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

Noromaid-7B-0.4-DPO — языковая модель на архитектуре Mistral, разработанная IkariDev и Undi. Это полноразмерное дообучение базовой модели Noromaid-7B версии 0.4 с применением DPO; в репозитории размещены веса FP16 в формате safetensors. Модель рассчитана на генерацию текста в диалоговом формате ChatML, включая ролевые диалоги и художественные ответы. Для обучения использовались наборы no_robots, Aesir RP и LimaRP, а для DPO — пары Intel/orca_dpo_pairs и наборы ToxicDPOqa и toxic-dpo-v0.1-NoWarning. Архитектура Mistral имеет контекст до 32 768 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не содержит оценок качества; результаты зависят от промпта и сценария использования.

NPC Model — языковая модель Gigax для управления неигровыми персонажами в играх. Она дообучена с помощью LoRA на базе Phi-3-mini-128k-instruct и использует архитектуру Phi-3 с 3,7 млрд параметров. Модель принимает текстовое описание игровой сцены в обученном формате и генерирует текстовые команды-навыки, например реплику, приветствие или атаку. В README заявлен контекст 128k, однако метаданные Hugging Face указывают native context в 4096 токенов; фактическую поддержку длинного контекста следует считать ограниченной этими метаданными. Для лучшей работы требуется точно соблюдать формат промпта, поскольку модель переобучена на нём. Лицензия — MIT.

strangerguardhf/nsfw-image-detection — модель классификации изображений на базе визуально-языкового энкодера SigLIP 2, дообученного с архитектурой SiglipForImageClassification. Она предназначена для автоматической фильтрации изображений по типам контента, в частности для выявления откровенных и чувственных материалов и отделения их от безопасных изображений. Среди меток указаны Anime Picture, Hentai, Normal, Pornography, Enticing и Sensual. Модель принимает изображение и возвращает категорию классификации. В README указана база siglip2-base-patch16-256, тогда как метаданные связывают модель с google/siglip2-base-patch16-224; точный вариант базовой модели поэтому неоднозначен. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

Omega-Sapphira-Joyous-L3.3-70B-v1.0 — слитая Cactopus модель семейства Llama 3.3 с 69,5 млрд параметров. Она объединяет веса нескольких дообученных моделей двумя проходами SLERP: доля компонентов меняется по слоям и отдельно для блоков внимания и FFN. Модель предназначена для генерации текста, ролевого общения и написания историй на английском языке; используется шаблон чата Llama 3. Слияние добавляет более тёплый стиль прозы, но, по оценке автора, смягчает связность по сравнению с базовой Omega-Sapphira. Модель экспериментальная и помечена автором как устаревшая: рекомендуется более поздняя версия v1.1, а для более стабильного поведения — Omega-Sapphira-L3.3-70B-v1.3. Автор сообщает, что на паре видеокарт RTX 3090 и 4090 с EXL3 4.25 bpw помещается контекст длиной 40 448 токенов; метаданные указывают нативное окно контекста 131 072 токена. Модель может генерировать откровенный и жестокий контент и рассчитана на взрослых. Распространяется по лицензии Llama 3.3 Community License.

Карточка модели zxhezexin/openlrm-base-obj-1.0 на Hugging Face совпадает с карточкой zxhezexin/openlrm-small-obj-1.0, поэтому описание составлено по ней. openlrm-small-obj-1.0 — модель проекта OpenLRM, открытой реализации статьи LRM для создания 3D-представления объекта по изображению. Она обучена на данных Objaverse и предназначена для преобразования входного изображения в 3D-объект. Модель имеет 12 слоёв, размерность признаков 768, размерность triplane-представления 32 и разрешение рендеринга 192. В реализации декодер triplane состоит из четырёх слоёв; также не используется техника deferred back-propagation из оригинальной статьи. Это не официальный релиз авторов статьи, поэтому результаты могут отличаться от оригинала. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

OPT-6.7B-Nerybus-Mix — экспериментальная языковая модель, созданная KoboldAI путём равного покомпонентного смешивания весов NerysV2-6.7B и ErebusV1-6.7B. Это плотная авторегрессионная модель семейства OPT для генерации текста; в метаданных указаны 8,8 млрд параметров и контекст длиной 2048 токенов. Репозиторий содержит веса PyTorch в FP16. Модель предназначена для генерации связного текста и рекомендована для использования с KoboldAI. Предварительные испытания показали связные ответы, но автор отмечает, что результат уступает варианту Nerybus на 2,7 млрд параметров; формальной оценки качества нет. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензиями исходных моделей и репозитория.

Penchant-7B — языковая модель для сочинения стихов, разработанная afoland и дообученная на dolphin-2.1-mistral-7b с использованием набора penchant. Это плотная причинная модель семейства Mistral на 7,1 млрд параметров с контекстом до 32 768 токенов; она принимает инструкции в формате ChatML и предназначена для генерации текста, а не многоходового диалога. Набор обучения содержит более 3 000 преимущественно коротких стихотворений викторианских авторов из общественного достояния, поэтому модель особенно ориентирована на английскую поэзию. Модель подходит для создания стихотворений по заданной теме или названию, подражания литературным приёмам и экспериментирования с ритмом, рифмой и образностью. Для более оригинальных результатов карточка рекомендует давать развёрнутые инструкции: на короткие запросы модель нередко отвечает цитатами известных стихотворений. Она чувствительна к точному формату ChatML и иногда не соблюдает ожидаемые теги ответа. Для загрузки автор рекомендует Transformers с bitsandbytes в 8-битном режиме. Модель выпущена под лицензией Apache-2.0; автор отмечает, что базовая Dolphin не имеет фильтров выравнивания и предостерегает от предоставления модели как общедоступного сервиса.

phcodeswitch-ceb-dvo — модель распознавания речи, разработанная на основе Whisper small и дообученная для распознавания даванийского варианта себуано, в том числе речи с переключением между английским и себуано. Она принимает аудио и выдаёт транскрипцию; для подсказки декодеру используется языковой код тагальского, поскольку у Whisper нет собственного токена себуано. Модель предназначена для транскрибирования аудио на себуано и смешанной англо-себуанской речи. В README указана точность WER 20,86% на тестовой выборке на шаге 1200. Ожидаемый формат входа — монофоническое аудио с частотой 16 кГц. Модель обучена на небольшом наборе данных, предоставленном сообществом, поэтому охват акцентов и словаря ограничен. Лицензия CC BY-NC 4.0 разрешает только некоммерческое исследовательское и образовательное использование; данные участников нельзя применять для клонирования голоса, имитации личности или синтеза речи.

Phi-3 Song Lyrics 1.0 — языковая модель на базе Phi-3, предназначенная для написания текстов песен. Автор карточки сообщает, что интегрировал LoRA, созданную aifeifei799; исходный базовый репозиторий не указан. Модель имеет плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстом 4096 токенов. Она принимает текстовые запросы и генерирует текст, включая название песни, описание музыкального стиля и текст с заданной структурой. В README приведён пример для англоязычной любовной песни; поддержка других языков не подтверждена. Модель распространяется по лицензии MIT. Карточка предупреждает, что сгенерированные тексты могут быть длинными и требуют редактирования; также автор не гарантирует их содержание и оставляет пользователю ответственность за возможные вопросы авторских прав. В репозитории указаны веса Safetensors; README также описывает отдельные квантованные GGUF-версии для запуска через llama.cpp.

PHM_v3_lora — адаптер LoRA для генерации изображений по текстовому описанию, опубликованный пользователем или организацией Shero448. Модель предназначена для использования в экосистеме Diffusers и совместимых инструментах генерации изображений, где она подключается к базовой модели dhead/wai-nsfw-illustrious-sdxl-v140-sdxl. Для активации указан триггер <lora:PHM_style_IL_v3.3:1.0>. Из README известно, что модель относится к классу text-to-image LoRA и, вероятно, добавляет к базовой SDXL-модели определённый визуальный стиль. В качестве примера приведён промпт для создания высококачественных эстетичных сцен; конкретные поддерживаемые языки, размер адаптера, точная архитектура, максимальный контекст и перечень модальностей, помимо генерации изображений по тексту, не указаны. Сильная сторона модели — компактный формат адаптера и возможность применять его поверх совместимой базовой модели, однако результат зависит от базовой модели, формулировки промпта и корректного использования триггерного слова. Лицензия и условия коммерческого или иного использования в README не указаны.

PiEa — самостоятельный декодер диффузии в пиксельном пространстве, разработанный Dl26. Это компонент для восстановления и уточнения изображений: он принимает зашумлённое изображение и изображение с ухудшенным качеством, а затем предсказывает сигнал шума, который используется для реконструкции более чистого изображения высокого разрешения. Модель не создаёт изображения по текстовому запросу и не является обёрткой над другим опубликованным декодером. Модель содержит около 1,01 млрд параметров и использует пользовательскую архитектуру свёрточного U-Net с остаточными блоками, путями понижения и повышения разрешения и эмбеддингом уровня шума или шага диффузии. Она работает непосредственно с пикселями и выдаёт предсказание шума в RGB. Релиз ориентирован на реконструкцию изображений размером 512 пикселей; для запуска нужны совместимая пользовательская реализация загрузчика и окружающий конвейер восстановления. PiEa предназначена для экспериментов с восстановлением изображений, шумоподавлением, уточнением деталей и системами реконструкции с увеличением разрешения. Модель обучалась на смешанном наборе изображений, включая материалы в стиле WikiArt и дополнительные естественные изображения, с синтетическим ухудшением качества и добавлением шума. Качество зависит от процесса деградации, расписания шума и интеграции в конвейер; на изображениях, отличающихся от обучающих данных, возможны артефакты. Лицензия в предоставленных данных не указана.

JRPG Background Generator — модель диффузии, разработанная ayhant и обученная с нуля для создания пиксельных фонов в духе классических японских ролевых игр. Она генерирует пейзажи и игровые окружения размером 128×128 пикселей: руины, замки, горные проходы, прибрежные сцены и фантастические ландшафты. Модель использует архитектуру UNet2D с блоками внимания и DDPM; в карточке указано около 45 млн параметров. Она предназначена для подготовки фоновых ресурсов инди-игр, прототипирования и визуальной разработки. Модель безусловная, поэтому генерация не управляется текстовыми запросами. Карточка сообщает об ограниченном разрешении, возможных артефактах в сложных сценах и невозможности создавать персонажей и спрайты. Также отмечено, что стиль зависит от обучающей выборки. В метаданных указана лицензия MIT, тогда как README описывает доступ как закрытый или ограниченный и перечисляет варианты лицензирования; фактические условия распространения стоит сверить с владельцем модели.

alkzar90/ppaine-landscape — модель генерации изображений на основе Stable Diffusion, дообученная alkzar90 методом DreamBooth на концепции «ppaine» с использованием набора данных alkzar90/torres-del-paine. Она предназначена для создания изображений ландшафтов национального парка Торрес-дель-Пайне в Чили по текстовым описаниям, включая кинематографические сцены, художественные стили и добавление объектов или сооружений. Для активации концепции в запросе используется формулировка «a photo of ppaine landscape». Модель работает через StableDiffusionPipeline библиотеки Diffusers; лицензия — CreativeML OpenRAIL-M.

preCIDAUTv2 — модель классификации изображений, дообученная RicardoSLabs на базе microsoft/beit-base-patch16-224-pt22k-ft22k с использованием набора данных imagefolder. Она предназначена для присвоения изображению метки класса. В README указана точность 0,9991 и loss 0,0031 на оценочном наборе, однако состав классов, данные оценки и применимость результата к новым изображениям не описаны. Модель основана на архитектуре BEiT-base с 119,5 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0.

Prompt-Refine-MiniCPM5-1B — компактная текстовая модель, созданная EphemeralYou на основе openbmb/MiniCPM5-1B-SFT и дообученная на синтетических примерах от HiDream-ai/Prompt-Refine. Она преобразует короткие, расплывчатые или разговорные описания сцен на китайском или английском языке в подробные самодостаточные промпты на английском для генерации изображений. При расширении модель раскрывает объект, композицию, действие, место, освещение, материалы, стиль и текстовые элементы сцены. Модель содержит около 837,6 млн параметров, использует плотную архитектуру семейства Llama и формат safetensors; в README указана точность bfloat16. Нативный контекст составляет 131 072 токена. Модель работает только с текстом: она не принимает изображения и не оценивает качество исходного промпта. Распространяется по лицензии Apache-2.0.

UnfilteredAI/Promt-generator — языковая модель для генерации текстовых запросов к моделям преобразования текста в изображение. Она предназначена для творческих приложений, генеративного искусства и помощи художникам и разработчикам в составлении разнообразных описаний изображений. Модель построена на архитектуре BLOOM с причинным языковым моделированием и содержит около 659,6 млн параметров; для запуска используются PyTorch и формат safetensors. Длина контекста — 2048 токенов. Модель принимает текст и генерирует текстовые промпты. В README не приведены сведения о поддерживаемых естественных языках или специальных ограничениях качества. Лицензия MIT разрешает использование на её условиях.

yousifgamalo/quran-s-finetuned — дообученная методом полного fine-tuning модель OpenAI Whisper medium для расшифровки чтения Корана на арабском языке. Это ASR-модель архитектуры Whisper с 455,8 млн параметров, принимающая аудио и выдающая текст. Она обучена на записях чтения Корана из MP3Quran и проверена на отложенной выборке из того же источника; заявленный WER на тесте — 0,1162. Модель предназначена для транскрибирования классического арабского языка в чтении Корана. Она может быть полезна для создания текстовых записей чтения и поиска по транскрипциям. Модель выдаёт текст без диакритических знаков. Лицензия — Apache 2.0.

Qwen2.5-3B-Instruct-Flux — дообученная авторами репозитория mrkrak3n модель для составления подробных и образных текстовых промптов для генератора изображений Flux. Она основана на Qwen/Qwen2.5-3B-Instruct и обучена на наборе FluxDev ControlNet 16k и синтетических данных. Модель принимает текстовое описание сцены и развивает его в более детальный промпт; заявлены архитектура Qwen2 с плотной causal language model, 3,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для подготовки промптов к генерации изображений, в том числе для творческих сценариев и использования через ComfyUI с узлами ComfyUI-Qwen. Она генерирует текст, а не изображения. В README не описаны отдельные оценки качества или конкретные ограничения; лицензия в доступных данных не указана.

DavidAU/Qwen3-Horror-Instruct-Uncensored-262K-ctx-4B — дообученная инструктивная языковая модель семейства Qwen3, созданная DavidAU на основе Goekdeniz-Guelmez/Josiefied-Qwen3-4B-Instruct-2507-gabliterated-v1. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текстовые запросы для генерации текста. Контекстное окно — до 262 144 токенов. Модель дообучена на корпусе ужасов в течение пяти эпох; по описанию автора, это меняет стиль прозы и усиливает её выразительность. Она предназначена прежде всего для написания художественных текстов ужасов, ролевых сцен и другого творческого контента. В примере карточки показана генерация графической сцены от первого лица. Для запуска доступны веса Safetensors; автор рекомендует шаблон Jinja или ChatML и приводит настройки генерации для творческих сценариев. Модель не отказывается от запросов на взрослый контент, но для желаемого уровня откровенности может потребоваться явно задавать стиль и лексику. Качество и выразительность зависят от промпта и настроек сэмплирования. Лицензия — Apache-2.0.

Raehoshi illust XL 11 — диффузионная модель генерации изображений по текстовым запросам, разработанная Raelina и дообученная на Illustrious XL v1.1. Она ориентирована на иллюстрации в аниме-стиле и лучше всего работает с промптами в формате тегов Booru. Модель стремится смягчить избыточную насыщенность и артефактный шум исходной модели, сохраняя её визуальные особенности; по описанию автора, эти проблемы уменьшены, но не устранены полностью. Для генерации автор рекомендует CFG 5–7, не менее 25 шагов и сэмплер Euler a или DPM++2M Karras. Репозиторий содержит формат Diffusers и веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели.

Карточка модели Arsh9210/Real-time_RE-USE на Hugging Face совпадает с карточкой nvidia/Real-time_RE-USE, поэтому описание составлено по ней. Real-time RE-USE — модель NVIDIA для потокового универсального улучшения речи. Она очищает аудио от шума и других искажений, сохраняя речевое содержание, голос говорящего и просодические особенности. Модель предназначена для обработки речи в реальном времени и позволяет выбирать из 30 конфигураций задержки, чтобы учитывать ограничения вычислительных ресурсов и требования приложения. Архитектура включает свёрточные кодировщик и декодировщик и Mamba для моделирования временно-частотных характеристик; сеть содержит до 12 слоёв и около 3,7 млн параметров. Модель принимает монофонические WAV-файлы с частотой дискретизации от 8 до 48 кГц, поддерживает несколько входных частот и заявлена как независимая от языка. В карточке указаны устойчивость к шуму, реверберации, клиппингу, ограничению полосы, артефактам кодеков и потере пакетов. Модель подходит для предварительной очистки аудио перед распознаванием речи, улучшения звука видеоконференций и постобработки синтезированной речи. NVIDIA указывает Linux и GPU NVIDIA Ampere (A100) как предпочтительную среду. Разработчик позиционирует модель для исследований и разработок; лицензия обозначена как other, поэтому перед использованием следует проверить условия репозитория. Качество на конкретных данных и сценарии применения необходимо оценить отдельно.

Retro-Pixel-Flux-LoRA — адаптер LoRA, разработанный prithivMLmods для модели генерации изображений black-forest-labs/FLUX.1-dev. Он предназначен для создания ретро- и пиксельной графики по текстовым описаниям, включая изображения в эстетике старых видеоигр, 8-битный pixel art, персонажей, предметы и сцены. Для активации стиля используется триггерная фраза «Retro Pixel». Модель может применяться через Diffusers и загружаться в базовую FLUX.1-dev в формате Safetensors. Адаптер обучен на 16 изображениях высокого разрешения с англоязычными текстовыми описаниями. Указанный рекомендуемый размер генерации — 1024×1024. Из известных параметров обучения: network dim 64, network alpha 32, 15 эпох и 2340 шагов. Модель ориентирована на text-to-image и работает с текстовой модальностью на входе и изображениями на выходе; сведения о дополнительных языках, максимальном контексте и точном количестве параметров не указаны. Сильная сторона модели — специализация на узнаваемой ретро-пиксельной стилистике и совместимость с FLUX.1-dev. При этом автор отмечает, что модель всё ещё находится на стадии обучения, не является финальной версией, может создавать артефакты и в некоторых случаях работать нестабильно. Лицензия — CreativeML Open RAIL-M.

Это дообученная модель Roboflow на базе RF-DETR Medium, предназначенная для обнаружения баскетболистов и судей на изображениях. Она предсказывает рамки объектов и их классы; в README приведены результаты оценки, включая mAP 0,7297, mAP@50 0,971 и отдельные значения mAP для игроков и судей. Модель подходит для анализа изображений баскетбольных матчей, например для поиска игроков и судей в кадре. Данные обучения в карточке не описаны, поэтому результаты оценки не позволяют судить о качестве на других наборах изображений. Модель опубликована в формате Safetensors под лицензией Apache-2.0.

Robo-Diffusion 2 (base) — модель генерации изображений по текстовому описанию, созданная методом DreamBooth путем дообучения Stable Diffusion 1.4. Она предназначена для создания изображений роботов в характерном стиле модели; для его активации автор рекомендует помещать слова «nousr robot» ближе к началу запроса и использовать негативные промпты для настройки результата. Репозиторий содержит веса в форматах Diffusers и PyTorch и рассчитан на работу с StableDiffusionPipeline. Модель принимает текстовые запросы на английском языке и генерирует изображения. Распространяется по лицензии OpenRAIL++.

Remade-AI/Rotate — это LoRA-адаптер для Wan2.1 14B I2V 480p, предназначенный для генерации видео из изображения с эффектом полного вращения объекта на 360 градусов. Адаптер можно применять к изображениям людей, животных, транспортных средств, мебели и других объектов; он подключается к базовой модели Wan2.1 через Diffusers или совместимый workflow ComfyUI. Модель работает в сценариях image-to-video и использует текстовый триггер «r0t4tion 360 degrees rotation». В README указаны базовая архитектура Wan2.1 I2V 14B с разрешением 480p, поддержка английского языка, веса в формате Safetensors и рекомендуемые параметры: LoRA Strength 1.0, Embedded Guidance Scale 6.0 и Flow Shift 5.0. Обучение проводилось в течение 20 эпох на 30 секундах видео, включавших 12 коротких клипов с вращающимися объектами. Сильной стороной адаптера является специализация на воспроизводимом эффекте кругового вращения и возможность адаптации к различным типам объектов при использовании простой структуры промпта. Ограничения включают зависимость от базовой модели Wan2.1 I2V 14B 480p и необходимость корректно настроенного workflow; сведения о точных требованиях к оборудованию, качестве на разных сценах и поддерживаемых языках кроме английского не приведены. Модель распространяется по лицензии Apache-2.0.

Minthy/RouWei-0.8 — модель генерации изображений по текстовому описанию, созданная Minthy как глубокое переобучение Illustrious. Она предназначена прежде всего для аниме-арта, цифровых иллюстраций и изображений персонажей; понимает короткие теги в стиле Danbooru и длинные естественно-языковые промпты. В README указано, что обучение проводилось на наборе примерно из 13 млн изображений, включая изображения с текстовыми подписями, а данные охватывают более 50 тысяч художественных стилей. Модель распространяется в формате Safetensors и рассчитана на использование с библиотекой Diffusers. Автор заявляет об улучшенном следовании промпту, разнообразии стилей и снижении проблем с пересечением тегов и водяными знаками. Для смешивания тегов стилей художников рекомендуется отделять их в отдельный CLIP-фрагмент или располагать в конце промпта; иначе качество может заметно ухудшиться. Для версии v-prediction рекомендуются более низкие значения CFG, а некоторые экспериментальные сэмплеры и планировщики не проверены. Модель может создавать NSFW-изображения в ответ на соответствующие запросы, а её результаты могут быть неточными и провокационными. Лицензия в предоставленных материалах не указана.

Aratako разрабатывает sarashina2.2-3b-RP-v0.1 — японскую языковую модель для текстовых ролевых диалогов, дообученную на базе sbintuitions/sarashina2.2-3b-instruct-v0.1. Модель построена на плотной архитектуре Llama и содержит 3,1 млрд параметров; она принимает текстовые инструкции и генерирует текстовые ответы. Заявленная длина контекста — 8192 токена. Для ролевой игры задайте в системном промпте персонажа и ситуацию диалога. Модель использует формат диалогового чата и предоставляет интерфейс вызова инструментов. Опубликована в формате safetensors, лицензия — MIT. README также указывает на доступность версии GGUF; её файлы могут иметь иные требования к запуску.

Карточка модели Kuki193321/sd-nsfw на Hugging Face совпадает с карточкой Kernel/sd-nsfw, поэтому описание составлено по ней. Kernel/sd-nsfw — модель генерации изображений по тексту на основе Stable Diffusion v1.5, разработанная Robin Rombach и Patrick Esser. Это латентная диффузионная модель с текстовым энкодером CLIP ViT-L/14; исходный чекпойнт Stable Diffusion v1.2 был дообучен на 595 тысячах шагов при разрешении 512×512 на наборе laion-aesthetics v2 5+. Модель принимает текстовые запросы на английском языке и создаёт изображения; репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Модель предназначена для генерации фотореалистичных изображений и художественных материалов по описанию, а также для исследований генеративных моделей. Название и метка «not-for-all-audiences» указывают на ориентацию на NSFW-контент. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование. Модель не гарантирует фотореализм, плохо передаёт текст внутри изображений и сложные пространственные композиции, может ошибаться при генерации лиц и людей. Английские запросы работают лучше других языков; возможны смещения и запоминание изображений из обучающих данных. Для практического применения авторы рекомендуют использовать Safety Checker.

Это копия модели Stable Diffusion, дообученной Lambda Labs на изображениях покемонов. Копия добавляет ветку fp16 для совместимости с сервером Stable Cabal GRPC. Модель принимает текстовое описание и генерирует изображение персонажа в стиле покемонов; обучалась на изображениях с подписями BLIP из набора lambdalabs/pokemon-blip-captions примерно на 15 000 шагах с использованием двух GPU A6000. Репозиторий содержит веса в формате Diffusers, PyTorch и safetensors. Лицензия в доступных данных не указана.

MonsterMMORPG/SECourses_Rock — модель генерации 3D по изображению на основе TRELLIS, семейства крупных генеративных моделей для создания структурированных 3D-объектов. Карточка описывает её как вариант TRELLIS с условием на изображение; в репозитории доступны веса в формате safetensors, библиотека — trellis. Модель предназначена для преобразования входного изображения в 3D-объект. Может применяться для создания 3D-ассетов по референсам и прототипирования объектов для графики и 3D-сцен. В README указана статья «Structured 3D Latents for Scalable and Versatile 3D Generation». Лицензия репозитория — MIT.