GGUF-квантизированная версия модели Qwen-Image-2.1, адаптированная для использования в ComfyUI. Исходную модель разработала команда Qwen; данный вариант распространяется автором vantagewithai и основан на Qwen/Qwen-Image-2.1. Модель предназначена для генерации изображений по текстовому описанию и редактирования изображений. Она поддерживает создание обычных и прозрачных RGBA-изображений, работу с прозрачными слоями, выделение объектов на фотографиях, локальные правки с помощью кругов, нарисованных аннотаций или отдельных масок, а также использование до 10 референсных изображений. Заявлена возможность сохранять идентичность людей и товаров при редактировании. Поддерживаются соотношения сторон от 1:1 до 16:9 и 9:16 с разрешениями вплоть до 2752×2752 в зависимости от формата. Визуальный генеративный компонент содержит 7 миллиардов параметров и построен на архитектуре Single-Stream DiT с 32 слоями. В модели используются смешанное по гранулярности внимание и повторное использование prefix KV cache, что направлено на повышение эффективности вывода. Среди сильных сторон заявлены улучшенная отрисовка текста, реалистичные текстуры, портретное освещение, детализированная генерация и единая поддержка создания и редактирования изображений. Сведения о поддерживаемых языках, максимальном текстовом контексте и конкретных характеристиках квантизации в README не указаны. Модель распространяется по лицензии Qwen Research License Agreement; условия следует уточнять в файле LICENSE исходного репозитория.

unsloth/Qwen-Image-2.1-FP8 — квантованная версия Qwen-Image-2.1, опубликованная Unsloth для запуска через Diffusers. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений; компонент генерации содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. В комплект также входит предварительно приведённая к FP8 копия текстового энкодера Qwen3-VL. Модель создаёт обычные и прозрачные изображения RGBA, поддерживает редактирование с помощью референсов (до 10 изображений), круговых пометок, нарисованных аннотаций или масок. Среди заявленных сильных сторон — экономия вычислительных ресурсов благодаря FP8/INT8-квантованию, точная отрисовка текста, проработка текстур и сохранение сходства людей и товаров при редактировании. Карточка указывает лицензию «other», но не приводит её условия; перед использованием следует проверить лицензионные условия базовой модели и репозитория.

Qwen-Image-2512 — обновлённая в декабре 2025 года модель генерации изображений по тексту, разработанная командой Qwen. В метаданных указаны библиотека Diffusers и форматы safetensors. Модель принимает текстовые запросы на английском и китайском языках и создаёт изображения; карточка описывает улучшения по сравнению с базовой версией Qwen-Image, выпущенной в августе. Модель предназначена для создания реалистичных изображений людей и сцен, детализированных природных объектов, а также композиций с текстом. В README отмечены более естественная передача лиц и волос, тонких деталей ландшафта и шерсти животных, улучшенное следование описанию поз и более точная отрисовка текста и макета. Разработчики сообщают о результатах слепых сравнений, но карточка не приводит подробностей методики. Модель доступна по лицензии Apache-2.0. В представленных материалах не описаны конкретные ограничения по разрешению, скорости или безопасному использованию; качество результата зависит от запроса.

Qwen-Image-2512 — модель генерации изображений по текстовому описанию, выпущенная командой Qwen и переизданная Unsloth как зеркало с неизменёнными весами. Это обновлённая версия базовой модели Qwen-Image, ориентированная на фотореалистичное изображение людей, детальную передачу природных сцен и более точное размещение текста в изображениях. Модель принимает текстовые запросы на английском и китайском языках и создаёт изображения, лучше соблюдая описанные детали сцены, позы и композиции. В карточке она предназначена для генерации изображений общего назначения; для работы используется библиотека Diffusers и формат Safetensors. Лицензия — Apache 2.0. В README заявлено улучшение реалистичности людей, детализации природных элементов и рендеринга текста по сравнению с исходной Qwen-Image; эти заявления основаны на оценках разработчиков и не гарантируют одинаковое качество для всех запросов.

Это 4-битная версия модели генерации изображений Qwen-Image-2512, подготовленная Unsloth для запуска через библиотеку diffusers. Она создаёт изображения по текстовым описаниям и унаследовала от базовой модели улучшенную реалистичность изображений людей, детализацию природных сцен и более точную отрисовку текста и композиции. Модель подходит для создания портретов, повседневных и постановочных сцен, пейзажей, изображений животных и композиций с текстовыми элементами. В README заявлено также более точное следование деталям запроса, например позам и элементам окружения. Репозиторий распространяется по лицензии Apache-2.0.

Qwen-Image-ControlNet-Inpainting — модель ControlNet от InstantX для масочного заполнения и расширения изображений на базе Qwen-Image. Она предназначена для редактирования выбранной области с сохранением заданного контекста изображения: замены объектов и фона, изменения текста на изображении и дорисовки за его границами. Контрольная сеть состоит из шести двойных блоков, скопированных из предварительно обученных слоёв трансформера. Модель обучали с нуля 65 тысяч шагов на наборе из 10 миллионов изображений общего назначения и изображений людей; разрешение обучения — 1328 × 1328, точность — bfloat16. Для работы требуется базовая модель Qwen/Qwen-Image и совместимый конвейер Diffusers; также заявлена поддержка ComfyUI версии 0.3.59 или новее. Модель чувствительна к формулировкам запроса: рекомендуется подробно описывать всё изображение, включая редактируемую область и фон, и использовать описательные запросы. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Edit — модель редактирования изображений, разработанная командой Qwen. Она построена на базе Qwen-Image размером 20 млрд параметров и сочетает визуальное семантическое управление через Qwen2.5-VL с управлением внешним видом через VAE-кодировщик. Модель принимает изображение и инструкцию на естественном языке и создаёт отредактированное изображение. Модель предназначена для локального редактирования объектов и областей, изменения фона и одежды, переноса стиля, поворота объектов и создания вариантов персонажей с сохранением их семантической целостности. Она также поддерживает добавление, удаление и исправление китайского и английского текста на изображениях, стараясь сохранить исходные шрифт, размер и стиль. Для работы доступна через библиотеку Diffusers; лицензия — Apache-2.0. Карточка сообщает о высоких результатах на публичных тестах, но не приводит здесь численных оценок. В примере с исправлением редкого китайского иероглифа модель не справилась за один проход, поэтому для точной коррекции может потребоваться последовательное редактирование.

Qwen-Image-Edit-Causal — версия модели редактирования изображений Qwen-Image-Edit-2511 с блочно-каузальным механизмом внимания. Её назначение — редактировать изображение по текстовому запросу; механизм внимания призван ускорить инференс. Репозиторий представлен в форматах Diffusers и safetensors и использует Apache License 2.0.

unsloth/Qwen-Image-GGUF — квантованная версия модели Qwen-Image, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и их редактирования, включая создание сцен в различных художественных стилях, фотореалистичных изображений, иллюстраций и дизайна с интегрированным текстом. Модель распространяется в формате GGUF и использует методологию Unsloth Dynamic 2.0, при которой важные слои переводятся в более высокую точность для сохранения качества. Заявлена поддержка английского и китайского языков; особенно сильной стороной считается отображение текста на изображениях, включая китайские иероглифы, с сохранением типографики, структуры и соответствия контексту. Также заявлены развитые возможности точного редактирования изображений и поддержка разных соотношений сторон. К ограничениям относятся необходимость совместимого программного обеспечения и аппаратных ресурсов для работы с GGUF, а также отсутствие в представленных данных подробностей о размере модели, точной архитектуре, максимальном контексте и конкретных требованиях к памяти. Лицензия — Apache-2.0.

Re3Cap-CIM-Qwen2-VL-7B — мультимодальная модель на 7,1 млрд параметров, дообученная на Qwen/Qwen2-VL-7B-Instruct методом GRPO. Она предназначена для описания изображений: стратегия Re³Cap уточняет подпись с помощью поиска изображений по её тексту, а компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Обучение также использует награду Cross-modal Identity Mapping, которая оценивает сходство изображений, найденных по подписи, с исходным изображением. Модель принимает изображения и текстовые запросы и выдаёт текстовые подписи; архитектура — Qwen2-VL для условной генерации, формат весов — safetensors. Нативный контекст составляет 32 768 токенов. Карточка описывает задачу генерации подписей, но не уточняет набор поддерживаемых языков. Модель выпущена под лицензией Apache-2.0. Заявленное улучшение точности и детализации основано на описанном подходе; численные результаты и конкретные пределы качества в карточке не приведены.

Re3Cap-CLIP-InternVL3-8B — мультимодальная модель для описания изображений, дообученная на базе OpenGVLab/InternVL3-8B-Instruct методом GRPO. Она использует стратегию Re³Cap: Caption Refinement Suggester и Caption Quality Assessor помогают находить галлюцинации и пропуски в подписи и уточнять её. В качестве сигнала вознаграждения применяется сходство изображения и сгенерированной подписи по CLIP. Модель предназначена для создания более точных и подробных подписей к изображениям без дополнительной разметки. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Метаданные также указывают поддержку диалога и интерфейс вызова инструментов, а базовая модель описана как способная работать с изображениями и видео. В карточке самой модели видео не заявлено.

Re3Cap-CLIP-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Её дообучили методом GRPO с наградой по сходству изображения и текста в CLIP и стратегией Re³Cap, которая уточняет подпись с помощью поиска и оценки качества. Модель предназначена для генерации более точных и подробных подписей к изображениям: компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Она принимает изображение и текстовый запрос, а выдаёт текст; архитектура — плотная LLaVA, формат весов — safetensors, контекст — 4096 токенов. Поддерживаемые языки в предоставленных данных не указаны. Лицензия — Llama 2. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

cyburn/restore_photo_v4.1-lora — адаптер LoRA для восстановления и колоризации фотографий, разработанный сообществом или автором cyburn. Модель предназначена для обработки старых, повреждённых и выцветших снимков с целью повышения их визуального качества, добавления цвета и получения более фотореалистичного результата при сохранении исходных деталей. Адаптер работает поверх базовой модели black-forest-labs/FLUX.1-Kontext-dev и относится к моделям image-to-image на основе диффузии. Рекомендуемый размер изображения — 800×1200 пикселей, а для оптимального результата советуется использовать FluxGuidance со значением 4. Основные рекомендуемые запросы: «restore and colorize this photo, photorealistic», «restore this photo» и «restore and colorize this photo». Модель совместима с ComfyUI, AUTOMATIC1111, SD.Next, InvokeAI и библиотекой Diffusers; для работы с FLUX.1 рекомендуется видеокарта с объёмом памяти не менее 24 ГБ. Сильной стороной модели является специализация на восстановлении и реалистичной колоризации фотографий, включая сохранение исходных деталей. Ограничения связаны с зависимостью от базовой модели FLUX.1-Kontext-dev, значительными требованиями к ресурсам и тем, что точное качество результата зависит от исходного изображения, параметров генерации и формулировки запроса. Лицензия указана как creativeml-openrail-m.