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

Flux Fantasy Knights — это LoRA-адаптер для генерации изображений на базе black-forest-labs/FLUX.1-dev, разработанный автором HailoKnight и опубликованный пользователем Keltezaa. Модель предназначена для text-to-image сценариев с фэнтезийными и футуристическими рыцарями, доспехами, мечами, паладинами, демоническими персонажами и механическими воинами. Она также может использоваться для создания персонажей без мечей и для сочетания рыцарской эстетики с научной фантастикой, киберпанком и кинематографичной визуальной подачей. Это модель типа LoRA в формате Safetensors, работающая с базовой архитектурой FLUX.1-dev и библиотекой Diffusers. Для активации рекомендуется использовать триггер hkstyle или HKStyle, а для усиления характерного результата — описывать мечи и доспехи. Рекомендуемый вес LoRA составляет примерно 0,6–1, однако автор советует экспериментировать. Важное ограничение — адаптер может часто добавлять шлем; для получения персонажа без шлема рекомендуется явно описывать волосы или использовать негативный запрос. Лицензия указана как bespoke-lora-trained-license; по ссылке лицензии разрешено коммерческое использование изображений, создание производных работ и применение другой лицензии при соблюдении условий, включая требование об указании авторства.

furaidosu/flux-lora-gliff-tosti-vector-no-captions-2500s — модель для генерации изображений по текстовому описанию, разработанная пользователем или организацией furaidosu. Она предназначена для создания цифровых иллюстраций в мультяшной и векторной стилистике, включая портреты персонажей, юмористические образы и мрачные или готические сцены. Модель представляет собой LoRA-адаптацию для экосистемы Diffusers, связанной с базовой моделью black-forest-labs/FLUX.1-schnell. Поддерживаемая модальность — текст в изображение; в README указан английский язык. Рекомендуемый размер генерации — 1024×1024 пикселя. Примеры показывают чистые линии, плоские цвета, плавные градиенты, выразительных персонажей и композиции, напоминающие современное векторное искусство. Название указывает на отсутствие подписей в изображениях, однако подробные сведения о размере адаптера, весах LoRA, требованиях к памяти и точных параметрах запуска не приведены. Сильная сторона модели — выраженная ориентация на стилизованные мультяшные и вектороподобные изображения с разнообразным настроением: от дружелюбного и комичного до хоррор- и dark fantasy. Ограничениями являются отсутствие подробной информации о качестве на разных типах запросов, поддерживаемых разрешениях и совместимости с другими версиями FLUX. Использование регулируется лицензией flux-1-dev-non-commercial-license; коммерческое применение этой лицензии не разрешено.

Коллекция пользовательских моделей luxdelux7 для обнаружения и сегментации лиц на реалистичных, аниме и стилизованных изображениях. Модели предназначены для работы с пользовательскими узлами Forbidden Vision в ComfyUI; в репозитории указаны форматы ONNX и safetensors. Метаданные связывают модели с Ultralytics YOLO11 и EfficientNetV2-S, однако не раскрывают устройство отдельных моделей, их размеры и параметры обучения. Репозиторий распространяется по лицензии Apache-2.0. Основной сценарий — находить лица на изображениях; заявлена также сегментация лиц. Поддержка разных визуальных стилей делает коллекцию подходящей для соответствующих рабочих процессов ComfyUI. Конкретные показатели качества, поддерживаемые разрешения и ограничения не описаны.

Gemma-4-26B-A4B Musica v1 — дообученная AuriAetherwiing версия Gemma 4 26B A4B IT для ролевых диалогов, генерации историй и художественного письма. Это разговорная модель с поддержкой изображений и выдачей текста; README описывает её как третью модель серии Musica и отмечает творческую прозу и разнообразие вариантов ответа. Модель подходит для отыгрыша персонажей, совместного написания сцен и создания историй. Автор отмечает, что она менее стабильна и хуже справляется с рассуждениями, чем версия Musica 31B, а следование инструкциям бывает непоследовательным. Для генерации автор рекомендует температуру 1, Min-P 0,02 и NSigma 2; штрафы за повторение могут ухудшать результат. Модель основана на google/gemma-4-26B-A4B-it и дообучена с помощью LoRA на наборе данных для SFT. Доступна по лицензии Apache-2.0.

Gemma4-Gutenberg-26B-A4B-i1-GGUF — это набор квантованных файлов GGUF модели Gemma4-Gutenberg-26B-A4B, разработанной nbeerbower и подготовленной в формате GGUF пользователем spiritfather. Модель основана на Gemma 4 26B A4B Instruct от Google: исходный LoRA-адаптер объединён с текстовой языковой моделью, извлечённой из мультимодальной базы, после чего выполнено квантование. В карточке указано, что модель предназначена для генерации текста, творческого письма и ролевых сценариев; её оценивали на CaliperBench по качеству прозы, ролевому взаимодействию и готовности следовать творческим запросам, а не по общей интеллектуальной эффективности. Доступен английский язык. Архитектурные детали, размер контекста и точные характеристики мультимодальности для итоговой GGUF-модели не указаны; известно лишь обозначение 26B A4B и то, что опубликованный вариант представляет собой текстовую модель. Набор включает варианты IQ- и стандартного квантования объёмом примерно от 8,3 до 22,6 ГБ. Взвешенное imatrix-квантование должно лучше сохранять качество на низких разрядностях, тогда как на уровнях Q5/Q6 преимущество над статическим квантованием минимально. В качестве компромисса между размером, скоростью и качеством рекомендован Q4_K_M. Сильной стороной модели является специализация на творческом письме и ролевом взаимодействии, а также широкий выбор вариантов квантования для локального запуска. Ограничения включают неизвестные параметры контекстного окна, неполное описание возможностей и вероятное снижение качества у самых низкоразрядных вариантов. Лицензия указана как gemma; дополнительные условия использования в README не раскрыты.

Genshin Irminsul — это дообученная на датасете Genshin_Irminsul_Dataset модель Qwen3.5-4B-Base, опубликованная charlin55. Она предназначена для генерации ответов на вопросы о мире и игровых設定ках Genshin Impact; дообучение должно улучшить знание специфики игры по сравнению с базовой моделью. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров и распространяется в формате Safetensors. Базовая Qwen3.5 поддерживает текст и изображения, однако карточка этой производной модели описывает специализацию на знаниях о Genshin Impact и указывает китайский язык. Лицензия — MIT. Автор отмечает, что модель может галлюцинировать и выдавать сведения, не соответствующие игровому канону, поэтому ответы о сюжете и лоре следует проверять.

GLM4-32B-Neon-v2 — дообученная Auri модель GLM-4-32B-0414 для ролевого общения и генерации коротких историй. Она основана на плотной архитектуре GLM4 с 31,6 млрд параметров и контекстом до 32 768 токенов; модель принимает текстовые запросы и генерирует текст. Обучение проведено методом QLoRA на синтетических данных для ролевых сценариев и короткой прозы, включая наборы Celeste-Filtered, neon-41k и Lilith-v0.2. Модель рассчитана на чат с выразительной манерой, вариативную прозу и ролевые сценарии; по описанию автора, ей свойственны индивидуальный стиль и иногда необычные ответы. Поддерживает формат GLM4 instruct и шаблон чата, а для корректной работы некоторым бэкендам требуется вручную добавить BOS-токен. Лицензия — MIT. Автор отмечает возможные повторы в структуре, причудливое поведение и случаи, когда модель отвечает уклончиво. Эксперименты обучения также сопровождались проблемой NaN в оценке и функции потерь; описание не уточняет, как это влияет на итоговое качество.

Модель jayanta/google-vit-base-patch16-224-cartoon-emotion-detection — дообученная Jayanta модель классификации изображений на базе Vision Transformer google/vit-base-patch16-224. Она предназначена для распознавания эмоций на изображениях мультяшных персонажей. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. На оценочном наборе данных указаны accuracy 0,8807 и F1 0,8783. В качестве данных для обучения и оценки назван набор imagefolder; сведения о классах эмоций и составе выборки не приведены. Лицензия — Apache-2.0.

Это веса языковой модели AI Dungeon 2 2019 года, опубликованные lukasstraub2. Модель представляет собой дообученную GPT-2 XL с плотной авторегрессионной архитектурой и форматом safetensors; исходные веса были преобразованы в формат Hugging Face Transformers. Базовая GPT-2 XL содержит 1,5 млрд параметров, а контекст модели составляет 1024 токена. Модель предназначена для генерации продолжения текста по подсказке, в частности для интерактивного повествования и текстовых приключений в стиле AI Dungeon. В README приведены рекомендуемые параметры сэмплирования: temperature 0,4, top_p 0,9, top_k 40 и repeat_penalty 1,1764. Модель унаследовала англоязычную направленность базовой GPT-2 XL; иных поддерживаемых языков в источниках не заявлено. Лицензия — MIT. Это специализированное дообучение для генерации художественного текста, поэтому ответы могут быть непредсказуемыми и не подходят без проверки для задач, требующих точности или актуальных сведений.

GPT-2, дообученная автором карточки на рассказах разных жанров для генерации историй по жанру и начальному фрагменту. Модель принимает текстовую подсказку; среди поддерживаемых жанров указаны супергеройский, боевик, драма, ужасы, триллер и научная фантастика. В README приведён пример использования через библиотеку Transformers. Модель основана на предварительно обученном чекпойнте gpt2 и дообучена для генерации текста. Архитектура — плотная GPT-2 с классом GPT2LMHeadModel; доступны веса PyTorch и Flax, контекст составляет 1024 токена. Языки рассказов и условия лицензии в предоставленных данных не описаны.

edbeeching/gpt-neo-125M-imdb — дообученная на наборе данных IMDb языковая модель семейства GPT-Neo, основанная на EleutherAI/gpt-neo-125M. Она предназначена для генерации текста и может использоваться для продолжения англоязычных фрагментов, связанных с отзывами о фильмах. Модель содержит 137,7 млн параметров, построена на архитектуре GPTNeoForCausalLM и поддерживает контекст до 2048 токенов. Модель представлена в формате PyTorch и распространяется по лицензии MIT. Карточка не приводит оценок качества или подробностей обучения, поэтому пригодность для конкретных задач требует отдельной проверки.

Модель sapinsapin/gpt-oss-20b-balitanlp-cpt-bf16 — BF16-копия базовой модели gpt-oss-20b, которую разработчик SapinSapin дообучил продолжением предобучения на филиппинских новостях из BalitaNLP. Это базовая языковая модель, способная генерировать связный текст на филиппинском языке; она не настроена на выполнение инструкций. Архитектура — GPT-OSS с разреженной смесью экспертов (MoE); в метаданных указано 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста на филиппинском языке и для дальнейшей адаптации к прикладным задачам. BF16 сохраняет изменения весов, полученные при продолжении предобучения; README указывает, что модель занимает 41,8 ГБ и рассчитана на запуск на одном GPU с 80 ГБ памяти. Лицензия — Apache 2.0. Поскольку модель не дообучена на инструкциях, она может не следовать запросам в формате ассистента без дополнительной настройки.

GTA5 Artwork Diffusion — модель генерации изображений по текстовому описанию, обученная автором на загрузочных экранах, сюжетном режиме и иллюстрациях дополнений GTA V. Она основана на Stable Diffusion и дообучена методом DreamBooth; для отсылки к стилю в запросе используется токен «gtav style». Модель предназначена для создания портретов и изображений людей, автомобилей, домов, объектов и пейзажей в стилистике иллюстраций GTA V. Пейзажи могут приобретать вид игровых кадров. Модель распространяется в форматах Diffusers, PyTorch и SafeTensors под лицензией CreativeML OpenRAIL-M, условия которой ограничивают некоторые варианты использования.

HELLmix — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она основана на Stable Diffusion 1.5 и распространяется в формате Diffusers с весами Safetensors; в неё встроен VAE MoistMixV2VAE. Карточка демонстрирует генерацию аниме-изображения по англоязычному промпту. Модель предназначена для создания 2D-изображений в аниме-стиле по текстовым запросам. Указана лицензия CreativeML OpenRAIL-M. В карточке нет сведений о контекстном ограничении, оценках качества или дополнительных ограничениях использования.

Yntec/HyperPhotoGASM — объединённая модель генерации изображений по текстовому запросу на базе Stable Diffusion. Автор сообщает, что модель создана смешиванием DreamPhotoGASM и HyperRealism 1.2: объединение призвано улучшить детализацию глаз и композицию. Репозиторий содержит веса в формате safetensors для использования с библиотекой Diffusers. Модель предназначена для создания фотореалистичных изображений и кинематографических сцен по текстовым описаниям: примеры включают портреты, пары, костюмированные и постановочные сцены. В README приведены запросы на английском языке; сведения о поддержке других языков и длине контекста не приводятся. Лицензия — CreativeML OpenRAIL-M. Примеры и название модели указывают на ориентацию в том числе на чувственные изображения взрослых персонажей; качество и точность следования запросу могут зависеть от формулировки промпта. Подробные ограничения, включая рекомендуемые настройки и известные дефекты, в карточке не описаны.

I2VGen-XL — модель генерации видео из изображений, разработанная Tongyi Lab группы Alibaba и выпущенная в составе открытого кодового проекта VGen. Она использует каскадные диффузионные модели и предназначена для преобразования входного изображения в видео; кодовая база также описывает генерацию видео по тексту и управление движением, но карточка этой модели относит её к задаче text-to-video. Модель подходит для создания видеороликов на основе изображений и для экспериментов с генерацией видео. В README указана возможность создавать видео с разрешением 1280×720 и поддержка через библиотеку Diffusers. Модель обучалась на WebVid-10M и LAION-400M. Репозиторий распространяется по лицензии MIT. Авторы указывают, что модель предназначена только для исследований и некоммерческого использования. В README также отмечено, что текущая версия не полностью сохраняет идентичность объектов и может не одновременно обеспечивать крупные и точные движения.

crumb/icon-diffusion-v1-1 — модель генерации изображений по текстовым запросам на базе Stable Diffusion. Она создана дообучением hakurei/waifu-diffusion-v1-3 на 800 примерах; обучение проводилось с разрешением 384×384, чтобы снизить риск артефактов на исходных изображениях низкого разрешения. В карточке приведены примеры запросов с тегами для создания скетчей и изображений профиля в стилистике аниме. Модель предназначена для генерации изображений по текстовым описаниям на английском языке. В README не указаны сведения о лицензии, размере модели или ограничениях её использования.

Yntec/IllustratorInk — модель преобразования текста в изображения, созданная Yntec на основе Tantrum. По карточке, в чекпойнт Tantrum встроена LoRA Cute and Fresh; в описании также приведён экспериментальный рецепт слияния с HELLmix, названный Cute Ink. Модель рассчитана на создание иллюстраций в милом мультяшном и аниме-стиле по текстовым запросам. Примеры показывают персонажей, чиби и сцены с детализированными атрибутами. Репозиторий использует Diffusers и формат safetensors. Лицензия — CreativeML OpenRAIL-M. Автор отмечает, что попытка улучшить универсальность с помощью HELLmix привела к ещё одной аниме-модели.

Illustrious XL10 Improved Uncensored v30 — это дообученная модель преобразования текста в изображение, созданная пользователем Shopon_Skp на основе OnomaAIResearch/Illustrious-XL-v1.0. Модель распространяется для использования через библиотеку Diffusers и совместима с StableDiffusionXLPipeline в формате safetensors. Модель предназначена для генерации изображений по текстовым описаниям, прежде всего в аниме-стилистике и с изображениями персонажей, включая женских персонажей. Она ориентирована на сценарии, где требуется создавать иллюстрации по англоязычным промптам. В метаданных модель обозначена как Stable Diffusion XL fine-tune и имеет лицензию other; в README указана лицензия FAIR AI Public License 1.0 SD (faipl-1.0-sd). К ограничениям относятся ориентация на англоязычные текстовые запросы и отсутствие заявленной поддержки других языков. Пометка not-for-all-audiences указывает на возможное наличие контента, неподходящего для всех аудиторий; перед публикацией результаты следует проверять на соответствие требованиям платформы, возрастным ограничениям и применимому законодательству.

KeplerRP-7B-128K-0.2 — разговорная языковая модель для ролевых диалогов, созданная Ppoyaa путём слияния предварительно обученных моделей с помощью mergekit. В состав слияния вошли 12 моделей на базе 7B, включая варианты Mistral для ролевых диалогов и инструкций. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она предназначена для генерации текста в формате чата и ролевых сценариев. Несмотря на обозначение «128K» в названии, заявленная нативная длина контекста в метаданных составляет 32 768 токенов. Указана библиотека Transformers и формат весов safetensors. Лицензия и конкретные языки использования в предоставленных данных не указаны. Качество и поведение могут зависеть от выбранного промпта и сценария; README не приводит результатов оценки.

Kohaku XL Zeta — модель генерации изображений по тексту на базе Stable Diffusion XL, разработанная KBlueLeaf как дообучение Kohaku-XL-Epsilon-rev2. Она предназначена прежде всего для создания аниме- и иллюстративных изображений по тегам и описаниям на естественном языке; оба вида подсказок можно сочетать. Автор отмечает улучшенную передачу стиля и персонажей, более устойчивую генерацию и поддержку длинных подсказок, хотя подробный промпт не обязателен. Модель обучена на объединённом наборе примерно из 8,46 млн изображений Danbooru, Pixiv, PVC-фигурок и Realbooru. Для генерации рекомендованы разрешение около 1024×1024, CFG 3,5–6,5 и 12–50 шагов. Используется архитектура Stable Diffusion XL; модель распространяется в форматах Diffusers/PyTorch и Safetensors. Карточка задаёт лицензию как other, не приводя в предоставленных данных конкретных условий использования.

lvladikov/Krea2-Turbo-Distill-2step-LoRA — адаптер LoRA для модели Krea 2 Turbo, разработанный пользователем lvladikov. Адаптер предназначен для дистилляции процесса генерации изображений: он сокращает число шагов денойзинга с 8 до 2, сохраняя собственные веса и сигмы Krea 2 Turbo и работая с guidance 0.0. Модель ориентирована прежде всего на быстрые предварительные просмотры и черновики, а не на максимальное качество финального рендера. Адаптер совместим с библиотекой Diffusers, ComfyUI и MLX, использует стандартный Euler без пользовательского sampler или custom nodes. Его архитектура имеет rank 64 и применяется к тем же 228 модулям, что и 4-step-адаптер. Обучение проводилось на 17 464 образцах, включая 13 750 записанных траекторий учителя; заявлены 12 обученных разрешений от 512×512 до 1440×1440. По данным README, при разрешении 1024×1024 денойзинг занимает около 19,5 секунды вместо 81,4 секунды у учителя, что соответствует ускорению примерно в 4,2 раза. Сильная сторона модели — высокая скорость при сохранении мелких деталей и хорошее соответствие текстовым запросам, особенно в сценах с крупным портретом, одним персонажем или объектом, занимающим значительную часть кадра. Ограничения связаны с продолжающимся обучением и качеством небольших объектов: лица в толпе и фигуры в широких сценах могут выглядеть смазанными или призрачными. Для финальных изображений и случаев, где важнее качество, рекомендуется 4-step-адаптер. Модель также заявлена как совместимая с Krea 2 Raw при 7 и более шагах и лёгком guidance. Распространяется по Krea 2 Community License Agreement; в репозитории указаны LICENSE.pdf и обязательное уведомление NOTICE.txt.

LibreSAMhuge — зеркало весов Segment Anything Model 1 (SAM-1) ViT-Huge, опубликованное LibreYOLO. В репозитории без изменений размещены веса и конфигурация Meta Platforms, скопированные побайтно из facebook/sam-vit-huge; файл весов представлен в формате safetensors и используется библиотекой LibreYOLO. Модель предназначена для сегментации изображений и генерации масок объектов в сценариях, где требуется выделить области или объекты на изображении. Это плотная модель архитектуры SAM с классом SamModel и вариантом энкодера ViT-Huge. Репозиторий распространяется по лицензии Apache-2.0.

Emyrus/LITEmix — модель генерации изображений в стиле аниме по текстовому описанию. Автор сообщает, что модель обучалась за небольшое число шагов, а затем была объединена с моделями evt_v2 и momocha. Она доступна для запуска через Diffusers и PyTorch и предназначена для создания аниме-иллюстраций по текстовым запросам. В метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Карточка не содержит подробностей об архитектуре, размере или контексте.

mudler/locate-anything.cpp-gguf — это GGUF-сборка модели NVIDIA LocateAnything-3B, подготовленная командой LocalAI для инференса через locate-anything.cpp — C++/ggml-движок без необходимости использовать Python во время выполнения. Модель предназначена для обнаружения объектов по текстовому описанию с открытым словарём и задач visual grounding, то есть для поиска экземпляров заданных категорий на изображениях и определения их ограничивающих рамок. Она может применяться локально на CPU и GPU; результаты заявлены как совпадающие с официальной реализацией PyTorch, а инференс — как более быстрый. Архитектура включает визуальную башню MoonViT, проектор и языковую модель Qwen2; общий размер базовой модели — 3B параметров. Сборка поддерживает GGUF-варианты f16, q8_0, q6_k, q5_k и q4_k размером примерно от 4,7 до 9,2 ГБ, а полноточный f32-вариант занимает около 15 ГБ. В q8_0 и q6_k ограничивающие рамки заявлены как идентичные f32, тогда как q5_k и q4_k дают небольшое субпиксельное отклонение. README не указывает поддерживаемые языки и максимальную длину контекста. Сильные стороны модели — локальный запуск, поддержка CPU и GPU, отсутствие Python при инференсе, высокая скорость и сохранение точности детекций в рекомендуемой конфигурации q8_0. Ограничения включают значительные требования к дисковому пространству и памяти, зависимость от locate-anything.cpp и компромисс между размером, скоростью и точностью рамок для низкобитных вариантов. Веса распространяются по лицензии NVIDIA, а код репозитория — по лицензии MIT.

Lorin — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией AmericanoLatte. Модель предназначена для использования с базовой моделью krea/Krea-2-Turbo в сценариях text-to-image, включая создание портретных изображений и других визуальных материалов по промптам. Для активации адаптера в промпт необходимо добавлять триггерное слово «Lorin». В README указано, что это обычная LoRA для Diffusers; сведения о размере адаптера, точной архитектуре, параметрах масштабирования, поддерживаемых языках и ограничениях контекста не предоставлены. Пример применения демонстрирует запрос «Portrait photo». Модель удобна для добавления характерного визуального эффекта или стиля Lorin к возможностям Krea-2-Turbo без замены базовой модели. При этом качество и область применения зависят от базовой модели, настроек LoRA и корректного использования триггерного слова. Модель распространяется по лицензии MIT.

Google Lyria 3 Clip Preview — предварительная версия модели из семейства Lyria 3 для генерации музыки через Gemini API. Карточка сообщает, что клипы длительностью 30 секунд стоят $0,04 за клип. Модель предназначена для создания музыкальных клипов. Карточка не описывает архитектуру, число параметров, поддерживаемые языки, входные данные или особенности качества, поэтому эти характеристики здесь не приводятся. Данных о лицензии также нет.

Magenta RealTime 2 — модель Google DeepMind для потоковой генерации инструментальной музыки в реальном времени; этот репозиторий содержит её порт на PyTorch, подготовленный magenta-community. Архитектура включает авторегрессионный декодер Depthformer, аудиокодек SpectroStream и текстово-аудио энкодер стиля MusicCoCa. Порт совместим с Transformers и использует веса, численно идентичные исходному чекпойнту Google. Модель принимает текстовое описание стиля и аудиоконтекст, а также поддерживает потоковое продолжение генерации: состояние передаётся между вызовами, а стиль можно менять во время воспроизведения. Она предназначена для интерактивного создания и управления инструментальной музыкой; README приводит примеры живого воспроизведения и демо для управления нотами и параметрами продюсирования. Лицензия — Apache-2.0. Для запуска нужны PyTorch, Transformers и SentencePiece; для сохранения аудио — SoundFile. Потоковая генерация реализована собственным интерфейсом, а ускорение до режима реального времени зависит от компиляции или заранее экспортированных графов AOTInductor, привязанных к архитектуре GPU.

JustANormalTinkerer/manga-ocr-finetuned — дообученная модель распознавания текста в изображениях манги, созданная на основе jzhang533/manga-ocr-base-2025. Она предназначена для OCR английских переводов манги и звуковых эффектов; автор отмечает улучшенную поддержку этих текстов по сравнению с базовой моделью, хотя распознавание звуковых эффектов всё ещё работает плохо. Модель использует архитектуру vision-encoder-decoder и доступна в формате safetensors через Transformers. В README указано обучение на английских и японских фрагментах манги из открытых и частных наборов данных, включая около 6 тысяч современных англоязычных фрагментов, часть AnimeText и примерно 80 тысяч псевдоразмеченных фрагментов. Для старой версии дообученной модели приведён CER 26,25% на наборе оценки; это значение не подтверждено для текущего состояния модели. Лицензия и размер модели в предоставленных данных не указаны. Результаты на звуковых эффектах остаются слабыми; приведённая оценка относится к старой версии, поэтому её нельзя считать гарантией качества текущей модели.

MEDUSA 0.2 Line 9B — мультиязычная vision-language-модель для распознавания рукописного текста в средневековых европейских документах. Её разработали в École nationale des chartes – PSL; модель основана на архитектуре Qwen3.5 и дообучена для распознавания текста на уровне строки. Модель принимает изображение одной предварительно выделенной строки рукописи и возвращает её транскрипцию. Она обучалась на исторических рукописях IX–XV веков и охватывает более 20 языков, включая старофранцузский, среднеанглийский, латынь, старочешский и старопольский. Версия 0.2 включает предварительный этап обучения на 500 тысячах синтетических строк для расширения покрытия языков с малым объёмом данных. Транскрипции ориентированы на правила CATMuS. Модель предназначена для распознавания строк, а не страниц целиком: изображения страниц требуется предварительно сегментировать. Для соответствия правилам CATMuS может потребоваться отдельная постобработка. Лицензия — CC BY 4.0.