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

Animagine XL 4.0 (Anim4gine) — модель генерации изображений по тексту на основе диффузионной архитектуры SDXL, разработанная Cagliostro Research Lab. Она дообучена на Stable Diffusion XL 1.0 и предназначена для создания и изменения изображений в аниме-стилистике по текстовым запросам. Для управления результатом лучше использовать структурированные запросы с тегами, в том числе теги качества, рейтинга и художественного периода; модель доступна в форматах Diffusers и safetensors, а в карточке указана лицензия OpenRAIL++. Модель подходит для иллюстраций персонажей, сцен и стилизованных изображений. Карточка сообщает об обучении на крупном наборе изображений в аниме-стиле, но не приводит длину контекста. Модель может ошибаться в сложной анатомии, особенно в изображении рук и пальцев; генерация читаемого текста на изображениях не поддерживается. Для новых персонажей, сцен с несколькими персонажами и разрешений выше исходного SDXL могут потребоваться точные запросы, а качество или согласованность стиля могут снижаться.

AnyaLora — LoRA-модель для Stable Diffusion, обученная Improceid методом DreamBooth с использованием fast-DreamBooth notebook от TheLastBen. Она предназначена для генерации изображений по текстовым запросам с воспроизведением обученного визуального концепта. В карточке приведены примеры изображений концепта и способ попробовать модель через fast-Colab-A1111; параметры базовой модели и результаты использования этим не раскрываются. Модель распространяется в форматах Diffusers, PyTorch и safetensors. Указана лицензия CreativeML OpenRAIL-M. LoRA является производной моделью и для генерации требует совместимой базовой модели Stable Diffusion.

Anything V3.1 — сторонняя версия модели латентной диффузии Anything V3.0 для генерации и редактирования изображений в аниме-стиле по текстовым запросам. Модель поддерживает подсказки в виде тегов Danbooru. Её поддерживает Cagliostro Research Lab; для работы доступны форматы Diffusers, PyTorch и Safetensors. В этой версии заменён VAE и исправлен ключ позиции CLIP; ссылка на CLIP взята из Stable Diffusion 1.5. README описывает дообучение на протяжении 50 эпох с небольшим набором данных, включая синтетические примеры, и предупреждает о переобучении. Лицензия в метаданных — CreativeML OpenRAIL-M.

Карточка модели arabago96/ASM-model на Hugging Face совпадает с карточкой microsoft/TRELLIS-image-large, поэтому описание составлено по ней. TRELLIS Image Large — модель генерации 3D-объектов по изображению, основанная на проекте TRELLIS. Она принимает изображение как условие и предназначена для создания трёхмерного представления объекта. Модель представлена в исследовательской работе «Structured 3D Latents for Scalable and Versatile 3D Generation». В метаданных указаны библиотека TRELLIS, формат весов Safetensors и лицензия MIT. Карточка описывает вариант TRELLIS с большим размером, но не приводит число параметров, детали архитектуры, сведения о поддерживаемых языках или ограничения качества.

autismmixSDXL_autismmixConfetti — модель генерации изображений на основе LyliaEngine/Pony_Diffusion_V6_XL, опубликованная LyliaEngine и связанная с разработчиком Autismix_anon. Это вариант AutismMix_confetti, созданный смешиванием Pony с AnimeConfettiTune и AutismMix_pony. Модель предназначена для text-to-image генерации преимущественно аниме- и иллюстративных изображений, а также для работы с некоторыми LoRA, совместимыми с экосистемой Pony Diffusion. По заявлению автора, версия confetti обеспечивает более предсказуемое поведение, меньший разброс стилей и лучшее качество рук по сравнению с базовым Pony, сохраняя интерпретацию запросов и знания о стилях. Для управления стилем рекомендуется использовать теги качества, аналогичные Pony Diffusion V6 XL; отдельные негативные промпты и embeddings, рассчитанные на SDXL или Pony, могут ухудшать результат. Для некоторых конфигураций могут потребоваться совместимые интерфейсы и настройки, а при появлении артефактов автор рекомендует специальное расширение для их предотвращения. Модель распространяется в формате Safetensors по лицензии Creative Data License Agreement Permissive 2.0 (CDLA-Permissive-2.0). В README не указаны точный размер весов, число параметров, максимальная длина контекста, перечень поддерживаемых языков или отдельные сведения о модальностях помимо генерации изображений по тексту.

AWPortrait-Z — это LoRA-адаптер для генерации портретов и изображений в эстетике beauty на базе Tongyi-MAI/Z-Image-Turbo. Модель опубликована под идентификатором Shakker-Labs/AWPortrait-Z; в разделе благодарностей указано, что релиз выполнен DynamicWang. Адаптер предназначен для text-to-image-сценариев, в которых важны реалистичная кожа, естественное освещение и разнообразие внешности. По заявлению авторов, он уменьшает характерный для базовой модели мелкозернистый шум и высокочастотные артефакты на коже, смягчает чрезмерный HDR-эффект, восстанавливает контраст и насыщенность, а также улучшает отображение искусственного студийного света. Дополнительно заявлено расширение представленности разных этнических особенностей лица. Архитектура, размер, поддерживаемые языки, максимальный контекст и точные параметры использования в README не указаны. Ограничения качества и совместимости также не описаны; результат зависит от базовой модели Z-Image-Turbo и настроек применения LoRA. Модель распространяется по лицензии Apache-2.0.

Bernini-v2-int4 — 4-битная версия Bernini-v2 для Apple MLX, созданная сообществом mlx-community на основе ByteDance/Bernini-Diffusers-v2 и распространяемая по лицензии Apache-2.0. Модель предназначена для генерации видео по изображению и связана с семейством Wan2.2-A14B. Квантизация затрагивает два трансформерных эксперта Wan2.2-A14B: линейные слои внимания и FFN используют int4 с размером группы 64. Планировщик, энкодер umT5 и VAE сохранены в bf16. Такой вариант рассчитан на устройства с ограниченной памятью; README отмечает измеримую потерю качества диффузионных трансформеров при переходе с bf16 и рекомендует bf16 как вариант по умолчанию. Для подробностей об использовании и происхождении авторы отсылают к карточке bf16-репозитория.

bert-desinform-bg — модель классификации текстов, разработанная Ивой Мариновой и распространённая Институтом больших данных для умного общества GATE в Болгарии. Она дообучена на основе usmiva/bert-web-bg на наборе данных GATE для выявления дезинформации в сообщениях социальных сетей. Модель построена на архитектуре BERT и содержит 136,3 млн параметров; принимает текст на болгарском языке, а длина контекста составляет до 512 токенов. Модель предназначена для классификации сообщений в социальных сетях по признакам дезинформации и может использоваться в исследовательских и прикладных системах мониторинга контента. Карточка не приводит метрик качества, описания классов, подробностей обучающего набора или оценки смещений, поэтому результаты следует проверять на целевых данных. Лицензия в метаданных указана как CC BY 2.0.

Карточка модели dbmdz/bert-medium-historic-multilingual-cased на Hugging Face совпадает с карточкой dbmdz/bert-tiny-historic-multilingual-cased, поэтому описание составлено по ней. dbmdz/bert-tiny-historic-multilingual-cased — компактная многоязычная модель семейства BERT от команды dbmdz, обученная на исторических текстах. Она предназначена для предсказания замаскированных токенов в тексте и может служить компактной основой для обработки исторических документов. Модель имеет архитектуру BertForMaskedLM, 2 слоя и скрытый размер 128; содержит около 4,6 млн параметров и принимает последовательности длиной до 512 токенов. В обучающие корпуса вошли исторические материалы на немецком, французском, английском, финском и шведском языках, включая данные Europeana и Британской библиотеки. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Компактный размер облегчает запуск и дообучение на ограниченных ресурсах. По сравнению с крупными BERT-моделями её возможности и ёмкость ограничены; карточка описывает предобучение, но не приводит оценок качества для конкретных прикладных задач. Лицензия — MIT.

dbmdz/bert-tiny-historic-multilingual-cased — компактная многоязычная модель семейства BERT от команды dbmdz, обученная на исторических текстах. Она предназначена для предсказания замаскированных токенов в тексте и может служить компактной основой для обработки исторических документов. Модель имеет архитектуру BertForMaskedLM, 2 слоя и скрытый размер 128; содержит около 4,6 млн параметров и принимает последовательности длиной до 512 токенов. В обучающие корпуса вошли исторические материалы на немецком, французском, английском, финском и шведском языках, включая данные Europeana и Британской библиотеки. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Компактный размер облегчает запуск и дообучение на ограниченных ресурсах. По сравнению с крупными BERT-моделями её возможности и ёмкость ограничены; карточка описывает предобучение, но не приводит оценок качества для конкретных прикладных задач. Лицензия — MIT.

piuba-bigdata/beto-contextualized-hate-speech — испаноязычная модель для тонкого многометочного выявления языка ненависти в комментариях к новостным статьям. Она дообучена на базе BETO, испанской предварительно обученной модели семейства BERT, и имеет около 137,1 млн параметров. Для анализа подайте комментарий и контекст вместе в формате «текст комментария [SEP] контекст»; модель классифицирует текст по нескольким категориям, включая высказывания против женщин, ЛГБТИ и расистские высказывания, а также отдельно отмечает призывы к насилию. Модель рассчитана на классификацию текста на испанском языке и поддерживает до 512 токенов контекста. Её многометочная постановка позволяет одновременно выявлять несколько признаков в одном комментарии. В карточке README сведения о лицензии и конкретных ограничениях качества не приведены.

Chaotic-Order-24B-V2 — слитая языковая модель автора Sorihon, созданная методом DARE TIES с помощью mergekit на основе Chaotic-Order-24B-V1 и объединения с DarkArtsForge/Asmodeus-24B-v3 и Sorihon/Magistry-Painted-Cydonia-24B. Это плотная причинная архитектура Mistral с 23,4 млрд параметров, предназначенная для генерации текста и чат-диалогов; базовая карточка описывает её как модель для англоязычного художественного письма и ролевых диалогов, в том числе с мрачным и откровенным содержанием. Контекстное окно составляет 131 072 токена, веса представлены в safetensors и используются через Transformers. Модель подходит для интерактивного ролевого общения и создания художественной прозы на английском языке. В карточке приведены параметры слияния, включая смешивание моделей с разной плотностью и весами; отдельные оценки качества или гарантии поведения не указаны. Лицензия в предоставленных данных не указана.

ChatWaifu v1.3.1 — языковая модель spow12 для диалогов в образе персонажей визуальных новелл и ролевого общения. Это объединение весов нескольких моделей методом linear mergekit на базе Mistral Nemo Instruct; в состав входят ChatWaifu v1.2, NeverSleep/Lumimaid-v0.2-12B и Epiculous/Violet_Twilight-v0.1. Модель имеет архитектуру MistralForCausalLM и 12,1 млрд параметров. Модель предназначена для многоходовых бесед, генерации реплик с заданной персоной и продолжения диалога с длинным контекстом. Карточка описывает японские обучающие данные и японских персонажей; метаданные также указывают английский, французский, немецкий, испанский, итальянский, португальский, русский и китайский языки. В метаданных указан контекст до 1 024 000 токенов, тогда как README заявляет 128k; фактический предел зависит от конфигурации и используемого запуска. Модель может генерировать материалы для взрослой аудитории. README предупреждает, что в обучающих данных могли сохраниться NSFW-примеры. Лицензия в метаданных — CC BY-NC 4.0; карточка также ограничивает использование некоммерческими и исследовательскими целями.

Chipoint — модель геолокации изображений с открытыми весами от chiikabu labs. Она извлекает визуальные признаки и предназначена для определения географического положения по фотографии; карточка сообщает о тестировании на наборе OSV-5M из 210 122 изображений и медианной ошибке 51 км. В README заявлены результаты выше опубликованных моделей на OSV-5M, однако приведённая таблица неполная, а сравнение административной точности основано на приблизительном обратном геокодировании. В метаданных указаны архитектура семейства Chipoint, формат PyTorch и слияние нескольких визуальных моделей, включая DINOv3 ViT-L и SigLIP2. Лицензия CC BY-NC 4.0 разрешает использование с ограничениями на коммерческое применение. README отмечает, что результаты для других бенчмарков недоступны, поэтому качество вне OSV-5M по карточке оценить нельзя.

Civilizations 6 Diffusion — модель генерации изображений по текстовому описанию, обученная автором на портретах лидеров, экранах загрузки и иллюстрациях из Civilization VI. Для воспроизведения художественного стиля в запросе предлагается использовать токен «civsix style»; модель также подходит для генерации портретов и отдельных объектов. Игровая карта в обучающие данные не входила. Модель использует Stable Diffusion Pipeline и распространяется в форматах Diffusers, PyTorch и safetensors. Карточка описывает проект как созданный для исследований и развлечений и указывает лицензию CreativeML OpenRAIL-M. Лицензия допускает гибкое использование и распространение с ограничениями; пользователь отвечает за соблюдение её условий и за применение результатов. Автор не связан с Firaxis Games и предостерегает от создания подделок, нарушающих авторские права или товарные знаки.

Yntec/ClayStyle — модель генерации изображений из текста в формате Diffusers, созданная слиянием чекпойнтов Stable Diffusion. Автор описывает её как стилистическую модель: добавление фразы «Clay Style» в запрос активирует эффект пластилиновой или глиняной CGI-эстетики, подходящей для персонажей, животных и сцен. Примеры включают чиби-персонажей, предметы и изометрические фоны. В README указана цепочка смешивания LoRA Clay Style с A-ZovyaRPGV3 и GenerateMe, а затем объединения полученных чекпойнтов; отдельно приложена промежуточная версия ClayStyleAlpha. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — CreativeML Open RAIL-M. Карточка не сообщает ограничений по качеству или конкретных требований к запуску.

ControlNet v1.1 OpenPose — модель на основе диффузионной архитектуры для управляемой генерации изображений совместно с Stable Diffusion. Её разработали Lvmin Zhang и Maneesh Agrawala; данный репозиторий содержит конвертацию исходного checkpoint в формат diffusers. Модель рекомендуется использовать с runwayml/stable-diffusion-v1-5, на котором она была обучена. Модель принимает изображение с позой человека в формате OpenPose как дополнительное условие и позволяет генерировать или преобразовывать изображения с сохранением заданного положения тела, а также, при наличии соответствующей обработки, поз рук и лица. Она предназначена для задач text-to-image и image-to-image, где требуется точнее контролировать композицию и позу персонажей; для извлечения OpenPose-условия нужны внешние инструменты, например controlnet_aux. В README указан английский язык. Сильная сторона модели — дополнительный пространственный контроль генерации при сохранении возможностей базовой Stable Diffusion. Ограничения связаны с зависимостью от совместимой базовой модели и внешнего препроцессора OpenPose; совместимость с другими diffusion-моделями возможна, но не гарантируется. Модель распространяется по лицензии CreativeML OpenRAIL M.

Counterfeit V3 — латентная диффузионная модель преобразования текста в изображения, разработанная rqdwdw. Она предназначена прежде всего для создания изображений людей и других сюжетов в стиле японского аниме. Модель использует Stable Diffusion и запускается через библиотеку Diffusers; веса представлены в формате safetensors, лицензия — MIT. Модель подходит для генерации аниме-иллюстраций по текстовым запросам. Она не всегда создаёт безупречные иллюстрации и плохо справляется с изображением разборчивого текста.

Cream-Phi-3-14B-v1 — языковая модель BeaverLegacy на архитектуре Phi-3, дообученная для ролевого общения. Автор описывает её как продолжение дообучения Cream-Phi-3-14B-v1a; в карточке заявлены обучение на ролевых диалогах и поддержка откровенного контента. Модель содержит 13,8 млрд параметров, принимает текст и генерирует текст, длина контекста — 4096 токенов. Модель рассчитана прежде всего на ролевые сценарии с персонажами и может использоваться для диалогов в формате Instruct. Автор отмечает сильное форматирование ролевых ответов и достаточно длинные реплики; при этом откровенные ответы остаются умеренными, что автор связывает с предварительным обучением Phi Medium. Лицензия — MIT.

DucHaitenNiji Cute v2.3.5 — модель генерации изображений по текстовому описанию, опубликованная Yntec и основанная на семействе Stable Diffusion. Она предназначена для создания милых мультяшных и аниме-иллюстраций, в том числе изображений персонажей в стиле chibi. Репозиторий представлен в форматах Diffusers и PyTorch с весами Safetensors; для работы используется библиотека Diffusers. В карточке приведён пример промпта для детализированного изображения милой девушки с крупными глазами. Модель ориентирована на визуальный стиль, а не на универсальную генерацию изображений. Лицензия — CreativeML OpenRAIL-M; её условия использования и ограничения следует учитывать при распространении и применении созданных изображений.

deept — модель типа LoRA для генерации изображений по текстовому описанию, опубликованная пользователем daikatana111. Она предназначена для использования в сценариях text-to-image и интеграции с библиотекой Diffusers. README не содержит сведений о базовой модели, разработчике, размере, архитектуре, поддерживаемых языках, максимальном контексте, специализации, качестве результатов или ограничениях. Также не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя. Модель доступна для скачивания через раздел Files & versions репозитория.

facebook/deit-base-distilled-patch16-224 — базовая модель DeiT, разработанная командой DeiT и представленная в работе о data-efficient vision transformers и дистилляции через attention. Веса конвертированы из репозитория timm; модель содержит около 113,2 млн параметров и использует архитектуру Vision Transformer с патчами 16×16 и отдельным токеном дистилляции, обучаемым с помощью CNN-учителя. Модель предназначена для классификации изображений на 1 000 классов ImageNet-1k. Она принимает RGB-изображения, подготовленные для разрешения 224×224, и выдаёт оценки классов; при обучении использовалась дистилляция. В README приведены результаты ImageNet для семейства DeiT: для DeiT-base указана точность top-1 81,8% и top-5 95,6%. Модель доступна под лицензией Apache-2.0. Для других задач и наборов классов потребуется подходящая дообученная версия или дополнительная настройка; README отмечает, что более высокое разрешение 384×384 может давать лучшие результаты при fine-tuning.

DisenyPixar — модель генерации изображений по текстовому описанию, опубликованная пользователем ainz. Она предназначена для создания изображений в стиле Disney Pixar по запросу; в README приведён пример портрета улыбающегося принца и указаны 30 шагов инференса. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели, контекстном окне и поддерживаемых языках. Описание возможностей и качества ограничено кратким примером; фактический результат зависит от текстового запроса и параметров генерации.

Модель sandychoii/distilhubert-finetuned-gtzan-audio-classification — дообученная на датасете GTZAN модель ntu-spml/distilhubert для классификации аудио. Она использует архитектуру HuBERT и содержит 18,9 млн параметров. В README указана точность 0,94 и loss 0,2132 на оценочном наборе. Модель подходит для отнесения аудиозаписей к музыкальным классам GTZAN. Базовая distilhubert предназначена для извлечения представлений из аудио с частотой 16 кГц; описание не уточняет ограничения по длительности входа и точный набор классов. Распространяется по лицензии Apache-2.0.

DuelAnimeMix_v1 — модель генерации изображений в аниме-стиле, опубликованная пользователем digiplay. Карточка называет её милой аниме-моделью; она принимает текстовое описание и создаёт изображение. Репозиторий представлен в форматах Diffusers, PyTorch и Safetensors, а задача text-to-image указана в метаданных Hugging Face. Карточка содержит демонстрационное изображение исходного автора, но не приводит сведений об архитектуре, размере, контексте, языках, обучении или конкретных ограничениях. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.

Ecocoro Preview 1 — модель генерации изображений по тексту, созданная автором репозитория как полноразмерное дообучение black-forest-labs/FLUX.2-klein-base-4B. Она предназначена прежде всего для выразительных иллюстраций и изображений в стиле аниме. Модель работает с библиотекой Diffusers и доступна в форматах safetensors; для запуска описаны ComfyUI и Diffusers. В README рекомендованы изображения размером 1024 × 1024, 20–50 шагов и guidance scale 3,0–4,5. Модель принимает текстовые запросы, в том числе теги в стиле Danbooru, обычные описания и их сочетания, и выдаёт изображения. README приводит примеры тегов и описывает применение для проработки персонажей, визуализации сцен и создания концепт-арта. Метаданные указывают английский язык; примеры подсказок включают англоязычные теги. Лицензия — Apache 2.0. Возможны ошибки анатомии, рук, текста, символов и мелких деталей, неверная интерпретация сложных запросов и пространственных отношений, а также непоследовательность персонажей между изображениями. Качество может снижаться для запросов за пределами иллюстративной направленности модели.

TIGER-Lab/EditReward-MiMo-VL-7B-SFT-2508 — мультимодальная модель на 7 млрд параметров, разработанная TIGER-Lab как модель оценки качества редактирования изображений по инструкциям. Она дообучена на XiaomiMiMo/MiMo-VL-7B-SFT-2508 с использованием EditReward-Data — набора из более чем 200 тысяч вручную размеченных пар предпочтений. Модель предназначена для сравнения результатов редактирования и оценки того, насколько они соответствуют человеческим предпочтениям и заданной инструкции. Модель основана на архитектуре Qwen2.5-VL, работает с изображениями и текстом и поддерживает контекст длиной до 128 000 токенов. В README сообщается о высокой корреляции с человеческими оценками на нескольких бенчмарках, включая GenAI-Bench, AURORA-Bench, ImagenHub и EditReward-Bench. Она подходит для выбора лучшего результата из нескольких вариантов редактирования; README не описывает её как генератор изображений. Распространяется по лицензии Apache-2.0.

EfficientNet-B2 — свёрточная модель компьютерного зрения, разработанная Mingxing Tan и Quoc V. Le и обученная для классификации изображений на ImageNet-1k. Она использует составное масштабирование глубины, ширины и разрешения сети; входное разрешение при обучении — 260 × 260 пикселей. Репозиторий содержит веса PyTorch, опубликованные под лицензией Apache-2.0. Модель предназначена для отнесения изображения к одному из 1000 классов ImageNet. Её можно применять как готовый классификатор или использовать как отправную точку для поиска и адаптации версии под другую задачу. Это чистая свёрточная архитектура, ориентированная в том числе на мобильные устройства. Модель принимает изображения и выдаёт текстовые метки классов; карточка не сообщает о специализированной поддержке других наборов классов.

EndlessRP-v3-7B — языковая модель для генерации текста, ориентированная на ролевые диалоги и создание историй. Это объединённая модель на базе семейства Mistral; в метаданных указаны Mistral-7B-v0.1 и несколько других моделей как источники слияния. Разработчик рекомендует формат Extended Alpaca, также упоминаются Metharme и ChatML. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст длиной до 32 768 токенов. Карточка позиционирует её для ролевых сценариев и написания историй на английском языке. Лицензия — Apache-2.0. Модель помечена как NSFW и не предназначена для всех аудиторий.

ErisepBeagleNuBuRPInfinWestLakev2-ENDLESSIreneRP-Neural-7B-slerp — объединённая модель, созданная Smuggling1710 с помощью LazyMergekit из Smuggling1710/BeagleNuBuRPInfinWestLakev2-IreneRP-Neural-7B-slerp и Endevor/EndlessRP-v3-7B методом SLERP. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, объёмом 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста, в частности ролевых диалогов и историй на английском языке. Её можно использовать для продолжения художественных сцен и ведения диалога от лица персонажа. Репозиторий содержит веса в формате Safetensors и использует точность bfloat16. В предоставленной карточке не указаны лицензия и специальные ограничения на применение; условия использования следует сверить с лицензиями обеих базовых моделей.