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

AuraFlow v0.1 — открытая модель генерации изображений по текстовому описанию, разработанная fal. В карточке она названа крупнейшей на момент выпуска моделью генерации изображений на основе flow-подхода; авторы сообщают о результатах уровня state of the art на GenEval. Модель предназначена для создания изображений по текстовым запросам. Она распространяется в формате Diffusers с весами Safetensors и лицензией Apache-2.0. Версия v0.1 обозначена как бета: разработчики продолжают работу над моделью и собирают отзывы сообщества.

unsloth/aya-vision-32b — версия с весами, опубликованная Unsloth на основе мультимодальной модели Aya Vision 32B от Cohere For AI. Это плотная vision-language модель для диалога по тексту и изображениям: она принимает текст и изображения, а в ответ генерирует текст. Варианты Aya Vision предназначены для OCR, описания изображений, визуальных рассуждений, суммаризации, ответов на вопросы по изображениям и других задач понимания визуального содержимого. Модель относится к семейству Aya Vision и использует архитектуру AyaVisionForConditionalGeneration; для обработки изображений применяется зрительный энкодер SigLIP2. Она поддерживает многоязычное взаимодействие, включая русский, и работает через библиотеку Transformers. Карточка README относится к версии 8B, поэтому приведённые там сведения о контексте 16K, обработке изображений и подробном списке 23 языков нельзя уверенно переносить на эту версию 32B. Репозиторий основан на CohereForAI/aya-vision-32b и классифицирован как дообученная модель; веса хранятся в формате safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдать условия допустимого использования C4AI. Подробности производительности и ограничения именно версии 32B в предоставленной карточке не описаны.

Ąžuolas — модель распознавания литовской речи из аудиозаписей, созданная akisviete на основе Whisper large-v3 и дообученная методом SFT на корпусе LIEPA-3. В обучении использовано около 9,8 тысячи часов литовской речи: чтение, спонтанная речь и фонетические записи. Модель содержит около 905,2 млн параметров, построена на архитектуре Whisper и доступна в формате safetensors для Transformers. Модель предназначена для транскрибации литовской речи, в том числе длинных записей и выступлений. В описанных тестах она показала более низкий WER, чем сравниваемые литовские модели, но работала медленнее. Лицензия — CC BY 4.0. Известное ограничение: модель может генерировать связные литовские фразы на участках тишины или фонового шума. Для длинных записей автор рекомендует использовать обработку с фильтром тишины и нарезкой аудио на паузах.

BAGEL-NHR-Edit-V2 — модель ByteDance Seed BAGEL, дообученная авторами репозитория на наборах NHR-Edit и NHR-Edit-part2 для редактирования изображений по текстовым инструкциям. Это мультимодальная модель семейства BAGEL-7B-MoT; адаптация выполнена методом LoRA для слоёв внимания и FFN генерационного эксперта. Базовая BAGEL поддерживает понимание и генерацию изображений, а также работу с видео; эта версия ориентирована на редактирование изображений, включая изменение стиля, добавление и замену объектов, настройку фона и композиции. В README приведены оценки на GEdit-Bench-EN и ImgEdit-Bench, где версия сравнивается с BAGEL-7B-MoT. Модель распространяется в формате safetensors под лицензией Apache-2.0. Для установки и запуска авторы направляют к официальному репозиторию BAGEL.

Модель mrm8488/bert-small2bert-small-finetuned-cnn_daily_mail-summarization разработана Manuel Romero. Это небольшая модель типа encoder-decoder на базе BERT2BERT, дообученная на наборе CNN/DailyMail для суммаризации англоязычных текстов. Она принимает текст и генерирует его краткое изложение; в README приведён результат ROUGE-2 17,37 на тестовом наборе CNN/DailyMail. Модель подходит для создания кратких сводок новостных статей и других текстов на английском языке. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Указанный результат относится к тесту CNN/DailyMail и сам по себе не гарантирует качество на других типах текстов.

Runware/BFL-FLUX.2-klein-4B — размещённая Runware версия модели FLUX.2 [klein] 4B, разработанной Black Forest Labs. Это компактная модель на 4 млрд параметров для генерации и редактирования изображений; карточка Hugging Face показывает запуск через Diffusers с текстовым запросом и исходным изображением. Разработчик позиционирует вариант 4B как самый быстрый в семействе Klein, предназначенный для интерактивных приложений, предварительного просмотра в реальном времени и сценариев с жёсткими требованиями к задержке. Модель поддерживает преобразование изображения по текстовой инструкции и генерацию изображений по тексту. По данным Black Forest Labs, версия 4B распространяется по лицензии Apache 2.0 и рассчитана на локальный запуск и производственное применение. Подробные сведения о языках и длине контекста в использованных источниках отсутствуют.

FLUX.2 [klein] Base 9B — базовая модель генерации и редактирования изображений, разработанная Black Forest Labs; репозиторий Runware содержит её веса в формате Diffusers/Safetensors. Модель объединяет генерацию по текстовому описанию и редактирование с опорой на изображения в одной архитектуре. Веса включают 9-миллиардную flow-модель и текстовый энкодер Qwen3; базовая версия не дистиллирована и подходит для тонкой настройки и пользовательских конвейеров. Модель предназначена для создания изображений по текстовым запросам и изменения существующих изображений, в том числе с использованием нескольких изображений-образцов. В отличие от дистиллированной версии, Base сохраняет полный обучающий сигнал и обеспечивает большую гибкость и разнообразие результатов, но работает медленнее. Для локального использования 9B Base распространяется по FLUX Non-Commercial License; коммерческое использование требует соответствующих условий лицензирования Black Forest Labs.

himel7/bias-detector — англоязычная модель Himel Ghosh для выявления языковой предвзятости в новостных высказываниях. Это дообученная на датасете BABE модель RoBERTa-base с архитектурой RobertaForSequenceClassification и примерно 151,8 млн параметров. Она выполняет бинарную классификацию: LABEL_1 означает предвзятый текст, LABEL_0 — нейтральный. Максимальная длина контекста составляет 514 токенов. Модель предназначена для анализа новостных формулировок: она может помогать исследователям медиа, журналистам и редакторам находить эмоционально окрашенный язык, стереотипные выражения и преувеличения, а также размечать материалы и сравнивать публикации. В оценке на BABE с пятиблочной кросс-валидацией указаны accuracy 0,9202 и F1 0,9257. Результаты отражают субъективные оценки разметчиков BABE. Модель может хуже работать на текстах вне новостной тематики, при сарказме, иронии и завуалированных формулировках; она не проверяет фактическую точность и не выявляет дезинформацию. Распространяется по лицензии Apache-2.0.

BitDance-14B-16x — открытая мультимодальная авторегрессионная модель для генерации изображений, представленная авторами работы BitDance. Она содержит 14 млрд параметров и дообучена на базе Qwen/Qwen3-14B. Для визуальных токенов модель использует двоичный токенизатор, диффузионную голову для выборки и предсказание нескольких патчей за шаг — до 64; для текста сохраняется стандартный подход языкового моделирования. Модель предназначена для создания изображений по текстовому описанию, включая высокодетализированные фотореалистичные изображения. В метаданных указаны английский и китайский языки, контекст 40 960 токенов и формат safetensors. Лицензия — Apache-2.0. README не приводит подробных результатов оценки или ограничений качества.

Chroma1-HD — базовая модель для генерации изображений по текстовому описанию, разработанная Lodestones. Это модель с 8,9 млрд параметров на основе FLUX.1-schnell с изменённым слоем кодирования временного шага и маскированием токенов заполнения T5. Она обучена на отобранном наборе из 5 млн примеров, собранных из пула в 20 млн изображений и включающем художественные, фотографические и нишевые стили. Модель предназначена для генерации изображений, а также как основа для дообучения под конкретные стили, концепции и персонажей. Её можно применять через diffusers и ComfyUI; для ComfyUI требуются текстовый кодировщик T5 XXL и VAE FLUX. В README также описан вариант с квантованным инференсом через gemlite. Модель выпущена по лицензии Apache 2.0. Она не настроена с помощью специального фильтра безопасности и может воспроизводить предубеждения обучающих данных, а также создавать вредоносный, откровенный или оскорбительный контент. Подробный технический отчёт, согласно карточке, ещё готовится.

CHURRO — открытая по весам мультимодальная модель распознавания исторических документов, разработанная Stanford OVAL. Модель содержит 3,1 млрд параметров и дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct; она принимает изображения документов и выдаёт распознанный текст. Контекст модели — 128 000 токенов. Модель предназначена для транскрибации рукописного и печатного текста из исторических источников. Она обучена на CHURRO-DS — наборе примерно из 100 тысяч страниц 155 исторических коллекций, охватывающем 22 века и 46 языковых кластеров, в том числе исторические и мёртвые языки. Авторы сообщают о более высокой точности, чем у ряда существенно более крупных коммерческих и открытых VLM, при более низкой стоимости; для тестового набора CHURRO заявлено снижение стоимости в 15,5 раза относительно Gemini 2.5 Pro при превышении его точности. В репозитории указана лицензия other, поэтому перед использованием следует проверить её условия. Заявленные результаты относятся к тестовому набору CHURRO-DS; качество на иных коллекциях, почерках и языках может отличаться.

cinedark-modelo — дообученная Gonzalo Alex модель Sentence Transformers на базе BAAI/bge-m3 для поиска и сопоставления предложений и описаний фильмов. Она преобразует текстовые запросы и документы в плотные векторы размерности 1024, которые можно сравнивать по косинусному сходству; архитектура включает XLM-RoBERTa, пулинг CLS и нормализацию. Максимальная длина последовательности — 8192 токена. Модель обучена на 1400 парах текстов с помощью MultipleNegativesRankingLoss; примеры в карточке относятся к жанрам, тону и описаниям кино на испанском языке. Модель подходит для поиска фильмов по свободному описанию, ранжирования карточек фильмов по запросу и семантического сопоставления коротких фраз с описаниями. Она принимает текст и выдаёт эмбеддинги для последующего поиска или сравнения. Лицензия в предоставленных данных не указана.

Модель ahmetatakanacar/dbmdz-finetuned-with-egundem — sentence-transformers-модель на базе BERT, дообученная на турецких новостных текстах для семантического поиска. Она преобразует текст в эмбеддинги размерностью 768; используется mean pooling. Базовая модель — dbmdz/bert-base-turkish-uncased, число параметров — 137,8 млн. Модель предназначена для поиска новостных материалов по смыслу и сравнения семантической близости предложений или текстов. Принимает до 512 токенов; для более длинных материалов в карточке рекомендуется разбивать текст на фрагменты. Поддерживаются форматы safetensors и ONNX. Лицензия — MIT. Модель ориентирована на турецкий язык и новостной домен, поэтому её применимость к другим языкам и текстам вне новостной тематики может быть ограничена.

Mitchins/deberta-v3-small-literary-explicitness — англоязычная модель классификации текста, разработанная на основе microsoft/deberta-v3-small и дообученная для анализа литературного контента. Она относит текст к одной из семи категорий явности, включая предупреждения о содержании, оскорбительную лексику и сексуальный контент; предназначена для литературных исследований, кураторской работы с текстами и поддержки модерации.

Deliberate v3 — модель генерации изображений по текстовому описанию, представленная StableDiffusionAPI и доступная через сервис ModelsLab. Карточка показывает её использование через API с параметрами текстового и негативного промптов, размером изображения, числом шагов генерации и guidance scale; также упоминаются настройки улучшения промпта, увеличения разрешения и подключения LoRA или embeddings. Метаданные указывают на pipeline Stable Diffusion и форматы Diffusers и PyTorch. Модель предназначена для создания изображений по промптам, в том числе фотореалистичных портретов и сцен с детализированным освещением и заданной эстетикой. Указанная лицензия — CreativeML OpenRAIL-M. README демонстрирует доступ к генерации через ModelsLab API; параметры и доступность функций зависят от сервиса. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

DrakIdol-Roleplayer-1.0 — мультимодальная чат-модель для ролевых диалогов, созданная путём дообучения Gemma 3 4B IT с помощью LoRA на данных и методике aifeifei798/roleplayer-actor-lora. Модель рассчитана на воплощение персонажей, творческое письмо и диалоги с историческими и культурными фигурами; её можно использовать в играх, сценарной работе и образовательных симуляциях. Архитектура — плотная Gemma 3; карточка указывает поддержку изображений и текста, а основной сценарий из README — генерация ролевых ответов.

DreamShaper 6.2 — модель генерации изображений по текстовому описанию, размещённая пользователем Yntec. Карточка называет её подробной версией DreamShaper 6.2 и указывает вариант no-EMA со встроенным VAE 840KVAE. Модель предназначена для создания иллюстраций, аниме и мультяшных изображений, а также фотореалистичных сцен и пейзажей; примеры включают персонажей, еду и игровое искусство. Модель распространяется в формате Diffusers с весами Safetensors и использует Stable Diffusion. Указана лицензия CreativeML Open RAIL-M. В карточке приведены примеры промптов и сгенерированных изображений; данных о размере модели, длине контекста или поддерживаемых естественных языках нет.

Dreamshaper SDXL-Turbo — модель генерации изображений по текстовому описанию от Lykon, полученная дообучением Stable Diffusion XL Base 1.0. Она предназначена для быстрого создания художественных изображений и иллюстраций по текстовым запросам; в карточке отмечены стили art и anime, а также связь с Turbo и LCM. Модель распространяется в формате Diffusers и Safetensors и использует лицензию OpenRAIL++.

Dreamsphere — модель генерации изображений по текстовому описанию, опубликованная Yntec. Автор указывает, что это смесь Noosphere v3 от skumerz и других выбранных им моделей; в неё встроен VAE Color 101. Модель распространяется в форматах Diffusers, PyTorch и SafeTensors и использует библиотеку Diffusers. Она предназначена для создания изображений по текстовым запросам. В метаданных указан pipeline text-to-image. Модель основана на Stable Diffusion; карточка не сообщает её размер, длину контекста или поддерживаемые языки. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении.

Epos-8B — языковая модель P0x0 для генерации историй, диалогов и творческой прозы. Это дообученная версия Meta-Llama-3.1-8B на архитектуре LlamaForCausalLM с плотной трансформерной архитектурой и примерно 7,5 млрд параметров. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Модель предназначена для создания насыщенных повествований, диалогов персонажей и творческих текстов на английском языке. Её можно применять для разработки сюжетов и сцен для игр или художественных произведений. Репозиторий распространяется в формате safetensors, лицензия — Apache 2.0. В README также упомянуты сторонние варианты в формате GGUF.

ERNIE-Image — открытая модель генерации изображений по тексту, разработанная командой ERNIE-Image компании Baidu. Она построена на архитектуре однотокового Diffusion Transformer (DiT) с 8 млрд параметров и использует лёгкий модуль Prompt Enhancer, который расширяет краткие запросы в более подробные описания. Модель работает через Diffusers и распространяется в форматах Diffusers и safetensors. Модель предназначена для создания изображений по сложным инструкциям, в том числе рекламных плакатов, комиксов, раскадровок, инфографики и многопанельных композиций. Её особенности — точное следование запросам, размещение объектов и текста в заданной структуре, а также поддержка фотореалистичных и стилизованных изображений. Для стандартной версии рекомендованы 50 шагов генерации; авторы указывают, что модель может работать на потребительской видеокарте с 24 ГБ VRAM. ERNIE-Image выпущена как SFT-модель общего назначения. В карточке также описана отдельная версия ERNIE-Image-Turbo, но этот репозиторий относится к обычной версии. Модель доступна по лицензии Apache-2.0. Результаты бенчмарков приведены авторами; качество зависит от запроса и параметров генерации.

ERNIE-Image-GGUF — GGUF-квантованная версия модели ERNIE-Image, разработанной командой ERNIE-Image компании Baidu и опубликованной в формате для экосистемы GGML. Квантование выполнено Unsloth с использованием методологии Unsloth Dynamic 2.0: важные слои сохранены в более высокой точности для поддержания качества. Для интеграции также используются инструменты ComfyUI-GGUF. Модель предназначена для генерации изображений по текстовому описанию. Она ориентирована на сложное следование инструкциям, точную передачу нескольких объектов и их взаимосвязей, генерацию структурированных композиций, коммерческих плакатов, комиксов, раскадровок, многостраничных макетов, инфографики и изображений с большим объёмом текста. Поддерживаются реалистичная фотография, дизайн-ориентированные изображения и различные стилизованные визуальные направления. Базовая ERNIE-Image построена на однопоточной архитектуре Diffusion Transformer (DiT) с 8 млрд параметров и может работать на потребительских GPU с 24 ГБ видеопамяти. В состав исходной модели также входит облегчённый Prompt Enhancer, расширяющий короткие запросы в более подробные структурированные описания. Сильные стороны модели — компактный размер, высокая точность следования сложным запросам, качество рендеринга плотного и длинного текста, а также способность формировать изображения с заданной структурой и компоновкой. README не указывает поддерживаемые языки, максимальный контекст или точные требования к памяти именно для этой GGUF-квантизации; производительность и итоговое качество могут зависеть от уровня квантизации и используемого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

Модель Dhruv Pal — дообученная версия DistilBERT для классификации новостных статей по тексту на реальные и фальшивые. Она предназначена для первичного выявления дезинформации в новостях и публикациях в социальных сетях, а также для интеграции в инструменты модерации и проверки фактов. Архитектура — DistilBERT с классификационной головой; модель принимает текст и выдаёт метку класса. Контекст ограничен 512 токенами. Заявленный язык — английский, лицензия — MIT. В README сообщается о точности 92% и F1 90% на тестовой выборке из 10 000 статей. Возможны ложные срабатывания и пропуск фальшивых материалов; качество может снижаться на текстах из незнакомых источников, тем и стилей. Модель не выполняет проверку утверждений по внешним источникам и не должна быть единственным основанием для суждения о достоверности; рекомендуется проверка человеком.

FarukSTT — модель распознавания речи и преобразования аудио в текст для тунисского арабского диалекта Derja. Она разработана на основе Whisper Large v3 с дообучением на 54 156 парах аудио и транскрипций реальной разговорной речи. Модель обрабатывает переключение между арабским, французским и английским языками в одной фразе; размер — 905,2 млн параметров. В тесте на валидационной выборке FARUKxAUTO/tunisian-asr-cleaned версия v2 показала WER 31,99% против более 50% у исходной Whisper Large v3. Модель предназначена для транскрибации тунисской речи из разговоров, интервью, подкастов и встреч, а также для подготовки текста Derja к последующей обработке. Она ориентирована на диалект, а не на литературный арабский; заявленная точность подходит для транскрибации с проверкой человеком, а в сильном шуме качество может снижаться. В карточке указана лицензия MIT.

braindao/flan-t5-cnn — дообученная модель на базе google/flan-t5-base, созданная для суммаризации новостных статей CNN/DailyMail версии 3.0.0. Это encoder-decoder модель семейства T5 с 123,8 млн параметров; она принимает текст и генерирует текстовое резюме. Указанная длина контекста — 512 токенов. На evaluation set для модели приведены ROUGE-1 42,14, ROUGE-2 19,77, ROUGE-L 30,15 и ROUGE-Lsum 39,32. Базовая модель поддерживает множество языков, но дообучение выполнено на англоязычном наборе CNN/DailyMail, поэтому её основное назначение — суммаризация новостей на английском языке. Лицензия — Apache 2.0. Модель подходит для подготовки кратких пересказов новостных статей и обзоров новостных материалов. В карточке указано, что языковые модели могут генерировать вредоносный контент и Flan-T5 не следует напрямую применять в приложениях без дополнительной проверки; возможны неточности и пропуск важных деталей в резюме.

Fluently XL Final — дообученная модель генерации изображений по текстовым запросам, созданная разработчиками Fluently на базе Stable Diffusion XL Base 1.0. Она предназначена для создания художественных и реалистичных изображений, включая сцены с людьми и природой. В карточке отмечены проработка анатомии и лиц, управление контрастом и освещением; модель распространяется в форматах Diffusers, PyTorch и Safetensors и может использоваться в Automatic1111 и ComfyUI. Для генерации авторы рекомендуют 20–35 шагов, сэмплер Euler a или Euler и CFG Scale 4–6,5. Обучение проводилось на наборах изображений Midjourney, DALL·E 3 и избранных изображений. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и правилами репозитория.

Карточка модели BestModelsv2/FLUX на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-dev, поэтому описание составлено по ней. FLUX.1 [dev] — модель генерации изображений по тексту от Black Forest Labs. Это 12-миллиардный rectified flow transformer, обученный с помощью дистилляции guidance; веса доступны в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым описаниям и локального использования в творческих и исследовательских рабочих процессах. Модель обеспечивает высокое качество изображений и хорошо следует запросам, хотя результат зависит от формулировки промпта и может ему не соответствовать. Она не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия FLUX.1 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется условиями лицензии.

FLUX.1 [dev] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs и переизданная Unsloth как зеркало без ограничений доступа Hugging Face. Веса не изменялись. Это трансформер rectified flow с 12 млрд параметров, доступный в форматах Diffusers и Safetensors; для запуска поддерживается библиотека Diffusers и пайплайн FluxPipeline. Модель предназначена для создания изображений по запросам, творческих рабочих процессов и научных экспериментов. В карточке заявлены высокое качество генерации и хорошее следование запросам; результат зависит от формулировки промпта. Модель не предназначена для предоставления фактических сведений, может воспроизводить социальные предубеждения и иногда не соответствует запросу. Репозиторий указывает лицензию other и отсылает к условиям FLUX.1 [dev] Non-Commercial License; README при этом описывает разрешённое использование для личных, научных и коммерческих целей в рамках этой лицензии. Перед применением следует свериться с полным текстом лицензии и ограничениями на использование.

Карточка модели exolabs/FLUX.1-Krea-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Krea-dev, поэтому описание составлено по ней. FLUX.1 Krea [dev] — модель генерации изображений по текстовому описанию, совместно разработанная Black Forest Labs и Krea. Это дообученная версия FLUX.1 [dev] на архитектуре rectified flow transformer с 12 млрд параметров; обучение с guidance distillation сделало её эффективнее. Модель ориентирована на высокое качество, особенно эстетической фотографии, и хорошо следует текстовым запросам. Она принимает текст и создаёт изображения; карточка указывает английский язык. Модель подходит для творческих рабочих процессов, подготовки концептов и визуальных материалов, а также научных исследований. Она предназначена для работы в системах, совместимых с FLUX.1 [dev], включая Diffusers и ComfyUI. Модель не предназначена для предоставления фактической информации: результат может не соответствовать запросу, а следование промпту зависит от его формулировки. Генерация может отражать общественные предубеждения. Веса доступны по лицензии FLUX.1 [dev] Non-Commercial License. README описывает допустимое применение результатов, включая личное и коммерческое, но использование самой модели регулируется условиями этой лицензии. Запрещены, в частности, незаконное использование, эксплуатация несовершеннолетних, создание несанкционированной интимной и иной запрещённой информации; при развёртывании требуются фильтры или ручная проверка.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow на 12 млрд параметров, распространяемый в формате Diffusers и safetensors. Благодаря дистилляции latent adversarial diffusion модель создаёт изображения за 1–4 шага, сочетая высокое качество с быстрым выводом и следованием запросу. Модель подходит для быстрого создания иллюстраций и других изображений по текстовым промптам, в том числе в локальных сценариях через ComfyUI или библиотеку Diffusers. Она не предназначена для предоставления фактической информации; результат может не соответствовать промпту, а качество следования ему зависит от стиля формулировки. Модель может усиливать социальные предубеждения. Лицензия Apache-2.0 разрешает личное, научное и коммерческое использование; карточка также перечисляет запрещённые сценарии, включая причинение вреда людям и создание незаконного контента.