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

Piyush3142/trocr-sanskrit-ocr — дообученная модель TrOCR на базе microsoft/trocr-base-printed для распознавания санскритского текста на изображениях рукописей и печатных ведических текстов. Архитектура модели — vision-encoder-decoder; она принимает изображение и генерирует текст в транслитерации IAST. Для получения письма деванагари распознанный текст можно преобразовать отдельно. Модель обучена на наборе yzk/veda-ocr-ms, содержащем около 11,7 тысячи изображений санскритских рукописей, в течение двух эпох. Она предназначена для OCR материалов, похожих по стилю на обучающие данные. Модель распространяется по лицензии MIT. Качество может снижаться на рукописном тексте, повреждённых изображениях и материалах, отличающихся от обучающих ведических текстов.

Это дообученная модель классификации видео на базе facebook/timesformer-base-finetuned-k400, опубликованная пользователем tihon-nth. Архитектура TimeSformer предназначена для анализа видеокадров и распознавания категорий действий. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. В README указаны результаты оценки на наборе неизвестного происхождения: accuracy 0,9367 и loss 0,0396. Назначение меток классов, состав обучающих данных и подробные сценарии применения не описаны, поэтому применимость результата за пределами оценочного набора неясна. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Turkish-LLaVA-v0.1, разработанная командой ytu-ce-cosmos, — мультимодальная модель на архитектуре LLaVA-Llama для выполнения визуальных инструкций на турецком языке. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалога по изображению, визуальных вопросов и распознавания текста на обложках книг. Модель основана на Turkish-Llama-8b-Instruct-v0.1 и содержит около 7,5 млрд параметров. Для предварительного обучения использовался переведённый на турецкий язык набор LLaVA-CC3M-Pretrain-595K, а дообучение включало подмножества Stanford GQA, VisualGenome и COCO, а также многоходовые инструкции по обложкам книг. Архитектура — плотная LLaVA-Llama; контекст составляет 8192 токена. Репозиторий предоставляет веса в формате safetensors. Модель рассчитана прежде всего на турецкие запросы и визуальное понимание, включая OCR на обложках книг. Карточка не приводит количественных оценок качества, поэтому результаты на иных языках и типах изображений могут отличаться. Лицензия — MIT.

Talha/urdu-audio-emotions — модель классификации аудио на архитектуре Wav2Vec2, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она предназначена для распознавания эмоциональной окраски аудиозаписей на урду и относит речь к четырём категориям: гнев, радость, нейтральное состояние и грусть. В карточке указаны точность 0,975 и функция потерь 0,1638 на наборе оценки. Модель содержит около 402,7 млн параметров, распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не уточняет датасет обучения и условия записи аудио, поэтому приведённые метрики не гарантируют аналогичного качества на других данных.

SomethingV2.2 — модель генерации изображений в стиле аниме на основе латентной диффузии, созданная Inzamam567 как улучшенная версия SomethingV2. В карточке описаны настройки для генерации изображений по текстовым запросам; автор рекомендует Clip Skip 2, sampler DPM++ 2M Karras, CFG Scale около 7 и включение Hires fix. VAE Blessed2 встроен в модель. Модель получена слиянием SomethingV2_1 и промежуточной модели dpepsili с помощью MBW, после чего в результат встроен VAE Blessed2. Репозиторий доступен в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M.

Van Gogh Diffusion — модель генерации изображений по текстовому описанию, созданная Dallin Mackay на основе Stable Diffusion 1.5. Модель дообучена методом DreamBooth на кадрах фильма «Loving Vincent» и использует специальный токен «lvngvncnt» в начале запроса для передачи характерного живописного стиля фильма. Модель предназначена для создания портретов, пейзажей и других изображений в стиле «Loving Vincent». В README рекомендуются сэмплер Euler, 25 шагов и CFG scale 6; упомянута совместимость с Diffusers. Модель принимает текстовый запрос и выдаёт изображение. Возможные особенности генерации — преобладание синего оттенка и жёлтые лица; README предлагает при необходимости указывать эти признаки в негативном запросе. Лицензия модели — CreativeML OpenRAIL-M.

VisionReasoner-7B — модель для визуального рассуждения и сегментации изображений, разработанная в рамках фреймворка Seg-Zero. Это плотная модель семейства Qwen2.5-VL на 7,1 млрд параметров, дообученная с помощью обучения с подкреплением GRPO без явных данных с цепочками рассуждений. Архитектура разделена на модель рассуждений и модель сегментации: первая интерпретирует запрос, формирует текстовое объяснение и пространственные подсказки, а вторая по ним строит пиксельные маски. Модель предназначена для сегментации объектов по текстовому запросу и визуального ответа на запросы о содержимом изображения. В README сообщается о нулевой точечной оценке 57,5 на ReasonSeg и улучшении на 18% относительно LISA-7B. Репозиторий содержит веса safetensors; модель рассчитана на Transformers и имеет контекст до 128 000 токенов. Карточка связывает её с датасетами COCO, ReasonSeg, CountBench и наборами refCOCOg и multi-object. Основной язык карточки — английский. Лицензия — Apache-2.0.

vit-age-classifier — классификатор изображений на базе Vision Transformer (ViT), опубликованный пользователем ibombonato. Модель содержит 113,2 млн параметров и предназначена для отнесения изображений к возрастным категориям. Репозиторий создан с помощью HuggingPics, инструмента для обучения собственных классификаторов изображений. Модель принимает изображения и выдаёт метку класса; веса представлены в формате PyTorch. В карточке нет сведений о наборе возрастных категорий и качестве классификации, поэтому перед применением стоит проверить её на данных целевой аудитории. Лицензия в предоставленных данных не указана.

Voxel-ish Image Pack — набор для генерации изображений в стиле воксельной графики, созданный Jak_TheAI_Artist для Stable Diffusion. Для активации стиля в запросе используется триггер «voxel-ish»; автор также рекомендует добавлять «intricate detail» для получения более детализированных, полуреалистичных изображений. Модель предназначена для генерации изображений по текстовым запросам с помощью StableDiffusionPipeline. Для обучения использованы 143 изображения и 8000 шагов; в 20% обучающих текстов применялся текст, подготовленный автором. Репозиторий содержит файлы в форматах Diffusers и PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не описывает конкретные параметры базовой модели или ограничения по качеству и применению.

Это модуль Dilated ControlNet для Wan2.1, опубликованный TheDenk. Он предназначен для управления генерацией видео по условию canny: карта контуров задаёт структуру кадров, а базовая модель Wan2.1 1.3B формирует видео. Для варианта под Wan 1.3B указаны 8 блоков ControlNet и параметр stride со значением 3; веса представлены в формате safetensors. Модуль рассчитан на сценарии video-to-video с видеоданными и картами контуров. В карточке не приведены сведения о контекстном окне, поддерживаемых языках запросов или результатах оценки качества. Репозиторий распространяется по лицензии Apache-2.0.

Wan2.2 Pixel Animate Adapter — адаптер LoRA, разработанный сообществом styly-agents для базовой модели Wan2.2-I2V-14B-480P от Wan-AI. Он предназначен для генерации видео из изображений: преобразует статичные изображения пиксельных персонажей и объектов в анимированные спрайты для игр и других сценариев создания pixel art. Модель интегрируется с библиотекой Diffusers и может использоваться в ComfyUI. Адаптер имеет ранг LoRA 256, работает в формате bfloat16 и занимает около 2,3 ГБ. Обучение проводилось на 226 видео с пиксельными анимациями размером 600×370 пикселей, включая циклы атак, ходьбы и бездействия, магические эффекты, взрывы, дым и пыль. Поддерживаются последовательности длительностью до 32 кадров, хотя в рекомендуемых настройках указано 45 кадров; базовая модель содержит около 14 млрд параметров. Рекомендуемый сценарий предполагает использование PainterI2V и DDIM, а для ускорения инференса — совместно с 4-step distillation LoRA. Сильная сторона адаптера — специализация на сохранении и анимации эстетики pixel art, включая персонажей, боевые действия и визуальные эффекты. Ограничения связаны с узкой областью обучения, зависимостью от базовой Wan 2.2 I2V и необходимостью настройки совместимых компонентов и параметров. Для адаптера указана лицензия Apache-2.0, однако README рекомендует дополнительно учитывать лицензионные условия базовой модели Wan 2.2.

Tonykip/whisper-kalenjin-v3-turbo — модель распознавания речи на языке календжин, разработанная как дообучение Whisper large-v3-turbo с помощью LoRA. В репозитории размещена полная объединённая модель: адаптер уже встроен в веса; архитектура — WhisperForConditionalGeneration, размер — около 905,2 млн параметров. Модель предназначена для преобразования аудио на календжин в текст, прежде всего для речи кипсигис и нанди. Обучение проводилось на размеченных записях чтения из датасета Anv-ke/Kalenjin; для длинных аудио автор рекомендует чанковое декодирование и beam search со значением 5. На тесте из 198 фрагментов спонтанной речи указаны WER 65,56% и CER 21,10%; на английском модель уступает базовой Whisper примерно 5 пунктов WER. Ограничения включают заметно худшее качество на спонтанной речи и диалектах, недостаточно представленных в обучающих данных, а также повышенную задержку при beam search. Для длинных записей требуется чанковая обработка. Лицензия модели — MIT.

Whisper-Tiny-Myanmar-Partial-Freezing — версия openai/whisper-tiny, дообученная автором thantzinphyo на наборе SLR80: Crowdsourced High-Quality Burmese Speech Dataset. Это компактная модель распознавания речи на архитектуре Whisper с 29,4 млн параметров; она принимает аудио и преобразует его в текст на бирманском языке. В README выбран контрольный чекпойнт на шаге 1 000 с наименьшей указанной долей ошибок символов (CER 19,60%) на валидационной выборке из 252 аудиофрагментов. Модель предназначена для транскрибирования бирманской речи, в том числе записей, подобных аудио из набора SLR80. Её можно запускать через pipeline automatic-speech-recognition в библиотеке Transformers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Показатель CER получен на небольшой изолированной выборке, поэтому он не гарантирует такое же качество на других записях, условиях записи или типах речи. README не сообщает о поддержке других языков или о проверке модели на более широком наборе сценариев.

hhyxnh обучил DreamBooth-модель WLOP-style heywhale на базе Stable Diffusion 1.5 для генерации изображений в художественной манере по текстовым запросам. Для активации стиля автор рекомендует добавлять в запрос «wgz style». В репозитории представлены три варианта: V1 обучен на разрешении 512 и лучше следует логике текстового запроса, V2 обучен на 768 и обычно передаёт больше деталей и черты лица, а beta иногда даёт удачные результаты при преобразовании изображения, но менее предсказуема. Модель предназначена для создания художественных портретов и стилизованных изображений, в том числе через img2img. Автор отмечает у V1 недостаток деталей и склонность глаз к покраснению, у V2 — к зелёному оттенку глаз и менее точному следованию тексту; beta имеет низкую стабильность результатов. Лицензия в предоставленных сведениях не указана.

Модель Raynard J. предназначена для поиска фрагментов в литературе на классическом китайском языке по запросу на современном китайском. Она помогает находить текст по приблизительному воспоминанию о содержании или по современной формулировке идеи, а также подбирать цитаты и ускорять чтение древних текстов. Это плотная модель семейства BERT с 129,5 млн параметров, опубликованная в формате PyTorch. Она принимает текст и формирует признаки для семантического поиска; заявленный контекст составляет 512 токенов. В карточке указан китайский язык. Для поиска README предлагает применять косинусное сходство с подходящей поисковой системой или библиотекой. Лицензия и количественные результаты оценки в предоставленных данных не указаны. Описание ориентировано на поиск по древнекитайской литературе; пригодность для других языков и задач не подтверждена.

YaYi-7B — языковая модель команды YaYi, дообученная методом instruction tuning на миллионах искусственно созданных высококачественных примеров. Она предназначена для выполнения более ста текстовых инструкций, с акцентом на китайский язык и анализ в областях медиакоммуникаций, общественного мнения, общественной безопасности, финансовых рисков и городского управления. Модель основана на архитектуре BLOOM, содержит 9,1 млрд параметров и поддерживает контекст до 2048 токенов; в README также заявлены улучшения многоходового диалога и возможности работы с плагинами. YaYi-7B подходит для ответов на инструкции, подготовки аналитических материалов и выполнения специализированных задач в указанных областях. Для инференса в FP16 README приводит ориентир около 20 ГБ видеопамяти. Модель может ошибаться в фактических ответах, недостаточно распознаёт вредоносные запросы, а её способности к рассуждению, программированию и многоходовому диалогу ограничены. README разрешает использование весов по отдельной Model License и заявляет исследовательское назначение без коммерческого использования; код распространяется по Apache-2.0, данные — по CC BY-NC 4.0.

Модель ivrit-ai/yi-whisper-large-v3 разработана командой ivrit-ai и представляет собой дообученную версию Whisper Large v3 от OpenAI для распознавания речи на идише. Это плотная модель архитектуры Whisper с 905,2 млн параметров, опубликованная в формате safetensors для Transformers под лицензией Apache-2.0. Модель предназначена прежде всего для транскрибации аудио на идише. При обучении использовались краудсорсинговые записи чтения фрагментов статей и голосовые сообщения с заранее заданными фразами; в части примеров учитывались временные метки и предыдущий текст. Для распознавания следует явно задавать языковой токен идиша. В README отмечено, что обучение ухудшило автоматическое определение языка, поэтому модель рассчитана преимущественно на аудио на иврите. Перевод аудио не обучался и работает ненадёжно. Модель не следует выбирать для перевода речи или распознавания других языков без проверки.

YoShin — модель Stable Diffusion для генерации изображений по текстовому описанию, обученная автором репозитория Evel на работах Ёдзи Синкавы из серий игр Metal Gear Solid и Death Stranding. Для вызова характерного стиля в запросе используется токен «yoshin style». Модель создана методом DreamBooth для Automatic1111 на 47 изображениях за 4000 шагов и распространяется в форматах Diffusers и PyTorch. Модель предназначена для создания иллюстраций, стилизованных под работы Синкавы, по англоязычным текстовым запросам. Она основана на Stable Diffusion; сведения о размере модели и длине контекста в доступных данных отсутствуют. Лицензия CreativeML OpenRAIL-M разрешает коммерческое использование и распространение весов при соблюдении ограничений лицензии, включая запрет на намеренное создание или распространение незаконного и вредоносного контента.

Zuki Cute Ill V60 SDXL — модель для генерации изображений по текстовым описаниям, созданная ZU_KI на основе OnomaAIResearch/Illustrious-xl-early-release-v0. Это дообученная модель семейства Stable Diffusion XL, распространяемая в форматах Diffusers и safetensors. Модель ориентирована на создание милых аниме- и комиксных иллюстраций, в том числе персонажей и изображений с заданной художественной стилистикой. В README перечислены поддерживаемые теги художников, включая ningen mame, ciloranko, wlop и mignon, и заявлена поддержка широкого набора таких тегов. Для генерации используются текстовые промпты на английском языке. В метаданных указана лицензия «other» без дополнительных условий, поэтому конкретные права использования по доступным сведениям определить нельзя. Специализация на аниме-изображениях и тегах художников задаёт художественную направленность модели.

Aesthetic Shadow — визуальный трансформер ViT, предназначенный для оценки эстетического качества изображений в стиле аниме. По карточке модель содержит 1,1 млрд параметров; метаданные Hugging Face указывают 1,4 млрд. Она принимает изображения размером до 1024×1024 и выдаёт оценку эстетической привлекательности иллюстрации, учитывая детали, пропорции и визуальную согласованность. Модель может помогать отбирать изображения для наборов данных и фильтровать иллюстрации низкого качества. Автор предупреждает, что оценки могут быть неточными; сведения о лицензии в метаданных не определены. Автор просит указывать авторство при публичном использовании.

Age-Classification-SigLIP2 — модель классификации изображений, созданная PrithivMLmods дообучением Google SigLIP 2 base patch16 224. Она принимает изображение человека и относит его к одной из пяти возрастных групп: 0–12, 13–20, 21–44, 45–64 или 65 лет и старше. Модель построена на архитектуре SiglipForImageClassification и распространяется в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для оценки возрастного состава изображений, а также для исследовательских и прикладных сценариев, где требуется грубая оценка возрастной группы. Результат является классификацией по широким категориям, а не точным определением возраста. Модель лицензирована по Apache-2.0.

Andromeda — набор моделей Stable Diffusion от neggles для генерации изображений в аниме-стиле, ориентированных на поклонников японской поп-культуры и персонажей-кошкодевушек и лисодевушек. Репозиторий распространяет варианты AndromedaDX, AndromedaSX, AndromedaSV и AndromedaMV; автор выделяет DX за детализированные фоны и общий уровень детализации, SX и SV — для образов лисодевушек, а MV — за более реалистичную стилизацию. Также упомянут вариант AndromedaUnreal. Модель принимает текстовые запросы и создаёт изображения. Автор отмечает хорошую работу с запросами на естественном языке при повышенном CLIP skip и рекомендует использовать hires fix; приведены ориентировочные настройки генерации и подсказки для положительного и отрицательного промптов. Карточка не уточняет базовую версию Stable Diffusion и рецепт обучения; автор связывает компоненты моделей с серией Sathariel. Лицензия — CreativeML OpenRAIL-M.

AngelSlayer-12B-Unslop-Mell-RPMax-DARKNESS — слитая модель на архитектуре Mistral для диалоговой генерации, ролевых сценариев и художественного письма. Её создал автор карточки с помощью mergekit, объединив четыре языковые модели; в качестве базовой указана TheDrummer/UnslopNemo-12B-v4.1. Модель содержит 12,1 млрд параметров, работает с текстом и использует шаблон чата ChatML. Хотя в метаданных указан контекст до 1 024 000 токенов, автор README рекомендует не превышать 20 тысяч токенов из-за возможного ухудшения связности. Модель рассчитана на продолжительные диалоги, удержание персонажа и создание разнообразной прозы. По оценке автора, повторения редки, а настройки с повышенной температурой и Min-P могут улучшить ответы; для борьбы с повторениями упоминается sampler DRY. Автор также отмечает склонность ответов следовать одному и тому же тематическому направлению и иногда ошибаться в написании имён. Модель находилась на стадии тестирования. Лицензия — Apache-2.0.

AngelSlayer-12B-Unslop-Mell-RPMax-DARKNESS-v3 — слитая модель для диалоговой генерации на базе семейства Mistral Nemo, созданная автором карточки с помощью mergekit и линейного метода DELLA. В слияние вошли TheDrummer/UnslopNemo-12B-v4, DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-DARKNESS, ArliAI/Mistral-Nemo-12B-ArliAI-RPMax-v1.2 и inflatebot/MN-12B-Mag-Mell-R1. Модель рассчитана на ролевые диалоги и художественное письмо с более творческой подачей. Это плотная MistralForCausalLM на 12,1 млрд параметров; метаданные указывают контекст до 1 024 000 токенов, формат safetensors и лицензию Apache-2.0. Карточка описывает версию как альтернативу предыдущей, отмечает, что она пока не протестирована, и не обещает превосходства над исходными моделями.

Jommarn/animal-classification-resnet50 — дообученная Jommarn модель для классификации изображений животных. В основе лежит свёрточная ResNet-50 v1.5 microsoft/resnet-50; модель использует архитектуру ResNet и сохранена в формате safetensors. В метаданных указана задача image-classification, а обучение проводилось на наборе данных imagefolder. На оценочном наборе модель показала точность 0,9275 и значение loss 0,9563. Её можно применять для определения класса животного на изображении. Лицензия — Apache-2.0. README не раскрывает состав классов и обучающих данных, поэтому область распознаваемых животных и поведение на изображениях вне оценочного набора установить нельзя.

Anime AI Art Detect — модель классификации изображений на базе BEiT, созданная для определения, создано ли аниме-изображение человеком или ИИ. Она предназначена для фильтрации изображений, например удаления вероятных ИИ-работ из обучающей выборки, когда отдельные ошибки классификации допустимы. Модель содержит 119,5 млн параметров и обучена в течение одной эпохи на 11 тысячах изображений с имиджбордов и 11 тысячах ИИ-изображений с aibooru; базовая модель — microsoft/beit-base-patch16-224. Автор сообщает о точности 96% на различении изображений из использованных источников, но результат зависит от данных. Низкокачественные ИИ-генерации и применение textual inversion или hypernetwork повышают вероятность ошибки. Автор не позиционирует классификатор как более точный, чем человек. Лицензия — Apache-2.0.

Anime Detailer XL LoRA — адаптер LoRA, разработанный Linaqruf для работы с моделью Animagine XL 2.0 на базе Stable Diffusion XL. Он предназначен для генерации аниме-изображений и управления уровнем их детализации с помощью концептуального слайдера, что позволяет получать более детализированные или, наоборот, более абстрактные результаты. Модель подходит художникам и создателям контента, которым требуется гибко менять степень проработки изображения. Архитектура модели — LoRA-адаптер для Stable Diffusion XL; базовая модель — Animagine XL 2.0. Поддерживается работа через библиотеку Diffusers, формат весов — Safetensors. В README указаны текстовое управление и английский язык, однако сведения о размере модели, максимальной длине контекста, дополнительных модальностях и точном наборе поддерживаемых языков отсутствуют. Значение слайдера около 2 увеличивает детализацию, а значение около -2 уменьшает её. Модель специализируется на изменении визуальной детализации аниме-изображений, но README не содержит количественных оценок качества или подробного описания ограничений. Распространяется по лицензии CreativeML Open RAIL++-M License.

Animov 0.1.1 — модель генерации видео по текстовому описанию для библиотеки Diffusers, созданная strangeman3107 путём дообучения исходной модели ModelScope для получения аниме-стиля. Она предназначена для создания коротких аниме-видео по текстовым запросам. Модель обучалась с разрешением 448×384; способ использования соответствует исходной модели ModelScope. Репозиторий распространяется в форматах Diffusers и PyTorch по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В README отмечено, что по сравнению с версией 0.1 изменилось только разрешение.

Anmokomergetest1 — слитая модель Stable Diffusion 1.x для генерации аниме-изображений по текстовым описаниям. Автор карточки указывает, что модель создана из Anything-V3.0 от Linaqruf, momoko-e и частной модели mergetest1; также заявлено, что это разрешённая копия частной модели сообщества NovelAI 中文频道. Репозиторий содержит варианты CKPT и safetensors; последний включает VAE, а CKPT рассчитан в том числе на дальнейшее слияние с другими моделями. Модель предназначена для создания ярких детализированных изображений в аниме-стиле, в том числе по коротким промптам. В README рекомендованы разрешение 1024×1024, 12–28 шагов, sampler DPM++ SDE Karras и CFG 5–11; Hires.fix можно использовать для увеличения изображения. Лицензия — CC BY-NC 4.0, коммерческое использование запрещено. Автор предупреждает о снижении качества при слишком низком или высоком разрешении, проблемах с глазами на низком разрешении и возможных анатомических ошибках, включая деформированные конечности. В обучающих данных, согласно карточке, есть изображения, защищённые авторским правом.

Antler-7B-RP-v3 — модель Aratako для ролевых диалогов и художественной генерации на японском языке. Она создана дообучением LoRA модели Elizezen/Antler-7B, основанной на плотной архитектуре Mistral с 7,1 млрд параметров. Для диалогов рекомендуется использовать шаблон чата Mistral и задавать роли персонажей, сеттинг и начальную реплику. Контекст модели составляет 8192 токена; она принимает и генерирует текст. Модель обучена на наборах LimaRP-augmented и Rosebleu-1on1-Dialogues-RP. Версия v3 исправляет ошибку в настройках обучения v2; по сравнению с ранней версией автор отмечает более частые описания обстановки. Лицензия репозитория — Apache-2.0, однако автор указывает, что лицензия базовой модели неизвестна и условия могут измениться. Иногда модель завершает ответ без текста или пытается писать реплики пользователя; продолжение генерации, повторный запрос или стоп-слово могут помочь.