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

Luna — разговорная языковая модель bey oru, дообученная для ролевых диалогов и общения от лица персонажей. Она построена на плотной архитектуре Qwen3 и содержит 3,7 млрд параметров; модель работает через Transformers, поддерживает чат и имеет контекст длиной до 262 144 токенов. Модель подходит для интерактивных ролевых сцен, диалогов с заданным персонажем, творческого письма и создания историй. Для более последовательной игры рекомендуется задать в системном промпте описание персонажа. В карточке также упоминается гибридная версия Lunaa, но её характеристики не описаны. Модель распространяется по лицензии MIT. В метаданных указаны английский, китайский и вьетнамский языки, а описание ориентировано на ролевое общение; отдельных оценок качества и подробных сведений о тренировочных данных нет.

Lyric alignment — модель и фреймворк для выравнивания вьетнамского текста песен по музыкальной записи с вокалом. Проект разработал nguyenvulebinh для задачи Zalo AI Challenge 2022. На вход подаются аудиофрагмент и текст песни, на выходе — времена начала и окончания каждого слова. В карточке Hugging Face модель отмечена как automatic-speech-recognition, но описанный пользовательский сценарий — принудительное выравнивание текста и аудио. Акустическая модель основана на wav2vec2-large-vi-vlsp2020 и архитектуре Wav2Vec2ForCTC; размер составляет 402,8 млн параметров. Она обучена на песенных данных, а метод выравнивания использует CTC-Segmentation и вероятности меток по кадрам. Перед выравниванием текст приводится к произносимой форме: для англоязычных слов применяется отдельная модель написания произношения, для чисел — Vinorm. В README приведены WER 0,2267 на публичном тесте Zalo и IoU 0,632 на публичном лидерборде. Модель рассчитана на вьетнамские песни; смешанные английские слова и числовые записи обрабатываются через отдельные преобразования текста. Лицензия репозитория — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Malware_Dream_v2 — аниме-модель генерации изображений по текстовому описанию, созданная Duskfallcrew методом DreamBooth на базе Stable Diffusion и распространяемая в формате Diffusers/PyTorch. Она предназначена для создания стилизованных аниме-изображений по текстовым запросам. Модель опубликована под лицензией CreativeML OpenRAIL-M. В карточке упоминаются обучающие наборы bad_prompt и EasyNegative. Размер модели и длина контекста не указаны в доступных данных.

MEDUSA 0.1 Line-9B — мультимодальная модель распознавания рукописного текста, разработанная École nationale des chartes – PSL и представленная на конкурсе ICDAR 2026 по распознаванию средневековых рукописей. Это версия MEDUSA-9B-0.1 на архитектуре Qwen3.5-9B, дообученная для многоязычного распознавания строк рукописей. Модель принимает изображение одной заранее выделенной строки и выдаёт её транскрипцию; для распознавания целой страницы требуется предварительно разбить её на строки. Модель обучалась на примерно 645 тысячах пар изображений и транскрипций из рукописей IX–XV веков. Она рассчитана на широкий набор средневековых языков и письменных традиций, включая старофранцузский, латынь, среднеанглийский, старочешский и старопольский. Транскрипции ориентированы на нормы CATMuS, включая правила раскрытия сокращений и нормализации аллографов. В результатах ICDAR 2026 вариант 9B показал лучшие из двух вариантов MEDUSA показатели CER на внутренних и конкурсных наборах. Модель предназначена для исследовательской и практической работы с оцифрованными рукописями, в частности в конвейерах DocWorkflow; для иных редакционных правил может понадобиться дополнительная постобработка. Репозиторий распространяется по лицензии CC BY 4.0.

digiplay/MeinaPastel_v3 — модель генерации изображений в пастельном аниме-стиле по текстовым запросам. Карточка описывает её как ориентированную на яркие, сияющие цвета; модель распространяется в форматах Diffusers и PyTorch с весами Safetensors. Модель предназначена для создания иллюстраций в аниме-стиле по текстовому описанию. Сведения о размере, архитектуре сверх принадлежности к семейству Stable Diffusion, контексте и поддерживаемых языках в карточке отсутствуют. Указана лицензия other, поэтому условия использования следует проверять в файлах репозитория.

Карточка модели MergekitCloud/mergekit-50 на Hugging Face совпадает с карточкой MergekitCloud/mergekit-75, поэтому описание составлено по ней. MergekitCloud/mergekit-75 — языковая модель, созданная автором репозитория MergekitCloud слиянием четырёх моделей семейства Llama 3.1 8B методом Model Stock с помощью mergekit. В качестве базовой для слияния использована vicgalle/Humanish-Roleplay-Llama-3.1-8B; в состав также вошли ArliAI/Llama-3.1-8B-ArliAI-RPMax-v1.3, Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2 и Undi95/Llama3-Unholy-8B-OAS. Модель предназначена для генерации текста и диалогов, в том числе ролевых сценариев и более свободных ответов. Она имеет архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Слияние объединяет модели с ролевой и менее ограниченной генерацией, однако README не приводит сравнительных оценок качества. Данные не подтверждают отдельную языковую специализацию. Лицензия в предоставленных источниках не указана.

MERT-v1-95M — модель семейства Music Audio Pre-training, разработанного m-a-p для понимания музыки. Это предобученный трансформер MERTModel с 12 слоями и размерностью признаков 768; в метаданных репозитория указано 113,3 млн параметров, а в README размер модели округлён до 95 млн. Модель обучена по схеме MLM на музыкальных аудиоданных и предназначена для извлечения признаков и последующего решения задач классификации аудио и других задач понимания музыки. Модель принимает аудио с частотой дискретизации 24 кГц и выдаёт признаки с частотой 75 кадров в секунду. При выборе слоя для извлечения признаков следует учитывать, что разные слои могут подходить для разных задач. README указывает предварительно обучаемый контекст в 5 секунд; для работы нужно учитывать память, необходимую для загрузки модели. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Midnight Rose 70B v2.0.3 — языковая модель, созданная sophosympatheia путём слияния нескольких моделей семейства Llama. В README описаны слияния DARE TIES и SLERP; среди компонентов — WizardLM-70B-V1.0, tulu-2-dpo-70b и dolphin-2.2-70b. Модель содержит 68,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и распространяется в формате safetensors. Модель предназначена прежде всего для ролевых диалогов и создания историй. Автор отмечает, что она не ограничивает тематику ответов и может справляться с другими задачами, однако отдельно их не тестировал. Метаданные указывают английский язык и контекст 4096 токенов; автор рекомендует ориентироваться примерно на 6144 токена, отмечая снижение связности при дальнейшем увеличении контекста. Для слияния использован mergekit. Лицензия — Llama 2.

John6666/mikomic-anime-v10-superdetailed-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Это дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 на базе Stable Diffusion XL, предназначенная прежде всего для создания детализированных аниме-иллюстраций. Репозиторий содержит компоненты Diffusers и веса Safetensors; для запуска используется StableDiffusionXLPipeline. Модель принимает текстовый промпт и генерирует изображение. Метки карточки указывают на тематику аниме, персонажей, освещение, фоны и детализацию. Карточка помечена английским языком, но это само по себе не подтверждает, что модель ограничена только английскими промптами. Модель опубликована по лицензии faipl-1.0-sd; применимость лицензии следует оценивать с учётом её условий.

Это конверсия модели inclusionAI/Ming-Image-0.1-Design для запуска через mflux на устройствах Apple Silicon с MLX. Модель преобразует текстовые запросы в RGBA-изображения, ориентированные на графический дизайн: плакаты, открытки, пользовательские интерфейсы и макеты с типографикой. Общий размер репозитория — 19,3 ГБ; DiT представлен в 8-битной точности, текстовый энкодер Ling-mini-2.0 MoE — в 5-битной, коннектор Qwen2 — в 8-битной, а проекционные слои — в bf16. Репозиторий рассчитан на использование с mflux и поддержкой семейства Ming-Image. В README описана проверка реализации поэтапным сравнением с официальным конвейером PyTorch; автор сообщает, что на Mac mini M4 с 24 ГБ памяти генерация изображения 1024×1024 занимает около 4–4,5 минут. Модель настроена на сохранение компоновки, типографики и текста на изображении; при снижении точности DiT до 4 бит качество крупных заголовков ухудшается. Лицензия — MIT.

MiniCPM-Llama3-V-2_5-GGUF — это GGUF-квантизованная версия мультимодальной модели MiniCPM-Llama3-V-2_5, разработанной openbmb и подготовленной к квантизации компанией Second State Inc. Модель предназначена прежде всего для задач visual question answering, то есть для ответов на вопросы по визуальному содержимому, и поддерживает английский и китайский языки. Доступны варианты с квантизацией от 2 до 8 бит, а также версия f16. Размер файлов составляет примерно от 3,18 до 16,1 ГБ. Вариант Q4_K_M позиционируется как сбалансированный по размеру и качеству, а Q5_K_M и Q5_K_S — как варианты с малой потерей качества. Модели квантизованы с использованием llama.cpp b3613. Архитектура исходной модели, число параметров, поддерживаемые модальности помимо визуальных входов и размер контекста в README не указаны. Главное преимущество набора — возможность выбрать компромисс между требованиями к памяти и качеством работы; низкобитные варианты занимают меньше места, но могут существенно терять качество. Для большинства сценариев README не рекомендует Q2_K, Q3 и некоторые legacy-варианты из-за заметной потери качества. Сведения о лицензии и условиях коммерческого использования отсутствуют.

philipp-zettl/MiniLM-L3-H384-uncased-mtg-v2 — компактная модель Sentence Transformers на основе nreimers/MiniLM-L3-H384-uncased, дообученная для поиска по тексту о коллекционной карточной игре Magic: The Gathering. Она преобразует предложения и абзацы в плотные векторы размерности 384; близость текстов можно оценивать косинусным сходством. Модель подходит для поиска карточек по названию, фрагменту правил или описанию эффекта, а также для семантического сопоставления коротких запросов с текстами карточек. Архитектура включает трансформер BertModel с усредняющим pooling. По карточке модели максимальная длина последовательности — 256 токенов; метаданные указывают нативный контекст до 512 токенов. Обучение проведено на 2 132 917 парах текстов с MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторные представления; карточка не указывает лицензию, поэтому условия использования следует проверить в репозитории перед применением.

Beidouqixing/minimax-h3-4step-lora-flashgen — это дистиллированный LoRA-адаптер для базовой модели MiniMaxAI/MiniMax-H3, разработанный сообществом Beidouqixing. Адаптер предназначен для ускоренного выполнения задач text-to-video с аудио (T2VA), а также указан как компонент сценариев image-to-video. Для использования требуется базовая модель MiniMax-H3; перед развертыванием адаптер необходимо объединить с ней. Модель обучена методом distribution matching distillation (VSD, без GAN) на Ascend NPU. Она рассчитана на четыре шага инференса и генерирует результат с разрешением 1344×768 и длительностью 5,2 секунды. LoRA имеет ранг 64 и изменяет слои qkv_proj, out_proj, fc1, fc2 и adaln_proj.linear. В репозитории указан файл весов в формате bf16, а также скрипт для объединения адаптера с базовой моделью и добавления base_schedule. Основное преимущество адаптера — существенное сокращение числа шагов генерации по сравнению с обычным режимом, что может повысить скорость инференса и упростить развертывание. Ограничения включают зависимость от MiniMax-H3, необходимость предварительного объединения весов и ориентированность на инфраструктуру Ascend NPU с развертыванием через MindIE-SD или vllm-omni. Поддерживаемые языки в карточке модели указаны как английский и китайский. Лицензия — Apache-2.0.

MiniMax-H3-Pruned-Ref-Delta-Fused-GGUF — набор GGUF-квантизаций гибридной модели для генерации видео, разработанный Abiray на базе архитектуры MiniMax-H3 от MiniMax AI. Модель предназначена для text-to-video и image-to-video сценариев с референсным управлением, включая сохранение персонажей и объектов по нескольким изображениям, и интегрируется с ComfyUI через ComfyUI-GGUF. Базовая модель подготовлена xmarre, а интеграция GGUF выполнена city96. Модель основана на обрезанной архитектуре MiniMax-H3 размером 20,1 млрд параметров. Она объединяет визуальное качество, динамику движения и аудио FL2VA с многoизображенческим управлением персонажем Ref2VA посредством слияния delta-весов ранга 1024. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 8,9 до 21,6 ГБ, рассчитанные на видеокарты с 12–24 ГБ VRAM и мульти-GPU. В README указаны рекомендуемые разрешения 1280×720 и 1280×544, а также генерация роликов длиной 49 или 81 кадр. Сильными сторонами являются локальный запуск на потребительских GPU, сочетание согласованности движения с сохранением идентичности по референсам и небольшая потеря качества у старших вариантов квантизации. Для ускоренной инференции рекомендуется turbo-LoRA, 8 шагов, CFG 1.0 и sampler Euler. Ограничения включают зависимость от ComfyUI и дополнительного узла ComfyUI-GGUF, необходимость выбора квантизации с учетом доступной VRAM и отсутствие в README подробностей о поддерживаемых языках, точной аудиомодальности и качестве на разных типах входных данных. Модель распространяется по лицензии MiniMax H3 Community License.

taurusduan/Minimax-h3-Turbo — вариант MiniMax H3, дообученный для генерации видео из изображения. Модель распространяется в формате safetensors и предназначена для использования в Diffusers; теги также указывают на сценарии text-to-video и reference-to-video, однако метаданные каталога подтверждают только image-to-video. Модель можно использовать для создания видео на основе изображения, например, чтобы анимировать исходный кадр. Базовая модель MiniMax H3 описана как мультимодальная система для генерации коротких видео со стереозвуком по тексту, изображениям, видео и аудио; эти характеристики нельзя однозначно отнести к данному варианту. Лицензия — Apache-2.0. README содержит лишь ссылку на репозиторий и LightX2V для воспроизведения результатов, без технических характеристик или описания качества.

Mistral-Nemo-BD-RP — языковая модель, дообученная на наборе данных BeyondDialogue для диалогов в ролевых сценариях. Она генерирует ответы на английском и китайском языках, сохраняя заданные персонажа, стиль и последовательность роли. Модель основана на плотной архитектуре Mistral и содержит 12,1 млрд параметров; максимальная длина контекста по метаданным — 1 024 000 токенов. Модель подходит для ролевых диалогов, создания персонажей и оценки согласованности их поведения. В README описана оценка по характеристикам персонажа, стилю, эмоциям, отношениям, личности, человекоподобию, связности и последовательности роли. Для использования указана библиотека Transformers версии не ниже 4.42.0. Модель распространяется по лицензии Apache-2.0.

Это дообученная версия многоязычной модели jhu-clsp/mmBERT-base, созданная проектом Impresso. Модель продолжила обучение на газетных текстах Impresso с помощью masked language modeling (MLM) и предназначена как предметно-адаптированная базовая модель для последующего обучения задачам разметки токенов в медиатекстах. Модель использует архитектуру ModernBERT, содержит 306,9 млн параметров и принимает последовательности длиной до 8192 токенов. В метаданных указаны французский, немецкий и английский языки. Основной сценарий применения — заполнение масок; также чекпойнт подходит для сравнительных экспериментов и дообучения на извлечение и классификацию сущностей или других типов токенов в газетных материалах. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. В README сообщается, что обучение завершилось без расхождения, а валидационная потеря была близка к обучающей; приведены значения train loss 1,7775 и eval loss 1,7172. Это не гарантирует качество в конкретной downstream-задаче: модель требует оценки и дообучения под целевую разметку. Лицензия — MIT.

Модель facebook/mms-tts-ojb-script_syllabics — система синтеза речи для оджибве (северо-западный вариант), принимающая текст на слоговом письме и генерирующая речевую волну. Она разработана в рамках проекта Massively Multilingual Speech компании Facebook и предназначена для преобразования текста в речь на этом языке. Модель основана на архитектуре VITS: она объединяет вариационный автоэнкодер, flow-модуль с текстовым энкодером на базе Transformer, стохастический предиктор длительности и декодер в стиле HiFi-GAN. Размер модели — 3,6 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS, доступный через Transformers версии 4.33 и новее. Стохастический предиктор позволяет варьировать ритм речи, поэтому при одинаковом вводе результаты могут различаться; для воспроизводимого аудио нужен фиксированный seed. Модель предназначена для синтеза речи на одном варианте оджибве и не заявляет поддержку других языков. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

MN-12B-WolFrame-Ver.B — объединённая модель с архитектурой Mistral для генерации текста и чат-диалогов. Она создана слиянием MN-12B-Mimicore-WhiteSnake и MN-Slush методом SLERP; файлы представлены в формате safetensors, размер модели — 12,1 млрд параметров. Карточка MN-Slush описывает её как экспериментальную модель на базе Mistral Nemo Instruct для творческого письма и ролевых диалогов, поэтому WolFrame подходит для таких сценариев генерации текста. Автор сообщает о дефекте: модель иногда путает обозначения {{user}} и {{char}}, что может нарушать формат ролевого диалога. Указанное в метаданных контекстное окно — 1 024 000 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MN Starlight Sylph 12B — объединённая языковая модель на архитектуре Mistral, созданная EldritchLabs с помощью mergekit и метода della. В слияние вошли пять моделей, включая Retreatcost/Mistral-Nemo-Base-2407-ChatML; размер модели — 12,1 млрд параметров, формат весов — safetensors, контекст — до 131 072 токенов. Модель предназначена для генерации художественных текстов на английском языке: написания рассказов и сцен, развития сюжета, продолжения историй и ролевого общения. В примере показана образная проза с атмосферными описаниями. Для общения рекомендуется шаблон Mistral Tekken; также можно попробовать ChatML. Модель выпущена под лицензией Apache-2.0. Она может отказывать в некоторых запросах, поскольку не проходила декензурирование; качество результата и форматирование зависят от выбранного шаблона чата.

Модель Puntin26/modelo_qa_pdqa_ian_diego разработана Ian Alvarez и Diego Armando Batista для Dominican News Question Answering Challenge. Это дообученная для извлекающего ответа модель на архитектуре BERT с 137,1 млн параметров и контекстным окном до 512 токенов. Она принимает вопрос и контекст новостной статьи на испанском языке и извлекает из контекста фрагмент, содержащий ответ. Модель предназначена для ответов на вопросы по доминиканским новостям. В документации сообщается о F1 80,15 и Exact Match 73,33 на validation; для воспроизведения результата при инференсе рекомендуется max_answer_len=20. Обучение проводилось на небольшом наборе из 45 примеров, поэтому метрики могут заметно меняться. Ответ должен явно присутствовать в переданном контексте. Модель может путать похожие сущности, даты и числа, не проверяет достоверность новостей и не подходит как единственный источник для решений с высокими последствиями. Лицензия в предоставленных данных не указана.

Модель StelleX/mt5-base-thaisum-text-summarization — дообученная версия mT5-base для суммаризации предложений на тайском языке. Она создана на основе архитектуры mT5 и обучена на парах текстов и их кратких изложений на тайском языке. Модель содержит около 291,2 млн параметров и опубликована в формате safetensors. Модель предназначена для автоматического сокращения тайских текстов и получения кратких изложений. В карточке приведены оценки ROUGE: ROUGE-1 — 0,489, ROUGE-2 — 0,310, ROUGE-L — 0,425 и ROUGE-Lsum — 0,444. Условия лицензии в доступных данных не приведены.

MythoMax-L2-13b — плотная авторегрессионная языковая модель семейства Llama, созданная Gryphe как экспериментальное слияние MythoLogic-L2 и Huginn с применением особого тензорного метода. В репозитории указано 12,9 млрд параметров, контекст до 4096 токенов и формат PyTorch; модель опубликована в августе 2023 года. Модель предназначена прежде всего для ролевых диалогов и написания историй, сочетая понимание инструкций с развёрнутой художественной генерацией. Для общения автор рекомендует формат Alpaca. Модель принимает текст и генерирует текст на английском языке. Автор описывает слияние как экспериментальное и отмечает улучшение связности по сравнению с MythoMix; независимые оценки качества в карточке не приведены. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.

Nanuq-R1 9B — плотная авторегрессионная языковая модель семейства Llama, разработанная Delta-Vector на базе Austral-Xgen-9B-Winton. Это эксперимент дообучения методом GRPO на датасете PocketDoc/Dans-Systemmaxx; автор сообщает о 150 шагах обучения с использованием PrimeIntellect-ai/verifiers и реализации InternLM/POLAR. Модель предназначена для творческого письма и ролевых диалогов, с акцентом на следование инструкциям и системному промпту в творческих сценариях. Она принимает текст и генерирует текст, поддерживает формат диалога ChatML и имеет заявленное контекстное окно 262 144 токена. В репозитории доступны веса Safetensors. Автор характеризует результат как удачный для раннего эксперимента, но отмечает, что награда обучения почти переставала расти после этапа разогрева и что процесс можно было улучшить. Лицензия в предоставленных материалах не указана.

Nasa-space-V2-768 — модель генерации изображений по текстовому описанию, созданная Fireman4740 методом DreamBooth на базе Stable Diffusion v2-768. Она предназначена для создания изображений с использованием концепции и подсказок NASA style; для запуска автор предлагает применять библиотеку diffusers. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M.

Trappu разработал Nemo-Picaro-12B — плотную авторегрессионную языковую модель семейства Mistral на 12,1 млрд параметров, дообученную на собственной небольшой коллекции текстов без синтетических данных. Она ориентирована на написание историй и создание сценариев по тегам и кратким описаниям; модель принимает текст и генерирует текст. В карточке указаны контекст до 1 024 000 токенов и английский язык. Для диалогового формата рекомендован ChatML без системного промпта. Модель предназначена прежде всего для творческого письма и ролевых сценариев, а не для универсальных диалогов. Автор отмечает склонность к выдаче себя за пользователя, слабые рассуждения и трудность управления ответами; обучение не включало данные для многоходового общения. Лицензия — Apache-2.0.

Neon_Isometric — модель генерации изображений по текстовому описанию, обученная Duskfallcrew методом DreamBooth на базе Stable Diffusion. Она предназначена для создания изображений в неоновой изометрической стилистике; для запуска подойдут совместимые инструменты экосистемы Diffusers и интерфейс A1111. В README указан триггер концепции `dskise`. Модель выпущена в формате Diffusers с весами safetensors и распространяется по лицензии CreativeML OpenRAIL-M.

Neta Lumina — модель генерации изображений в аниме-стилистике, разработанная Neta.art Lab на основе Lumina-Image-2.0 команды Alpha-VLLM из Шанхайской лаборатории искусственного интеллекта. Модель дообучена на корпусе аниме-изображений и мультиязычных тегов; карточка описывает официальный выпуск v1.0 и архивные бета-версии. Модель предназначена для создания иллюстраций, постеров, раскадровок и дизайна персонажей по текстовым запросам. Она работает с обычными описаниями и тегами Danbooru, рассчитана на разные стили, включая furry и традиционную китайскую эстетику, и заявляет поддержку китайского, английского и японского языков. В основе — архитектура Lumina2 Diffusion Transformer (DiT) с текстовым энкодером Gemma; для запуска автор рекомендует ComfyUI и видеокарту с не менее чем 8 ГБ VRAM. По README модель хорошо следует сложным запросам и охватывает широкий спектр персонажей и стилей. Это заявление разработчика; сравнительные результаты или независимая оценка качества в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

Neta-Lumina v1.0 — основанная на Lumina2 модель генерации изображений в аниме-стиле. Она использует конвейер Lumina2Pipeline и планировщик FlowMatchEulerDiscreteScheduler; в карточке указаны формат bfloat16 и целевое разрешение 1024×1024. Модель принимает текстовые описания и создаёт изображения, в том числе для генерации иллюстраций в аниме-стиле. Для запуска поддерживаются Diffusers и формат весов safetensors. Авторы отмечают, что качество генерации сэмплера Lumina2 в Diffusers уступает ComfyUI и рекомендуют ComfyUI для лучшего результата. Базовая модель — Lumina-Image-2.0; отдельная лицензия в доступных данных не указана.

NetaYume-Lumina-Image-2.0-Diffusers-v40 — дообученная модель генерации изображений по тексту на базе neta-art/Neta-Lumina, опубликованная пользователем duongve. Она предназначена для создания изображений по текстовым запросам; подсказки в карточке отдельно рекомендуют аниме-стиль и теги Danbooru, а также описывают сценарии общего назначения с акцентом на соответствие изображения запросу. Модель распространяется в формате Diffusers с весами Safetensors и использует библиотеку diffusers. Лицензия — Apache-2.0. В README рекомендованы CFG 4–7, 40–50 шагов сэмплирования и сэмплеры Euler a либо res_multistep с указанными планировщиками. Эти параметры являются рекомендациями автора карточки. Данных о точном размере модели, контексте и поддерживаемых языках нет; качество генерации и ограничения по отдельным типам запросов в карточке не оценены.