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

TokForge выпустил эту модель для локальной генерации изображений в приложении TokForge. Это Stable Diffusion 1.5 на базе DreamShaper-7 от Lykon, объединённая с LCM-LoRA от Latent Consistency и преобразованная в единый файл GGUF с точностью f16 для stable-diffusion.cpp. В файл входят текстовый энкодер CLIP, UNet и VAE; размер файла составляет около 2,1 ГБ. Модель предназначена для создания реалистичных изображений по текстовым запросам на устройствах, включая CPU и OpenCL. LCM позволяет получать результат за несколько шагов без обычного guidance: в карточке рекомендуются 6 шагов, масштаб CFG 1,5 и разрешение 512×512; доступны также пресеты 256 и 384 пикселя. Разработчик позиционирует её как быстрый маршрут генерации изображений и отмечает более связное изображение людей и рук по сравнению с используемой им базовой SD-Turbo. Модель ориентирована на реалистичную генерацию; заявленное качество зависит от запросов и настроек, а разрешение и небольшой бюджет шагов ограничивают детализацию. Для основы DreamShaper-7 и LCM-LoRA указаны лицензии CreativeML OpenRAIL-M и OpenRAIL++-M соответственно; репозиторий модели указывает CreativeML OpenRAIL-M. В README также приведены условия автора DreamShaper-7, включая запрет на продажу модели и её слияний.

Карточка модели Ares-Realm-Studios/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Это зеркало модели TRELLIS.2-4B, разработанной Microsoft и опубликованной пользователем chibifire. Модель предназначена для создания текстурированных 3D-мешей с PBR-материалами по одному изображению, а также для текстурирования входного меша. В репозитории размещены конфигурации конвейера и чекпойнты компонентов модели. В основе лежат flow-matching-трансформер и разреженный 3D VAE; для представления 3D-объектов используется O-Voxel, поддерживающий произвольную топологию. Модель распространяется в формате safetensors и используется с кодом проекта TRELLIS.2. Лицензия — MIT.

Карточка модели Cinrostro1/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели IAMPS2026/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

Карточка модели sarahyung/TRELLIS.2-4B на Hugging Face совпадает с карточкой microsoft/TRELLIS.2-4B, поэтому описание составлено по ней. TRELLIS.2-4B — модель генерации 3D-объектов по изображению, разработанная Jianfeng Xiang и соавторами. Она использует трансформер flow matching с 4 млрд параметров и разреженный 3D-VAE для представления геометрии и внешнего вида в структуре O-Voxel. На вход подаётся одно изображение, на выходе создаётся 3D-модель с PBR-материалами; заявлено разрешение воксельной сетки от 512³ до 1536³. Модель также поддерживает генерацию текстур для заданной 3D-сетки и референсного изображения. TRELLIS.2 рассчитана на создание детализированных 3D-ассетов со сложной топологией, включая открытые поверхности и полупрозрачные материалы. Карточка указывает, что модель проверялась на Linux с видеокартами NVIDIA A100 и H100 и требует не менее 24 ГБ видеопамяти. Генерируемые сетки могут содержать небольшие отверстия и топологические дефекты, поэтому для задач вроде 3D-печати может потребоваться постобработка. Модель не настраивалась под человеческие предпочтения или конкретные эстетические стандарты. Лицензия — MIT.

TRELLIS Text Large — крупная модель генерации 3D-объектов по текстовому описанию, основанная на TRELLIS и представленная в работе «Structured 3D Latents for Scalable and Versatile 3D Generation». Она предназначена для сценариев text-to-3D, где по запросу создают трёхмерный объект. Репозиторий содержит веса в формате safetensors и использует библиотеку TRELLIS. Карточка указывает английский язык и лицензию MIT. README не приводит численный размер модели, параметры генерации или требования к ресурсам.

Карточка модели FishWoWater/TRELLIS-text-large-voxhammer на Hugging Face совпадает с карточкой microsoft/TRELLIS-text-large, поэтому описание составлено по ней. TRELLIS Text Large — крупная модель генерации 3D-объектов по текстовому описанию, основанная на TRELLIS и представленная в работе «Structured 3D Latents for Scalable and Versatile 3D Generation». Она предназначена для сценариев text-to-3D, где по запросу создают трёхмерный объект. Репозиторий содержит веса в формате safetensors и использует библиотеку TRELLIS. Карточка указывает английский язык и лицензию MIT. README не приводит численный размер модели, параметры генерации или требования к ресурсам.

TrOCR Kurrent-Model Hanse 17th century — модель распознавания рукописного текста, разработанная Research Centre for Hanse and Baltic History (FGHO) в рамках Flow Project. Она предназначена для чтения административных документов Северной Германии XVII века: протоколов городских собраний, материалов морского суда и заседаний совета Любека. Модель построена на архитектуре TrOCR типа vision-encoder-decoder и дообучена на основе dh-unibe/trocr-kurrent-XVI-XVII. Она принимает изображения рукописных страниц и выдаёт распознанный текст на ранненововерхненемецком языке. В README указаны CER 0,0040 на лучшей оценке и 0,0382 на тестовом наборе. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели pancho101/Uncensored-1b-Creative_Writing_RP-GGUF на Hugging Face совпадает с карточкой Novaciano/Uncensored-1b-Creative_Writing_RP-GGUF, поэтому описание составлено по ней. Novaciano/Uncensored-1b-Creative_Writing_RP-GGUF — GGUF-версия модели для генерации текста и диалогового ролевого отыгрыша. В карточке указано, что модель создана на основе carsenk/llama3.2_1b_2025_uncensored_v2 и обучена на смеси наборов данных для письма, ролевых диалогов, кода, математики и других задач; в метаданных также отмечен набор для многошагового творческого письма. Архитектура относится к семейству Llama 3.2, размер — 1 млрд параметров. Модель предназначена для творческого письма, продолжения сцен и ролевого общения. README указывает длину последовательности 8K токенов; автор отмечает, что при дообучении на входных последовательностях от 16K следует использовать их вместо этого варианта. GGUF подходит для запуска совместимыми средствами, включая llama.cpp и KoboldCpp. Поддерживаемые языки по карточке — английский и испанский. Модель помечена как uncensored и может выдавать откровенный или проблемный вымышленный материал. Лицензия — Llama 3.2; применимость лицензии и законность использования контента зависят от условий лицензии и законодательства пользователя.

VidEmo-7B — мультимодальная модель KlingAI, созданная исследователями из Нанкайского университета, Pengcheng Laboratory и Kuaishou Technology. Она предназначена для анализа видео с фокусом на эмоциях и использует рассуждение по аффективному дереву. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct и дообучена на датасете KlingTeam/Emo-CFG. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров; она принимает видео и текстовые запросы и выдаёт текст. Размер контекстного окна — 128 000 токенов. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель подходит для задач понимания эмоционального содержания видео и ответов на вопросы о нём. Работа принята на NeurIPS 2025. Данных о точности и конкретных ограничениях в карточке нет.

KingTechnician/videomae-small-finetuned-kinetics-xd-violence-binary — дообученная модель VideoMAE от автора KingTechnician для бинарной классификации видео на нормальное и содержащее насилие. Она основана на MCG-NJU/videomae-small-finetuned-kinetics и использует архитектуру VideoMAEForVideoClassification; размер модели — 28,3 млн параметров. Для обработки клипа модель выбирает 16 кадров и изменяет их размер до 224 × 224; указана длительность клипа около 2,13 секунды. На оценочной выборке автор сообщает точность 0,825. Для класса «насилие» указаны precision 0,89, recall 0,82 и F1 0,85; для класса «норма» — соответственно 0,74, 0,83 и 0,78. Эти результаты относятся к выборке из README и не гарантируют такого же качества на других данных. Датасет дообучения в карточке не назван. Модель принимает видео и выдаёт метку класса. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

geceff/Wan2.2-Custom-Models-GGUF — набор оптимизированных GGUF-квантизаций и специализированных вариантов Wan2.2 для преобразования изображения в видео. Разработчик репозитория — geceff; базовая технология относится к text-to-video synthesis, а заявленный pipeline предназначен для image-to-video. Модель ориентирована на запуск в ComfyUI и средах с ограниченной видеопамятью, прежде всего на NVIDIA Tesla T4, L4 и совместимых GPU. Заявлены языки английский, китайский и тайский. В состав входят варианты Wan2.2 I2V с разделением на high-noise и low-noise компоненты, квантизациями от Q4_K_M до Q8_H, а также отдельные FP8-модели, LoRA, текстовые энкодеры и VAE. Специализированные интегрированные варианты используют SVI для непрерывной генерации видео и веса Consistent Face для сохранения лица и внешности персонажа между кадрами. High-noise варианты предназначены для динамичного движения и разнообразных движений камеры, low-noise — для детализации и уточнения результата. Точные число параметров, размер контекста, поддерживаемые разрешения и длина видео на уровне архитектуры не указаны; для Tesla T4 README рекомендует не превышать 720×480 пикселей и примерно 81–120 кадров. Сильными сторонами являются экономичное использование VRAM, наличие нескольких уровней квантизации, поддержка гибридных рабочих процессов и оптимизация для ComfyUI. Ограничения связаны с существенными требованиями к видеопамяти, риском Out of Memory при использовании крупных FP8-моделей через веб-интерфейс на T4, а также необходимостью подбирать sampling steps, CFG и сочетание high-noise/low-noise вариантов. Репозиторий распространяется по лицензии Apache-2.0.

QuantStack/Wan2.2-Fun-5B-Control-Camera-GGUF — это квантованная версия модели Wan2.2-Fun-5B-Control-Camera, разработанной Alibaba PAI и преобразованной в формат GGUF. Модель предназначена для задач image-to-video, то есть генерации или управления видео на основе изображений, однако README не уточняет поддерживаемые режимы управления и дополнительные сценарии применения. Заявлены языки English и Chinese. Модель имеет размер 5B параметров согласно идентификатору и распространяется как GGUF для использования в ComfyUI. Для работы требуются отдельные компоненты: текстовый энкодер Umt5-xxl и Wan2.2_VAE, размещаемые в соответствующих каталогах ComfyUI. Поддерживается использование через пользовательскую ноду ComfyUI-GGUF. Сильными сторонами являются совместимость с экосистемой ComfyUI и более экономичный квантованный формат, но README не содержит сведений о конкретном типе квантования, требованиях к памяти, максимальном контексте, разрешении, производительности и качестве. Лицензия — Apache-2.0; при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели. README не указывает дополнительных ограничений или подробностей о коммерческом применении.

realrebelai/Wan-Animate-2_GGUFs — набор GGUF-квантизаций модели Wan2.2-Animate-2-14B, разработанной Wan-AI и преобразованной для работы в ComfyUI. Модель предназначена для анимации персонажей: она принимает эталонное изображение и управляющее видео, после чего переносит мимику и движения непосредственно на персонажа без промежуточного скелета или отдельного экстрактора движений. Для наилучшего переноса начальная поза на эталонном изображении должна примерно соответствовать начальной позе в управляющем видео. Это диффузионная image-to-video модель на 14 млрд параметров. Репозиторий содержит варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, Q3_K_M и Q2_K размером примерно от 5,9 до 17,4 ГБ. Вариант Q4_K_M обозначен как рекомендуемый благодаря соотношению качества и размера; меньшие варианты требуют меньше видеопамяти, но сильнее теряют детализацию. Квантизации рассчитаны на видеокарты с 8–12 ГБ памяти вместо примерно 30 ГБ для полной версии bf16. README не указывает поддерживаемые языки и размер контекста. Для запуска требуется свежая версия ComfyUI с поддержкой Wan-Animate-2, ComfyUI-GGUF, специальный загрузчик Rebels W3A8 Loader, текстовый энкодер, VAE и CLIP Vision. Необходимо явно установить тип модели animate2; стандартный GGUF-загрузчик может тихо интерпретировать модель как обычную Wan 2.1 I2V и проигнорировать управляющее видео. GGUF заменяет только диффузионную модель, поэтому вспомогательные файлы поставляются отдельно. Лицензия — Apache-2.0; при этом сохраняются исходные условия и ограничения базовой модели.

siberian-lang-lab/wav2vec2-large-mms-1b-evenki-colab — дообученная Siberian Lang Lab модель распознавания речи на архитектуре wav2vec2. Она основана на facebook/mms-1b-all и содержит 1,3 млрд параметров; заявленная специализация — эвенкийский язык. Модель принимает аудио и преобразует речь в текст. Модель подходит для автоматической транскрипции эвенкийской речи. В README приведены результаты оценки: loss 0,7563 и WER 0,7135; конкретный набор данных и условия оценки не описаны, поэтому эти показатели сложно интерпретировать. Модель распространяется в формате safetensors через Transformers по лицензии CC BY-NC 4.0, которая требует атрибуции и ограничивает коммерческое использование.

wav2vec2-xls-r-300m-rinpoche — модель распознавания тибетской речи, разработанная GarchenArchive для транскрибирования выступлений Гарчена Ринпоче. Это дообученная на базе facebook/wav2vec2-xls-r-300m модель с CTC-выходом и символьным словарём из 129 токенов; для декодирования также доступна языковая модель KenLM на 5-граммах. На вход принимает монофоническое аудио с частотой 16 кГц, на выходе формирует текст без заданного максимума длины. Модель обучена на записях одного диктора и специфическом речевом регистре. На тестовом наборе из 1 394 высказываний CER составляет 0,1867 при жадном декодировании и 0,1856 с KenLM; качество выше на длинных фрагментах, чем у сравниваемой Whisper-модели, и ниже на коротких. KenLM построена на более ранних расшифровках, а часть тибетских символов отображается в неизвестный токен; модель также склонна к близким по написанию ошибкам. Лицензия в предоставленных данных не указана.

Модель Aniemore для распознавания эмоций в русской речи. Она основана на архитектуре Wav2Vec2 XLSR-53 и дообучена на датасете Aniemore/resd; модель содержит 402,7 млн параметров по метаданным. Принимает монофоническую аудиозапись с частотой 16 кГц длительностью до 12 секунд и относит её к одному из семи классов: гнев, отвращение, энтузиазм, страх, радость, нейтральное состояние или грусть. Модель предназначена для классификации эмоций в отдельных русскоязычных речевых фрагментах, например при анализе звонков или подкастов. На тестовой выборке RESD README приводит macro-F1 0,7206, но на тестах спонтанной речи из подкастов Dusha и CAMEO результаты значительно ниже. Данные RESD состоят из сбалансированных актёрских записей, поэтому модель склонна переоценивать эмоциональные классы в естественной речи; перед применением на собственных данных нужна проверка и калибровка. Лицензия — MIT.

Nikhil0097/wavlm-large-emotion-vad — модель WavLM-large, дообученная автором для оценки эмоциональных характеристик естественной английской речи. Она принимает монофонический звук с частотой 16 кГц и выдаёт непрерывные оценки валентности, возбуждения и доминирования (Valence, Arousal, Dominance, VAD). Модель предназначена для анализа эмоций в речи, в частности в подкастах; в README сообщается об оценке на тестовых клипах MSP-Podcast v2.0 с разделением по говорящим. Модель содержит около 402,7 млн параметров и использует WavLMModel с регрессионной головой, которая усредняет скрытые состояния и выдаёт три значения. В README приведены CCC 0,705 для валентности, 0,714 для возбуждения и 0,626 для доминирования. Эти результаты относятся к естественной речи в стиле подкастов на английском языке; автор предупреждает, что качество на постановочной речи не переносится. Модель основана на microsoft/wavlm-large и распространяется по лицензии CC BY-NC-SA 4.0.

aufklarer/WeSpeaker-ResNet34-LM-MLX — совместимое с MLX преобразование модели WeSpeaker ResNet34-LM, подготовленное для Apple Silicon. Модель на архитектуре ResNet34 содержит около 6,6 млн параметров и преобразует аудио в 256-мерные L2-нормализованные эмбеддинги голоса. Веса конвертированы из pyannote/wespeaker-voxceleb-resnet34-LM; при преобразовании BatchNorm объединён со слоями Conv2d. Модель обучена на VoxCeleb и предназначена для верификации говорящего и диаризации: эмбеддинги можно использовать для сравнения голосов и группировки фрагментов по говорящим. На вход подаются лог-мел спектрограммы с 80 fbank-признаками при частоте дискретизации 16 кГц, на выходе — векторы признаков. Это не модель распознавания речи и она не генерирует транскрипты. Репозиторий распространяется по лицензии MIT.

Модель devalade/whisper-large-v3-yoruba-colab — дообученная devalade версия Whisper large-v3 для автоматического распознавания речи и преобразования аудио в текст. Она принимает аудио и выдаёт текстовую транскрипцию; объём модели составляет 905,2 млн параметров. В README указано, что обучение проводилось с использованием Unsloth и библиотеки TRL для Hugging Face. Модель предназначена для распознавания речи на йоруба, что следует из названия репозитория; метаданные карточки отдельно указывают английский язык. Она распространяется по лицензии Apache-2.0. В карточке нет сведений о длине контекста или оценках качества на конкретных наборах данных.

Модель Amine Ouakib — дообученная версия openai/whisper-small для автоматического распознавания речи на даридже, марокканском диалекте арабского языка. Для обучения использована комбинация публичных наборов аудиозаписей; аудио ограничивалось длительностью до 15 секунд. В метаданных указаны 153,1 млн параметров, архитектура Wav2Vec2ForCTC и формат safetensors, однако карточка описывает модель как Whisper и приводит отличающийся размер около 317 млн параметров. Модель предназначена для транскрибирования коротких записей на марокканской даридже. В README приведены итоговые WER 10,57% и CER 11,70%. Для работы с длинными записями потребуется предварительная нарезка; автор также предупреждает, что модель может не поместиться в бесплатный виджет Hugging Face из-за ограничений памяти и времени. Лицензия — Apache-2.0.

Whisper Small for Bahasa Iban — модель распознавания речи, созданная Meisin Lee на основе openai/whisper-small и дообученная на корпусе Iban Speech Corpus. Это плотная модель Whisper с 153,1 млн параметров, предназначенная для преобразования аудио на языке ибан в текст. При дообучении также использовались знания о близком языке — малайском. Модель подходит для расшифровки записей и устной речи на ибане. На оценочном наборе указана частота ошибок слов (WER) около 15,9%. Ибан — малообеспеченный данными язык, поэтому точность может снижаться на речи, отличающейся от обучающих данных. Модель плохо обрабатывает переключение между ибаном и английским, особенно английские фрагменты. В README лицензия не указана.

WorldCrafter-Base — пакет базовых весов трансформера для системы WorldCrafter, включающий соответствующий адаптер камеры и LoRA. Он предназначен для генерации видео из изображения с помощью кода инференса WorldCrafter; README указывает запуск с типом модели base и сохранение результата в MP4. Пакет использует общие с WorldCrafter-Fast компоненты: repencoder, text encoder, tokenizer, VAE и scheduler, а собственные папки transformer и adapter должны храниться вместе. Метаданные Hugging Face указывают задачу image-to-video, библиотеку Diffusers и форматы Diffusers и safetensors. README ссылается на статью «WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory», но не приводит сведения о размере модели, контексте, языках или лицензии.

Yiffymix v51-XL — версия модели Yiffymix v51 от chilon249, адаптированная для Diffusers. Это модель семейства Stable Diffusion XL-Lightning для генерации изображений по текстовым описаниям; репозиторий поддерживает Diffusers и формат safetensors. В README рекомендуются 12–25 шагов генерации, низкий guidance scale около 4–6 и clip skip 2. Для Diffusers указан сэмплер DPM++ 2M Karras; можно подключить другие планировщики и отдельный VAE. Модель подходит для создания художественных изображений по текстовым запросам. README ограничивает её использование творческими и художественными целями без намерения причинить вред. Лицензия в метаданных — OpenRAIL++; перед использованием внешнего VAE необходимо соблюдать его лицензию.

keremberke/yolov8m-scene-classification — модель классификации изображений на основе архитектуры YOLOv8, опубликованная пользователем keremberke. Она предназначена для определения категории сцены на изображении; в метаданных указан датасет indoor-scene-classification, поэтому модель ориентирована на классификацию интерьерных сцен. Для использования предусмотрена библиотека Ultralytics и формат PyTorch. Размер модели, перечень меток и лицензия в доступных сведениях не приведены.

YuE-s1-7B-anneal-en-icl — англоязычная версия модели семейства YuE, разработанного командой HKUST/M-A-P для генерации музыки по тексту песни. Она предназначена для создания целых песен длительностью в несколько минут, включая вокальную партию и музыкальное сопровождение; режим ICL позволяет использовать референсную композицию при генерации. Модель построена на плотной архитектуре Llama и содержит 5,9 млрд параметров, работает с контекстом до 16 384 токенов и опубликована в формате safetensors. YuE ориентирована на генерацию песен на английском языке; семейство в целом поддерживает разные жанры, языки и вокальные техники. Для работы с моделью требуются средства инференса, описанные в репозитории проекта. Доступны сценарии генерации по тексту и создания новой композиции с опорой на аудиореференс. Модель распространяется по лицензии Apache 2.0.

puvrocks27/yugioh-semantic-search — модель Sentence-Transformers на базе архитектуры BERT, разработанная для семантического поиска по текстам о Yu-Gi-Oh!. Она преобразует предложения и абзацы в плотные векторы размерности 384; метаданные указывают 40 млн параметров и контекст до 512 токенов. Обучение использовало CosineSimilarityLoss. Модель подходит для поиска текстов по смыслу и группировки похожих описаний, например для поиска карт и материалов по Yu-Gi-Oh!. Для работы доступны Sentence-Transformers и Transformers с соответствующим pooling. Репозиторий содержит веса safetensors. Сведения о лицензии и языковой специализации в предоставленных источниках отсутствуют.

Zero Nans v10 SDXL — модель генерации изображений по текстовому описанию, опубликованная John6666 и созданная SulphAI. Модель основана на Laxhar/noobai-XL-Vpred-1.0 и представляет собой объединённую (merge) версию семейства Stable Diffusion XL с v-prediction, предназначенную для работы через библиотеку Diffusers и StableDiffusionXLPipeline. Модель ориентирована прежде всего на создание аниме-изображений, включая персонажей и иллюстрации с девушками. Она принимает текстовые запросы на английском языке и генерирует изображения в соответствии с описанием сцены, внешности, композиции и стиля. В карточке модели не указаны число параметров и длина контекста. Модель подходит для художественной генерации и прототипирования визуального контента в аниме-стилистике. Результаты зависят от качества текстового запроса, настроек инференса и совместимости используемого пайплайна. Модель распространяется по лицензии faipl-1.0-sd; перед использованием необходимо ознакомиться с её условиями.