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

Sarashina2-Vision-14B — японская визуально-языковая модель SB Intuitions, объединяющая языковую модель Sarashina2-13B и визуальный энкодер Qwen2-VL-7B. Модель принимает изображение и текстовый запрос, а отвечает текстом; примеры в карточке показывают распознавание объектов и ответы на вопросы о содержимом и расположении объектов на изображении. Модель дообучена в три этапа: сначала настраивался проектор на данных для создания описаний изображений, затем вместе с проектором обучался визуальный энкодер, а на заключительном этапе проектор и языковая модель дообучались на визуальных инструкциях. В сравнительной оценке японских VLM, приведённой авторами по состоянию на 7 марта 2025 года, Sarashina2-Vision-14B показала лучшие результаты среди сравниваемых моделей на JMMMU и JDocQA. Основной язык модели — японский; базовая Sarashina2-13B также предназначена для генерации японского и английского текста. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT. Модель может выдавать неточные, бессмысленные, предвзятые или нежелательные ответы; для практического применения авторы рекомендуют дополнительную настройку с учётом предпочтений людей и требований безопасности.

Scyrax Pastel Core V10 SDXL — модель преобразования текста в изображение на базе Stable Diffusion XL и Illustrious-xl-early-release-v0. Модель создана DeViLDoNia и распространяется в формате, совместимом с библиотекой Diffusers; для хранения весов используется Safetensors. Модель предназначена для генерации 2D-иллюстраций в аниме-стилистике, включая изображения девушек, с мягкой пастельной цветовой гармонией, чистыми линиями, выразительной передачей эмоций и сочетанием аниме- и скетчевой эстетики. Она ориентирована на стабильные и предсказуемые результаты по текстовым описаниям на английском языке. Модель лицензирована по FAIPL-1.0-SD; условия использования следует проверять в полном тексте этой лицензии. Специализация на пастельной аниме-эстетике может ограничивать пригодность модели для фотореалистичных изображений, других художественных стилей и задач, не связанных с генерацией изображений.

Norod78/sd2-dreambooth-ClaymationXmas — модель преобразования текста в изображение, дообученная Norod78 для генерации изображений в стиле рождественской пластилиновой анимации. В карточке указано, что модель является fine-tune; примеры генерации представлены для WebUI AUTOMATIC1111. В репозитории используются Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам с рождественскими мотивами и эстетикой claymation. Она основана на Stable Diffusion, однако конкретная базовая версия и размер модели в доступных сведениях не указаны. Лицензия — CreativeML OpenRAIL-M.

Guizmus/SDArt_UnmythicalCreatures — текстовая инверсия, обученная автором Guizmus на Stable Diffusion 1.5 для создания изображений вымышленных существ, не основанных на известных мифах. Она предназначена для генерации существ по текстовому запросу с использованием токена SDArt и дополнительных токенов, связанных с примерами из обучающего набора. Набор обучения включал 31 изображение; автор указывает, что обучал модель с небольшим весом, чтобы она передавала тему, не копируя исходные работы напрямую. Модель подходит для иллюстраций фантастических животных и растений, концепт-арта существ и визуальных записей для вымышленного бестиария. Для генерации автор рекомендует сэмплеры k_Euler_a или DPM++ 2M Karras, 20 шагов и CFG 7.5. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors; лицензия — CreativeML OpenRAIL-M. Карточка не сообщает длину контекста или поддерживаемые языки запросов; метаданные помечают английский язык.

Stable Diffusion x2 latent upscaler — модель диффузионного повышения разрешения в латентном пространстве, разработанная Кэтрин Кроусон совместно со Stability AI. Она принимает латентное представление изображения Stable Diffusion, повышает его разрешение в два раза, после чего результат декодируется в изображение. Модель можно применять к промежуточным латентам генерации или к изображению, предварительно закодированному в латентное пространство; она предназначена для работы с чекпойнтами Stable Diffusion и интегрируется через Diffusers. Модель обучена на высокоразрешающей подвыборке LAION-2B и распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML Open RAIL++-M. Карточка указывает английский как язык обучения подписям; качество работы с другими языками может быть ниже. Среди ограничений — потери при автоэнкодировании, несовершенная фотореалистичность, трудности с лицами и сложной композицией, а также нечитаемый текст на изображениях. Данные обучения могли содержать взрослый, сексуальный и насильственный контент, хотя для частичного снижения риска применялся фильтр NSFW.

Карточка модели radames/sd-x2-latent-upscaler-img2img на Hugging Face совпадает с карточкой stabilityai/sd-x2-latent-upscaler, поэтому описание составлено по ней. Stable Diffusion x2 latent upscaler — модель диффузионного повышения разрешения в латентном пространстве, разработанная Кэтрин Кроусон совместно со Stability AI. Она принимает латентное представление изображения Stable Diffusion, повышает его разрешение в два раза, после чего результат декодируется в изображение. Модель можно применять к промежуточным латентам генерации или к изображению, предварительно закодированному в латентное пространство; она предназначена для работы с чекпойнтами Stable Diffusion и интегрируется через Diffusers. Модель обучена на высокоразрешающей подвыборке LAION-2B и распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML Open RAIL++-M. Карточка указывает английский как язык обучения подписям; качество работы с другими языками может быть ниже. Среди ограничений — потери при автоэнкодировании, несовершенная фотореалистичность, трудности с лицами и сложной композицией, а также нечитаемый текст на изображениях. Данные обучения могли содержать взрослый, сексуальный и насильственный контент, хотя для частичного снижения риска применялся фильтр NSFW.

Simple Diffusion XS (SDXS) — компактная модель генерации изображений по тексту от AiArtLab, представленная как экспериментальный проект. Она содержит 1,5 млрд параметров; в качестве текстового энкодера используется Qwen3 объёмом 0,6 млрд параметров, а для декодирования изображений — Simple VAE с конфигурацией 8×16 каналов. Модель распространяется в формате Diffusers с весами Safetensors и лицензией Apache-2.0. Модель предназначена для быстрого создания изображений по текстовым запросам. Её обучали около трёх месяцев на 2–4 видеокартах RTX 5090, используя более миллиона изображений разных разрешений и стилей, преимущественно аниме и иллюстрации. Разработчики ориентируют проект на компактное обучение с использованием потребительских видеокарт. Карточка указывает на ограниченный охват понятий из-за небольшого набора данных. Поскольку в обучающих изображениях преобладают аниме и иллюстрации, качество и разнообразие результатов для других тем могут быть ограничены.

Seg-Zero-7B — модель для сегментации изображений по текстовому запросу, представленная в карточке проекта Seg-Zero и основанная на архитектуре Qwen2.5-VL. Она принимает изображение и инструкцию, формирует цепочку рассуждений и позиционные подсказки, а затем выдаёт пиксельную маску. Модель обучалась с подкреплением по алгоритму GRPO без явных обучающих данных с цепочками рассуждений; в README сообщается о zero-shot результате 57,5 на тесте ReasonSeg и преимуществе над LISA-7B на этом бенчмарке. Модель рассчитана на сегментацию объектов и областей, описанных естественным языком, включая запросы, требующие интерпретации намерения пользователя. В метаданных указаны 7,1 млрд параметров, контекст 128 000 токенов и поддержка английского языка. Репозиторий содержит веса Safetensors и использует Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и связанными материалами проекта. Качество зависит от изображения, формулировки запроса и выбранного бенчмарка; README отдельно отмечает, что лучшие результаты на разных тестах получены с разными чекпойнтами. Для запуска и обучения требуются значительные вычислительные ресурсы: авторы рекомендуют для обучения 7B-модели сервер с четырьмя GPU по 80 ГБ или восемью GPU по 46 ГБ.

openai/shap-e-img2img — модель OpenAI для генерации 3D-объектов по синтетическому 2D-изображению. Она использует диффузионную модель Shap-E, которая формирует параметры неявной 3D-функции; представление можно визуализировать как текстурированную сетку или neural radiance field. Модель предназначена для преобразования изображения объекта в его 3D-вариант. Модель распространяется в формате Diffusers с весами PyTorch и Safetensors. Лицензия — MIT. Карточка не приводит размер модели, сведения о поддерживаемых языках и конкретные ограничения качества; она отсылает за ограничениями к исходной карточке Shap-E.

Модель prithivMLmods/siglip2-mini-explicit-content — классификатор изображений, дообученный на базе Google SigLIP 2 base patch16-512 с архитектурой SiglipForImageClassification. Она относит изображение к одному из пяти классов: аниме, чувственный контент, хентай, порнография или безопасный для работы контент. Модель предназначена для модерации и фильтрации изображений, в частности аниме и материалов для взрослых. Её можно применять для фильтрации публикаций и результатов поиска, родительского контроля, проверки изображений в рабочих средах и отбора датасетов. Модель выдаёт вероятностные оценки классов и не распознаёт насилие, наркотики или символику ненависти; результаты требуют проверки человеком и не являются юридической классификацией. Для распространения указана лицензия Apache-2.0.

p1atdev/siglip-tagger-test-3 — экспериментальная модель классификации изображений, дообученная разработчиком p1atdev на базе Google SigLIP SoViT-400m. Она предсказывает теги Danbooru по изображению и возвращает подходящие метки с оценками уверенности; можно задать порог, чтобы отфильтровать результаты. Модель содержит около 544,9 млн параметров и распространяется в формате Safetensors. Для обучения использованы 5000 изображений Danbooru и 9517 общих тегов; теги персонажей и рейтинга не включены. Модель подходит для автоматического тегирования иллюстраций и поиска изображений по тегам. Автор отмечает экспериментальный характер модели и не рекомендует использовать её в производственной среде; в README приведены низкие значения loss и accuracy на оценочной выборке, поэтому качество предсказаний следует проверять на целевых данных. Лицензия — Apache-2.0.

awsaf49/sonics-spectttra-gamma-120s — модель классификации аудио из проекта SONICS, созданного для выявления полностью синтетических песен. Она отличает созданные человеком композиции от песен, сгенерированных ИИ, включая случаи, когда синтетическими являются вокал, музыка, текст и стиль. Модель основана на архитектуре SpecTTTra (Spectro-Temporal Tokens Transformer), предназначенной для анализа долгих временных зависимостей в музыке. В README для семейства указаны 12 слоёв, 6 голов внимания, размер эмбеддинга 384 и обработка аудио с частотой дискретизации 16 кГц, 128 мел-полосами и FFT 2048. Вариант gamma-120s предназначен для анализа длинных музыкальных фрагментов длительностью до 120 секунд и выдаёт классовую оценку подлинности аудио. Проект SONICS представлен на ICLR 2025 и использует набор данных SONICS с синтетическими песнями, включая композиции с платформ Suno и Udio. Карточка указывает английский язык данных и лицензию MIT. Это специализированный детектор подделок песен; качество на иных жанрах, источниках синтеза и аудиозаписях вне целевого сценария из приведённых сведений не следует.

SoteDiffusion Wuerstchen3 — экспериментальная аниме-модель для генерации изображений по текстовому описанию. Автор дообучил Würstchen V3 на датасете аниме-иллюстраций; в карточке также указана базовая модель Disty0/sote-diffusion-cascade-alpha0. Модель распространяется в формате Diffusers с весами SafeTensors и предназначена для запуска, в частности, через SD.Next или ComfyUI. Обучение ещё продолжается. Карточка описывает настройку для иллюстраций в аниме-стиле, включая рекомендации по разрешению и параметрам генерации. Реалистичные изображения не тестировались; модель может переключаться на реалистичную стилистику, а глаза персонажей на дальнем плане, анатомия и кисти рук могут получаться неудачно. В README указано ограничение на коммерческое использование; конкретная лицензия обозначена в метаданных как other.

Source4 — дообученная на базе Stable Diffusion 1.5 модель DreamBooth, созданная автором jkcarney для генерации портретов с драматичным многоцветным театральным освещением. Для активации характерного стиля в запрос добавляют токен «source4 style»; указание цветов, например бирюзовых или красных оттенков, помогает направлять палитру. Модель обучали 8000 шагов на более чем 90 изображениях высокого качества размером 512×512 без prior preservation loss. Она предназначена для создания стилизованных портретов по текстовым запросам. В README автор рекомендует пробовать разные веса токена и отмечает, что при слишком выраженном эффекте лица могут размываться; семплеры Euler a и DPM++ 2S a Karras обычно дают хорошие результаты за 25–30 шагов. Доступны форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.

Модель firdhokk/speech-emotion-recognition-with-openai-whisper-large-v3 разработана на основе Whisper large-v3 от OpenAI и дообучена для классификации эмоций в аудиозаписях. Это плотная модель архитектуры Whisper с примерно 905,2 млн параметров, предназначенная для распознавания эмоциональной окраски речи. Модель принимает аудио и относит запись к одной из семи категорий: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Для подготовки аудио README описывает загрузку через Librosa и обработку Whisper Feature Extractor. В обучении использовались датасеты RAVDESS, SAVEE, TESS и URDU; спокойная эмоция была исключена из обучения из-за малого числа примеров. В README приведены метрики оценки, включая точность 0,9199, однако результаты на других данных и переносимость между языками и условиями записи не описаны. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Модель подходит для экспериментов и приложений, которым требуется классифицировать эмоции по речи; её оценки не следует считать надёжным измерением эмоционального состояния человека.

Severian-Void/Starsector-Portraits — набор моделей и адаптеров LoRA для генерации портретов в стиле видеоигры Starsector; автор обучил их на размеченной выборке из 556 изображений. Карточка описывает дообученные чекпойнты Stable Diffusion, версии LoRA для SD 1.5, SDXL, PONY и NOOBAI-VPRED, а также гиперсети для отдельных версий. В метаданных указан конвейер text-to-image и форматы Diffusers, PyTorch и Safetensors. Модель предназначена для создания портретов персонажей и игровых изображений для модификаций Starsector. В подсказках можно задавать фракцию, одежду и стиль изображения; для основного чекпойнта используется токен starsectorportrait, а для LoRA — starsector. Метаданные указывают лицензию CreativeML OpenRAIL-M. Результаты зависят от версии модели, базовой модели и параметров генерации; README также отмечает, что стиль может выбираться случайно, если его явно не задать.

StoriesLM-v1-1963 — англоязычная языковая модель семейства StoriesLM, разработанная для предобучения на исторических газетных текстах США. Версия 1963 года продолжает обучение чекпойнта предыдущего года на материалах American Stories за следующий год, сохраняя последовательность годовых временных срезов начиная с 1900 года. Модель основана на архитектуре BERT и предназначена для заполнения пропусков в тексте (fill-mask), например для анализа лексики и формулировок американской прессы 1963 года. Она содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — MIT. Модель специализирована на историческом газетном корпусе, поэтому её представления языка отражают данные и стиль источника и периода обучения; это может ограничивать применимость к современным текстам и другим областям. Для выводов о конкретных событиях или общественных взглядах следует учитывать особенности исторического корпуса.

StrawberryLemonade-L3-70B-v1.1 — текстовая разговорная модель на 69,5 млрд параметров, созданная автором sophosympatheia как слияние нескольких моделей семейства Llama. В карточке указаны базовые модели Arcee-SuperNova-v1, L3.3-GeneticLemonade-Final-v2-70B и L3.3-GeneticLemonade-Unleashed-v3-70B; автор отдельно описывает объединение двух последних моделей для ролевых диалогов и историй. Модель предназначена прежде всего для ролевых игр и творческого повествования. Автор отмечает повышенную креативность и выразительность по сравнению с предыдущей версией, но не приводит результатов проверки на других задачах. Метаданные указывают контекст длиной до 131 072 токенов, архитектуру Llama и поддержку разговорного режима. Модель заявлена как uncensored; карточка предупреждает, что пользователь отвечает за её применение. Известных автору проблем не указано. Репозиторий распространяется по лицензии Llama 3.

StrawberryLemonade-L3-70B-v1.2 — диалоговая языковая модель на архитектуре Llama, созданная автором sophosympatheia путём слияния нескольких моделей семейства Llama 3.3 и Cogito. Веса содержат 69,5 млрд параметров, модель работает с контекстом до 131 072 токенов и распространяется в формате Safetensors под лицензией Llama 3. Модель предназначена прежде всего для ролевых диалогов и написания историй. Автор отмечает её выразительность и творческие ответы, а также предлагает настройки генерации для более связного или более креативного стиля. Метаданные также указывают на интерфейс вызова инструментов, но качество на задачах за пределами ролевой игры и повествования автором не проверялось. Модель заявлена как uncensored и помечена на Hugging Face как не предназначенная для всех аудиторий. Результаты зависят от настроек генерации; автор предупреждает, что при более творческих настройках может потребоваться повторная генерация для исправления связности. Лицензия — Llama 3.

Tama-JP-beta — разговорная модель для ролевых диалогов и свободного общения, разработанная на основе Qwen3-4B. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста в формате чата. В README указана специализация на иммерсивных ролевых сценариях; для персонажа рекомендуется задавать системный промпт. Модель поддерживает контекст длиной до 262 144 токенов и распространяется в формате Safetensors. В метаданных перечислены английский, китайский и вьетнамский языки; обозначение JP в названии само по себе не подтверждает поддержку японского. Лицензия — MIT. Модель может генерировать контент для взрослых, поэтому её следует применять с учётом аудитории и настроек сервиса.

TATlit — базовая языковая модель для литературного татарского языка, разработанная Ильшатом Саэтовым и Дмитрием Гайнуллиным. Это модель с архитектурой Llama и 478,2 млн параметров, обученная с нуля, без адаптации англо- или русскоязычной базовой модели. Она предназначена для продолжения текста и языкового моделирования на татарском языке, включая литературную прозу и периодические издания. Модель использует декодерную архитектуру с 24 слоями и контекстом 4096 токенов. Токенизатор SentencePiece Unigram содержит 48 тысяч токенов. Обучение проходило в два этапа: сначала на кириллических кыпчакских языках, затем на корпусе литературного татарского. По приведённым в карточке тестам модель показывает сильные результаты в генерации татарского текста и оценке морфологической приемлемости. Это базовая, не настроенная на выполнение инструкций модель; она не предназначена для диалогового следования командам и обладает ограниченными энциклопедическими знаниями. В карточке также отмечена уязвимость в обработке системы лица и притяжательности в изафетных конструкциях. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения производных материалов на тех же условиях и некоммерческого применения.

duclvQ/tcg-card-detector — модель компьютерного зрения для поиска коллекционной игровой карты на фотографии и определения её четырёх углов. Карточка описывает применение на реальных снимках физических карт; фиксированный порядок ключевых точек соответствует верхнему левому, верхнему правому, нижнему правому и нижнему левому углам. Модель построена на Ultralytics YOLOv8 и предназначена для получения четырёхугольника, который можно использовать, например, для выравнивания изображения карты с помощью перспективного преобразования OpenCV. Модель находит карты разных игр по их форме, а не по конкретному оформлению. В описанном наборе из 186 фотографий карт Pokémon для 183 снимков получен пригодный четырёхугольник. Репозиторий содержит форматы Core ML и ONNX; лицензия — AGPL-3.0. Модель хуже работает со скученными сценами: веерами карт, стопками, страницами альбомов и сильным перекрытием. Она также может пропустить карту, если один из углов находится за пределами кадра, а сильное размытие, перекрытие рукой и отсутствие границы у объекта снижают надёжность.

TimeSformer — модель классификации видео на основе архитектуры Transformer, дообученная автором tihon-nth на базе facebook/timesformer-base-finetuned-k400. Она предназначена для присвоения видео метки класса; базовая модель классифицирует действия по 400 категориям Kinetics-400, но набор меток и область применения этого дообученного чекпойнта не описаны. Модель содержит 113,2 млн параметров и использует библиотеку Transformers. На указанном автором наборе оценки модель получила loss 0,5794 и accuracy 0,7772. Эти результаты относятся к неизвестному набору данных, поэтому их нельзя переносить на другие видео или интерпретировать без сведений о классах и протоколе оценки. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Ochiroo/tiny_mn_gpt — языковая модель GPT-2, обученная разработчиком на небольшом корпусе монгольских новостей IKON объёмом 500 МБ. Это плотная авторегрессионная модель для генерации текста: она учится предсказывать следующее слово по предыдущему контексту. Репозиторий содержит версию для TensorFlow; длина контекста составляет 1024 токена. Модель предназначена для продолжения и генерации текста на монгольском языке, в частности в стиле новостных текстов. Корпус обучения ограничен новостями, поэтому модель может хуже работать с другими жанрами и темами, а также воспроизводить перекосы исходных данных. Лицензия в предоставленных сведениях не указана.

Transcoda 59M Zero-Shot v1 — компактная модель для распознавания нотной записи на изображениях партитур и её преобразования в символическую нотацию Humdrum `**kern`. Она построена как vision-encoder-decoder с энкодером ConvNeXt V2 Tiny, обученным на ImageNet-22K, и декодером для последовательностей текста. В карточке заявлено 59 млн параметров, тогда как метаданные указывают 30,9 млн; поэтому точный размер по доступным данным определить нельзя. Модель использует библиотеку Transformers и требует загрузки пользовательской архитектуры через `trust_remote_code=True`. Модель предназначена для оптического распознавания музыкальной нотации (OMR): на вход подаётся изображение одной страницы партитуры, на выходе получается транскрипция `**kern`. Обучение проводилось на синтетических изображениях, отрендеренных Verovio; README приводит результаты на синтетическом и реальном польском наборе данных и отмечает заметное ухудшение на исторических сканах. Для декодирования доступны жадный поиск, beam search и грамматически ограниченное декодирование; последнее требует кода проекта. Вход имеет фиксированную геометрию 1485 × 1050 пикселей, многостраничные документы нужно предварительно разбивать на страницы. Лицензия — CC BY 4.0.

TreeVGR-7B — мультимодальная модель для визуального рассуждения с привязкой выводов к областям изображения, представленная авторами работы Traceable Evidence Enhanced Visual Grounded Reasoning: Evaluation and Methodology. Она дообучена на базе Qwen/Qwen2.5-VL-7B-Instruct и предназначена для вопросов по изображениям, локализации объектов и объяснения ответов с проверяемыми визуальными свидетельствами. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2.5-VL и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. Заявленный контекст — 128 000 токенов. Обучение сочетает supervised fine-tuning и обучение с подкреплением; авторы сообщают об улучшении результатов на V* Bench, MME-RealWorld и TreeBench. Репозиторий содержит веса Safetensors, используется библиотека Transformers. TreeVGR ориентирована на сложные сцены с множеством объектов, тонкие визуальные детали, пространственные отношения и взаимодействия объектов. В README описан локальный демонстрационный запуск на TreeBench; для установки требуются зависимости проекта и FlashAttention. Лицензия — Apache 2.0. Ограничение: заявленные результаты относятся к указанным визуальным бенчмаркам; README не приводит подробностей о качестве на других типах изображений или языках.

Карточка модели cavargas10/TRELLIS 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.

Карточка модели Mordrag/trellis2-gguf-q4 на Hugging Face совпадает с карточкой ilintar/trellis2-gguf, поэтому описание составлено по ней. ilintar/trellis2-gguf — набор весов TRELLIS.2, преобразованный в формат GGUF для запуска через trellis.cpp, автономную среду C++/GGML с поддержкой CUDA и Vulkan, а также через Lemonade как медиа-бэкенд GGML. Модель предназначена для преобразования изображения в 3D-объект. Репозиторий содержит компоненты полного конвейера: DINOv3, блоки потока и декодирования разреженной структуры, формы и текстур для разрешений 512 и 1024, а также опциональный BiRefNet для удаления фона. GGUF — формат поставки весов; README указывает исходную модель TRELLIS.2, но не сообщает её идентификатор или точную лицензию, отсылая к лицензии исходной модели.

chibifire/TRELLIS-image-large — зеркало крупной модели TRELLIS Image Large, разработанной Microsoft. Модель по одному изображению генерирует 3D-ассет; репозиторий содержит конфигурацию пайплайна и контрольные точки преобразователей потоков для разреженной структуры и структурированных латентных представлений, а также энкодеры и декодеры. Декодеры формируют 3D-гауссианы, радиационные поля и сетки. Модель предназначена для создания 3D-объектов по изображению с использованием кода проекта TRELLIS. В репозитории веса представлены в формате safetensors. Лицензия — MIT. Для запуска требуется пайплайн и код TRELLIS.

Карточка модели Circova/TRELLIS-image-large 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.