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

tjpurdy разработал небольшую модель для выделения партии обычного фортепиано из аудиозаписи: на вход подаётся музыкальный трек, а на выходе получается аудио с изолированным фортепиано. Размер модели — 17 МБ; она рассчитана на обработку аудио с частотой 44,1 кГц и поддерживает входные файлы WAV, FLAC и MP3, а для результата — WAV и FLAC. Репозиторий содержит скрипт инференса; для работы используются PyTorch и safetensors. Модель предназначена для разделения музыкальных источников, например для подготовки фортепианной партии к дальнейшему анализу или прослушиванию. Она обучена на типичном акустическом фортепиано и может не работать с его вариантами, например электропиано. Для обработки доступен GPU с 3 ГБ видеопамяти или CPU. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не для коммерческих целей.

PiD (Pixel Diffusion Decoder) — модель-декодер для восстановления изображений из латентного пространства в высоком разрешении. Разработана авторами Yifan Lu, Qi Wu, Jay Zhangjie Wu, Zian Wang, Huan Ling, Sanja Fidler и Xuanchi Ren. Репозиторий содержит контрольные точки декодера и необходимые веса VAE; метаданные связывают модель с семействами FLUX, PixelDiT, Scale-RAE и Z-Image. PiD выполняет декодирование и увеличение разрешения единым модулем: условная диффузионная модель очищает изображение непосредственно в пиксельном пространстве высокого разрешения и формирует результат за один проход. Варианты 2k предназначены для вывода изображения до 2048 пикселей, а варианты 2kto4k — для увеличения до 4K. Для ряда семейств доступны дистиллированные чекпойнты на четыре шага; веса для инференса представлены, в частности, в формате bfloat16. Модель подходит для высококачественного декодирования и суперразрешения изображений, созданных совместимыми латентными диффузионными моделями. Чекпойнт привязан к латентному пространству и требует совместимого backbone и соответствующих VAE-весов, поэтому его нельзя считать универсальным декодером для произвольных латентов. Лицензия в предоставленных данных не указана.

PiVoT-0.1-Starling-LM-RP — языковая модель для генерации текста, созданная автором maywell на основе Starling-LM-alpha и дообученная для ролевых диалогов на наборе Synatra-RP. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. Для общения используется шаблон OpenChat. Модель предназначена для ролевых диалогов и генерации ответов в заданной роли. В метаданных указан английский язык. Репозиторий содержит веса PyTorch, задача Hugging Face — text-generation. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

meldynamics разработала экспериментальную модель распознавания рукописных строк в польских метрических книгах XIX века: записях о крещениях, браках и смертях, преимущественно за 1800–1865 годы. Это дообученная методом дистилляции TrOCR-модель с архитектурой VisionEncoderDecoder: ViT-кодировщик и авторегрессионный декодер. Она принимает одно изображение строки за раз — RGB-обрезку, замаскированную по многоугольнику и приведённую к размеру 192×1024, — и выдаёт транскрипцию на польском языке. Модель предназначена для экспериментального распознавания архивных строк и генерации нечётких текстовых кандидатов с привязкой к исходному изображению и возможностью отказаться от ответа. Она не ищет строки на странице, не сегментирует документ, не распределяет текст по ячейкам и не проверяет факты. В оценке измерялось совпадение с автоматически созданными текстами учителя, а не точность относительно человеческой транскрипции; показатели CER составили 0,315 на валидации и 0,385 на тесте. Лицензия репозитория — Apache License 2.0, однако README предупреждает, что коммерческая чистота всей цепочки происхождения базовой модели не подтверждена; права на архивные изображения также не предоставляются.

Это модель классификации предложений о французской политике, разработанная mazancourt и обученная с помощью AutoNLP. Она относит отдельное предложение к одному из трёх классов: проблема, решение или прочее. Модель основана на CamemBERT, содержит 137,8 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для анализа политических речей и публикаций, например для поиска формулировок проблем и предлагаемых решений. Валидационная точность составляет около 81%, а macro F1 — около 0,77. Обучающие примеры извлечены из французских политических твитов и выступлений, поэтому качество на других жанрах, темах и языках может быть ниже. Лицензия в предоставленных сведениях не указана.

Boombaaa/PORNHUBAI — это GGUF-конверсия модели Wan2.2-Fun-5B-Control-Camera, разработанной Alibaba PAI. Модель предназначена для задач image-to-video и управления параметрами камеры при генерации видео из изображений. В README указаны поддерживаемые языки English и Chinese, а также базовая модель размером 5B параметров. Для работы используются основной модуль Wan2.2-Fun-5B-Control-Camera в формате GGUF, текстовый энкодер Umt5-xxl и VAE Wan2.2_VAE. Модель ориентирована на запуск в ComfyUI с пользовательским узлом ComfyUI-GGUF. Сведения о максимальной длине контекста, точных поддерживаемых модальностях, требованиях к памяти и производительности не приведены. Ключевое преимущество — квантованный GGUF-формат, который может упростить локальное использование и интеграцию с ComfyUI. Ограничения включают зависимость от дополнительных компонентов, текстового энкодера, VAE и совместимого пользовательского узла; характеристики качества и область применимости конверсии отдельно не описаны. Лицензия — Apache-2.0, при этом для квантованной версии сохраняются исходные условия лицензирования и ограничения использования базовой модели.

Prism Roleplay 1.5 Small — модель VertexAGI из семейства Prism для ролевого взаимодействия и иммерсивного диалога. Она предназначена для сценариев character roleplay: ведения персонажа, написания действий, реплик и внутреннего монолога от его лица, а также создания связной художественной прозы с сохранением образа и атмосферы. Модель построена на Qwen3-8B и дообучена методом LoRA с рангом 8, масштабом 20 и использованием 16 слоёв; обучение выполнено в течение 2500 итераций на последовательностях до 2048 токенов. Доступны 4-битный формат MLX для Apple Silicon и GGUF Q4_K_M для llama.cpp и совместимых сред. Заявлен английский язык. Для Qwen3 при использовании GGUF необходимо отключать режим рассуждений, иначе модель может выводить блоки <think> перед ответом. Сильные стороны модели — ориентация на качество прозы, насыщенные ответы, наличие диалогов и устойчивое соблюдение ролевого формата. В заявленном слепом сравнении с базовой Qwen3-8B она получила 83% побед: 10 побед, 2 поражения и 4 ничьи в 16 сценах. Ограничения включают небольшой размер 8B параметров, влияние стиля исходного форума и учительских моделей, а также возможный дрейф в очень длинных многоходовых сессиях. Модель распространяется по лицензии Apache 2.0.

Pygmalion-2-13b-SuperCOT — модель генерации текста на основе архитектуры LLaMA, объединяющая Pygmalion 2 13B с LoRA SuperCOT от Ausboss. Разработчики объединили веса с помощью EzTrainer и zaraki-tools; цель — улучшить связность ответов Pygmalion-2 и уменьшить отклонения от заданной темы. Модель содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для текстовых ролевых сценариев и интерактивных приключений, в которых она описывает ситуацию и предлагает варианты продолжения. Она генерирует текст на английском языке; для работы доступны веса PyTorch и Safetensors, а также упомянуты варианты квантования GGUF и GPTQ. Лицензия — Llama 2. Модель может наследовать предвзятости базовой модели и нишевых ролевых интернет-сообществ. README не рекомендует использовать её для предоставления фактической информации или советов.

ovi054/QIE-2511-Draw2Photo-LoRA — это LoRA-адаптер для базовой модели Qwen/Qwen-Image-Edit-2511, предназначенный для работы в сценариях image-to-image. По названию модели и указанному триггеру «make it real» адаптер ориентирован на преобразование рисунков или схематичных изображений в более реалистичные изображения, однако подробное описание целевого эффекта в README отсутствует. Модель использует библиотеку diffusers и относится к классу LoRA; базовая архитектура, количество параметров, поддерживаемые языки и максимальный контекст не указаны. README также не содержит сведений о точных требованиях к входным изображениям, настройках инференса, качестве на разных типах данных и ограничениях применения. Разработчик указан как ovi054. Лицензия и условия использования в предоставленных материалах не указаны, поэтому их необходимо уточнить на странице модели. Для активации адаптера рекомендуется использовать триггерную фразу «make it real».

Qwen-MusicAVQA-7B — мультимодальная модель для ответов на вопросы о музыке в видео, разработанная Maryam Dehdashti из Inference Matter Labs. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct: к модели подключён замороженный аудиоэнкодер Whisper-large-v3-turbo, а аудио- и видеопризнаки подаются в языковую модель через линейные проекции; в одном из этапов также обучаются LoRA-адаптеры. Модель принимает видеокадры и вопрос, произнесённый синтезированным голосом, и генерирует текстовый ответ. Текстовый вопрос в опубликованной конфигурации не поддерживается, речи на выходе нет. Модель предназначена для ответов на вопросы о музыкальном содержимом видео, например об инструментах и звуках. В экспериментах на MUSIC-AVQA показала высокую точность, включая тесты на перефразированных вопросах. Результаты относятся к ограниченному набору из 42 вариантов ответа и не измеряют качество свободной генерации. Оценка проведена на доступной части видеоданных бенчмарка; обучение и инференс требуют подготовленных аудиопризнаков, а обработка новых видео включает отдельный этап кодирования. Для загрузки требуется форк Transformers с поддержкой классов Qwen2VLAudio. Лицензия — Apache-2.0.

Z-Engineer V4 — дообученная автором BennyDaBall модель на архитектуре Qwen3 с 4 млрд параметров, предназначенная для улучшения текстовых запросов к генераторам изображений. Она развивает краткие идеи в более подробные визуальные описания, учитывая композицию, освещение, оптику, настроение и стиль. Модель также предназначена для использования как текстовый энкодер в рабочих процессах Z-Image Turbo и интеграции с ComfyUI; поддерживает диалоговый режим и английский язык. Модель создана полным дообучением текстового энкодера Tongyi-MAI/Z-Image-Turbo, а не адаптером LoRA. Автор сообщает об обучении на 55 000 примерах и применении собственной методики SMART Training. Репозиторий включает веса Safetensors и варианты GGUF, включая F16 и квантизации от Q2_K до Q5_K. Лицензия — Apache-2.0. Модель специализируется на подготовке промптов для генерации изображений и не генерирует изображения самостоятельно: её основной результат — текст. В README рекомендован системный запрос, задающий развёрнутый ответ одним абзацем; качество и формат результата могут зависеть от используемого промпта и способа интеграции.

Nubinu/Qwen3.5-4B-MiniFantasy — дообученная модель Qwen3.5-4B для ролевых диалогов и повествования. Согласно карточке, это LoRA-файнтюн MuXodious/Qwen3.5-4B-SOMPOA-heresy-v2 с 4-битным представлением; метаданные указывают архитектуру Qwen3.5 с плотными весами и поддержку чата. Модель рассчитана на использование с персонажными карточками, содержащими описание в структурированном формате Markdown, чтобы лучше сохранять характер и сведения о мире. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Для запуска подходят Transformers и формат Safetensors. Лицензия — Apache-2.0. В README рекомендованы специальные настройки сэмплера для ролевых сценариев, однако конкретные значения не приведены.

Карточка модели nisha1990kum/Qwen3.5-Hasutsubomi-9B на Hugging Face совпадает с карточкой Local-Novel-LLM-project/Qwen3.5-Hasutsubomi-9B, поэтому описание составлено по ней. Qwen3.5-Hasutsubomi-9B — мультимодальная модель на 9 млрд параметров, разработанная проектом Local-Novel-LLM-project на основе Qwen/Qwen3.5-9B и дообученная для японского творческого письма и субкультурной тематики. Она предназначена для генерации рассказов, диалогов и планов миров, ролевого общения, а также для обсуждения аниме, манги и японских интернет-феноменов. Модель принимает текст и изображения: она может создавать истории по иллюстрациям и описывать визуальный дизайн персонажей или манга-панели. В карточке указаны японский и английский языки, архитектура Qwen3.5 с визуальным энкодером и контекст до 262 144 токенов. Весовые файлы представлены в формате safetensors. Это предварительная версия, которая всё ещё проходит обучение и эксперименты. В длинных текстах возможны повторения и нестабильное форматирование; ответы могут чрезмерно опираться на аниме-клише, а сведения о малоизвестных событиях субкультуры — содержать ошибки. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-Edit-2511-Polaroid-Photo — адаптер LoRA, разработанный prithivMLmods для модели Qwen/Qwen-Image-Edit-2511. Он предназначен для обработки изображений в режиме image-to-image и преобразует исходные изображения в фотографии в стиле Polaroid с кинематографичной эстетикой. Модель добавляет мягкое плёночное зерно, лёгкую виньетку, мягкое освещение, белую рамку и эффект рукописной подписи, стремясь сохранить реалистичные текстуры, детали, композицию, цвета, тени и визуальную согласованность исходного изображения. Для активации эффекта рекомендуется использовать специальный триггерный промпт, указанный в README. Адаптер совместим с версиями Qwen-Image-Edit 2509 и 2511 и используется через библиотеку Diffusers. Модель особенно подходит для создания ностальгических, стилизованных и визуально реалистичных Polaroid-фотографий. Её ключевое ограничение — узкая специализация на данном визуальном эффекте и зависимость от базовой модели Qwen-Image-Edit-2511, качества исходного изображения и корректности промпта. Лицензия — Apache-2.0.

Fredithefish/RedPajama-3B-Chat-SDPromptGenInstruct-merged — языковая модель на 3,5 млрд параметров, дообученная на наборе инструкций для создания промптов Stable Diffusion. Она принимает текстовый запрос с описанием желаемой сцены и генерирует текстовый промпт с подходящими визуальными деталями и стилевыми характеристиками. Модель основана на архитектуре GPT-NeoX, работает с текстом и имеет контекстное окно 2048 токенов. В карточке приведён англоязычный пример запроса и сгенерированного промпта. Модель предназначена для подготовки текстовых описаний изображений для Stable Diffusion и подобных генераторов. Репозиторий содержит веса в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. README указывает, что модель является объединённой (merged), но не сообщает, какие именно модели были объединены.

RF-DETR Large — модель обнаружения объектов семейства RF-DETR, разработанного авторами работы «RF-DETR: Neural Architecture Search for Real-Time Detection Transformers» и доступного в библиотеке Transformers. Она предназначена для поиска и локализации объектов на изображениях; чекпойнт обучен на COCO 2017 и распознаёт 80 категорий этой разметки. Архитектура сочетает ViT-подобный backbone в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер в стиле Deformable DETR с объектными запросами. Семейство разработано для баланса точности и задержки при работе в реальном времени. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель принимает изображения и выдаёт обнаруженные объекты с координатами рамок и категориями. Её назначение ограничено детекцией категорий COCO; карточка не подтверждает распознавание произвольных классов или поддержку других задач. В карточке не приведены численные показатели точности, задержки или размер модели.

Модель textattack/roberta-base-rotten-tomatoes — классификатор текстовых последовательностей на архитектуре RoBERTa, дообученный TextAttack на наборе данных rotten_tomatoes. Она предназначена для определения тональности отзывов о фильмах и относит текст к одному из классов: положительному или отрицательному. Модель содержит около 151,8 млн параметров, поддерживает контекст до 514 токенов; при дообучении использовалась максимальная длина последовательности 128 токенов. На оценочной выборке авторы сообщают точность около 90,3%. Репозиторий содержит веса PyTorch и Flax. Модель подходит для анализа коротких отзывов и демонстрации классификации тональности. Результаты могут быть менее надёжными на длинных текстах, других предметных областях, языках, отличных от английского, или формулировках, отличающихся от отзывов из обучающего набора. Лицензия в предоставленных данных не указана.

Это дообученная Sergio Torres Aguilar модель XLM-RoBERTa для распознавания именованных сущностей в средневековых документах. Она извлекает имена людей и географические названия из текстов, включая вложенные сущности, и может представлять разметку в формате BIO/CoNLL. Модель обучена на 8 тысячах размеченных текстов средневековой латыни, старофранцузского и староиспанского языков XI–XV веков. Это чекпойнт XLM-RoBERTa с 658,7 млн параметров и контекстом до 514 токенов; он принимает текст и выдаёт метки токенов. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование.

Модель bankholdup/rugpt3_song_writer создана на основе ruGPT-3 и дообучена на текстах песен, собранных с Genius. Она предназначена для генерации русскоязычных песенных текстов и может использоваться для создания черновиков куплетов или продолжения лирического фрагмента. В обучающих примерах представлены тексты разных исполнителей, включая Oxxxymiron, Моргенштерна, ЛСП, «Гражданскую оборону» и «Короля и Шута». Это плотная авторегрессионная языковая модель семейства GPT-2, представленная в форматах PyTorch и safetensors; максимальный контекст составляет 2048 токенов. Данные не сообщают размер модели и лицензию, поэтому условия коммерческого использования определить нельзя. Модель ориентирована на русский язык и генерацию текста; качество, оригинальность и стилистическое разнообразие результатов отдельно не охарактеризованы.

stale2000/sd-dnditem — модель генерации изображений, предназначенная для создания магических предметов для Dungeons & Dragons. По карточке модели, её обучили создавать изображения, похожие на официальные иллюстрации игровых предметов; в описании не указана базовая модель или разработчик обучающего набора. Модель работает по текстовым запросам с ключевым словом «dnditem» и шаблоном, включающим тип предмета, его стиль и фон. Поддерживаются, например, сапоги, плащи, перчатки, шлемы, кольца, щиты, мечи и посохи, а также более 100 стилей предметов. Репозиторий содержит веса в форматах Diffusers и PyTorch; метаданные указывают Stable Diffusion Pipeline и лицензию other. Карточка ориентирует запросы на английские формулировки. Лицензионные условия подробнее в README не раскрыты. Для наилучших результатов требуется следовать указанному шаблону запроса; модель специализирована на магических предметах D&D и не заявлена как универсальный генератор изображений.

seacreatures — модель генерации изображений по текстовому описанию, созданная arnomatic с помощью DreamBooth Training Space на базе Stable Diffusion v1.5. Она предназначена для создания изображений подводных биолюминесцентных существ; в подсказке рекомендуется использовать фразу «underwater bioluminescence creature». Для запуска автор предлагает использовать diffusers и ноутбук Colab для инференса. Модель распространяется в формате diffusers/PyTorch по лицензии CreativeML OpenRAIL-M.

Модель sentiment_analysis_model разработана как дообученная версия distilbert/distilbert-base-uncased для классификации текста по тональности. Она обучена на датасете IMDB и предназначена для определения тональности отзывов, в частности положительных и отрицательных оценок фильмов. Модель использует архитектуру DistilBERT и принимает текст с контекстом до 512 токенов. В README сообщается точность 0,9310 и значение loss 0,2366 на оценочной выборке. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Она рассчитана на английский язык и домен отзывов о кино; результаты на других типах текстов в карточке не приведены.

Yntec разработал Shampoo — модель генерации изображений в стиле аниме 1980-х, вдохновлённом работами Румико Такахаси и серией «Ранма ½». Модель основана на bluetheboneStyle от OneRing: автор встроил в неё LoRA Shampoo_Character от YeiyeiArt и применил выборочное смешивание весов. В отличие от LoRA, которая склонна превращать персонажей в Шампунь, Shampoo предназначена для создания разнообразных аниме-изображений с характерной ретро-стилистикой по умолчанию. Модель принимает текстовые запросы и генерирует изображения через Stable Diffusion Diffusers; файлы представлены в форматах Diffusers и safetensors. Примеры охватывают персонажей, портреты и иллюстрации. Для использования указана лицензия CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или языки запросов.

Shichigoro Diffusion v0.2 — экспериментальная модель генерации изображений на основе Stable Diffusion, обученная на художественных работах Shichigoro с помощью DreamBooth и сохранением prior-preservation loss. Для вызова характерного стиля в запрос добавляют токен «shichigoro»; модель также демонстрирует генерацию персонажей, животных и других сюжетов по текстовому описанию. Модель принимает текстовые запросы и создаёт изображения. В карточке приведены примеры с настройками Euler a, CFG scale 7 и разрешением около 512×704–768 пикселей. Автор указывает, что обучение заняло 800 шагов и включало дообучение текстового энкодера. Модель предназначена только для личного использования; следует уважать права исходного художника. Лицензия — CreativeML OpenRAIL-M.

sof-1 — слитая диалоговая языковая модель семейства Llama 3 от jaspionjader, созданная с помощью mergekit методом Model Stock на основе Kosmos-EVAA-Franken-Immersive-v39-8B и объединяющая ещё три модели для ролевых сценариев. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, в том числе ролевых историй с эмоционально тяжёлыми темами и сценариями спасения персонажей. Карточка не сообщает отдельные оценки качества или подробно описанные языки. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

Thaweewat/stable-diffusion-kiminonawa-v1-2 — модель генерации изображений по текстовому описанию, созданная на основе Stable Diffusion и дообученная автором с помощью fast-DreamBooth notebook TheLastBen. Для вызова изученного визуального концепта в README указан триггер «kiminonawa»; базовая модель уже содержит концепт «makoto shinkai». Модель предназначена для генерации изображений по текстовым запросам с использованием Diffusers и PyTorch. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

Модель LRieser/steam-ukraine-political-qwen2.5-3b-merged — дообученная и объединённая версия Qwen2.5-3B-Instruct от LRieser на базе Qwen. Она предназначена для классификации отзывов об играх в Steam, связанных с публичными высказываниями разработчиков о войне России против Украины весной 2022 года. На вход принимает текст отзыва и контекстную подсказку, а в ответ формирует JSON с оценкой политической релевантности, позицией автора отзыва относительно заявления разработчика, типом реакции, кратким обоснованием и уверенностью. Это плотная причинная языковая модель Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Модель обучена на 40 011 отзывах Steam и 8 272 комментариях к объявлениям; исходные обучающие тексты были переведены на английский, а оценка проводилась на оригинальных языках. В тесте согласие с метками учителя составило 0,953, F1 для выявления политических отзывов — 0,860. Качество ниже для редких классов позиции и формата реакции; F1 политической классификации на русском в тесте составил 0,761. Для корректного формата ответа требуется системный промпт из prompt_system.md. Модель распространяется по Qwen Research License; использование ограничено исследовательскими целями.

Style-Transfer — экспериментальная LoRA-модель, разработанная пользователем zooeyy на основе Qwen/Qwen-Image-Edit-2511. Она предназначена для переноса визуального стиля с референсного изображения на исходное с сохранением его структуры и композиции: например, для преобразования фотографий в стиль скетча, мультфильма, поп-арта или иллюстрации. Модель ориентирована на сценарии image-to-image и inpainting и может использоваться в ComfyUI и SD WebUI. Модель работает с двумя изображениями: исходным и референсным. Для активации указан триггер «图1变为图2风格». Это LoRA-файнтюнинг с rank 32 и Alpha 16, обученный более чем на 400 парах изображений в течение 22 000 шагов при разрешении 1024, batch size 1, learning rate 1e-4 и с оптимизатором AdamW. В README не указаны точный размер адаптера, поддерживаемые языки или максимальная длина контекста. Модель может давать хорошие результаты для отдельных стилей, однако имеет экспериментальный статус и не гарантирует стабильность. Возможны размытие черт лица, различия в согласованности цветов и неполный перенос сложных текстур. Рекомендуется использовать референсные изображения с близкими соотношениями сторон и композициями; заявленный диапазон веса LoRA составляет примерно 0,6–1,0 в ComfyUI и 0,7–1,0 в SD WebUI. В метаданных указана лицензия Apache-2.0, тогда как в тексте README заявлена MIT-лицензия, поэтому условия лицензирования требуют дополнительной проверки.

Карточка модели SYNAPSEai1/SynapseMusicV12-Composer-0.6B на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Synatra-RP-Orca-2-7b-v0.1 — экспериментальная модель для генерации текста с настройкой на ролевые диалоги. Разработчик описывает её как тестовую модель с supervised fine-tuning (SFT), созданную на базе microsoft/Orca-2-7b; архитектура — плотная Llama, около 6,6 млрд параметров, контекст — 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации ответов в ролевых сценариях и диалогов по инструкциям. В README указаны форматы Alpaca (Better) и ChatML. Лицензия — Apache-2.0. Карточка описывает версию как тестовую, поэтому качество и устойчивость ответов могут быть ограничены; отдельные сведения о языковой специализации не приводятся.