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

Aquiles-ai/FLUX.2-dev — репаковка модели FLUX.2 [dev], разработанной Black Forest Labs: в репозитории удалён дублирующий файл весов flux2-dev.safetensors, чтобы Diffusers не загружал трансформер дважды и расходовал меньше памяти. Это трансформер rectified flow на 32 млрд параметров для генерации изображений по тексту, редактирования изображений по инструкциям и объединения нескольких изображений-референсов. Поддерживает сценарии text-to-image и image-to-image, включая перенос стиля, персонажа или объекта по одному или нескольким референсам без дополнительного дообучения. Модель использует guidance distillation и распространяется в формате Diffusers с весами safetensors; карточка указывает английский язык. README сообщает о снижении потребления памяти примерно со 178 до 110 ГБ после устранения дубликата. Модель предназначена для художников, разработчиков и исследователей, которым нужны генерация и редактирование изображений по текстовым инструкциям. Указанная в README лицензия FLUX.2 [dev] Non-Commercial License разрешает личное и научное использование; коммерческое использование регулируется отдельными условиями. Для применения требуются фильтры или ручная модерация NSFW и контента, нарушающего права интеллектуальной собственности. В README также описаны меры безопасности и пример пиксельной водяной маркировки.

FLUX.2 [dev] — модель генерации и редактирования изображений на основе rectified flow transformer с 32 млрд параметров, разработанная Black Forest Labs и перепубликованная Unsloth как зеркало с неизменёнными весами. Она создаёт изображения по текстовым инструкциям, редактирует изображение по тексту и объединяет несколько референсных изображений; для переноса персонажа, объекта или стиля дополнительное дообучение не требуется. Модель предназначена для художественных и исследовательских рабочих процессов, включая создание изображений и редактирование с одним или несколькими референсами. Она использует guidance distillation для повышения эффективности. Репозиторий распространяет веса в форматах Diffusers и safetensors. Лицензия указана как other; README сообщает, что действуют исходные условия FLUX.2 [dev] Non-Commercial License, поэтому коммерческое использование открытых весов не разрешено этой лицензией. README описывает меры снижения рисков и требует применять фильтры для NSFW- и нарушающего права интеллектуальной собственности контента либо ручную проверку. Как и у других генеративных моделей, результаты могут быть ошибочными или нежелательными; перед использованием следует проверять изображения и соблюдать условия лицензии.

Это 4-битная квантизированная версия FLUX.2 [dev] от Black Forest Labs, подготовленная INCModel3 с помощью AutoRound и округления к ближайшему значению (RTN). Модель предназначена для генерации изображений по текстовым описаниям; README также сообщает о совместимости экспорта с vLLM-Omni. Квантизация MXFP4 использует групповой размер 32 и, согласно карточке, уменьшает размер модели примерно со 110 до 62 ГБ по сравнению с bf16. В описанной оценке на изображениях 1024×1024 с 28 шагами показатели DrawBench и GenEval близки к bf16-версии. Для запуска в README приведён пример с vLLM-Omni. Лицензия в метаданных обозначена как other; конкретные условия следует проверять на странице модели и базовой модели.

xcreates/FLUX.2-klein-4B — публикация модели FLUX.2-klein-4B от xCreate для генерации и редактирования изображений. Карточка сообщает о тестировании через приложение xCreate на компьютерах Apple с разной производительностью; для одного изображения указаны время генерации от примерно 9,7 до 56 секунд и потребление памяти около 28 ГБ. Метаданные указывают поддержку text-to-image и image-to-image, а также форматы Diffusers и Safetensors и лицензию Apache-2.0. Для работы с изображениями модель принимает текстовые запросы и изображения и выдаёт изображения. В карточке нет сведений об архитектуре, числе параметров, контексте или конкретных языковых возможностях; тег en указывает английский язык. README уточняет, что xCreate не является создателем модели и предупреждает о возможных неточностях сгенерированного содержимого.

Карточка модели imranevankhan/FLUX.2-klein-4b-nvfp4 на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-klein-4b-nvfp4, поэтому описание составлено по ней. FLUX.2 [klein] 4B NVFP4 — модель генерации и редактирования изображений от Black Forest Labs. Это 4-миллиардная rectified flow transformer, сжатая до формата NVFP4; репозиторий содержит эту версию весов, а полновесная модель выпущена отдельно. Модель создаёт изображения по текстовому описанию и поддерживает редактирование с несколькими референсными изображениями. Модель предназначена для генерации изображений по промптам и преобразования изображений с учётом текстовых инструкций и нескольких визуальных образцов. Карточка указывает английский язык; текст, встроенный в изображения, может отображаться неточно. Для запуска требуется около 13 ГБ видеопамяти, например на NVIDIA RTX 3090 или RTX 4070 и выше. Модель может не следовать запросу, а результат зависит от формулировки промпта. Она не предназначена для получения фактической информации и может отражать предвзятости обучающих данных. Лицензия — Apache 2.0; карточка также описывает ограничения на отдельные виды использования.

FLUX.2 [klein] 9B — модель генерации и редактирования изображений от Black Forest Labs. Это трансформер rectified flow с 9 млрд параметров и текстовым энкодером Qwen3 на 8 млрд параметров; модель дистиллирована до четырёх шагов инференса для быстрой генерации. Она принимает текстовые описания и изображения-референсы, объединяя генерацию по тексту, редактирование одного изображения и работу с несколькими референсами в одной архитектуре. Модель предназначена для быстрого создания изображений, творческого поиска вариантов и интеграции генерации и редактирования в приложения с низкой задержкой. В карточке заявлены высокая скорость и следование промпту, однако фактический результат зависит от формулировки запроса. Модель не предназначена для получения фактической информации, может неверно отображать текст внутри изображения и не всегда точно выполняет запрос. Для локального запуска требуется около 29 ГБ видеопамяти. Лицензия указана как other; README описывает использование как некоммерческое и перечисляет ограничения допустимого применения.

FLUX.2 [klein] 9B Base — генеративная модель Black Forest Labs для создания и редактирования изображений. Она преобразует текстовые описания в изображения и поддерживает редактирование с несколькими референсными изображениями, поэтому предназначена для text-to-image и image-to-image сценариев, включая создание визуального контента и интерактивное редактирование. Модель построена на архитектуре rectified flow transformer и содержит около 9 миллиардов параметров. Данная версия представляет собой FP8-квантованный вариант весов; основная версия доступна в формате BF16. В карточке указаны поддержка английского языка и интеграция с библиотекой Diffusers. Для работы требуется около 29 ГБ VRAM; заявлена доступность на NVIDIA RTX 4090 и более производительных видеокартах. Ограничения включают возможное несоответствие результата запросу, зависимость качества следования промпту от стиля формулировки, искажения или ошибки в отображаемом тексте, а также возможное воспроизведение предвзятостей из обучающих данных. Модель не предназначена для предоставления фактической информации и не должна использоваться для незаконных, вредоносных, обманных или высокорисковых сценариев, включая полностью автоматизированные решения, затрагивающие юридические права. Модель распространяется по лицензии FLUX Non-Commercial License, допускающей некоммерческое использование; применение фильтров или ручной проверки входных и выходных данных является обязательным согласно условиям лицензии.

rohanath/flux-kontext-dev — это вариант весов FLUX.1 Kontext [dev], разработанный Black Forest Labs и опубликованный пользователем rohanath на Hugging Face. Модель представляет собой rectified flow transformer с 12 млрд параметров и предназначена для генерации и редактирования изображений по текстовым инструкциям, включая изменения существующего изображения с сохранением персонажей, стиля и объектов. Модель поддерживает сценарии последовательного редактирования с небольшим визуальным дрейфом и использует guidance distillation для повышения эффективности. Входная модальность включает текстовые инструкции и изображения; в метаданных репозитория указан pipeline text-to-image, а библиотечный тег указывает на использование Diffusers и FluxKontextPipeline. Поддерживаемые естественные языки и длина контекста в доступных данных не определены. Оригинальная модель распространяется по лицензии FLUX.1 [dev] Non-Commercial License, поэтому использование самих весов ограничено условиями этой лицензии; коммерческое использование модели требует отдельного разрешения. Репозиторий rohanath не содержит собственной карточки модели, поэтому сведения о конкретных изменениях относительно оригинала отсутствуют.

Gemma4-BLIP3o-Captioner-5B — экспериментальная мультимодальная модель для генерации подробных описаний изображений, разработанная prithivMLmods на основе Google Gemma-4-E2B-it. Модель дообучена примерно на 3 тысячах примеров из набора BLIP3o-Pretrain-Long-Caption и настроена на имитацию системы BLIP3o (Bootstrapped Language-Image Pretraining). Она предназначена для автоматического описания сцен, природных ландшафтов, портретов, объектов и других визуальных категорий, включая последовательное описание кадров видео. Основной язык — английский. Модель использует мультимодальную архитектуру базовой Gemma-4-E2B-it, поддерживает обработку изображений и ориентирована на локальный inference с использованием Transformers или llama.cpp. Модифицированный chat template содержит встроенный системный промпт для плотных, детализированных и контекстно насыщенных описаний; режим рассуждений по умолчанию отключён для снижения задержки. Доступны файлы GGUF в форматах от Q2_K до Q8_0, а также варианты BF16 и F16. Сильными сторонами модели являются специализация на подробном image captioning, поддержка последовательных видеокадров и пригодность для локальных или ориентированных на приватность сценариев. Ограничение заключается в том, что модель экспериментальная и может выдавать артефакты или ухудшенные результаты при использовании для общего диалога и задач, не связанных с описанием изображений. Модель распространяется по лицензии Apache-2.0.

girenit/girenit-TR-Summarizer — компактная модель для суммаризации новостей на турецком языке, разработанная girenit на основе google/mt5-small. Модель дообучена на 50 тысячах пар новостей и кратких пересказов из набора TR-News; для запроса используется префикс «özet: ». Архитектура mT5-small содержит 157,4 млн параметров, веса представлены в формате safetensors. Модель предназначена для создания кратких пересказов турецких новостных статей. В README приведены результаты оценки на тестовой части TR-News из 400 примеров: ROUGE-1 — 32,5, ROUGE-2 — 20,3 и ROUGE-L — 29,4. Использование описано через Transformers pipeline для задачи summarization. Лицензия — MIT.

HiDream-O1-Image-Dev-FP8 — вариант модели HiDream-O1-Image-Dev от drbaph, предназначенный для локального запуска через Diffusers и ComfyUI. Это смешанная FP8-квантизация дистиллированной модели HiDream-O1-Image-Dev, основанной на HiDream-O1-Image. Веса хранятся в FP8, а чувствительные слои сохраняют более высокую точность; для запуска требуется около 10 ГБ видеопамяти. Модель объединяет генерацию изображений и обработку условий в Pixel-level Unified Transformer без внешнего VAE и отдельных текстовых энкодеров. Она поддерживает создание изображений по тексту, редактирование по инструкциям, персонализацию по нескольким референсам, раскадровки и многоязычную отрисовку текста; заявлено разрешение до 2048 × 2048 пикселей. Dev-вариант использует 28 шагов, Euler scheduler и отключённое CFG, поэтому негативные промпты на него не влияют. Квантизация снижает требования к видеопамяти, а дистиллированный режим рассчитан на более быстрый вывод. README указывает, что на RTX 40xx и H100 вычисления FP8 ускоряются аппаратно; на более старых GPU возможна небольшая потеря скорости при деквантизации на лету. Модель распространяется по лицензии MIT.

historical_newspaper_ner — дообученная модель RoBERTa-large от Dell Research и Harvard для распознавания именованных сущностей в тексте исторических газет, включая текст с ошибками OCR. Она размечает людей (PER), организации (ORG), места (LOC) и прочие сущности (MISC); предназначена для запуска через Transformers pipeline для NER. Модель принимает текст и выдаёт метки для отдельных токенов. Она обучена на исторических англоязычных новостях из американских газет; длина контекста составляет 514 токенов, число параметров — около 454,1 млн. На тестовых данных общий F1 составил 86,5 при строгой оценке. Модель подходит для извлечения именованных сущностей из оцифрованной исторической прессы и подготовки новостных корпусов к дальнейшему анализу. Она может отражать предубеждения своего исторического периода, перенос на другие типы текстов может быть ограничен, а выход иногда требует постобработки из-за разметки отдельных частей слов. Лицензия — CC BY 2.0.

Hohe ASR Amharic — модель распознавания речи, разработанная автором репозитория snapwre. Она преобразует аудио на амхарском языке в текст письмом геэз и предназначена для транскрибации записей, включая эфирные материалы, интервью, телефонные разговоры и речь с региональными диалектами. Модель использует архитектуру Wav2Vec2-BERT с CTC-декодированием, содержит 403,1 млн параметров и работает в библиотеке Transformers. В README сообщается об обучении на 880 часах амхарской речи и обработке аудиофрагментов длительностью до минуты; для лучших приведённых показателей применяется поставляемая 5-граммная языковая модель. На тестовом наборе с языковой моделью указаны 5,4% CER и 16,1% WER; для телефонного аудио — 5,7% CER и 16,9% WER. Модель быстрее Whisper сопоставимой точности, согласно README. Она рассчитана только на амхарский: спонтанная беседа распознаётся заметно хуже, числа записываются словами, пунктуация не выводится, а одновременная речь нескольких собеседников и аудио на других языках обрабатываются ненадёжно. Лицензия — CC BY 4.0.

HunyuanDiT от Tencent — предварительно обученная модель генерации изображений по тексту, опубликованная в формате Diffusers для использования с библиотекой Hugging Face Diffusers. Это Diffusion Transformer, рассчитанный на генерацию изображений по описаниям, с поддержкой нескольких разрешений и особым вниманием к тонкому пониманию китайского языка. Модель подходит для создания изображений по коротким и длинным текстовым запросам, в том числе с китайскими элементами. В README упомянуты сравнения по соответствию изображения тексту, чёткости объектов, эстетике и артефактам, но численные результаты в доступной карточке отсутствуют. Метаданные указывают английский язык; README отдельно подчёркивает понимание китайского, поэтому их можно считать поддерживаемыми. Репозиторий содержит веса в формате Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует сверять с лицензией Tencent для модели.

HunyuanImage-3.0-Instruct — мультимодальная модель генерации и редактирования изображений от Tencent. Она принимает текстовую инструкцию и одно или несколько исходных изображений, интерпретирует их и создаёт изменённое изображение; модель также может развивать краткие запросы, добавляя подходящие детали. Архитектура — авторегрессионная MoE семейства HunyuanImage 3. README описывает базовую версию HunyuanImage-3.0 как модель с 80 млрд параметров и 13 млрд активных на токен, но метаданные этого репозитория указывают 3,1 млрд параметров, поэтому размер именно Instruct-чекпойнта по доступным сведениям неясен. Указанный контекст — 22 800 токенов. Модель предназначена для творческого редактирования изображений по текстовым инструкциям и генерации визуальных результатов с учётом содержимого исходного изображения. README заявляет высокую точность следования запросу, фотореалистичность и детализированность, однако не приводит количественных результатов для конкретных сценариев. README не указывает поддерживаемые языки. Для запуска описаны Python 3.12+ и CUDA 12.8. Лицензия в метаданных обозначена как other; конкретные условия использования следует сверить с лицензией репозитория.

bipin/image-caption-generator — модель генерации подписей к изображениям, дообученная на наборе Flickr8k. Она использует архитектуру VisionEncoderDecoderModel и предназначена для создания текстового описания по входному изображению. В карточке приведены результаты оценки на тестовом наборе и пример загрузки через библиотеку Transformers. Модель подходит для автоматического составления коротких подписей к фотографиям. В README указано обучение в течение четырёх эпох; оценочная потеря составила 0,2536. Язык подписей, размер модели и условия лицензии в доступных сведениях не приведены.

InternVL2_5-2B — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5 и языковую модель internlm/internlm2_5-1_8b-chat; общая конфигурация содержит около 2 млрд параметров. В репозитории доступны веса safetensors, для работы предусмотрена библиотека Transformers, лицензия — MIT. Модель принимает текст вместе с одним или несколькими изображениями и может обрабатывать кадры видео, формируя текстовые ответы. Динамическое разбиение изображений на фрагменты 448×448 помогает работать с высоким разрешением; поддерживаются многокартинные запросы. Семейство рассчитано на мультиязычные сценарии, включая OCR и математические диаграммы. Карточка описывает улучшения обучения и качества данных, но не задаёт исчерпывающего списка языков и ограничений точности; обработка видео описана через кадры.

OpenGVLab/InternVL3-38B-hf — реализация в формате Hugging Face Transformers мультимодальной модели InternVL3, разработанной OpenGVLab. Это дообученная версия OpenGVLab/InternVL3-38B-Instruct с плотной архитектурой InternVL и 38 млрд параметров. Модель принимает текст, изображения и видео и генерирует текстовые ответы; её можно использовать как для диалога по тексту, так и для анализа визуальных данных. Модель предназначена для восприятия и рассуждений по изображениям и видео, ответов на вопросы о визуальном содержимом и мультимодального общения. Семейство InternVL3 также ориентировано на использование инструментов, работу с графическими интерфейсами, промышленный анализ изображений и 3D-восприятие, однако карточка этой версии подтверждает прежде всего обработку изображений и видео через интерфейс image-text-to-text. Реализация поддерживает пакетный инференс и чередование текстовых и визуальных входов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Языки обозначены как многоязычные. Лицензия указана как other; конкретные условия следует проверять в файлах лицензии репозитория.

OpenGVLab/InternVL3_5-14B-Flash — мультимодальная модель семейства InternVL3.5, основанная на InternVL3_5-14B и дообученная на наборах MMPR-v1.2 и MMPR-Tiny. Она принимает изображения и текстовые запросы, а в ответ формирует текст; подходит для диалогов об изображениях, визуальных рассуждений и задач вроде ответов на вопросы, понимания диаграмм и распознавания текста на изображениях. Модель построена на архитектуре InternVLChat и использует языковую и визуальную части. Вариант Flash включает Visual Resolution Router для динамического выбора разрешения визуальных токенов; семейство также описывает раздельное размещение зрения и языковой модели для повышения эффективности вывода. Поддержка обозначена как многоязычная. Модель распространяется под лицензией Apache 2.0.

ItsNotAI-ai-detector-v2 — модель классификации изображений, разработанная проектом ItsNotAI для определения, создано ли изображение человеком или генератором ИИ, и для распознавания предполагаемого источника. Это дообученная модель BEiT-Large на базе microsoft/beit-large-patch16-224 с двумя классификационными головами: бинарной и многоклассовой. В метаданных указано 411 млн параметров; README указывает входной размер 224×224 пикселя и примерно 304 млн параметров, поэтому оценка размера в источниках расходится. Модель предназначена для проверки цифровых иллюстраций и фотографий, фильтрации загрузок на стоковые платформы, модерации и анализа происхождения изображений. По README, многоклассовая голова различает реальные источники и генераторы, включая Stable Diffusion, Midjourney, DALL·E и FLUX; заявленные метрики точности составляют 95,07% для бинарной и 93,47% для многоклассовой классификации. Эти показатели приведены авторами модели и не гарантируют такой же результат на новых данных. Модель принимает изображения распространённых форматов и выдаёт метки классов. README отмечает снижение точности на сильно сжатых изображениях, преимущественное обучение на изображениях в западном стиле, риск ошибочной классификации генераторов, отсутствовавших в обучающих данных, и ограниченное число обучающих примеров FLUX. Для официальной проверки ItsNotAI использует ансамбль моделей и экспертную оценку; эта отдельная процедура не является частью данного чекпойнта. Лицензия — Apache-2.0.

Juggernaut XL v6 — модель генерации изображений по текстовому описанию, созданная KandooAI совместно с RunDiffusion. Это дообученная версия Stable Diffusion XL Base 1.0 с фотографической основой RunDiffusion Photo v1, предназначенная для фотореалистичных, портретных и кинематографичных изображений. Модель работает с текстовыми запросами и выдаёт изображения; карточка указывает поддержку английского языка. В README рекомендованы разрешения 832 × 1216 и 1216 × 832, а для генерации — 30–40 шагов сэмплера DPM++ 2M Karras. Версия v6 подходит для сохранения совместимости с LoRA, ControlNet, эмбеддингами и производственными процессами, настроенными под этот чекпойнт, а также для получения его характерной эстетики: более мягкого освещения и сдержанного контраста. Для новых проектов автор рекомендует более поздние версии Juggernaut. Лицензия CreativeML Open RAIL-M разрешает личное и творческое использование; размещение за платными API-сервисами требует отдельного разрешения или лицензии.

frankjoshua/juggernautXL_version6Rundiffusion — модель генерации изображений по текстовому описанию из семейства Juggernaut XL, опубликованная пользователем frankjoshua на Hugging Face. Репозиторий содержит веса Safetensors для StableDiffusionXLPipeline и предназначен для запуска, например, через Diffusers. Модель принимает текстовый запрос и генерирует изображение. Карточка Hugging Face указывает размер 3 млрд параметров; подробной карточки с описанием обучения, рекомендуемыми сценариями, языками и лицензией у репозитория нет. Это производная версия семейства Juggernaut XL, связанного с RunDiffusion; базовую модель по доступным данным надёжно установить нельзя. Лицензионные условия в доступных сведениях не подтверждены.

Juggernaut Z — модель text-to-image, разработанная как fine-tune базовой модели Tongyi-MAI/Z-Image. Над моделью работала Team Juggernaut, обучение выполняла KandooAI, а релиз опубликован RunDiffusion. Модель предназначена для генерации презентационно готовых изображений по текстовым описаниям, особенно портретов, кинематографических сцен, концепт-артов, редакционных и fashion-материалов. Ключевые особенности — более выразительное кинематографическое освещение, резкий фокус, улучшенная детализация кожи, анатомии и композиции, а также более сбалансированное представление разных этнических групп. Доступны веса в форматах safetensors с точностями bf16, fp16 и fp8, а также варианты GGUF с разными уровнями квантования; fp8 рассчитан на снижение потребления VRAM. В README не указаны размер модели, максимальное разрешение, длина контекста или полный список поддерживаемых языков; заявлен английский язык. Сильные стороны модели — готовый кинематографический стиль, качественная работа с портретами, освещением, текстурами и структурными деталями. Ограничения включают зависимость результата от настроек и промпта, а также то, что улучшения композиции ещё планируется развивать в будущей версии. Рекомендуемые параметры: CFG 6–9 и 25–45 шагов, значения по умолчанию — CFG 6 и 35 шагов. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование согласно её условиям.

Juggernaut Z Fast — модель генерации изображений по текстовому описанию, разработанная RunDiffusion на базе Tongyi-MAI/Z-Image. Она ориентирована на быстрое и экономичное создание изображений с характерной кинематографичной стилистикой, продуманной композицией и высокой степенью детализации. Модель рассчитана на генерацию за 4 шага и подходит для быстрых превью, концептов, рекламных и продуктовых макетов, портретов, публикаций для социальных сетей, проверки размещения текста и массовых рабочих процессов. Доступны варианты весов в форматах safetensors и GGUF, включая FP16, FP8 и несколько уровней квантования, что позволяет выбирать между качеством, размером модели и требованиями к VRAM. Язык, явно указанный в карточке модели, — английский. Данные о размере модели, максимальном контексте и дополнительных модальностях не предоставлены. Сильными сторонами являются низкая задержка, сниженная вычислительная стоимость и удобство итеративной работы. По сравнению с полной версией Juggernaut Z модель рассчитана на скорость, поэтому для более тщательной высококачественной доработки рекомендуется использовать исходную модель с большим числом шагов. Для работы нужен Fast/Turbo-совместимый workflow для Z-Image; рекомендуется начинать с 4 шагов и стандартного значения CFG. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

Kandinsky 2.1 Inpaint — модель для создания и редактирования изображений по текстовому описанию, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Этот репозиторий предоставляет вариант Kandinsky 2.1 для текстового inpainting: модель заполняет область изображения, заданную маской, с учётом текстового запроса. Архитектура сочетает image prior на основе трансформера, диффузионную UNet и декодер MoVQGAN. Она использует CLIP-представления текста и изображений и подходы unCLIP и latent diffusion. Модель рассчитана на генерацию и направленное редактирование изображений; в README описано обучение на наборах LAION и дополнительную тонкую настройку на коллекции высококачественных изображений. Доступна через Diffusers и распространяется по лицензии Apache-2.0. Для inpainting требуется изображение и маска. В README указано изменение формата маски: белые пиксели обозначают область, которую нужно заполнить. Карточка не приводит размер модели, максимальное разрешение или языковой охват текстового энкодера.

Kolors — модель генерации изображений по текстовому описанию на основе латентной диффузии, разработанная командой Kuaishou Kolors. Модель обучена на миллиардах пар «текст — изображение» и предназначена для создания фотореалистичных изображений по запросам на китайском и английском языках. В карточке отмечены качество изображений, точность передачи сложной семантики и генерация текста на китайском и английском языках. Модель ориентирована на создание изображений с китайской тематикой и поддерживает соответствующие запросы. Репозиторий распространяется по лицензии Apache-2.0 и использует формат Diffusers с весами safetensors.

KPF-BERT-NER — Корейская модель распознавания именованных сущностей, разработанная Корейским фондом прессы на основе KPF-BERT. Она добавляет классификационный слой к BERT и размечает токены в текстах, относя их к 150 классам сущностей; для разметки используется схема BIO. Модель предназначена для извлечения имен людей, организаций, мест, времени и других сущностей из текстов, в частности из новостных статей, и применялась в функции анализа сущностей сервиса BigKinds Lab Inside. Модель построена на архитектуре BERT, содержит 141,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Она принимает текст и выдаёт метки токенов. Обучение описано на корейском газетном корпусе Национального института корейского языка; базовый KPF-BERT специализируется на газетных текстах и материалах СМИ. README направляет за примерами использования и кодом в репозиторий KPF-bigkinds. Лицензия в доступных данных не указана.

Krea 2 — семейство диффузионных моделей для генерации изображений по текстовым описаниям, разработанное Krea.ai, Inc. Эта карточка охватывает базовую версию Raw и версию Turbo, прошедшую дополнительную постобработку и дообучение. В репозитории vantagewithai/Krea-2 опубликованы варианты BF16 и FP8; метаданные связывают его дообучением с базовой моделью krea/Krea-2-Raw. Модель предназначена для творческой и коммерческой работы, разработки приложений и исследовательских задач: создания изображений, разработки концепций, исследования дизайна и включения генерации изображений в рабочие процессы и инструменты. Архитектура — Diffusion Transformer с 12 миллиардами параметров. Вход — текст, выход — изображение; в карточке указан английский язык. Модель может не следовать запросу точно и выдавать неточные, нежелательные или неподходящие результаты; она не предназначена для предоставления фактической информации. Обучение использовало публичные, лицензированные и синтетические данные, включавшие изображения и текстовые описания. Использование регулируется Krea 2 Community License и Acceptable Use Policy; для развёртываний необходимо предусмотреть фильтрацию контента или эквивалентную проверку.

Карточка модели KIUEW/Krea-2-Turbo на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

Карточка модели neuralnetworker/Krea-2-Turbo на Hugging Face совпадает с карточкой rootlocalghost/Krea-2-Turbo-BF16, поэтому описание составлено по ней. Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.