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

zen-voyager-i1-GGUF — набор GGUF-квантизаций базовой модели zenlm/zen-voyager, подготовленный и квантизированный пользователем mradermacher. По метаданным, модель относится к системам text-to-video и video-generation, а также к diffusion- и world-model-подходам. Указан английский язык. Модель предназначена для задач генерации видео и связанных сценариев моделирования визуального мира. README не содержит подробностей о внутренней архитектуре, числе параметров, поддерживаемых модальностях, размере контекста или требованиях к оборудованию, поэтому эти характеристики нельзя достоверно уточнить. Доступны многочисленные варианты GGUF-квантизации размером примерно от 7,4 до 27 ГБ, включая IQ- и Q-схемы; более компактные варианты экономят память, но могут заметно уступать по качеству, тогда как Q4_K_M отмечен как быстрый и рекомендуемый. Сильная сторона модели — широкий выбор уровней квантизации, позволяющий подобрать компромисс между размером, скоростью и качеством, включая варианты с imatrix. Ограничения связаны с тем, что квантизация может снижать качество, особенно у самых компактных файлов, а исходное описание не раскрывает результаты тестирования и практические ограничения генерации. Лицензия базовой модели указана как Apache-2.0.

nphSi/Z-Image-Lora — это набор LoRA-адаптеров для генерации изображений по текстовому описанию, разработанный пользователем или организацией nphSi. Адаптеры предназначены для моделей Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo и интегрируются с экосистемой Diffusers; веса распространяются в формате Safetensors. Модель ориентирована на создание узнаваемых изображений людей, персонажей и других указанных в наборе образов. Для активации адаптеров необходимо использовать полное имя LoRA с соответствующим триггером формата vrtlxxxx; обычные описания вроде «Woman» или «1girl» могут не сработать. Для некоторых неоднозначных имён рекомендуется явно указывать пол, а при слабом или нежелательном внутреннем знании базовой модели — удалять имя из запроса. Набор содержит множество отдельных триггеров, включая имена публичных персон и вымышленных персонажей. Ключевые параметры архитектуры, размер адаптеров, поддерживаемые языки, максимальный контекст и точные требования к ресурсам в README не указаны. Примеры предварительного просмотра созданы с Z-Image Turbo, Euler, 9 шагами и CFG 1, но эти настройки не обязательно являются универсальными. Лицензия — Apache-2.0.

ACertainModel — латентная диффузионная модель JosephusCheung для генерации детализированных изображений в аниме-стиле по текстовым запросам. Она основана на Stable Diffusion и доступна в формате Diffusers/PyTorch; автор описывает дообучение с использованием DreamBooth и собственных обучающих данных, включавших изображения, созданные другими диффузионными моделями, и отобранные иллюстрации. Модель предназначена для создания аниме-иллюстраций по коротким промптам и тегам Danbooru, включая теги художников. В карточке отмечены качество композиции и жестов рук; приведены примеры настроек генерации, а для работы рекомендуется Clip skip 2. Лицензия — CreativeML OpenRAIL-M. Результат зависит от формулировки запроса и настроек генерации; карточка также указывает, что параметры размещённого онлайн-превью менять нельзя.

Aeterna Opus — диффузионная модель генерации изображений по тексту, разработанная NeverWinter13 для создания аниме-иллюстраций. Она основана на архитектуре SDXL и объединяет веса Ars Divina 7.2.4a, Indominus Rex XL и моделей Illustrious XL; после слияния веса проходили циклическое переобучение на наборах s1k_Korean и 1.2M Ordered Tags. Модель предназначена для иллюстраций с выразительным освещением, устойчивой анатомией персонажей и точным следованием промптам. Она принимает как описания на естественном языке, так и упорядоченные теги Danbooru. В README заявлена поддержка генерации в разрешении до 1536 × 1536; в качестве типовых размеров также приведены квадратные изображения 1024 × 1024 и альбомные варианты. Для запуска предлагаются ComfyUI, Stable Diffusion WebUI и библиотека diffusers. Модель распространяется по лицензии OpenRAIL++. Карточка рекомендует 26–30 шагов сэмплирования и CFG 3,0–6,5; для детализации лиц автор рекомендует ADetailer. Заявления о качестве и стабильности основаны на описании разработчика и не сопровождаются количественными оценками.

Album-Cover-Style Dreambooth — модель генерации изображений, обученная lckidwell с помощью ноутбука fast-DreamBooth от TheLastBen. Дообучена на примерно 80 обложках альбомов, преимущественно 1950-х и 1960-х годов, среди которых есть джазовые, поп-, польковые, религиозные и детские обложки. Модель предназначена для создания изображений в стиле винтажных музыкальных обложек по текстовым запросам, например обложки с заданным исполнителем или жанром. Репозиторий содержит веса в форматах Diffusers и PyTorch; задача по метаданным — text-to-image. Лицензия — CreativeML Open RAIL-M. Карточка не приводит сведения о размере модели, длине контекста или поддерживаемых языках. Результат зависит от текстового запроса и ограниченного набора обучающих примеров, поэтому разнообразие стилей может быть смещено к обложкам середины XX века.

Anima-2.9B — экспериментальная модель генерации изображений, разработанная автором репозитория как дообучение и расширение слоёв circlestone-labs/Anima. Она предназначена прежде всего для создания аниме-иллюстраций и другого нефотореалистичного арта по текстовым запросам. Архитектура AnimaDiT расширена с 28 до 40 трансформерных слоёв; размер составляет около 2,9 млрд параметров. В версии preview v1 дообучались только новые слои на дополнительных 1,7 млн примеров аниме и иллюстраций. Карточка указывает английский язык; подсказки модели могут включать теги и естественный язык. Модель рассчитана на работу в ComfyUI и Forge-Neo. Автор рекомендует подробные промпты, разрешения от 812×1216 до 1536×1536, 28–50 шагов и CFG 3,5–5. Обучение продолжается, поэтому качество и понимание промптов могут меняться; короткие запросы часто дают простые фоны. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Bubunur разработал классификатор изображений животных на основе Vision Transformer ViT-Base с 113,2 млн параметров, дообученного на модели google/vit-base-patch16-224-in21k. Модель относит изображение к одному из трёх классов: кошка, собака или большая панда; она рассчитана на классификацию фотографий и выдаёт метки классов с оценками уверенности. Обучение проводилось на сбалансированном наборе Bubunur/dog-cat-panda из фотографий iNaturalist. На отфильтрованной тестовой выборке из 369 изображений метрики F1 составили 0,9547 для кошек, 0,9558 для собак и 1,0 для панд. Модель доступна в формате safetensors для библиотеки Transformers по лицензии CC BY-NC-SA 4.0. Классификатор всегда выбирает один из трёх классов, поэтому изображения других объектов будут ошибочно отнесены к кошке, собаке или панде. Кошки и собаки могут путаться на сложных снимках, а тестовая выборка после фильтрации CLIP может быть легче реальных изображений. Оценки уверенности ограничены примерно 0,93 из-за сглаживания меток.

charliemcvicker/asr-cherokee — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC, основанная на facebook/wav2vec2-large-xlsr-53. Она содержит 402,7 млн параметров и принимает аудио, чтобы преобразовывать речь в текст. Модель предназначена для автоматического распознавания речи на языке чероки. В карточке приведены результаты оценки: WER 0,5301 и CER 0,0658. Описание не уточняет набор данных, условия записи и ограничения применения, поэтому эти метрики не позволяют судить о качестве на других аудиозаписях. Модель распространяется по лицензии Apache-2.0.

auro-rirum/audioforge-scratch-cnn-fsd50k — модель AudioForge на архитектуре ScratchAudioCNN, обученная с нуля на датасете FSD50K для многометочной классификации звуковых событий окружающей среды. Она предназначена для определения нескольких типов событий в аудиозаписи; для загрузки требуется пакет audioforge, поскольку модель не является штатным классом Transformers. В README приведены метрики проверки на FSD50K: mAP 0,302, micro F1 0,426 и macro F1 0,118. Модель распространяется в формате safetensors по лицензии MIT.

Avatar Diffusion — модель генерации изображений в стиле фильма «Аватар: Путь воды», опубликованная riccardogiorato. Это дообученная методом DreamBooth Stable Diffusion 1.5, обученная более чем на 50 изображениях из трейлера фильма. Модель принимает текстовые запросы и генерирует изображения; для вызова характерного стиля в запросе рекомендуется использовать ключевую фразу «avatartwow style». Автор указывает библиотеку Diffusers и формат PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Az2671/AZ — модель типа LoRA для генерации изображений по текстовому описанию, разработанная пользователем или организацией Az2671. Она предназначена для использования в экосистеме Diffusers как адаптер базовой модели ideogram-ai/ideogram-4-fp8. README не содержит подробностей о специализации адаптера, стиле генерации или целевых сценариях применения. Известно, что модель относится к text-to-image и использует архитектуру LoRA, однако её размер, точные параметры, поддерживаемые языки, контекст и сведения о модальностях не указаны. В качестве сильной стороны можно отметить совместимость с указанной базовой моделью и компактный формат адаптера; при этом возможности и качество генерации зависят от базовой модели и неизвестных параметров обучения. Лицензия — Apache-2.0.

beewatch_ast_3class — модель классификации звуков на основе Audio Spectrogram Transformer (AST), разработанная пользователем troyskie и дообученная на базе MIT/ast-finetuned-audioset-10-10-0.4593. Она принимает аудио и относит его к одному из трёх классов; конкретные названия классов и целевой сценарий в карточке не раскрыты. Модель содержит 113,2 млн параметров и распространяется в формате safetensors для библиотеки Transformers. На оценочном наборе указаны accuracy 0,7473 и macro F1 0,7245. Лицензия — BSD 3-Clause.

redewiedergabe/bert-base-historical-german-rw-cased — модель BERT для немецкого языка, обученная на художественных и нехудожественных текстах 1840–1920 годов. По метаданным, это BERTForMaskedLM с 136,3 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Flax. Основная задача в каталоге и карточке — заполнение маски в тексте. Модель предназначена для работы с историческими немецкими текстами, а также показала хорошие результаты на художественных текстах современного немецкого языка. В README описана её оценка как языкового представления для отдельного BiLSTM-CRF-теггера, размечающего прямую, косвенную, пересказанную и несобственно-прямую речь и мысль. Результаты этого теггера не следует считать прямой оценкой самой модели для заполнения маски. Лицензия в предоставленных данных не указана.

Boulesis-26B-A4B-i1-GGUF — набор GGUF-квантизаций экспериментальной модели Boulesis-26B-A4B, разработанной SubMaroon и квантизированной spiritfather. Модель основана на Google Gemma-4-26B-A4B-it и объединяет изменения, связанные с маршрутизацией внимания, стилем и narrative roleplay. Она предназначена прежде всего для творческого письма, ролевого общения и генерации художественной прозы, а не для оценки общего интеллекта. Модель работает через llama.cpp и поддерживает текстовую генерацию. Доступны варианты IQ4_XS, Q4_K_M, Q5_K_M и Q6_K размером примерно от 14,3 до 23,2 ГБ; для быстрого запуска автор рекомендует Q4_K_M. Квантизации используют importance matrix, распределяющую точность с учётом чувствительности модели, что может давать преимущество перед обычными статическими квантизациями аналогичного размера. В README указана поддержка контекста до 32768 токенов при рекомендуемой конфигурации, а также режим рассуждений, который можно включать и отключать. К сильным сторонам относятся специализация на ролевых сценариях и художественном стиле, а также несколько вариантов компромисса между размером и качеством. Ограничения включают экспериментальный характер исходного merge, отсутствие подтверждений универсальной производительности и необходимость использовать актуальную версию llama.cpp с корректными параметрами шаблона чата. Для многотурового режима рассуждений требуется специальная настройка, иначе модель может повторно читать собственные мысли и генерировать только рассуждения. Лицензия наследуется от базовой модели и указана как Gemma Terms of Use.

Brouhaha — аудиомодель сообщества pyannote для совместного определения активности речи, оценки отношения речи к шуму (SNR) и оценки акустического параметра C50, характеризующего помещение. Она предназначена для анализа аудиозаписей, в том числе оценки участков с речью и качества акустической среды. Модель использует формат PyTorch и работает в экосистеме pyannote.audio; в карточке указана лицензия OpenRAIL. Для установки README упоминает пакеты pyannote-audio и brouhaha-vad.

CamInject-4B — модель для анализа движения камеры в видео, созданная на основе Qwen/Qwen3-VL-4B-Instruct с внедрением замороженных токенов камеры VGGT. По видео она формирует структурированный JSON с описанием сегментов движения камеры, что подходит для временной разметки и анализа видеосцен. Модель использует архитектуру Qwen3-VL с 4 млрд параметров; во время инференса VGGT запускается отдельно и формирует токены камеры. Для работы недостаточно стандартной загрузки через 🤗 Transformers: нужны специальный тип модели, зарегистрированный через плагин, и репозиторий CamDistill с VGGT-Omega. Модель распространяется по лицензии Apache-2.0.

ClimateGPT-7B — специализированная языковая модель для вопросов и ответов о климате, разработанная Erasmus AI совместно с AppTek и аутентифицированная EQTYLab. Это декодерный трансформер на 6,6 млрд параметров, основанный на Meta Llama 2 7B и адаптированный к климатической тематике продолженным предобучением на корпусе из 4,2 млрд токенов, а затем дообученный на инструкциях. Модель принимает текст, генерирует текст и рассчитана на английский язык; длина контекста — 4096 токенов. Модель предназначена для ответов на климатические вопросы и синтеза междисциплинарных исследований для специалистов, принимающих решения, учёных и журналистов. Она поддерживает диалоговый режим и обучена работе с дополнением контекста до пяти ссылок; разработчики рекомендуют применять её с RAG для расширения знаний и повышения фактической точности. Для расширения языкового охвата предусмотрен каскадный машинный перевод. По данным разработчиков, на климатических бенчмарках ClimateGPT-7B превосходит Llama-2-70B Chat. Модель не предназначена для универсального чат-бота и может выдавать предвзятые, оскорбительные или неточные ответы. Лицензия — ClimateGPT Community License (в метаданных указана как other); перед использованием следует ознакомиться с её условиями.

questcoast/clone-wars-diffusion-v1 — модель генерации изображений по текстовому описанию, созданная дообучением Stable Diffusion 1.5 методом DreamBooth. Она предназначена для изображений в стилистике мультсериала «Звёздные войны: Войны клонов» и для генерации персонажей вселенной Star Wars в заданных сценах, образах и стилях. Для общей стилистики используйте в запросе фразу «clone wars style»; для обученных персонажей — их имена, например Ahsoka Tano, Anakin Skywalker или Yoda. Карточка показывает примеры генерации портретов, персонажей, транспорта и пейзажей. Модель принимает текстовые запросы на естественном языке и выдаёт изображения. В метаданных указаны форматы Diffusers и PyTorch, а лицензия — CreativeML OpenRAIL-M. Карточка не приводит сведений о поддерживаемых языках, поэтому описание запросов на русском не гарантируется.

ControlNet v1.1 Scribble — дополнительная нейросетевая модель для управления генерацией изображений в диффузионных моделях. Её разработали Lvmin Zhang и Maneesh Agrawala; данный репозиторий содержит конвертацию исходной контрольной точки в формат diffusers. Модель предназначена для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель принимает изображение-условие в формате Scribble и помогает направлять генерацию изображения по структуре и наброску, заданным пользователем. Она подходит для image-to-image и управляемой text-to-image генерации, например для создания сцен, иллюстраций и художественных вариантов по черновому рисунку. Это не самостоятельная text-to-image модель, а модуль ControlNet, подключаемый к базовой диффузионной модели через StableDiffusionControlNetPipeline. В README указано, что основным языком является английский; размер, точное число параметров, максимальный контекст и другие архитектурные характеристики не приведены. Сильная сторона модели — дополнительный контроль композиции и формы изображения по скетчу при сохранении возможностей базовой Stable Diffusion. Для подготовки управляющего изображения могут потребоваться внешние инструменты, например controlnet_aux. Модель обучалась для Stable Diffusion v1.5, поэтому совместимость с другими диффузионными моделями может быть ограниченной и не гарантируется. Лицензия — CreativeML OpenRAIL M.

CuteAnimalsSitCartoonModelSD — модель генерации изображений по текстовому описанию от artificialguybr. Она предназначена для создания изображений в мультяшном стиле, особенно с милыми животными, и рассчитана на творческие сценарии с прямыми промптами и постепенным добавлением деталей. В README указано, что для моделей на базе SDXL можно начинать с разрешения 1024×1024 и умеренных значений CFG и числа шагов, однако принадлежность этой модели к SDXL отдельно не подтверждена. Модель распространяется в форматах PyTorch и Safetensors и использует лицензию OpenRAIL. README рекомендует генерировать несколько вариантов с разными seed для большей визуальной согласованности. Данные о размере модели, языковой поддержке и длине контекста не приведены.

Darja-GPT-50M — авторегрессионная языковая модель, созданная touati-kamel с нуля для генерации текстов на алжирской даридже (Dziri). Она предназначена для стилистической генерации и моделирования разговорного диалекта в кулинарном, спортивном, техническом, подкастовом, повествовательном и разговорном регистрах. По README, модель использует плотный декодер-трансформер в стиле LLaMA/Mistral с 12 слоями и доменными LoRA-адаптерами; при генерации поддерживается Classifier-Free Guidance. Метаданные указывают 50,8 млн параметров и контекст 1024 токена. Токенизатор обучен на корпусе алжирской дариджи и рассчитан на арабскую графику и латиницу; в технических и деловых текстах возможны заимствования и переключение на французский и английский. Модель не дообучена следовать инструкциям и не подходит для сложных рассуждений, математики и фактических ответов на вопросы; в спортивных текстах могут часто повторяться имена популярных футболистов. Лицензия — Apache-2.0.

Darkest-muse-v1-GGUF — квантизированные версии текстовой генеративной модели Darkest-muse-v1, разработанной sam-paech и опубликованные в формате GGUF пользователем bartowski. Модель предназначена прежде всего для творческого письма: генерации художественных текстов в жанрах fantasy, science fiction, romance, adventure и general fiction. В обучении или дообучении использовался датасет sam-paech/gutenberg3-generalfiction-scifi-fantasy-romance-adventure-dpo. Модель относится к семейству Gemma 2, работает с текстом и запускается через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты от F16 размером 18,49 ГБ до низкобитных Q2 и Q3, а также высококачественные Q4–Q8-квантизации; рекомендуемыми в README названы, в частности, Q4_K_M, Q5 и Q6. Квантизация выполнена с использованием imatrix. Точные число параметров, поддерживаемые языки и размер контекстного окна в предоставленных данных не указаны. Сильной стороной модели является специализация на художественной генерации и широкий выбор квантизаций для разного объёма оперативной памяти и требований к качеству. Ограничение — отсутствие поддержки system prompt; формат запроса должен соответствовать указанному шаблону Gemma 2. Модель распространяется по лицензии Apache-2.0.

DarkIdol-Qwen3.8-27B-v1.1 — специализированная дообученная модель на базе Qwen/Qwen3.8-27B, созданная для интерактивной художественной прозы и ролевых сценариев. Это плотная мультимодальная модель семейства Qwen с архитектурой Qwen3_5ForConditionalGeneration; поддерживает диалог и анализ изображений, а в README описана работа с иллюстрациями персонажей, сценами и картами настольных игр. Для запуска указаны Transformers и формат safetensors; лицензия — Apache-2.0. Модель ориентирована на TRPG, SillyTavern, симуляцию персонажей и сюжетное соавторство. Карточка подчёркивает сохранение пользовательской самостоятельности, последовательность персонажей и прозу с жанровой стилистикой; заявлены английский и китайский как основные творческие направления, а метаданные перечисляют также немецкий, французский, итальянский, португальский, хинди, испанский, тайский, корейский и японский. Размер и длина контекста этой версии в предоставленных данных не указаны. Модель не предназначена для достоверных справок, программирования или практических советов: её ответы могут содержать вымышленные факты, небезопасные инструкции и контент с ослабленной фильтрацией. Использовать её следует для художественных сценариев, а сгенерированные сведения и технические фрагменты не следует считать проверенными.

Guizmus/DarkSoulsDiffusion — модель генерации изображений на основе Stable Diffusion, дообученная автором в стиле серии Dark Souls методом DreamBooth. Для вызова обученной стилистики в запросе используется триггер «DarkSouls Style»; модель предназначена для создания изображений по текстовым описаниям в этой эстетике. Обучение проводилось на 100 изображениях: сначала 2500 шагов с learning rate 1e-6, затем ещё 24 000 шагов с learning rate 1e-7. В README рекомендуются сэмплеры k_Euler_a или DPM++ 2M Karras, 20 шагов и CFG 7. Репозиторий содержит формат Diffusers, веса Safetensors и связан со Stable Diffusion; для запуска приведён пример с библиотекой Diffusers. Модель принимает текстовые запросы на английском языке и выдаёт изображения. Лицензия — CreativeML OpenRAIL-M. Модель настроена на ограниченный художественный стиль, а не на универсальную генерацию; обучение на небольшом наборе изображений может ограничивать разнообразие и обобщение результатов.

dbluth — модель генерации изображений по тексту, созданная автором tuwonga как дань аниматору Дону Блуту. Это объединённая модель Stable Diffusion 1.5: автор отдельно дообучил три модели DreamBooth на материалах видеоигр Dragon’s Lair, Space Ace и Dragon’s Lair II: Time Warp, а затем объединил их. Для получения характерного стиля в запросе используется токен dbluth. Модель предназначена для создания иллюстраций по текстовым описаниям и для преобразования исходных изображений в режиме img2img. Она воспроизводит стилистику, вдохновлённую анимацией Дона Блута и классической диснеевской анимацией. В README приведены примеры персонажей и настройки генерации, но результаты зависят от запроса и параметров. Файлы доступны в форматах Diffusers, PyTorch и SafeTensors. Для использования автор предлагает скачать файл checkpoint и загрузить его в интерфейс генерации Stable Diffusion. Лицензия — CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении результатов.

Модель nsugianto/detr-resnet50_finetuned_lstabledetv1s9_lsdocelementdetv1type3_session7 — дообученная версия DETR для обнаружения объектов на изображениях. В метаданных указаны архитектура DETR, класс DetrForObjectDetection, 6,3 млн параметров и формат весов safetensors. Модель предназначена для локализации и классификации объектов с помощью ограничивающих рамок. README указывает, что она дообучена на неизвестном наборе данных, поэтому состав распознаваемых классов и пригодность для конкретных сценариев определить нельзя. Лицензия в предоставленных данных не указана.

Diffuman4D — модель для синтеза новых ракурсов человеческих выступлений по видео с небольшим числом исходных ракурсов. Она предназначена для высококачественного рендеринга человека с возможностью свободно выбирать точку обзора и сохранять пространственно-временную согласованность кадров. Модель основана на дообученной Stable Diffusion 2.1 и использует пространственно-временную диффузию. Репозиторий распространяет веса в форматах Diffusers и safetensors; задача в метаданных — video-to-video. Подробные инструкции по запуску вынесены в репозиторий проекта. Модель ориентирована на генерацию многовидового видео человеческих движений и аватаров. Лицензия — OpenRAIL++; условия и ограничения использования следует сверять с её текстом.

Это порт весов Layer Diffusion для библиотеки Diffusers, разработанный rootonchair на основе проекта Layer Diffusion для SD WebUI. Модель расширяет генерацию изображений из текстовых запросов, позволяя получать прозрачные изображения и работать со слоями переднего плана и фона с использованием латентной прозрачности. В репозитории представлены условные веса для SDXL для преобразований переднего плана или фона в смешанное представление и обратных преобразований между смешанным представлением и фоном. README также показывает запуск с базовыми моделями SD 1.5; в качестве примера указан Juggernaut_final. Веса сохранены в формате safetensors и рассчитаны на использование через Diffusers. Лицензия репозитория — MIT. Результат зависит от выбранной базовой модели и заданного сценария; карточка не приводит оценок качества или подробных ограничений применения.

Карточка модели biali/Direct3D-S2 на Hugging Face совпадает с карточкой wushuang98/Direct3D-S2, поэтому описание составлено по ней. Direct3D-S2 — модель генерации 3D-объектов по изображениям, разработанная авторами проекта Direct3D-S2. Она предназначена для преобразования изображения в 3D-сетку и поддерживает сценарии интерактивной генерации через веб-демо. В основе модели — Diffusion Transformer (DiT) с механизмом Spatial Sparse Attention (SSA), оптимизированным для разреженных объёмных данных, и вариационный автоэнкодер (VAE) с единым разреженным представлением на этапах входа, латентного пространства и выхода. В README заявлены ускорение вычислений и обучение на разрешении 1024³ с использованием восьми GPU. Модель опубликована с лицензией MIT. README не приводит сведения о поддерживаемых языках или качестве результата на конкретных типах изображений.

Direct3D-S2 — модель генерации 3D-объектов по изображениям, разработанная авторами проекта Direct3D-S2. Она предназначена для преобразования изображения в 3D-сетку и поддерживает сценарии интерактивной генерации через веб-демо. В основе модели — Diffusion Transformer (DiT) с механизмом Spatial Sparse Attention (SSA), оптимизированным для разреженных объёмных данных, и вариационный автоэнкодер (VAE) с единым разреженным представлением на этапах входа, латентного пространства и выхода. В README заявлены ускорение вычислений и обучение на разрешении 1024³ с использованием восьми GPU. Модель опубликована с лицензией MIT. README не приводит сведения о поддерживаемых языках или качестве результата на конкретных типах изображений.