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

NOESIS-MiniCPM-V-4.6-SigLIP2-BF16 — разработанная AMAImedia модель-экстрактор: из openbmb/MiniCPM-V-4.6 выделена и отдельно упакована башня зрения SigLIP2 в виде совместимого с Transformers класса SiglipVisionModel. Модель содержит 544,9 млн параметров; веса BF16 доступны в формате safetensors. Она принимает изображения и выдаёт плотные признаки визуальных патчей. Модель предназначена как вспомогательный энкодер в конвейере автоматического дубляжа NOESIS: анализирует лица, область рта и кадры сцен для определения говорящего на экране, уточнения временных границ речи по движениям губ и контроля синхронизации губ после рендеринга дубляжа. Это не полноценная мультимодальная чат-модель: языковая часть, проекция в пространство LLM, токенизатор и генерация в комплект не входят. Карточка заявляет полезность для OCR, обнаружения объектов и временных визуальных признаков, однако основной сценарий — видеодубляж. Лицензия Apache-2.0 допускает коммерческое использование. Указанные в карточке метрики точности и скорости относятся к описанию автора; независимые результаты оценки не приведены.

Eugeoter/noob-sdxl-controlnet-softedge_hed — модель на базе Laxhar/sdxl_noob, предназначенная для генерации изображений по текстовым описаниям с использованием управления композицией через ControlNet SoftEdge HED. Она ориентирована на сценарии, где необходимо сохранить или направить структуру и контуры исходного изображения при создании результата в экосистеме Diffusers. Модель относится к семейству Stable Diffusion XL и использует pipeline text-to-image. В доступных данных указано, что она поддерживает английский язык. Архитектурные детали, число параметров, размер контекста, точный набор поддерживаемых модальностей и дополнительные ограничения не указаны. Сильной стороной является сочетание генерации изображений на базе SDXL и контроля по мягким границам SoftEdge HED, однако качество и область применения зависят от исходной модели, управляющего изображения и настроек Diffusers. Модель распространяется по лицензии Fair AI Public License 1.0 for SD; перед использованием необходимо ознакомиться с её условиями по указанной ссылке.

Nymph 8B — разговорная модель для ролевого взаимодействия, выпущенная ResplendentAI. Она основана на архитектуре Llama и содержит 7,5 млрд параметров; модель дообучена на многоходовых диалогах и ролевых текстах, а также оптимизирована методом ORPO с использованием предпочтений для ролевых ответов. В README также упомянута мобильная сборка GGUF Q4_0_X_X для ARM. Модель предназначена для ведения ролевых диалогов и написания продолжений сцен на английском языке. Контекст составляет 8192 токена. Указанная лицензия — Apache-2.0. В обучающих данных есть эротические ролевые тексты, поэтому модель может генерировать контент для взрослых.

Q-Align — модель компании Q-Future для оценки визуального качества изображений и видео. Она основана на архитектуре mPLUG-Owl2 и имеет 6,6 млрд параметров; репозиторий содержит веса PyTorch, а лицензия — MIT. Модель предназначена для оценки качества изображений без эталона и с эталоном, эстетической оценки изображений и оценки качества видео. В карточке приведены результаты на наборах KonIQ, SPAQ, KADID, LIVE-C, LIVE, CSIQ, AGIQA, AVA и наборах видео, включая тестирование на некоторых данных, не встречавшихся при обучении. Метаданные также указывают поддержку классификации изображений с нулевым обучением и генерации текста; README описывает запуск модели как оценщика, а не подробные сценарии этих задач. Модель принимает изображения и видео и выдаёт текстовые оценки или ответы о качестве; встроенный контекст составляет 2048 токенов. README рекомендует для запуска transformers версии 4.36.1. Языки карточки не указаны. Результаты зависят от набора данных и не гарантируют одинакового качества для любых типов изображений и видео.

OnlyAnime_v2.3 — модель Stable Diffusion в формате Diffusers для создания изображений по текстовому описанию. Карточка содержит примеры изображений и упоминает совместное использование с LoRA FilmVelvia3 для эффекта выразительного освещения; сведений о разработчике, размере модели, контексте и конкретной лицензии нет. В метаданных указана лицензия «other».

Модель cyberagent/opencole-stable-diffusion-xl-base-1.0-finetune — дообученная CyberAgent версия Stable Diffusion XL 1.0. Её UNet обучен на наборе данных OpenCOLE 1.0 для генерации изображений в стиле графического дизайна без текста по текстовому описанию. Модель предназначена для создания визуальных макетов и графических композиций, в которых текстовые элементы не требуются. Она использует архитектуру SDXL и библиотеку Diffusers; веса представлены в формате safetensors. Лицензия — OpenRAIL++.

Pastel Mix — модель генерации изображений из текста на основе Stable Diffusion, созданная автором репозитория mirroring. Она предназначена для создания детализированных изображений в аниме-стилистике с пастельной палитрой и характерной живописной фактурой по коротким текстовым запросам. Модель понимает Danbooru-теги и может сочетаться с LoRA; README приводит рецепт смешивания базовых моделей и LoRA, поэтому это объединённая модель, а не исходная архитектура. Модель рассчитана на генерацию изображений в стиле аниме и позволяет влиять на результат тегами и указанием стиля. Репозиторий поддерживает запуск через Diffusers; отдельная версия включает VAE Waifu Diffusion. Карточка указывает английский язык и форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. README отмечает, что выбор апскейлера влияет на сохранение пастельной фактуры: автор предпочитает latent upscaler, тогда как Lanczos и Anime6B могут сглаживать её. Размер модели и длина контекста в предоставленных данных не указаны.

Модель Scarlet Abreu и Renso Peralta для Dominican News Question Answering Challenge. Она принимает вопрос и новостной контекст и извлекает ответ непосредственно из текста. Модель дообучена для экстрактивного вопросно-ответного поиска на наборе Lisibonny/pdqa, чтобы учитывать его особенности разметки и улучшать Exact Match. В основе лежит RoBERTa для испанского языка, уже настроенная на экстрактивный QA. В метаданных указаны архитектура RobertaForQuestionAnswering, 151,8 млн параметров и контекст до 514 токенов. Модель ориентирована на вопросы по доминиканским новостям; лицензия — Apache 2.0. На валидационной выборке авторы сообщают Exact Match 73,33% и F1 84,79%. Обучение использовало только 45 примеров, и авторы отмечают умеренное переобучение, поэтому результаты на более широком круге новостных текстов могут отличаться. В README также описаны ошибки с неполными границами извлечённого ответа.

Phantom_Wan_14B_FusionX-GGUF — это квантованная версия модели Wan14BT2VFusioniX_Phantom, разработанной vrgamedevgirl84 и преобразованной в формат GGUF пользователем lym00. Модель предназначена для задач image-to-video, то есть генерации видео на основе изображений, и рассчитана на использование в ComfyUI через пользовательский узел ComfyUI-GGUF. Модель относится к семейству Wan и имеет размер 14B параметров, что указано в её идентификаторе. Она поставляется в формате GGUF; конкретный тип квантования в README не указан. Для работы требуются отдельные текстовый энкодер umt5-xxl-encoder и VAE Wan2_1_VAE_bf16. В метаданных заявлен английский язык, однако сведения о поддерживаемых языках, размере контекста, точной архитектуре и технических ограничениях отсутствуют. К сильным сторонам модели относятся совместимость с GGUF и возможность запуска в экосистеме ComfyUI с использованием квантованных файлов, что может снизить требования к памяти по сравнению с исходной FP16-версией. Ограничения связаны с необходимостью устанавливать дополнительные компоненты и отсутствием подробных данных о производительности, качестве генерации, аппаратных требованиях и конкретных вариантах квантования. Указана лицензия Apache-2.0, при этом README отдельно отмечает, что применяются исходные лицензии и ограничения базовых моделей.

Модель Justin Pinkney, обученная в Lambda Labs: это дообученная Stable Diffusion для генерации изображений покемонов по текстовому описанию. Она принимает текстовый запрос и создаёт изображение персонажа в стиле покемонов; для генерации не требуется сложная настройка промпта. Модель обучали на изображениях покемонов с подписями BLIP примерно за 15 тысяч шагов. В репозитории доступны веса в форматах Diffusers и PyTorch. Модель подходит для создания оригинальных покемоноподобных персонажей и иллюстраций по текстовым запросам. В примере использования указаны изображения размером 512 × 512 пикселей. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Pony V7 — модель генерации изображений персонажей, разработанная командой, связанной с проектами Pony и платформой Fictional. Она основана на архитектуре AuraFlow и предназначена для создания персонажей и сцен в различных стилях, включая humanoid, anthro, feral и pony. Модель поддерживает взаимодействие нескольких персонажей, естественно-языковые промпты и распознавание многих известных и малоизвестных персонажей и вселенных. Модель рассчитана на генерацию изображений с разрешением от 768 до 1536 пикселей; рекомендуется использовать разрешение повыше и не менее 30 шагов инференса. Она обучалась примерно на 10 миллионах отобранных и эстетически оценённых изображений из набора более чем из 30 миллионов примеров, с подробными подписями и тегами. Данные примерно поровну представлены аниме, cartoon, furry и pony-направлениями, а также категориями safe, questionable и explicit. Для инференса доступны варианты в форматах GGUF и safetensors, а также примеры рабочих процессов для ComfyUI. По сравнению с Pony V6 модель лучше понимает пространственные отношения, сцены с несколькими персонажами и фоны, обеспечивает более реалистичный результат, поддерживает очень тёмные и очень светлые изображения и более высокие разрешения. Ограничения включают отсутствие поддержки генерации текста, ухудшенные по сравнению с AuraFlow возможности работы с текстом, нестабильную эффективность специальных тегов качества и возможную деградацию мелких деталей, особенно лиц, в зависимости от художественного стиля. Условия использования определяются лицензией pony-license; в README указано, что используется лицензия типа other.

PosterLLaVA — модель генерации макетов плакатов и рекламных баннеров, разработанная на архитектуре LLaVA. Версия posterllava_v0 дообучена на контрольной точке LLaVA-v1.5-13B и обучена в марте 2024 года. Размер модели — 12,9 млрд параметров, контекст — 4096 токенов; веса представлены в формате PyTorch, лицензия — Apache-2.0. Модель предназначена для генерации компоновок рекламных баннеров, коммерческих плакатов и постеров для социальных сетей с учётом текстовых ограничений. Для обучения использовались наборы Ad Banner, CGL, PosterLayout и QB-Poster; оценка проводилась на соответствующих тестовых выборках. Данные не описывают формат входа и выхода или конкретные языки, поэтому их нельзя уточнить. 📝

Qwen2.5-7B-Instruct-Flux — дообученная авторами репозитория mrkrak3n языковая модель на архитектуре Qwen2, предназначенная для создания подробных, образных текстовых промптов для генерации изображений в Flux. Модель насчитывает 7,1 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 32 768 токенов. Она основана на Qwen/Qwen2.5-7B-Instruct и дообучена на наборе FluxDev ControlNet 16k и синтетических данных. Модель подходит для превращения краткого описания сцены в развернутый промпт с деталями объекта, окружения, освещения и настроения, а также для подготовки промптов в творческих рабочих процессах Flux и ComfyUI. Метаданные перечисляют поддержку английского, китайского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. README не приводит сравнительных оценок качества и не уточняет лицензию; не следует считать, что модель сама генерирует изображения.

Indexnusrefather/Qwen-3.5-2b-roleplay-tuned-v2-ERP-tolerant — дообученная модель на базе Qwen/Qwen3.5-2B от Indexnusrefather для ролевых диалогов и творческого письма. Автор отмечает улучшенную работу с художественным текстом и пунктуацией, а также большую терпимость к откровенным темам и меньше отказов. Модель использует плотную архитектуру семейства Qwen 3.5 с 2 млрд параметров в базовой модели и поддерживает генерацию текста и чат. В репозитории есть веса safetensors и GGUF в форматах BF16 и F32, а также файлы LoRA-адаптера. Указана лицензия Apache-2.0. Автор предупреждает о возможной нестабильности. Квантизация этой модели вызывала проблемы; качество зависит от формата весов и способа запуска. Метаданные описывают базовую Qwen как мультимодальную, но карточка этой дообученной модели заявляет задачи генерации текста и ролевого общения.

Anything2Real — специализированный LoRA-адаптер от lrzjason для базовой модели Qwen/Qwen-Image-Edit-2509. Модель предназначена для преобразования иллюстраций, аниме, мультфильмов, картин и других非фотореалистичных изображений в убедительные фотореалистичные фотографии с сохранением исходной композиции и содержания. Адаптер работает в сценариях image-to-image через библиотеку Diffusers и основан на архитектуре Qwen Edit 2509, описанной как MMDiT-модель редактирования изображений. Рекомендуемый вес LoRA — 0,75–0,9. Для управления результатом предлагается запрос «transform the image to realistic photograph» с подробным описанием содержимого изображения; при этом адаптер может работать и без детализированного промпта. Данные о размере модели, поддерживаемых языках, максимальном контексте и дополнительных модальностях не указаны. Это альфа-версия, находящаяся в активной разработке и обученная на ограниченном наборе данных, поэтому универсальность и стабильность преобразований могут быть ограничены. Модель распространяется по лицензии Apache-2.0.

Qwen-Edit-Skin — специализированная LoRA-модель, разработанная пользователем tlennon-ie для базовой модели Qwen/Qwen-Image-Edit-2509. Она дообучена для повышения реалистичности и детализации человеческой кожи на изображениях, включая более естественную текстуру, оттенки и видимость пор. Модель предназначена для image-to-image редактирования портретов и изображений людей в сценариях фотографической обработки, цифрового искусства и улучшения изображений. Она ориентирована на использование в рабочих процессах Qwen Image Edit и активируется текстовым описанием «make the subjects skin details more prominent and natural». Базовая модель поддерживает редактирование изображений, работу с несколькими изображениями и сохранение идентичности человека, однако собственные характеристики контекстного окна и полный набор поддерживаемых языков в README не указаны; для модели заявлен английский язык. Это LoRA-адаптер с линейным и свёрточным rank и alpha, равными 16. Обучение выполнено за 5000 шагов в bf16 на NVIDIA RTX 5090 с использованием AI-Toolkit, разрешений 512, 768 и 1024 пикселя, оптимизатора adamw8bit и noise scheduler flowmatch. Версия 1.1 заявлена как обеспечивающая лучшую сходимость, меньшее количество артефактов и более широкий диапазон регулировки силы применения. Ограничение модели состоит в узкой специализации на детализации кожи и зависимости от базовой Qwen/Qwen-Image-Edit-2509; результаты также могут зависеть от исходного изображения, промпта и выбранной силы LoRA. Модель распространяется по лицензии Apache-2.0.

DiffSynth-Studio/Qwen-Image-Edit-F2P — модель генерации и редактирования изображений, разработанная на основе Qwen-Image-Edit командой DiffSynth-Studio. Она предназначена для создания полноразмерных портретов человека по входному обрезанному изображению лица с сохранением его идентичности. Сценарий использования включает генерацию изображений человека в заданных сценах, одежде, окружении и художественных или фотореалистичных стилях по текстовому описанию. Модель распространяется как LoRA-адаптер для Qwen-Image-Edit и подключается через библиотеку DiffSynth-Studio и pipeline QwenImagePipeline. Она работает в формате image-to-image, принимает изображение лица и текстовый prompt, а на выходе формирует изображение; в README приведён пример с разрешением 1152×864 и 40 шагами инференса. Для автоматической подготовки входных данных можно использовать детектор лиц InsightFace с моделью antelopev2. Сведения о точном размере модели, архитектуре базовой модели, поддерживаемых языках и максимальном контексте не указаны. Сильная сторона модели — управление генерацией через идентичность лица и возможность получать различные портретные сцены из одного входного изображения. Ограничения включают зависимость от базовой модели Qwen-Image-Edit, необходимость корректно обрезанного лица и вычислительных ресурсов с поддержкой CUDA; качество сохранения внешности и результаты для других типов входных изображений в README не оценены. Модель распространяется по лицензии Apache-2.0.

Raemu Flux — модель генерации изображений по тексту, созданная разработчиком Raelina на основе дообучения FLUX.1-dev от Black Forest Labs. Она предназначена прежде всего для создания изображений в стиле аниме; для этого модель дообучена на почти 1 500 тщательно отобранных изображениях. Репозиторий использует Diffusers и формат Safetensors. Модель подходит для генерации аниме-персонажей и сцен по текстовым запросам. В запрос рекомендуется включать слово «anime»: без него результат может выглядеть реалистично. Язык карточки — английский; точный контекст модели не указан. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и базовой FLUX.1-dev.

RainbowClassicAnime — модель генерации изображений по текстовому описанию, собранная как смесь Rainbowpatch 1.0 от Patchmonk и DucHaiten Classic Anime в версии fp16 без EMA. Она предназначена для создания изображений в классическом аниме-стиле; автор README советует начинать запрос с «Rainbowpatch» и/или «(80s anime style)», а также допускает использование «(gtav style)» для усиления эффекта. Модель распространяется в формате Diffusers и Safetensors, библиотека — Diffusers. Лицензия CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или конкретные ограничения по качеству; генерация зависит от текстового запроса и может требовать подбора стилевых подсказок.

RainierMix — объединённая модель для генерации изображений по текстовому описанию, созданная Hemlok на основе ACertainThing. В README также описаны варианты Rainier-base и RainierMixV1, собранные из нескольких моделей; доступная карточка не уточняет, к какой именно версии относятся метаданные репозитория. Модель предназначена для создания иллюстраций по промптам, в частности изображений в аниме-стиле. Для работы автор рекомендует использовать WebUI, например AUTOMATIC1111, выбирать DDIM или DPM++ SDE Karras, делать около 50 шагов или больше, устанавливать Clip skip 2 и CFG Scale 5–8, а также подключать VAE. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. README сообщает, что RainierMixV2 и PastelRainier больше нельзя использовать в коммерческих целях из-за изменения лицензии источника слияния, и предлагает версии 2.5; условия для других перечисленных вариантов отдельно не уточнены. Автор также сообщает, что модель была повреждена и исправленная версия загружена в Modified-Model.

Realistic-Skin-Style — экспериментальная DreamBooth-модель Saleh (shindi), дообученная на базе Stable Diffusion v2.1 с разрешением 768 пикселей. Она предназначена для генерации изображений людей с более выраженной текстурой кожи по текстовым запросам; для активации изученного стиля в примерах используются триггерные слова «jqkz» и «jqkz style». Модель можно запускать через Diffusers. Автор описывает её как первую версию эксперимента и основу для дальнейшей тонкой настройки. Модель ориентирована на фотореалистичные изображения людей, но качество и реалистичность результата зависят от запроса. Лицензия — CreativeML OpenRAIL-M.

Это дообученная модель RF-DETR Nano, созданная на основе Roboflow/rf-detr-nano для обнаружения игроков, мяча и судьи на изображениях баскетбольных трансляций. Модель использует архитектуру RF-DETR для детекции объектов и распространяется в формате safetensors. Модель подходит для анализа кадров баскетбольных матчей: она находит игроков, мяч и судью и возвращает их расположение на изображении. В оценке на тестовой выборке mAP составил 0,4681, а mAP@50 — 0,7416; показатели mAP для игроков и судьи выше, чем для мяча. Мяч часто занимает всего несколько пикселей и может сливаться с фоном, поэтому обнаруживается хуже. Данные обучения преимущественно получены из трансляций матчей Boston Celtics, что может ограничивать переносимость на другие команды, ракурсы и условия съёмки. Лицензия модели — Apache-2.0.

RolePlayLake-7B — англоязычная языковая модель для генерации текста и ролевых диалогов, созданная автором fhai50032 слиянием моделей SanjiWatsuki/Silicon-Maid-7B и senseable/WestLake-7B-v2. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов по карточкам персонажей, творческого письма и генерации ответов в разных форматах промптов. Автор сообщает о настройке с уклоном в чат и менее строгой фильтрацией контента, а также приводит результаты бенчмарков; эти заявления не являются независимой оценкой качества. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Roughness Painter — модель генерации изображений, опубликованная AIARTCHAN и предназначенная для ускорения создания концепт-арта и матт-пейнтинга персонажей. Она основана на Stable Diffusion и доступна для Diffusers в форматах PyTorch и SafeTensors; автор описывает её как результат слияния моделей. Модель создаёт изображения по текстовым описаниям и также подходит для преобразования изображений, например, для вариаций грубого эскиза. Модель ориентирована на быстрые наброски с выразительным силуэтом, объёмом и абстрактными деталями, которые затем можно доработать вручную. Автор рекомендует невысокие шаги и масштаб генерации, чтобы ускорить работу и облегчить ретушь; дополнительные LoRA и эмбеддинги не требуются. В README приведены настройки генерации, включая 10–20 шагов и CFG 4–9. Карточка не сообщает размер архитектуры, длину контекста или список поддерживаемых языков. Лицензия — CreativeML OpenRAIL-M; её условия и ограничения следует учитывать при использовании и распространении результатов.

RicardoEstep/RPBizkit-v8-12B — экспериментальная текстовая модель семейства Mistral Nemo, созданная RicardoEstep как слияние нескольких RP- и instruct-моделей с помощью Mergekit. Веса представлены в формате safetensors; размер — 12,1 млрд параметров. Автор сообщает о целевом контексте 128K токенов и рекомендует шаблон чата Alpaca с RAW-вводом; альтернативный шаблон Mistral V3 приводится как необязательный. Модель предназначена для генерации текста в ролевых сценариях и написания историй. В слияние вошли Mistral-Nemo-Instruct-2407-abliterated, UnslopNemo, RPMax, RP-Ink и Gutenberg; метаданные также связывают её с другими RP-моделями. Указание в тегах not-for-all-audiences отражает ориентацию на контент не для всех аудиторий. Лицензия в предоставленных данных не указана.

SAGAQwen3-8B — мультимодальная модель, разработанная авторами проекта SAGA и дообученная на базе Qwen3-VL-8B-Instruct для понимания коротких драматических видео. Она описывает видео и сюжет, отвечает на открытые и тестовые вопросы по его содержанию. Обучение включало SFT и RL на наборе M-Drama: 32 361 аннотация вопросов и ответов для 8 102 видеоклипов. Модель принимает видео и текстовые запросы и формирует текстовый ответ. Для соответствия ожидаемому формату требуется системный промпт из карточки: модель выдаёт ответ в фиксированной структуре из трёх блоков. В оценке авторы использовали выборку кадров с частотой 2 кадра в секунду, максимум 192 кадра и до 2048 новых токенов. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Kernel/sd-nsfw — модель генерации изображений по тексту на основе Stable Diffusion v1.5, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; исходный чекпойнт Stable Diffusion v1.2 был дообучен на 595 тысячах шагов при разрешении 512×512 на наборе laion-aesthetics v2 5+. Модель принимает текстовые запросы на английском языке и создаёт изображения; репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для генерации фотореалистичных изображений и художественных материалов по описанию, а также для исследований генеративных моделей. Название и метка «not-for-all-audiences» указывают на ориентацию на NSFW-контент. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование. Модель не гарантирует фотореализм, плохо передаёт текст внутри изображений и сложные пространственные композиции, может ошибаться при генерации лиц и людей. Английские запросы работают лучше других языков; возможны смещения и запоминание изображений из обучающих данных. Для практического применения авторы рекомендуют использовать Safety Checker.

SHARP — модель Apple для фотореалистичного синтеза новых ракурсов сцены по одной фотографии. Она за один прямой проход нейросети, менее чем за секунду на стандартном GPU, предсказывает параметры метрического представления сцены в виде 3D Gaussian Splatting. Полученное представление можно рендерить в реальном времени, получая изображения высокого разрешения с близких точек обзора и выполняя перемещения камеры с сохранением абсолютного масштаба. Модель рассчитана на создание новых видов сцены по одиночному изображению и обобщает на данные из разных наборов без дополнительной адаптации. Авторы сообщают об улучшении метрик перцептивного качества относительно предыдущих методов. Предсказание гауссиан работает на CPU, CUDA и MPS; рендеринг видео с траекторией камеры требует CUDA GPU. Репозиторий распространяется по лицензии Apple AMLR.

ShutterMuse — мультимодальная модель для подсказок фотографу в момент съёмки, основанная на Qwen3-VL-8B-Instruct. Она предназначена для анализа сцены и диалога с фотографом, чтобы давать рекомендации по созданию кадра непосредственно во время съёмки. Модель использует архитектуру Qwen3VLForConditionalGeneration и процессор Qwen3VLProcessor; опубликована в формате safetensors с точностью bfloat16. Модель принимает изображения и текстовые запросы и формирует текстовые рекомендации. Карточка связывает её с исследованием ShutterMuse о помощи при съёмке, однако не приводит результатов оценки качества или подробностей о поддерживаемых языках сверх английского языка, указанного в метаданных. Лицензия в предоставленных данных не указана.

SomethingV2.2 — модель латентной диффузии для генерации изображений в аниме-стиле по текстовому описанию, опубликованная NoCrypt. Она создана слиянием SomethingV2.1 и промежуточной модели dpepsili с помощью MBW, после чего в веса встроили VAE Blessed2. В README рекомендуются Clip Skip 2, sampler DPM++ 2M Karras и CFG Scale около 7; для повышения детализации автор советует использовать hires fix. Модель рассчитана прежде всего на англоязычные промпты и выдаёт изображения. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; она разрешает использование с соблюдением условий лицензии и ограничений на применение. README не приводит размер модели или длину контекста.