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

Clandestine XL 1.0 — модель Stable Diffusion XL, разработанная Linaqruf и дообученная на yodayo-ai/kivotos-xl-2.0. Она создаёт аниме-иллюстрации по текстовым запросам, особенно в стилизованной эстетике популярных работ на Pixiv. Модель ориентирована на чёткие контуры, улучшенную анатомию персонажей и прорисовку рук. Модель принимает текстовые промпты и выдаёт изображения. Она поддерживает теги качества, рейтинга, периода создания и эстетики, унаследованные от Animagine XL 3.1; для более управляемого результата рекомендуется структурировать запрос. Доступны форматы Diffusers и safetensors, запуск возможен через ComfyUI, Stable Diffusion WebUI или diffusers. В README рекомендованы CFG около 5–7, 25–30 шагов и сэмплер Euler Ancestral. Конкретные разрешения в доступном описании пропущены. Лицензия — Fair AI Public License 1.0-SD; модель допускает генерацию контента с рейтингами от безопасного до откровенного, поэтому содержание результата зависит от промпта.

Модель Classical Chinese Punctuation разработана raynardj для расстановки знаков препинания и разделения на фразы в классическом китайском языке (文言文, 古文). Она принимает строку текста без пунктуации и предсказывает разметку для её символов, используя подход задачи классификации токенов, аналогичный NER. Модель поддерживает более двадцати видов знаков препинания. Это плотная модель на архитектуре BERT с 129,5 млн параметров и контекстом до 512 токенов. Она предназначена для восстановления пунктуации в древних китайских текстах, например в статьях из книг, писем и надписей. В карточке указаны форматы PyTorch и Safetensors и лицензия MIT.

Delta-Vector/Control-8B-V1.1 — экспериментальная чат-модель на архитектуре Llama, созданная автором карточки путём дообучения и слияния моделей. В README она описана как версия Control, дообученная на базе Llama 3.1 8B Supernova с целью давать короткие и содержательные ответы, улучшить связность и поддерживать ролевые диалоги. Метаданные указывают 7,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста в чате, кратких ответов и ролевых сценариев. При обучении использовались OpenCAI ShareGPT, RP-logs и UltraFeedback; автор также упоминает DPO. В карточке нет лицензии, поэтому условия использования по имеющимся данным определить нельзя.

diffusers/controlnet-depth-sdxl-1.0 — модель ControlNet для Stable Diffusion XL Base 1.0, опубликованная в экосистеме Hugging Face Diffusers. Она использует условие глубины сцены, чтобы направлять генерацию изображений по пространственной структуре исходного изображения. Разработчик в README явно не указан; базовая модель создана Stability AI. Модель предназначена для text-to-image генерации с сохранением композиции и относительной глубины объектов, например для преобразования исходных сцен по текстовому описанию с контролем перспективы и расположения элементов. Для построения карты глубины в рекомендуемом сценарии используется Intel/dpt-hybrid-midas, после чего ControlNet подключается к StableDiffusionXLControlNetPipeline. Указаны разрешение обработки 1024×1024 и рекомендуемый controlnet_conditioning_scale 0.5. Ключевые характеристики включают архитектуру ControlNet поверх SDXL, текстовую и визуальную обусловленность через карту глубины, поддержку fp16 и safetensors. При обучении использовались 3 млн пар изображение–текст из LAION-Aesthetics V2, 700 GPU-часов на GPU A100 с памятью 80 ГБ и постоянной скоростью обучения 1e-5. Сильная сторона модели — управляемая генерация с опорой на геометрию сцены; ограничения включают зависимость от качества оценки глубины и необходимость совместного использования с совместимой базовой моделью SDXL и дополнительным depth-эстиматором. Лицензия указана как openrail++.

diffusers/controlnet-depth-sdxl-1.0-mid — модель ControlNet для управления генерацией изображений с помощью карт глубины. Она обучена совместно с базовой моделью stabilityai/stable-diffusion-xl-base-1.0 и предназначена для использования в StableDiffusionXLControlNetPipeline библиотеки Diffusers. Разработка и обучающий скрипт основаны на официальных инструментах Hugging Face Diffusers. Модель подходит для text-to-image-сценариев, в которых требуется сохранить пространственную структуру и глубину исходного изображения при генерации нового содержимого по текстовому запросу. Карту глубины можно получить из входного изображения с помощью Intel/dpt-hybrid-midas, после чего передать её в ControlNet. Контроль силы воздействия выполняется параметром controlnet_conditioning_scale; в README рекомендовано начинать со значения 0,5. Это уменьшенная версия SDXL ControlNet: заявлено, что checkpoint примерно в пять раз меньше исходного XL ControlNet checkpoint. Модель не содержит attention-блоков, не использует distillation и работает в смешанной точности FP16. Обучение проводилось на 3 млн изображений из подмножества LAION aesthetic 6 plus, в течение 50 000 шагов на машине с 8 GPU A100. Размер контекста и поддерживаемые языки отдельно не указаны. Checkpoint обозначен как экспериментальный. Он хорошо работает с большинством изображений-условий, но для сложных условий более крупные версии могут давать лучшее качество; результат также зависит от параметров controlnet_conditioning_scale и guidance_scale. Лицензия — openrail++.

thibaud/controlnet-openpose-sdxl-1.0 — это набор весов ControlNet, опубликованный под идентификатором thibaud и обученный для совместной работы с базовой моделью stabilityai/stable-diffusion-xl-base-1.0. Модель использует сигналы управления OpenPose v2 и предназначена для генерации изображений по текстовому описанию с сохранением заданной позы человека или композиции скелета. Она рассчитана на применение в экосистеме Hugging Face Diffusers и совместима с StableDiffusionXLControlNetPipeline. Ключевая сильная сторона модели — управляемая генерация персонажей и сцен по OpenPose-разметке, что подходит для задач вроде создания изображений танцоров, персонажей в определённых позах и визуальных вариаций с фиксированной композицией тела. В README не указаны точный размер модели, поддерживаемые языки, максимальная длина текстового контекста и результаты количественной оценки. Для работы требуется отдельно получить изображение позы с помощью OpenPose, а также использовать базовую SDXL-модель; качество зависит от корректности conditioning-изображения и текстового запроса. Обучение проводилось в течение 15 000 шагов на LAION 6a с использованием одной NVIDIA A100, batch size 2 с накоплением градиента 8, постоянной скоростью обучения 8e-5 и смешанной точностью fp16. Лицензия указана как other и ссылается на лицензию OpenPose.

German Europeana ConvBERT — модель для извлечения признаков, опубликованная командой цифровой библиотеки MDZ Баварской государственной библиотеки. Она основана на архитектуре ConvBERT и предварительно обучена на корпусе газет Europeana объёмом 51 ГБ, содержащем около 8 млрд токенов. Модель рассчитана на представление исторических немецкоязычных текстов в виде признаков; авторы также указывают на результаты применения к распознаванию именованных сущностей в исторических текстах. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Доступны форматы PyTorch, SafeTensors и TensorFlow; лицензия — MIT. Карточка не сообщает отдельные метрики качества или подробные ограничения, поэтому результаты для конкретных корпусов следует проверять на целевых данных.

Coquett — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и предназначенная для создания иллюстраций в аниме-стиле. В карточке приведены примеры генерации персонажей, портретов, рекламных постеров и сцен; указано, что в модель встроен VAE 840K. Модель объединяет Petitcutie_v2.0, qteamixQ_omega, PuniMIX 4.0 и Motto!! PuniMIX 2.0, а также LoRA-компоненты для стилизации и проработки глаз. Метаданные указывают на Stable Diffusion 1.5 и библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. В README не приведены ограничения по контексту или подробные инструкции по применению.

Cosmos-Predict2-2B-Video2World — диффузионная модель NVIDIA для генерации видео по текстовому описанию и изображению первого кадра. Она предназначена для создания динамичных сцен и визуальных состояний мира, в том числе как основы для разработки приложений Physical AI. Модель построена на диффузионном трансформере, который выполняет денойзинг в латентном пространстве и использует слои self-attention, cross-attention и feed-forward. В README указаны варианты генерации видео с разрешением 720p или 480p и частотой 16 или 10 кадров в секунду; стандартный вариант выдаёт 720p при 16 кадрах в секунду. Также описан приём видео на вход, однако основное назначение этой версии — предсказывать будущие кадры по тексту и изображению первого кадра. Модель подходит для визуализации сцен и движений, генерации коротких роликов и прототипирования сценариев миров. Для неё отмечены ограничения при генерации длинных видео высокого разрешения: возможны временная несогласованность, нестабильное движение камеры и объектов, неточные взаимодействия и нарушения физических закономерностей. Лицензия — NVIDIA Open Model License; README заявляет возможность коммерческого использования на её условиях.

Lalith47/custom-cloud-model — модель компьютерного зрения на архитектуре Swin Transformer Base, дообученная на наборе данных imagefolder для классификации изображений. Она содержит 58,7 млн параметров и распространяется в формате safetensors; базовая модель — microsoft/swin-base-patch4-window7-224. Модель подходит для отнесения изображений к классам в прикладных системах компьютерного зрения. На указанной в карточке тестовой выборке она достигла accuracy 0,9506 при loss 0,2242. Карточка не уточняет названия классов, состав данных и условия оценки, поэтому эти результаты нельзя переносить на другие наборы изображений без проверки. Лицензия — Apache-2.0. Конкретная область применения и ограничения помимо зависимости качества от обучающих данных и тестовой выборки в карточке не описаны.

CuteYuki2 — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и основанная на Stable Diffusion. Карточка описывает её как особенно «милую» версию CuteYuki; модель предназначена для создания стилизованных изображений по текстовым запросам. Модель распространяется в формате Diffusers и использует библиотеку diffusers. В карточке указана лицензия CreativeML OpenRAIL-M. По описанию автора, в более поздних версиях CuteYuki акцент сместился на связность изображения и анатомию, поэтому CuteYuki2 ориентирована на более выраженную миловидность.

DansXPantheon-RP-Engine-V1.2-24b-Small-Instruct-Ties-Merge — объединённая модель автора h34v7 на основе Mistral, предназначенная для ролевого общения, диалогов и совместного написания историй. По данным карточки, модель создана методом TIES с использованием Gryphe/Pantheon-RP-1.8-24b-Small-3.1 и PocketDoc/Dans-PersonalityEngine-V1.2.0-24b. Модель содержит 23,4 млрд параметров, имеет плотную архитектуру MistralForCausalLM и заявленную длину контекста 131 072 токена. Поддерживает генерацию текста и чат; README также отмечает исправление EOS-токена и сокращение излишне многословных ответов. Указаны настройки генерации для Ollama, а также пример запуска с GGUF-квантизацией Q5_K_M; файлы репозитория в метаданных обозначены как safetensors. Модель подходит для создания ролевых диалогов и художественных историй. README не сообщает лицензию и не описывает поддерживаемые естественные языки, поэтому языковую поддержку здесь нельзя уточнить. Качество и поведение зависят от настроек генерации; автор отмечает, что версия imatrix на момент публикации ещё планировалась.

Doodad — модель генерации изображений по текстовому описанию, созданная автором crumb и опубликованная в организации doohickey. Это дообученная с помощью Dreambooth-Stable версия Trinart-Waifu-diffusion-50-50; автор обучал её на 48 изображениях из своей ленты Pinterest. Модель рассчитана на генерацию изображений по запросам и особенно хорошо сочетается со стилем, включённым в Doohickey. Обучение проводилось с разрешением 512 пикселей, размером пакета 1 и накоплением градиента на 2 шага. Репозиторий содержит формат Diffusers и веса PyTorch; метаданные указывают поддержку английского языка и лицензию BigScience BLOOM RAIL 1.0. Карточка описывает Doodad как первую часть проекта из двух или, возможно, трёх частей.

Double Exposure Diffusion — модель на базе Stable Diffusion для генерации изображений с эффектом двойной экспозиции. Версия 2 обучена специально на изображениях людей и нескольких животных; стиль можно вызвать в запросе токеном «dublex style» или «dublex». Модель предназначена для создания художественных изображений по текстовым описаниям. В репозитории представлены веса в форматах Diffusers, PyTorch и safetensors; лицензия — CreativeML OpenRAIL-M. Карточка также упоминает embedding для SD 2.x, но не уточняет его связь с опубликованными файлами.

DPRNNTasNet-ks16_WHAM_sepclean — модель разделения аудио, обученная Мануэлем Паренте с помощью рецепта DPRNN в библиотеке Asteroid. Она предназначена для задачи sep_clean на наборе данных WHAM! и принимает аудио, чтобы выделять источники и возвращать разделённые аудиодорожки. Архитектура основана на DPRNNTasNet с размером блока ks=16; в репозитории указаны веса PyTorch. В README приведены метрики качества разделения, включая SI-SDR 18,23 и STOI 0,972. Модель ориентирована на разделение чистых речевых сигналов в условиях набора WHAM!; качество на других типах аудио и сценариях не подтверждено. Лицензия — CC BY-SA 4.0.

Dungeonmaster V2.4 Expanded — модель для генерации текста, созданная Tarek07 путём слияния нескольких дообученных моделей Llama 70B. Она предназначена прежде всего для творческих ролевых игр с напряжённым сюжетом, последствиями и мрачными оттенками, а также для описательного письма и естественного диалога в ролевых сценариях. Модель использует плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и имеет контекстное окно до 131 072 токенов. README описывает её как наиболее творческую версию серии Dungeonmaster и рекомендует параметры генерации: temperature 1 и min_p 0,01. Репозиторий содержит веса Safetensors; лицензия указана как llama3.3. Модель рассчитана на ролевые сценарии и может выдавать откровенный или мрачный контент. Она не предназначена для задач, требующих гарантированной точности фактов; рекомендуемые параметры сэмплирования приведены автором, но качество зависит от сценария и настроек.

EfficientNet-B7 — свёрточная модель компьютерного зрения, разработанная Mingxing Tan и Quoc V. Le и обученная классифицировать изображения на 1000 классов ImageNet-1k. Модель использует предложенный авторами способ масштабирования, который согласованно увеличивает глубину, ширину и разрешение сети; при обучении применялось разрешение 600 × 600 пикселей. Модель предназначена для классификации изображений, в том числе для распознавания объектов на фотографиях. Она принимает изображение и выдаёт оценки классов ImageNet-1k. Архитектура EfficientNet рассчитана на эффективную работу, в том числе на мобильных устройствах. Лицензия — Apache-2.0. Для задач и классов за пределами ImageNet-1k может потребоваться подходящая дообученная версия.

EVA-LLaMA-3.33-70B-v0.0 — полноразмерный дообученный чекпойнт Llama 3.3 70B Instruct, созданный Kearm, Auri и Cahvay. Модель предназначена для ролевых диалогов и написания историй; в обучающую смесь вошли синтетические и естественные данные, включая наборы для инструктивных ответов, структурированного письма, ролевых карточек и творческих промптов. Использует архитектуру Llama и формат промптов Llama 3. Размер — 69,5 млрд параметров, контекст — до 131 072 токенов. Модель рассчитана на творческую генерацию текста и диалоговое взаимодействие, с акцентом на выразительность и вариативность. README рекомендует температуру 1, Min-P 0,05 и штраф за повторы 1,03. В метаданных нет подтверждённого списка языков, поэтому языковую поддержку отдельно не уточняю. Модель распространяется по лицензии Llama 3.3 Community License с дополнительным условием: Infermatic Inc., её сотрудники и оплачиваемые партнёры не могут использовать, распространять или скачивать модели EVA ни для каких целей.

EvtV4-preview — экспериментальная модель генерации изображений в стиле аниме, созданная автором haor как дообучение Stable Diffusion на крупном наборе изображений. Для обучения использовано около 550 тысяч изображений в стиле аниме, модель обучалась 10 эпох при разрешении 512 пикселей на базе ACertainty. Автор сообщает о cosine similarity 85% с ACertainty и предупреждает, что модель может вести себя иначе, чем другие модели. Модель предназначена для создания изображений по текстовым запросам и используется через StableDiffusionPipeline из библиотеки Diffusers. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; автор также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX. Карточка указывает английский язык. Лицензия — CreativeML OpenRAIL-M.

Fantasy-diffusion-v1 — модель генерации изображений по текстовому описанию, созданная Ryan Han (Ryzan) с помощью DreamBooth. Она обучена на 400 изображениях полуреалистичного фэнтезийного арта и предназначена для создания иллюстраций в этом стиле; автор отмечает, что обучающие изображения преимущественно изображают женщин, поэтому такие персонажи будут встречаться чаще. Модель распространяется в форматах Diffusers, PyTorch и safetensors и использует библиотеку Diffusers. В качестве подсказок для повышения детализации автор рекомендует слова «highly detailed», «intricate», «4k», «8k», «sharp focus» и «detailed hair». Лицензия — CreativeML OpenRAIL-M. В карточке не заявлены восстановление лиц и inpainting. Результаты могут быть смещены в сторону женских персонажей из-за состава обучающей выборки.

Koda Diffusion (Flux) — модель для генерации изображений, разработанная пользователем alvdansen. Это LoRA-адаптер для text-to-image, предназначенный для работы на базе black-forest-labs/FLUX.1-dev через Diffusers и совместимые инструменты. Модель ориентирована на создание сцен в эстетике ностальгической фотографии начала 1990-х годов: снимков на одноразовые камеры, спонтанных бытовых сюжетов и дорожных зарисовок. Ключевая особенность модели — визуальный стиль с немного выцветшими цветами, мягким фокусом, эффектами засветки и плёночным зерном. Она подходит для портретов, натюрмортов, пейзажей, сцен повседневной жизни и реалистичных сюжетов с ощущением случайного кадра из семейного фотоальбома или туристического дневника. Для активации рекомендуется использовать триггерную фразу «flmft style»; также могут быть полезны слова kodachrome, blurry, realistic, still life, scenery, depth of field и light particles. Веса доступны в формате Safetensors. В README не указаны размер адаптера, поддерживаемые языки, максимальный контекст, требования к аппаратному обеспечению и количественные оценки качества. Лицензия модели — CreativeML Open RAIL-M; условия базовой модели FLUX.1-dev отдельно не раскрыты в представленном описании.

FLUX-MonochromeManga — дообученный полноразмерный чекпойнт FLUX.1 [dev], созданный для генерации монохромных манга-панелей и иллюстраций по текстовым описаниям. Автор объединил в базовую модель более 14 LoRA разного веса и настроил их сочетание для нужной эстетики; в обучении суммарно использовано более 36 тысяч шагов. Для усиления желаемого стиля рекомендуется включать в описание слова «monochrome manga», хотя обязательного триггерного слова нет. Модель предназначена для создания манга-иллюстраций и панелей с визуально согласованными персонажами между кадрами. Она распространяется в формате safetensors и используется через библиотеку diffusers. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели и базовой модели. Описание не приводит количественной оценки качества или технических ограничений генерации.

TheLastBen/froggy-style — модель генерации изображений в стиле, обученная на базе Stable Diffusion v1.5 на 11 изображениях Midjourney размером 512×512. Для обучения использовалось 1300 шагов, включая 300 шагов для текстового энкодера. Модель предназначена для создания изображений по текстовым запросам с характерной визуальной стилистикой обучающих примеров. Для генерации можно использовать триггерное слово «ttdddd» как самостоятельный запрос или сочетать его с описанием сцены и указаниями на кинематографическое освещение, высокую детализацию и качество рендера. Репозиторий распространяет веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении созданных изображений.

Muapi/game-icon — адаптер LoRA для генерации изображений игровых иконок на базе Stable Diffusion XL 1.0 от Stability AI. Модель предназначена для сценариев text-to-image, связанных с созданием визуальных иконок для игр и других цифровых интерфейсов. Для активации адаптера в запросе рекомендуется использовать обучающее слово «icon». В README также указан пример работы через API MUAPI с параметрами разрешения 1024×1024 и одной генерируемой картинкой. Модель работает с текстовыми промптами и генерирует изображения; сведения о поддерживаемых языках, точном размере адаптера, архитектурных деталях обучения, максимальном контексте и дополнительных модальностях не приведены. К сильным сторонам относятся специализация на игровом иконографическом стиле и совместимость с экосистемой Diffusers и SDXL. Ограничения включают зависимость от базовой модели SDXL 1.0, необходимость подбора промптов и отсутствие в README подробных данных о качестве, разнообразии результатов и ограничениях применения. Лицензия указана как OpenRAIL++.

Alsebay/Gemma2-9b-KuwaNovelist-2 — дообученная модель Gemma 2, созданная автором Alsebay с помощью Unsloth для улучшения стиля письма исходной lemon07r/Gemma-2-Ataraxy-v4d-9B. Это плотная авторегрессионная языковая модель на 9 млрд параметров с контекстом до 8192 токенов, предназначенная для генерации текста и диалогового творческого письма. Карточка отмечает длинные ответы и хороший стиль на английском языке; при этом ответы на вьетнамском, китайском и японском часто короткие, а грамматика и стилизация на целевых родных языках недостаточно качественны. Также отмечена проблема, связанная с тем, что модель говорит за пользователя. Репозиторий содержит веса Safetensors; лицензия — Gemma.

Gen-Searcher-8B — мультимодальная модель-агент, разработанная авторами проекта Gen-Searcher: Reinforcing Agentic Search for Image Generation. Она предназначена для подготовки обоснованных запросов к генерации изображений: модель ищет информацию в интернете, просматривает источники и визуальные примеры, а затем рассуждает по найденным данным. Это дообученная на данных GenSearcher/Train-Data плотная модель Qwen3-VL-8B-Instruct с архитектурой Qwen3VLForConditionalGeneration; репозиторий содержит веса safetensors и рассчитан на работу через Transformers. Модель принимает текст и изображения и выдаёт текстовые ответы в диалоге. В описанном сценарии она может поддерживать поиск и анализ сведений из нескольких источников, а также поиск визуальных референсов перед генерацией; сама генерация изображений выполняется отдельной моделью-генератором. В README сообщается о приросте более 15 пунктов на бенчмарках KnowGen и WISE и о переносимости на разные генераторы изображений. Лицензия — Apache-2.0.

GimmeDatDing — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Репозиторий содержит веса в форматах Diffusers и safetensors; карточка демонстрирует пример промпта с персонажем Chi-Chi в стилизованной аниме-сцене. Модель предназначена для создания аниме- и мультяшных изображений по текстовым промптам. В метаданных указан pipeline text-to-image и лицензия CreativeML OpenRAIL-M. Размер модели и базовая модель в доступных данных не указаны.

a0a7 разработал модель распознавания рукописной стенографии Грегга на изображениях и преобразования её в читаемый текст. Модель предназначена для оцифровки отсканированных заметок, исторических стенографических документов и архивов, а также для учебных и исследовательских задач, связанных со стенографией. В README указана архитектура CNN-LSTM и обучение на образцах стенографии Грегга; метаданные подтверждают задачу image-to-text, библиотеку PyTorch и датасет a0a7/Gregg-1916. Модель ориентирована на английский язык и распространяется по лицензии MIT. Её применение специализировано на записи Грегга; качество распознавания зависит от изображения, лучшие результаты ожидаются на чётких изображениях с высоким контрастом.

HER-RL — языковая модель для ролевого диалога, разработанная авторами проекта HER и дообученная с подкреплением на базе Qwen3-32B. Она моделирует персонажа с помощью двух уровней рассуждения: внешнего планирования того, как передать образ, и внутренних мыслей персонажа, после которых формируются действия, выражения и реплики. Модель предназначена для многошагового ролевого общения и когнитивной симуляции персонажей. В README сообщается о результатах на CoSER и MiniMax Role-Play Bench, превосходящих базовую Qwen3-32B. Это плотная архитектура Qwen3 с 29,7 млрд параметров и контекстом до 131 072 токенов; метаданные указывают поддержку китайского и английского языков, а также интерфейс вызова инструментов. Доступны веса Safetensors для Transformers. Модель выпущена под лицензией Apache-2.0. Ответы могут включать внутренние мысли и метауровневое планирование наряду с видимыми действиями и диалогом; формат может потребовать обработки, чтобы отделить эти части. Заявленные результаты бенчмарков не гарантируют качество в других сценариях.

Whisper Base Romanian - Horoscop Neti — модель распознавания речи, созданная дообучением openai/whisper-base на датасете Horoscop Neti. Предназначена для преобразования аудиозаписей в текст, в частности для речи на румынском языке. Модель содержит 51,7 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате safetensors. На оценочной выборке указана метрика WER 17,0358 и loss 0,3282. Модель распространяется по лицензии Apache-2.0. Подробности о составе обучающих данных и ограничениях в карточке не приведены.