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

RE-USE-GGUF — сборка весов модели NVIDIA RE-USE в формате GGUF для запуска через audio.cpp. Модель очищает речь от шума и других искажений, стараясь сохранить речевое содержание и характеристики голоса. В основе — свёрточный энкодер-декодер и 30 двунаправленных блоков Mamba в частотно-временной области. Модель предназначена для восстановления деградированной речи в аудиозаписях. Она принимает аудио с частотой дискретизации 8–48 кГц длительностью более 20 мс и возвращает аудио с той же частотой, числом каналов и длительностью; каналы обрабатываются независимо. Доступны только веса F32. В описанных испытаниях версия audio.cpp показала близкое к Python качество на нескольких примерах и меньший пик использования видеопамяти на RTX 5090, но результаты зависят от записи и вычислительного backend. Metal и HIP в сравнении не проверялись. Это производная сборка исходной модели NVIDIA RE-USE, упакованная из оригинальных весов Safetensors, а не конвертированная из другого GGUF. Лицензия указана как other; конкретные условия следует проверять в репозитории модели и исходного чекпойнта.

SAM 2.1 Hiera Tiny — компактная трансформерная модель сегментации изображений и видео, разработанная Meta FAIR и опубликованная в Transformers. Она выделяет объекты по запросу пользователя: точкам, рамкам или маскам. Для видео потоковая архитектура с модулем памяти переносит сегментацию между кадрами и отслеживает объекты, в том числе когда они временно исчезают. Модель подходит для интерактивного редактирования видео и изображений, а также для сегментации без дополнительного обучения на новых объектах и визуальных областях. Чекпойнт содержит около 38,9 млн параметров; в README для SAM 2.1 Hiera Tiny указана скорость 91,2 кадра в секунду на тестах. Репозиторий содержит веса Safetensors и предназначен для использования с библиотекой Transformers. Модель принимает изображения или кадры видео и визуальные подсказки, а выдаёт маски сегментации. Она не ограничена заранее заданными семантическими классами и предназначена для выделения целых объектов и их частей. Модель может хуже работать на редких или незнакомых визуальных областях; для критически важных сценариев рекомендуется проверка человеком, а для узких предметных областей может потребоваться дообучение. Указанная лицензия репозитория — Apache-2.0; в README также упоминается BSD 3-Clause.

mlx-community подготовила bf16-конверсию модели facebook/sapiens2-matting-1b для запуска через MLX. Это модель семейства Sapiens2 с архитектурой Sapiens2ForImageMatting и примерно 1,5 млрд параметров. Она принимает изображение человека и выполняет matting: выделяет передний план и формирует мягкую альфа-маску, чтобы отделить человека от фона. Выходные массивы имеют разрешение входного изображения. Репозиторий содержит веса в формате safetensors с параметрами bfloat16; проекции q/k/v объединены в тензор wqkv. Для запуска README указывает библиотеку mlx-vlm. Модель предназначена для задач сегментации и отделения человека от фона на изображениях. Лицензия в метаданных обозначена как other; README отсылает к исходной карточке модели за условиями использования.

Photoreal v2.7 — модель, дообученная на базе Stable Diffusion 1.5 для генерации фотореалистичных изображений по текстовым запросам. Она предназначена для создания реалистичных изображений и художественных работ. Модель распространяется в форматах Diffusers и PyTorch и использует библиотеку Diffusers. Лицензия — GPL-3.0.

Карточка модели CaioXapelaum/sdxl на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

gokaygokay/SDXL-Captioner — дообученная версия PaliGemma 224×224, созданная на парах изображение—промпт. Модель принимает изображение и текстовый запрос и формирует текстовый ответ, поэтому подходит для создания подписей и описаний изображений по инструкции. Модель построена на архитектуре PaliGemma и распространяется в формате safetensors для библиотеки Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. Подробности о размере модели, длине контекста и качестве на конкретных наборах данных в предоставленных источниках не приводятся.

SDXL Flash — модель генерации изображений по текстовым запросам, созданная sd-community в сотрудничестве с Project Fluently на основе Stable Diffusion XL Base 1.0. Она предназначена для быстрого создания изображений и нацелена на более высокое качество, чем у некоторых ускоренных вариантов SDXL, при меньшей скорости, чем LCM, Turbo, Lightning и Hyper. Модель совместима с библиотекой Diffusers и распространяется в форматах Diffusers и safetensors. В README рекомендуются 6–9 шагов генерации, CFG Scale 2,5–3,5 и сэмплер DPM++ SDE. Лицензия — CreativeML OpenRAIL-M.

SenseNova-U1.5-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, представленная как релиз с обучением на основе RL. Она предназначена для генерации изображений по тексту и редактирования изображений по инструкциям, включая локальные изменения, вставку и замену объектов, работу с несколькими референсами и управление областями через рамки и визуальные маркеры. Модель также поддерживает чат и интерфейс вызова инструментов; веса опубликованы в формате safetensors, лицензия — Apache 2.0. Среди заявленных улучшений — композиция и цветовая гармония, детализация, генерация изображений с разрешением до 4K, отображение английского и китайского текста, следование сложным ограничениям и сохранение неизменённых частей изображения. Карточка ориентирует модель на визуальное создание и редактирование; метаданные также относят её к задачам генерации текста и any-to-any. README не приводит число параметров или длину контекста. Ограничения включают ошибки в мелком и плотном тексте, неточности в строго заданных компоновках и количестве объектов, нестабильность мелких деталей людей и объектов, а также дрейф при сложном многошаговом редактировании. Некоторые запросы могут приводить к чрезмерной детализации или перенасыщенным цветам.

Это неизменённая копия Stable Audio Open 1.0 от Stability AI, размещённая пользователем cudabenchmarktest. Модель генерирует стереозвук по текстовому описанию: звуковые эффекты, полевые записи и музыкальные фрагменты длительностью до 47 секунд с частотой 44,1 кГц. В основе — латентная диффузионная архитектура с автоэнкодером, текстовым кодировщиком T5 и диффузионным трансформером DiT, работающим в латентном пространстве автоэнкодера. Репозиторий содержит веса в форматах safetensors и ckpt, конфигурации конвейера и файлы атрибуции обучающих данных. Использование регулируется лицензией Stability AI Community License; следует соблюдать её условия и требования к атрибуции данных.

Карточка модели ford442/stable-audio-open-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-audio-open-1.0, поэтому описание составлено по ней. Stable Audio Open 1.0 — модель Stability AI для генерации стереозвука по текстовому описанию. Она создаёт аудио длительностью до 47 секунд с частотой 44,1 кГц; архитектура включает автоэнкодер, T5 для кодирования текста и трансформерную диффузионную модель, работающую в латентном пространстве. Модель поддерживается библиотеками stable-audio-tools и diffusers. Модель подходит для создания звуковых эффектов, полевых записей и музыкальных фрагментов по английским запросам. Она лучше справляется со звуковыми эффектами и полевыми записями, чем с музыкой, и не умеет реалистично генерировать вокал. Качество может различаться между музыкальными стилями и культурами; для получения нужного результата может потребоваться настройка запроса. Для обучения использовались аудиозаписи Freesound и Free Music Archive с лицензиями CC0, CC BY и CC Sampling+; текстовое условие основано на предварительно обученной модели t5-base. Лицензия модели — Stability AI Community License; для коммерческого использования требуется обратиться к условиям коммерческой лицензии Stability AI.

Карточка модели frankjoshua/stable-diffusion-3.5-medium на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-3.5-medium, поэтому описание составлено по ней. Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

Stable Diffusion 3.5 Medium — модель Stability AI для генерации изображений по текстовому описанию. Она использует архитектуру Multimodal Diffusion Transformer MMDiT-X с тремя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. В архитектуре применяются QK-нормализация и блоки внимания, рассчитанные на повышение связности изображений и устойчивость генерации при разных разрешениях. Модель предназначена для создания иллюстраций и художественных работ, дизайн-процессов, творческих и образовательных инструментов. Она улучшена для передачи сложных запросов и текста в изображениях; авторы также рекомендуют Skip Layer Guidance для более согласованных структуры и анатомии. В README указана длина контекста энкодеров CLIP в 77 токенов и T5 — 77 или 256 токенов на разных этапах обучения. Модель обучалась на разнообразных данных, включая синтетические и отфильтрованные общедоступные материалы. Она не предназначена для достоверного изображения реальных людей и событий; при длинных запросах свыше 256 токенов T5 на краях изображения могут появляться артефакты. Модель распространяется по Stability Community License; для коммерческого лицензирования Stability AI предлагает обращаться отдельно. Использование также должно соответствовать Acceptable Use Policy.

Stable Diffusion 3 Medium — генеративная модель Stability AI для создания изображений по текстовым описаниям. Она использует архитектуру Multimodal Diffusion Transformer (MMDiT) и три предварительно обученных текстовых энкодера: OpenCLIP-ViT/G, CLIP-ViT/L и T5-XXL. Разработчик описывает её сильные стороны как качество изображений, работу с типографикой, понимание сложных запросов и эффективность использования ресурсов. Модель подходит для создания иллюстраций и дизайна, творческих и образовательных инструментов, а также исследований генеративных моделей. В репозитории есть варианты весов с разным составом текстовых энкодеров и точностью T5-XXL; производительность и требования к ресурсам зависят от выбранной упаковки. Модель не предназначена для достоверного изображения реальных людей и событий; генерация может быть предвзятой или нежелательной, поэтому разработчикам следует проверять результаты и применять меры безопасности. Лицензия — Stability Community License; для коммерческого использования могут потребоваться условия Enterprise License, а встроенные компоненты подчиняются своим лицензиям.

Stable Diffusion v1-5 — модель Robin Rombach и Patrick Esser для генерации и изменения изображений по текстовому описанию. Это латентная диффузионная модель, использующая предварительно обученный текстовый энкодер CLIP ViT-L/14. Версия v1-5 основана на весах Stable Diffusion v1-2 и дообучена в течение 595 тысяч шагов на разрешении 512×512 с данными LAION Aesthetics v2 5+. Модель подходит для создания иллюстраций, концепт-арта и изображений для дизайнерских процессов. Наиболее эффективно она работает с английскими запросами; в карточке указана поддержка английского языка. Репозиторий распространяет веса в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. README описывает повторную загрузку весов с ModelScope и предупреждает, что возможные изменения относительно оригинала неизвестны.

Карточка модели chcjohn8/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели ModelsLab/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели mutexre/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели ShaunGves/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели weights/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели zqljj/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Step1X-Edit-v1p1-diffusers — модель StepFun AI для редактирования изображений по текстовым инструкциям. Она использует MLLM для интерпретации запроса и генерации токенов редактирования, а затем декодирует их в изображение с помощью сети на основе DiT. Версия v1.1 также поддерживает генерацию изображений по тексту. Модель предназначена для изменения загруженного изображения по запросу и создания изображения по текстовому описанию. В README сообщается об улучшении качества редактирования и следования инструкциям относительно версии v1.0; приведены результаты оценки на GEdit-Bench-EN. Репозиторий использует библиотеку Diffusers и содержит веса в формате safetensors. Лицензия — Apache-2.0.

tawfikgh/t5-small-finetuned-xsum — модель tawfikgh, полученная дообучением T5-small для суммаризации текста. Она основана на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены метрики обучения и проверки, включая ROUGE, однако обучающий набор данных указан как неизвестный. Модель предназначена для создания кратких текстовых сводок; название репозитория указывает на задачу XSum. Опубликованные веса представлены в формате TensorFlow. Лицензия — Apache-2.0. Проверочные показатели в карточке сами по себе не гарантируют качество на других данных.

Taiyi-Diffusion-XL (Taiyi-XL) — модель генерации изображений по текстовому описанию от команды IDEA-CCNL. Она предназначена для двуязычной генерации по запросам на китайском и английском языках, сохраняя понимание английского и усиливая поддержку китайского и длинных описаний. Модель построена на Stable Diffusion XL: разработчики заменили исходный текстовый энкодер на CLIP-энкодер, расширенный для китайского языка и более длинного контекста, и обучали диффузионную модель с разными разрешениями и соотношениями сторон. В README сообщается о сравнительных оценках на COCO и COCO-CN по CLIP Sim, IS и FID, где модель показала лучшие результаты среди сравниваемых моделей. Репозиторий содержит веса в формате Diffusers и SafeTensors. Лицензия — Apache 2.0.

TangoFlux — модель генерации аудио по текстовому описанию, разработанная Declare Lab при поддержке Stability AI. Она принимает текстовый запрос и указание длительности, затем создаёт аудио с частотой дискретизации 44,1 кГц продолжительностью до 30 секунд. Модель использует блоки FluxTransformer на основе Diffusion Transformer (DiT) и Multimodal Diffusion Transformer (MMDiT). Она обучена генерировать аудио через rectified flow по латентным представлениям, полученным вариационным автоэнкодером, и прошла этапы предварительного обучения, дообучения и оптимизации предпочтений CRPO. Среди указанных обучающих наборов — WavCaps и CRPO. TangoFlux предназначена для быстрого создания аудио по текстовым запросам; заявленный акцент — соответствие сгенерированного звука описанию. README не сообщает лицензию модели, поэтому условия её использования по доступным данным определить нельзя.

TBAC-UniImage-3B — модель генерации изображений по тексту и редактирования изображений, разработанная Basic Algorithm Center подразделения Platform and Content Group компании Tencent. Она объединяет модуль понимания Qwen2.5-VL-3B-Instruct и модуль генерации SANA-1600M; представления с разных слоёв Qwen используются как условия генерации. Модель предназначена для создания изображений по текстовым описаниям и редактирования изображений с учётом текста и визуального контекста. В карточке приведены результаты на GenEval и DPG-Bench, а также описан подход к редактированию: изображение кодируется визуальным модулем Qwen, после чего объединённое мультимодальное представление передаётся генератору. Примеры охватывают фотореалистичные сцены, иллюстративные стили и фантастические сюжеты. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

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

trmteb-trnews-v1 — дообученная модель эмбеддингов предложений на базе trmteb/turkish-embedding-model, разработанная автором карточки для поиска по турецким новостям. Это плотная BERT-модель с mean pooling и размерностью эмбеддинга 768; она содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. При обучении на 100 000 пар «заголовок — аннотация» из корпуса TR-News применялась функция потерь MultipleNegativesRankingLoss. Модель предназначена прежде всего для поиска аннотации по заголовку и сопоставления новостей об одном событии, в том числе для дедупликации. В тесте TR-News дообучение повысило title→abstract R@1 с 0,8635 до 0,8745, но не улучшило тематическую кластеризацию относительно базовой модели; широкая тематическая классификация, общий STS и анализ тональности не входят в целевые сценарии. Лицензия — MIT.

TurkSpeak lv3-ITU_Mainframe — модель распознавания турецкой речи, созданная на базе Whisper large-v3. Это дообученная LoRA-версия примерно на 905,2 млн параметров, после чего сохранённые контрольные точки усреднили методом MAST; усреднение не увеличивает затраты при инференсе. Репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибации турецкой спонтанной, эфирной и медицинской речи. По результатам README, она показала меньшую ошибку распознавания, чем исходная Whisper large-v3, на четырёх указанных тестовых наборах; результаты измеряли через faster-whisper с beam size 5 и fp16. Эти результаты характеризуют только приведённые наборы и настройки. Лицензия — Apache-2.0.

typhoon-asr-qwen-1.7b-ctx — модель распознавания тайской речи от Typhoon AI, созданная дообучением Qwen/Qwen3-ASR-1.7B-hf с LoRA. Она преобразует аудио в текст и поддерживает контекстное смещение распознавания: список имён и терминов передаётся в системном сообщении, а модель старается записать произнесённые элементы в указанном написании и игнорировать отвлекающие элементы. В README указано 2,07 млрд параметров; архитектура — плотная Qwen3-ASR, веса опубликованы в safetensors. Модель предназначена для транскрибации тайской речи, в том числе разговоров с именами и специальными терминами. В приведённых тестах она улучшает распознавание относительно исходной Qwen3-ASR-1.7B, особенно при контекстном смещении; результаты зависят от тестового набора и длины списка. Для контекстного режима формат строгий: список через пробелы в системном сообщении, затем отдельной строкой «Thai»; без списка достаточно указать «Thai». По README, до 50 элементов — предпочтительная длина списка. Лицензия — Apache-2.0.

Uni-MoE 2.0-Image — модель генерации изображений по текстовому описанию из семейства Uni-MoE 2.0, разработанного командой HIT-TMG. Это версия Uni-MoE 2.0-Omni, дообученная на данных визуальной генерации. В метаданных указаны архитектура GrinQwen2VLForConditionalGeneration, 7,1 млрд параметров и контекст до 128 000 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для создания изображений по текстовым запросам. Семейство Uni-MoE 2.0 описано как мультимодальное и ориентированное на понимание, рассуждение и генерацию; для этой версии карточка заявляет специализированное дообучение на визуальной генерации. Метаданные указывают английский и китайский языки. Модель распространяется по лицензии Apache-2.0.