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

AOT Inpainting for Manga — разработанная авторами проекта manga-image-translator и опубликованная mayocream конверсия генератора AOT для восстановления изображений. Модель принимает RGB-изображение с бинарной маской из четырёх каналов и восстанавливает замаскированные области, прежде всего участки, оставшиеся после удаления текста из манги и комиксов. Архитектура AOTGenerator включает 32 базовых канала, 10 AOT-блоков и коэффициенты дилатации 2, 4, 8 и 16; выход — изображение RGB. Веса представлены в формате SafeTensors, совместимом с Candle. Модель предназначена для локального заполнения масок в иллюстрированных изображениях, например при очистке страниц комиксов перед переводом или редактированием. Она не рассчитана на универсальное восстановление фотографий. Для больших изображений может понадобиться уменьшение размера или обработка фрагментами; конфигурация задаёт максимальную сторону 1024 пикселя. Метрики оценки и артефакты обучающего набора не включены. Лицензия — MIT.

Arcane Diffusion — дообученная модель Stable Diffusion от nitrosocke для генерации изображений в визуальном стиле мультсериала «Аркейн». Чтобы получить этот стиль, добавьте в текстовый запрос токен «arcane style». Модель работает через StableDiffusionPipeline библиотеки Diffusers и выдаёт изображения по текстовому описанию; в README описаны версии, обученные на изображениях из сериала, включая версию 3, для которой указаны 95 изображений и 8000 шагов обучения. Модель подходит для создания персонажей, сцен и иллюстраций с эстетикой «Аркейна». Репозиторий содержит веса в форматах Diffusers и PyTorch. Указана лицензия CreativeML OpenRAIL-M.

Artistic_Interests_binary — англоязычная модель классификации текста на основе DeBERTa-v3-base от Microsoft, дообученная автором ajrayman для бинарной классификации интереса к искусству. Модель содержит 211,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors по лицензии MIT. Её можно использовать для автоматической классификации текстов по признаку интереса к искусству. В README приведены результаты оценки: accuracy 0,6276 и F1 0,6551; набор данных указан как None, поэтому назначение меток и область применения стоит уточнить перед использованием. Описания обучающих данных и ограничений автор не предоставил.

AstolfoMix-SD2 — модель генерации изображений по текстовому описанию, созданная сообществом 6DammK9 на основе Stable Diffusion 2.1. Автор публикует варианты Baseline, Extended, Reinforced и 210b; описанная версия 210b объединяет варианты Extended и Reinforced. В README указано, что при сборке использованы слияния нескольких UNet и CLIP-компонентов, а также VAE для аниме-изображений. Модель предназначена для создания иллюстраций по текстовым запросам, в частности для более точного воспроизведения заданных персонажей и их внешности. Автор рекомендует CFG 6.0. Карточка указывает формат Diffusers/PyTorch и веса Safetensors, а также лицензию CreativeML OpenRAIL-M. Автор характеризует результат как экспериментальный proof of concept и отмечает, что качество может быть невысоким. README также предупреждает, что параметры предварительных изображений могли быть неоптимальны; встроенный VAE и VAE, используемый в WebUI, различаются.

Aura Uncensored l3 — языковая модель ResplendentAI для генерации текста в диалогах и ролевых сценариях. По метаданным это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, размером 7,5 млрд параметров и контекстом до 8192 токенов. Модель рассчитана на английский язык. Автор описывает её как результат объединения нескольких моделей линии Aura и указывает на обучение на исходных данных Aura поверх базы Undi95's Unholy. Модель предназначена для свободной генерации текста, включая ролевые диалоги и запросы, на которые обычные модели могут отказывать. Репозиторий содержит веса Safetensors, библиотека для работы — Transformers. Модель может выдавать небезопасный контент, включая откровенные ответы и ролевые сцены; автор не рекомендует её людям, чувствительным к такому содержанию. Лицензия — Apache-2.0.

Ayam 2x8B — разговорная MoE-модель на архитектуре Mixtral, опубликованная пользователем R136a1. Автор описывает её как экспериментальное объединение Stheno-v3.2 и L3 8B Instruct, призванное совместить творческий стиль Stheno с лучшим пониманием сложных сценариев и нескольких персонажей. Модель предназначена для чата, творческого письма и ролевых диалогов; автор также упоминает сценарии ERP. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст длиной до 8192 токенов. В карточке указаны английский язык и лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Оценка автора основана на тестировании в SillyTavern с контекстом и инструкциями Llama 3 Instruct; результаты могут зависеть от шаблона диалога и настроек сэмплирования.

Модель s3nh/beksinski-style-stable-diffusion — дообученная версия Stable Diffusion v1.5, созданная для генерации изображений в стиле польского художника Здзислава Бексиньского. Для получения характерного эффекта автор рекомендует добавлять в текстовый запрос токены «beksinski style». Модель принимает текстовые описания и выдаёт изображения; она обучалась с использованием Diffusers и DreamBooth, с сохранением prior preservation loss и дообучением текстового энкодера. Модель подходит для создания сюрреалистичных художественных иллюстраций по текстовым запросам. Для запуска можно использовать StableDiffusionPipeline из библиотеки Diffusers; автор также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX. Лицензия — CreativeML OpenRAIL-M. Качество и точность генерации зависят от формулировки запроса; README не приводит оценок качества или подробных ограничений.

Bunny-v1_0-2B-zh — мультимодальная модель семейства Bunny от BAAI для диалога и ответов на вопросы по изображениям. В языковой части используется Qwen1.5-1.8B, а для обработки изображений — визуальный энкодер SigLIP; в метаданных архитектура указана как плотная BunnyQwen2ForCausalLM с 1,5 млрд параметров. Модель поддерживает контекст до 32 768 токенов и ориентирована прежде всего на китайский язык. Модель предварительно обучена на LAION-2M и дообучена на Bunny-695K. В карточке указана оценка 59,5 на тестовой части MMBench-CN. Лицензия — Apache-2.0. Она предназначена для использования через Transformers; карточка не приводит подробностей о поведении на языках, кроме китайского, и об ограничениях при работе с отдельными типами изображений.

BuRP — слитая модель для генерации текста, ориентированная на ролевые диалоги. По описанию разработчика, она предназначена для RP-сценариев с подробными и необычными форматами реплик и склонностью поддерживать запросы пользователя. Модель создана методом SLERP-слияния ErisLaylaSLERP и ParadigmInfinitySLERP; в метаданных указаны архитектура Mistral, 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса Safetensors, библиотека для работы — Transformers. Указана лицензия other; конкретные условия лицензии в доступных сведениях не раскрыты. Карточка не приводит результатов оценки качества или подробных ограничений поведения.

BuRPInfinity9B — англоязычная языковая модель на архитектуре Mistral, созданная объединением моделей ChaoticNeutrals/BuRP_7B и Endevor/InfinityRP-v1-7B с помощью mergekit и метода passthrough. Модель содержит 8,9 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и ролевых диалогов. В её основу входят модели для ролевого общения; базовая BuRP_7B настроена на ожидание ответа пользователя и передачу мыслей персонажа. Репозиторий содержит веса в формате safetensors. Указана лицензия other, поэтому конкретные условия использования следует проверять в карточке модели и лицензиях исходных моделей.

CalliopeDS-L2-13B — модель генерации текста на архитектуре Llama 2, созданная DS-Archive слиянием весов пяти моделей: airoboros-l2-13b-2.2, chronos-13b-v2, Nous-Hermes-Llama2-13b, limarp-llama2-v2 и pygmalion-2-13b. Для слияния применён метод TIES с настройкой весов и инструмент mergekit. Модель предназначена для творческого письма и ролевых диалогов, сохраняя общие способности к пониманию инструкций и контекста. Она формирует развёрнутые описательные ответы; в качестве формата запроса можно использовать Alpaca с описанием персонажа. Модель содержит 12,9 млрд параметров, принимает текст и рассчитана на контекст до 4096 токенов. В карточке указан английский язык и лицензия AGPL-3.0. Разработчик предупреждает о возможных предубеждениях, характерных для нишевых ролевых форумов и базовой модели. Модель не предназначена для получения фактических сведений или советов; качество конкретных сценариев в карточке не гарантируется.

CardProjector-v4 — модель WoonaAi, дообученная на базе Google Gemma 3 27B IT для создания и редактирования персонажей и карточек персонажей в формате SillyTavern. Она генерирует подробные описания и структурированные карточки, в том числе в YAML, и рассчитана на сценарии ролевых игр и творческого письма. Особое внимание уделено проработке личности, включая профили MBTI и эннеаграмму; модель также может создавать агрессивных, жестоких и сексуализированных персонажей. Поддерживает ввод изображений благодаря мультимодальной архитектуре Gemma 3, однако автор не проводил специального дообучения на зрение. Модель содержит 27 млрд параметров и распространяется в формате Safetensors. Карточка указывает английский язык. Автор отмечает высокую чувствительность к формулировкам промпта и рекомендует явно задавать нужные характеристики персонажа. Лицензия — Gemma.

Chipoint v2 — модель геолокации изображений с открытыми весами, разработанная chiikabu-labs. Она извлекает признаки изображения для поиска похожих фотографий в галерее и предсказания места съёмки. Репозиторий содержит отдельные ветви для уличных панорам и обычных фотографий, а маршрутизатор выбирает ветвь для входного изображения. Модель включает индекс из 4,89 млн кадров OSV-5M для уличной ветви, галерею из 14,5 млн фотографий для общей ветви, проекционные головы и конвейер переоценки кандидатов с 23 признаками. В README заявлены медианная ошибка 32 км на тестовом наборе OSV-5M и превосходство над перечисленными моделями сравнения. Веса опубликованы в формате PyTorch; лицензия — MIT. Для использования нужны изображение и совместимые веса с соответствующей галереей. Результаты и заявленные показатели относятся к описанным наборам данных и конвейеру; точность для произвольных изображений и регионов в карточке не характеризуется.

ChuckleNet v2 — модель классификации аудио, разработанная автором репозитория Hayasuki для обнаружения смеха в отдельных речевых фрагментах, в том числе в записях стендап-комедии и выступлений в стиле TED. Модель объединяет 768-мерные эмбеддинги WavLM-base с 23 просодическими признаками, затем использует полносвязную классификационную сеть. Реализация основана на PyTorch; в метаданных архитектура обозначена как WavLMForLaughterDetection. Воспроизводимая оценка на наборе Gillick-162v показала segment F1 0,559 при разбиении видео между обучением и проверкой. На небольшом наборе с разметкой по маркерам смеха результаты ниже. Модель предназначена для исследовательской оценки распознавания смеха, а не для готового производственного применения; проверка на полном наборе из 620 видео и дополнительные оценки ещё не завершены. README сообщает, что данные в основном представляют англоязычную комедию и выступления. Лицензия репозитория — MIT.

Clarity-OMR — модель оптического распознавания нотной записи, разработанная автором репозитория для преобразования изображений музыкальных партитур в текстовое представление. Она дообучена на основе визуального трансформера DaViT Base и предназначена для распознавания партитур с последующим использованием результата в сценариях работы с нотным текстом. Модель обрабатывает изображения и выдаёт текст; автор описывает подход с распознаванием нотного стана за станом и приводит сравнение с Audiveris на разных музыкальных произведениях. По словам автора, на GPU RTX 3080 обработка занимает в среднем около 10 секунд на страницу и примерно втрое быстрее Audiveris в указанном режиме. Качество заметно снижается на партитурах с неаккуратной или нестандартной организацией нотных станов. Репозиторий распространяется по лицензии CC BY-SA 4.0.

Classic Telltale Diffusion — модель генерации изображений по текстовому описанию в стилистике классических игр Telltale. Она обучена на изображениях из игрового процесса и рекламных материалах этих игр; для задания стиля в промпте рекомендуется использовать токен telltale style. Модель предназначена для создания портретов, пейзажей и автомобилей в виде 2D-комиксной графики с объёмным, трёхмерным впечатлением. Модель распространяется в форматах Diffusers и safetensors и использует лицензию CreativeML OpenRAIL-M. Автор отмечает, что не связан с Telltale Games, а модель создана для исследований и развлечения; условия лицензии и ответственность за использование и результаты лежат на пользователе.

CMGAN-LiteRT — версия CMGAN, перенесённая в формат LiteRT TFLite сообществом litert-community для подавления шума и улучшения монофонической речи на устройстве. Модель построена на dual-path Conformer с четырьмя временными и частотными блоками и содержит 1,83 млн параметров. Она обрабатывает аудиофрагменты длительностью 2 секунды при частоте 16 кГц; граф включает STFT и сжатие спектра, а выходом служит улучшенная речь, восстановленная из комплексной спектрограммы. Модель предназначена для очистки речи на мобильных и периферийных устройствах. В README приведён прирост SI-SNR на 7,2 дБ на отдельном шумном примере. Совместимость и скорость зависят от среды выполнения и ускорителя: полный граф размещался на GPU через LiteRT CompiledModel на Pixel 8a, тогда как классический TFLite GPU delegate выполнял на GPU лишь часть графа; для CPU/XNNPACK и Snapdragon NPU описаны проблемы запуска или скорости. Модель обучена на VoiceBank-DEMAND; код и веса восходящего проекта распространяются по лицензии MIT.

TheDenk/cogvideox-2b-controlnet-hed-v1 — модель управления генерацией видео на основе CogVideoX и ControlNet. Она предназначена для преобразования видео с управлением по HED-картам контуров и запускается через совместимый с ControlNet pipeline в ComfyUI-CogVideoXWrapper. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Модель ориентирована на сценарии video-to-video с контурным управлением. Метаданные указывают английский язык, однако не уточняют требования к текстовым подсказкам, параметры генерации или качество результата. Пример использования в README не раскрывает этих деталей.

vllab разработала ControlNet для Stable Diffusion 1.5, обученный генерировать более реалистичные изображения рук по закодированным ориентирам кисти MediaPipe. Модель использует цветовое кодирование ориентиров ладони, чтобы различать левую и правую руку; веса можно применять самостоятельно или для дорисовки частей изображения. Обучение проводилось на 130 тысячах изображений из набора HaGRID. Модель предназначена для генерации изображений по текстовому запросу с управлением по изображению-условию, например для задания положения и формы рук. Веса опубликованы в формате Diffusers/PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M. Авторы сообщают, что при небольшом числе шагов обучения закодированная версия работала лучше стандартных ориентиров MediaPipe; это наблюдение не является гарантией качества для всех сценариев.

vllab/controlnet-hands — модель ControlNet, обученная разработчиками на базе runwayml/stable-diffusion-v1-5 для генерации изображений рук по управляющим ориентирам MediaPipe. Она принимает текстовое описание и изображение с закодированными ориентирами рук и может применяться как самостоятельно, так и для дорисовки частей изображения. Для обучения использован набор HaGRID из 130 тысяч изображений; цветовое кодирование ориентиров предназначено для передачи информации о левизне или правизне руки. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Модель нацелена на более реалистичные положения рук и форму пальцев, снижая распространённые ошибки генерации. В README отмечено, что закодированный вариант ориентиров показал лучшие результаты при небольшом числе шагов обучения, чем стандартные ориентиры MediaPipe. Качество обработки ориентиров MediaPipe Holistic на частично обрезанных изображениях было неудовлетворительным; авторы считают, что подход можно улучшить обучением на более крупных и разнообразных данных.метadata

ThePioneer разработал CoolerWaifuDiffusion как слияние CoolJapanDiffusion 2.1.1 и WaifuDiffusion 1.4 anime epoch2. Это модель Stable Diffusion на базе Diffusers для генерации изображений по текстовым запросам; автор указывает, что её можно запускать через WebUI в Google Colab. Доли моделей при слиянии указаны в имени файла чекпойнта. Модель ориентирована на художественные и аниме-изображения. В README отмечено, что результат зависит от запроса, а слияние с реалистичными моделями на базе SD 2.1 768 может давать чрезмерно насыщенные цвета; с моделями на базе SD 2.1 512 такой проблемы автор не наблюдал. Метаданные указывают поддержку английского и японского языков. Лицензия обозначена как other; README отсылает к отдельным файлам лицензии на японском и английском, поэтому конкретные условия использования следует сверять с ними.

Cthulhu-70B-v1 — созданная Naphula слитая языковая модель для творческого письма и ролевых диалогов. Она основана на Llama 3.3 70B и объединяет несколько моделей с помощью mergekit; в README перечислены методы TIES, Karcher Mean, DELLA и SCE. Архитектура — плотная LlamaForCausalLM, размер — 69,5 млрд параметров, формат весов — safetensors, контекст — до 131 072 токенов. Модель принимает текст и генерирует текст, использует шаблон чата Llama 3; в метаданных указан английский язык. Модель рассчитана прежде всего на ролевые игры и генерацию художественных сцен, в том числе в стиле Ктулху. README характеризует её как uncensored и предупреждает, что ответы могут содержать графическое насилие и откровенный эротический контент. Качество и фактическая точность ответов не подтверждены представленными материалами. Указана лицензия llama3.3; применяются условия лицензии Llama 3.3.

Dart v2-moe-sft — авторская дообученная модель Plat для генерации тегов в стиле Danbooru. Это причинная языковая модель на архитектуре Mixtral с механизмом MoE; в метаданных указано 57,2 млн параметров, контекст — 1024 токена. Обучение SFT проводилось на наборе isek-ai/danbooru-tags-2024 с тегами изображений за период с 2005 года по март 2024 года. Модель принимает текстовые подсказки с тегами и параметрами генерации и выдаёт продолжение в виде тегов. Подсказки могут задавать категорию рейтинга содержания, соотношение сторон, желаемую длину списка и строгость сохранения идентичности персонажа или объекта. Она предназначена для подготовки и дополнения тегов к изображениям, а также для творческой генерации наборов тегов. Модель работает с тегами Danbooru, а не с естественным языком как основным языком общения. В README сказано, что оценка качества ещё не проводилась; экспериментальная библиотека dartrs для инференса может меняться. Лицензия модели — Apache-2.0. При режиме без строгого сохранения идентичности модель может отходить от заданных тегов; более строгий режим уменьшает творческую вариативность.

Dart v2 SFT — авторская дообученная модель Plat для генерации тегов в стиле Danbooru. Это причинная языковая модель на архитектуре Mistral с 90,8 млн параметров и контекстом 1024 токена; она обучена на наборе isek-ai/danbooru-tags-2024, содержащем теги Danbooru за период с 2005 по март 2024 года. Модель принимает текстовый запрос и генерирует текстовые теги, в том числе с настройками рейтинга контента, соотношения сторон, длины списка и сохранения идентичности персонажа или объекта. Модель подходит для подготовки тегов к изображениям и составления теговых описаний с нужной категорией рейтинга. В README указана лицензия Apache-2.0. Качество по оценочным тестам не подтверждено: автор отмечает, что оценка ещё не проводилась; библиотека dartrs для запуска названа экспериментальной.

DaSiWa MiniMax H3 — модель типа LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с diffusion-моделями и совместима с экосистемой Diffusers. Модель разработана автором или организацией lynaNSFW и обучена на базе lynaNSFW/minimaxH3_Collection. Модель можно применять в сценариях text-to-image, подключая её к базовой diffusion-модели для получения изображений в соответствующем стиле или с характерными особенностями, заложенными при обучении. README не содержит сведений о размере адаптера, архитектуре базовой модели, поддерживаемых языках, контексте, рекомендуемых параметрах генерации и конкретных сильных или слабых сторонах. Лицензия и условия коммерческого или иного использования в предоставленных данных не указаны. Для корректной работы требуется совместимая diffusion-модель и поддержка формата LoRA в используемом программном обеспечении.

Detailed Perfection style — это LoRA-модель для генерации изображений по текстовому описанию, размещённая под идентификатором Muapi. В карточке указана совместимость с базовой моделью black-forest-labs/FLUX.1-dev, а также теги Stable Diffusion, Flux и text-to-image. Обучающее ключевое слово — «perfection style». Судя по названию и описанию, адаптер ориентирован на повышение детализации и проработку рук, стоп, лица и тела, а также на применение единого художественного стиля. Модель предназначена для сценариев text-to-image, включая создание персонажей и детализированных иллюстраций. Рекомендуемый пример использует разрешение 1024×1024 и вес LoRA 1.0 через API MUAPI, однако другие параметры совместимости, поддерживаемые языки, размер адаптера, максимальный контекст и результаты сравнительных тестов не указаны. Сильной стороной является объединённая направленность на детализацию ключевых частей тела и стилизацию, но качество зависит от базовой модели, промпта и выбранного веса адаптера; заявленные характеристики не подтверждены количественными оценками. Лицензия указана как OpenRAIL++.

DistilWav2Vec2 Adult/Child Speech Classifier — модель аудиоклассификации, разработанная Wilson Wongso на основе архитектуры wav2vec 2.0. Это дистиллированная версия wav2vec2-adult-child-cls, дообученная на частном наборе аудиозаписей для классификации речи взрослых и детей. В модели около 56,6 млн параметров; она обучена с использованием PyTorch и распространяется в форматах PyTorch и Safetensors. Модель предназначена для определения, принадлежит ли речевая запись взрослому или ребёнку. В README приведены результаты оценки на наборе Adult/Child Speech Classification: точность 96,03% и F1 0,9639. Поддерживаемый язык — английский. Лицензия — Apache-2.0. Результаты могут зависеть от характеристик записи и смещения, унаследованного от данных предварительного обучения; обучающий набор указан как частный, поэтому его состав и репрезентативность нельзя проверить по карточке.

Dr.RP.Samantha-L3-8B — слитая языковая модель на архитектуре Llama, опубликованная WesPro. Она создана методом линейного слияния предварительно обученных моделей с помощью mergekit; в карточке указаны Dr.Samantha-8B и Llama-3-LimaRP-LoRA-8B как компоненты слияния. Модель содержит около 7,5 млрд параметров и рассчитана на генерацию текста с контекстом до 8192 токенов. Модель предназначена для диалоговой генерации и ролевого общения. Она принимает текст и выдаёт текст. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана. Конкретные языки и ограничения качества в карточке не описаны.

ds-brew-13b — плотная авторегрессионная языковая модель на базе Llama 2, созданная объединением нескольких моделей методом SLERP. В состав объединения входят airoboros-l2-13b-2.2, chronos-13b-v2, Nous-Hermes-Llama2-13b, limarp-llama2-v2 и pygmalion-2-13b; модель опубликована DS-Archive. Модель предназначена для генерации текста и диалогов с ролевыми персонажами. Для запросов можно попробовать формат инструкций Alpaca с описанием персонажа. Размер модели — 12,9 млрд параметров, контекст — до 4096 токенов; указана поддержка английского языка. Доступны веса PyTorch для Transformers. Модель может воспроизводить предубеждения, характерные для нишевых ролевых интернет-сообществ и базовой модели. Авторы не рекомендуют использовать её для предоставления фактической информации или советов. Лицензия — AGPL-3.0.

Это модель Stable Diffusion, дообученная автором wooshim с помощью DreamBooth на концепции dtv_pkmn_monster_style. Она предназначена для генерации изображений монстров в заданном стиле по текстовым запросам; для активации стиля в запрос рекомендуется добавить триггер feralplmr. Модель распространяется в форматах Diffusers и PyTorch по лицензии MIT. В карточке предложены запросы для создания фантастических существ, например драконов и динозавров, и указаны настройки генерации: около 40 шагов и сэмплер Euler a. Это ориентиры из примеров автора, а не гарантия качества или обязательные настройки.