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

Raena XL V2 — модель генерации изображений на основе SDXL, разработанная Raelina и дообученная на базе Animagine XL 4.0. Она предназначена для создания 2D-аниме-иллюстраций по текстовым запросам; для промптов рекомендуется стиль booru-тегов. Модель ориентирована на яркие цвета, чёткий лайнарт, согласованность изображений, проработку персонажей и высокую детализацию. Для генерации автор рекомендует CFG 5–6, 28 шагов и сэмплер Euler a; доступны настройки Hires.fix с апскейлером 4x_NMKD-YandereNeoXL. В качестве базовой модели используется Animagine XL 4.0. Модель опубликована в форматах Diffusers и safetensors; лицензия — CreativeML Open RAIL++-M. Карточка не сообщает ограничений помимо условий лицензии.

Raven — PyTorch 이미지 포렌식 모델로, 실제 사진과 AI 생성 이미지를 분류하도록 개발되었습니다. 출력은 REAL, AI, UNCERTAIN의 세 가지이며, AI 학습 데이터는 GPT Image 2 계열을 중심으로 구성되어 있습니다. Hugging Face 메타데이터에는 RavenForImageForensics 아키텍처와 safetensors 형식이 기재되어 있습니다. 모델은 이미지의 출처를 가려내는 데 사용되며, 카드에 제시된 검증 세트 4,470장에서는 정확도 98.635%, 균형 정확도 98.566%, AUROC 0.998255를 기록했습니다. 별도 실제 이미지 2,986장 평가에서는 정확도 98.225%를 보였습니다. 이 결과는 카드에 기술된 데이터 분포와 평가 조건에 해당합니다. 성능은 학습에 포함되지 않은 생성기에서 달라질 수 있습니다. 강한 JPEG 재압축, 스크린шоты, апскейл, шумоподавление, чрезмерная цветокоррекция, частичный синтез и очень тёмные изображения могут ухудшить распознавание; особенно мало данных для экстремально тёмных изображений. Вывод — вероятностная оценка происхождения, а не доказательство генерации. Сведения о лицензии в предоставленных источниках отсутствуют.

RetinaFace — модель компьютерного зрения на основе свёрточной нейронной сети, реализованная на PyTorch в проекте Py-Feat на основе реализации biubug6. В указанной конфигурации используется backbone MobileNet 0.25 с 1,7 млн параметров; RetinaFace также может работать с backbone ResNet-50, требующим больше вычислений. Модель предназначена для обнаружения лиц на изображениях. Для каждого найденного лица она возвращает координаты ограничивающей рамки, оценку уверенности и координаты десяти ключевых точек лица. Модель оценивалась на наборе WIDER FACE. Модель принимает изображения и выдаёт разметку обнаруженных лиц и ориентиры лица. Репозиторий содержит веса PyTorch; лицензия — MIT.

Это модель классификации текста на основе RoBERTa-base, дообученная на датасете IMDB для определения тональности отзывов о фильмах. По данным карточки, на оценочной выборке она достигла точности 0,9552 при значении loss 0,1783. Модель содержит 151,8 млн параметров, принимает текстовые последовательности длиной до 514 токенов и доступна в формате PyTorch. Модель подходит для автоматической разметки отзывов как положительных или отрицательных и для анализа тональности англоязычных отзывов о кино. Лицензия — MIT. Подробные сведения о тренировочных настройках и дополнительных ограничениях в карточке отсутствуют.

Rogue-Rose-103b-v0.2 — языковая модель семейства Llama, созданная sophosympatheia с помощью mergekit. Это объединение двух авторских слияний моделей на 70 млрд параметров, восходящих к xwin-stellarbright-erp-70b-v2; итоговая модель имеет 120 слоёв и около 102,9 млрд параметров. Репозиторий содержит веса в формате safetensors, а README также ссылается на отдельные квантованные версии. Модель предназначена прежде всего для ролевых диалогов и написания историй; автор отмечает хорошее следование инструкциям и субъективно высокое качество ролевой игры, но не приводит независимых оценок.

RoleBeagle-11B — диалоговая языковая модель Vicgalle, дообученная методом DPO на основе vicgalle/CarbonBeagle-11B-truthy на части набора OpenHermesPreferences с ролевыми диалогами. Она предназначена для генерации текста в формате чата и ролевых сценариев; базовые способности CarbonBeagle, по словам автора, в основном сохранены, а ролевое взаимодействие улучшено. Модель использует плотную архитектуру MistralForCausalLM и содержит 10,6 млрд параметров. Максимальная длина контекста — 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0. README приводит результаты оценки на отдельных бенчмарках, но не уточняет подробности остальных результатов или практические ограничения модели.

RORem-mixed GGUF — это квантованная версия UNet-модуля модели RORem для inpainting и удаления объектов на изображениях. Модель разработана авторами проекта RORem; конвертация выполнена для запуска через stable-diffusion.cpp. Она основана на RORem и SDXL Inpainting 0.1 и обучалась на изображениях разрешением 512×512 и 1024×1024. Модель предназначена для восстановления областей изображения по маске, в частности для удаления объектов, текста и звуковых эффектов из манги с сохранением или генерацией подходящего фона, линий и цветов. Она поддерживает сценарии image-to-image и inpainting, но не предназначена для общего text-to-image. Используется формат GGUF с квантованием Q4_K; файл UNet занимает около 1,885 GiB. Репозиторий не содержит полный SDXL-пайплайн: VAE и компоненты CLIP-L и CLIP-G необходимо брать из SDXL Inpainting 0.1. Для работы требуется stable-diffusion.cpp, предпочтительно с CUDA. К сильным сторонам относятся существенно меньшее потребление видеопамяти по сравнению с FP16 и качество, близкое к FP16 в приведённом локальном тесте. Качество зависит от маски, её расширения, контекста кадрирования, разрешения, промпта и seed; на больших масках модель может галлюцинировать текстуры, линии или объекты, а квантованный результат может отличаться от FP16. Исходный проект RORem опубликован под Apache 2.0, SDXL Inpainting 0.1 — под CreativeML Open RAIL++-M; необходимо соблюдать условия обеих лицензий и применимые ограничения.

RicardoEstep/RPBizkitRemiX-v3-12B — экспериментальная смесь Mistral Nemo на 12,1 млрд параметров, собранная Ricardo Estep методом DARE TIES с помощью Mergekit из RPBizkit-v6-12B, RPBizkit-v9-12B и UnslopNemo-12B-v4.1. Модель предназначена для генерации текста, в частности творческих ролевых сценариев и историй; README рекомендует шаблон чата Alpaca с RAW-вводом и невысокую температуру генерации. Автор заявляет о контексте до 128K токенов; метаданные каталога указывают нативный контекст 1 024 000 токенов. Модель использует плотную архитектуру Mistral и формат safetensors. README описывает её как менее ограниченную в генерируемом контенте, поэтому она может выдавать материалы для взрослой аудитории. Лицензия в предоставленных данных не указана.

zeromodels/sam2_hiera_tiny — веса модели SAM 2 Hiera Tiny в формате Keras 3, опубликованные zeromodels как зеркало исходной модели. Модель предназначена для сегментации изображений по подсказкам: она выделяет объекты и формирует для них маски. В README указан класс SAM2PromptableSegment, а метаданные относят модель к задаче mask-generation и формату TensorFlow. Репозиторий распространяется по лицензии Apache-2.0. Это перенос весов в экосистему Keras 3; сам README описывает его как зеркало исходной модели. Размер модели и поддерживаемые виды подсказок в предоставленных сведениях не указаны.

strangervisionhf/sam3.1-st-bf16 — неофициальная копия весов SAM 3.1 в формате BF16. Базовую модель разработала Meta; SAM 3.1 — модель семейства SAM для сегментации объектов в изображениях и видео по текстовым или визуальным подсказкам, включая точки, рамки и маски. Модель поддерживает поиск всех экземпляров понятия по короткому текстовому описанию и совместное отслеживание нескольких объектов. В README заявлено, что Object Multiplex ускоряет совместное отслеживание до примерно 7 раз при 128 объектах на одном GPU H100 без потери точности, а качество video object segmentation улучшено на шести из семи бенчмарков. Репозиторий содержит только чекпойнты и не предоставляет интеграцию с Hugging Face Transformers; для запуска нужны код и инструкции из официального репозитория SAM 3.1. Лицензия в метаданных указана как other, поэтому конкретные условия использования следует уточнить у автора репозитория и в лицензии базовой модели.

Scarlet-Eclipse-12B — слитая модель семейства Mistral от Vortex5, созданная на базе Vortex5/LunaMaid-12B с использованием Vortex5/Crimson-Twilight-12B и Vortex5/Harmony-Bird-12B в качестве донорских моделей. Для слияния применён метод flowforge, который формирует взвешенное направление между моделями-донорaми и базовой моделью. Модель содержит 12,1 млрд параметров, использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации историй и ролевых диалогов, в том числе сцен с выразительным повествовательным стилем. Она принимает текст и генерирует текст. README не приводит результатов сравнительных оценок качества или подробностей о языковом охвате, поэтому пригодность для конкретных языков и задач за пределами заявленных сценариев не установлена. Условия лицензии в предоставленных данных не описаны.

refiners/sd15.unet — модель на базе Stable Diffusion 1.5, связанная с проектом refiners. Метаданные классифицируют её как модель преобразования изображений и указывают библиотеку refiners и формат весов safetensors. Модель предназначена для задач image-to-image. В качестве базовой модели указана runwayml/stable-diffusion-v1-5, лицензия — CreativeML Open RAIL-M. README не содержит дополнительных сведений о размерах, языках или конкретных сценариях применения.

BlockWorldRTX — дообученная модель Stable Diffusion от rabidgremlin для генерации изображений по текстовым описаниям. Она обучена на скриншотах Minecraft с RTX; для получения характерного эффекта в запросе рекомендуется использовать токен BlockWorldRTX. Модель предназначена для создания изображений в стилистике Minecraft с трассировкой лучей, например игровых сцен и окружений. Репозиторий содержит веса в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M.

SDPrompter4b-ckpts — дообученная Edens-Gate модель для CharGen Project, которая превращает описание внешности персонажа в промпт для Stable Diffusion. Это плотная авторегрессионная языковая модель семейства Llama примерно с 3,9 млрд параметров; в карточке указаны чат-возможности и контекст до 131 072 токенов. Модель принимает текстовое описание персонажа и выдаёт текстовый промпт для генерации изображения. Модель дообучена на Delta-Vector/Holland-4B-V1 с использованием наборов CivitAI-SD-Prompts и CivitAI-Prompts-Sharegpt. Для общения рекомендован формат ChatML; автор предупреждает, что при большом лимите вывода модель может зацикливаться, и рекомендует низкое значение min-p и temperature 1. В метаданных указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Карточка модели refiners/sdxl.lightning.4step.unet на Hugging Face совпадает с карточкой refiners/sdxl.lightning.1step.unet, поэтому описание составлено по ней. refiners/sdxl.lightning.1step.unet — модель на основе ByteDance/SDXL-Lightning, опубликованная в формате safetensors для библиотеки refiners. Она предназначена для преобразования изображений (image-to-image) и связана с семейством Stable Diffusion XL. Базовая SDXL-Lightning оптимизирована для быстрой генерации изображений за 1–8 шагов; карточка этой модели отдельно не уточняет её размер, контекст или поддерживаемые языки. Модель распространяется по лицензии OpenRAIL++. Метаданные указывают на английский язык карточки, но не подтверждают, что он является основным языком запросов. README содержит только заголовок, поэтому дополнительные сценарии, качество, ограничения и точные характеристики самой модели определить нельзя.

1038lab/segformer_face — модель семантической сегментации изображений на архитектуре SegFormer, опубликованная организацией 1038lab на Hugging Face. По названию репозитория она предназначена для сегментации лиц на изображениях. В карточке указаны 84,6 млн параметров и формат Safetensors; класс архитектуры — SegformerForSemanticSegmentation. Модель принимает изображения и выдаёт пиксельную сегментацию. Карточка не содержит описания обучающих данных, поддерживаемых классов сегментации или лицензии; эти сведения нельзя надёжно подтвердить по доступным данным.

Segment-Anything-Model от Qualcomm — реализация модели сегментации изображений SAM на основе архитектуры Transformer с энкодером ViT-L и лёгким декодером масок. Пользователь задаёт точку или маску в качестве подсказки, а модель выделяет соответствующий объект на изображении без дополнительного обучения для каждого объекта. Репозиторий предназначен для запуска и развёртывания модели на устройствах Qualcomm, включая Android. В README приведены варианты экспорта ONNX и TensorFlow Lite и измерения производительности декодера на Samsung Galaxy S23 с Snapdragon 8 Gen 2; указано разрешение входа 720p. Полный чекпойнт SAM использует ViT-L, а приведённые размер и число параметров относятся только к SAMDecoder: 19,6 МБ и 5,11 млн параметров. Модель подходит для интерактивного выделения объектов и локальной обработки изображений на мобильных устройствах. Качество масок зависит от входного изображения и выбранных подсказок; README не сообщает языковых возможностей, поскольку модель работает с изображениями. Лицензия репозитория — Apache-2.0.

Seg-Zero-7B — модель сегментации изображений, основанная на работе Seg-Zero: Reasoning-Chain Guided Segmentation via Cognitive Reinforcement. Она объединяет модель рассуждений, которая интерпретирует запрос пользователя и формирует позиционные подсказки, с моделью сегментации, создающей пиксельные маски. Обучение с подкреплением методом GRPO проводилось без явных данных с цепочками рассуждений; авторы заявляют о переносе на новые сценарии и формировании рассуждений во время вывода. Модель предназначена для сегментации объектов на изображении по текстовому запросу. В метаданных указаны архитектура Qwen2.5-VL, 7,1 млрд параметров, контекст до 128 000 токенов и библиотека Transformers. Репозиторий содержит веса в формате safetensors. Карточка не приводит подробных сведений о лицензии: указано значение «other», поэтому условия использования следует сверить отдельно.

SenseNova-U1.5-8B-MoT-pose-bf16 — это вариант SenseNova-U1.5-8B-MoT с адаптером RefControl для переноса позы, подготовленный mlx-community для запуска через MLX на Apple Silicon. Адаптер Pose LoRA объединён с базовыми весами; результат приведён к формату bf16. Базовая модель содержит 8 млрд параметров согласно названию репозитория. Модель переносит человека с фотографии-образца во позу, заданную отдельным изображением скелета в стиле OpenPose, стараясь сохранить внешность, одежду и сцену. Это редактирование по двум изображениям: первым подают скелет, вторым — фотографию человека. Также сохраняются возможности базовой модели по генерации и редактированию изображений, однако поток генерации смещён в сторону позы. Модель рассчитана на sensenova-u1-swift и MLX на Apple Silicon; лицензия — Apache-2.0. В README указано, что bf16-вариант занимает 35,1 ГБ памяти после загрузки на M5 Max; 8-битный вариант рекомендован для большинства сценариев и, по сообщению автора, воспроизводит результаты bf16 на пяти тестовых примерах при меньшем потреблении памяти. Модель не подходит как нейтральный вариант базового чекпойнта для обычной генерации изображений из-за смещения в сторону переноса позы.

SER-Odyssey-Baseline-WavLM-Arousal — модель распознавания эмоциональных характеристик речи, обученная для базовой линии соревнования Odyssey 2024 Emotion Recognition. Она специализируется на оценке arousal — уровня эмоционального возбуждения — по аудио речи и выдаёт численную оценку примерно от 0 до 1. Модель содержит около 402,7 млн параметров; в репозитории представлены веса PyTorch в формате safetensors. Модель обучена на датасете MSP-Podcast и предназначена для анализа эмоциональной окраски речи, например в подкастах и записях разговоров. Карточка приводит оценивание на наборах Test3 и Development соревнования Odyssey; лицензия — MIT.

Shap-E — генеративная модель OpenAI для создания 3D-объектов по текстовому запросу. Она использует условную диффузию и генерирует параметры неявной функции, которую можно визуализировать как текстурированную сетку или neural radiance field (NeRF). Модель выпущена в рамках исследования «Shap-E: Generating Conditional 3D Implicit Functions»; эта карточка размещена на Hugging Face отдельно от карточки авторов. Модель предназначена для быстрого создания разнообразных 3D-ассетов по описанию, например объектов для прототипирования и визуализации. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. По сравнению с Point-E авторы сообщают о более быстрой сходимости и сопоставимом или лучшем качестве примеров, хотя это утверждение относится к исследованию. Лицензия — MIT. Карточка отсылает к оригинальной модельной карточке за сведениями об известных ограничениях и смещениях, поэтому конкретные ограничения здесь не описаны.

Prashant-karwasra/short_story_generation — дообученная модель GPT-2 для генерации текста, ориентированная на создание коротких рассказов. Она построена на архитектуре GPT2LMHeadModel и распространяется в формате safetensors. Контекст модели составляет 1024 токена. Модель можно использовать для генерации черновиков рассказов и продолжения заданного текста. Данные обучения и результаты оценки не описаны, поэтому соответствие стилю и качество рассказов могут быть непредсказуемыми. Лицензия — MIT.

Sidon Core ML — конверсия модели восстановления речи sarulab-speech/sidon-v0.1 для запуска на Neural Engine устройств Apple. Она предназначена для очистки аудиокниг и другой речи от шума, приглушённости и артефактов с обработкой непосредственно на iPhone. Модель принимает аудио с частотой 16 кГц и выдаёт восстановленный сигнал с частотой 48 кГц, сохраняя длительность. В репозитории представлены исходная версия конверсии и варианты v2 и v3 с дообученными весами, направленными на уменьшение характерного призвука на гласных; README сообщает о снижении этого эффекта, но отмечает, что он может сохраняться. Реализация разделена на encoder и decoder в формате Core ML fp16. Encoder обрабатывает окна до 300 кадров (6 секунд), decoder — до 68 кадров за вызов; длинные записи требуют нарезки с перекрытием. Извлечение признаков не включено в модель: для него предоставлены параметры фильтров, а вход encoder — 160-мерные fbank-признаки. По README, тёплый iPhone обрабатывает звук на Neural Engine примерно в 11,2 раза быстрее реального времени. Репозиторий распространяется по лицензии MIT.

SpecTTTra-β — модель аудиоклассификации из проекта SONICS, разработанная для определения того, является ли песня синтетической или созданной человеком. Она выявляет полностью сгенерированные композиции, включая случаи, когда искусственными могут быть вокал, музыка, текст и стиль. Модель представлена как вариант для анализа песен длительностью до 120 секунд; архитектура SpecTTTra (Spectro-Temporal Tokens Transformer) использует спектрально-временные признаки. В README указаны 384 измерения эмбеддинга, 6 голов внимания и 12 слоёв. Для обработки аудио применяется частота дискретизации 16 кГц, 128 мел-полос и нормализация по среднему и стандартному отклонению. Модель предназначена для проверки подлинности музыкальных записей и исследований обнаружения AI-генерированных песен. Вариант β в приведённой таблице результатов относится к 5-секундным клипам, поэтому эти показатели нельзя считать оценкой качества версии на 120 секунд. Модель распространяется в формате PyTorch по лицензии MIT; указан датасет SONICS.

SpecTTTra-γ-5s — модель классификации аудио из проекта SONICS, представленного авторами на ICLR 2025. Она предназначена для выявления синтетических песен, созданных целиком с помощью генеративных систем, и различения их с песнями человеческого происхождения; в отличие от детекторов поддельного вокала, задача SONICS охватывает также музыку, текст и стиль композиции. Модель построена на архитектуре SpecTTTra (Spectro-Temporal Tokens Transformer): 12 слоёв, 6 голов внимания, размерность эмбеддингов 384 и отношение MLP 2,67; в карточке для варианта γ указано 17 млн параметров. Обработка аудио рассчитана на фрагменты длительностью 5 секунд: сигнал приводится к 16 кГц и преобразуется в мел-спектрограмму с 128 полосами. Модель принимает аудио и выдаёт метку классификации. В таблице авторов для этого варианта приведены F1 0,76, чувствительность 0,66 и специфичность 0,92. Модель подходит для предварительной проверки музыкальных записей на синтетическое происхождение, но результат на отдельном пятсекундном фрагменте не гарантирует верную оценку всей песни; по опубликованным метрикам чувствительность ниже специфичности. Репозиторий заявляет лицензию MIT.

SoteDiffusion Wuerstchen3 Decoder — модель генерации изображений, созданная как дообучение Würstchen V3. Она предназначена для создания аниме-иллюстраций по текстовым описаниям и распространяется в формате Diffusers с весами Safetensors. Для обучения использовались 512 тысяч изображений; обучение проводилось на одной AMD RX 7900 XTX с 24 ГБ памяти в течение 100 часов. Реалистичные изображения не оценивались, а при изображении персонажей издалека глаза могут получаться неудачно. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

Soulblighter-24B-v1 — экспериментальное объединение моделей, созданное OccultAI методом karcher на основе нескольких вариантов Mistral. Модель предназначена для генерации текста, прежде всего творческого письма и ролевого общения; в карточке также заявлены рассказы, продолжение сцен и создание сюжетов разных жанров. Модель имеет плотную архитектуру MistralForCausalLM и 23,4 млрд параметров, принимает текст и генерирует текст. Контекст — до 131 072 токенов; в карточке указан английский язык. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Автор отмечает, что у модели есть отказы, а режим рассуждений не проверен. Это творческий merge, поэтому качество и поведение могут различаться по задачам и зависеть от используемого шаблона промпта.

Карточка модели SSterzer/stable-diffusion-xl-refiner-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-refiner-1.0, поэтому описание составлено по ней. SDXL Refiner 1.0 — модель диффузии от Stability AI, предназначенная для финальных этапов удаления шума и уточнения изображений, созданных базовой моделью SDXL. Её можно применять в двухэтапном конвейере генерации: базовая модель создаёт латенты, а Refiner дорабатывает их; также доступен сценарий image-to-image на основе SDEdit с тем же текстовым запросом. Модель использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Она помогает улучшить итоговое качество изображения, но второй этап увеличивает время генерации. Лицензия — CreativeML Open RAIL++-M; условия использования включают ограничения на отдельные сценарии. Модель не гарантирует фотореализм, плохо отображает читаемый текст и сложные пространственные композиции; лица и люди могут получаться некорректно. Она не предназначена для создания достоверных изображений людей или событий и может воспроизводить социальные предубеждения из данных.

StreamTTT-4B — экспериментальная видеоязыковая модель команды zeyun-zhong, основанная на Qwen3-VL-4B-Instruct и дообученная для понимания потокового видео. Архитектура сочетает скользящий KV-кэш на 4096 токенов для недавних кадров с отдельной памятью на основе test-time training, которая хранит сжатое представление более ранней истории. Модель обрабатывает видео по упорядоченным временным окнам и предназначена для вопросов о текущей сцене и событиях, произошедших ранее. Основные сценарии — анализ живого или длинного видео, ответы на вопросы о действиях и восстановление последовательности событий. В README сообщается о сравнительных результатах на StreamingBench и OVO-Bench; оценка проводилась с указанными для каждой модели протоколами ввода. Модель принимает видео и текстовые запросы, а ответы выдаёт текстом. Базовая модель поддерживает также анализ изображений. Лицензия — Apache-2.0. Память TTT является сжатой и теряет часть деталей, поэтому она не заменяет полное внимание, когда видео помещается в контекст. Свободная генерация в потоковом режиме не реализована в описанном пути оценки, а поведение на видео вне повседневных активностей, например медицинском или спортивном, не проверено. Сохраняются ограничения базовой Qwen3-VL-4B-Instruct.

Test3 — LoRA-адаптер для генерации изображений по текстовым описаниям, обученный через Replicate на базе FLUX.1 [dev] от Black Forest Labs. Для активации характерного стиля или объекта в запросе используется триггерное слово Nymphotic. Модель предназначена для создания изображений по текстовым промптам с использованием библиотеки Diffusers: адаптер подключают к базовой FLUX.1 [dev] и запускают генерацию. Базовая модель содержит 12 миллиардов параметров; размер самого адаптера в предоставленных данных не указан. Репозиторий распространяет веса в формате Safetensors для PyTorch/Diffusers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели. Качество и область применимости зависят от базовой модели и промпта; карточка не описывает дополнительные ограничения или результаты оценки.