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

Модель gary109/ai-light-dance_singing3_ft_wav2vec2-large-xlsr-53 — модель распознавания речи на основе Wav2Vec2, дообученная автором gary109 на датасете GARY109/AI_LIGHT_DANCE - ONSET-SINGING3. Она принимает аудио и преобразует речь в текст; в карточке указаны оценка Loss 0,8797 и WER 0,5513 на наборе оценки. Модель содержит 402,7 млн параметров и опубликована в формате PyTorch. Модель предназначена для распознавания вокала и пения в материалах AI Light Dance. Результат WER указывает на существенные ошибки распознавания, поэтому качество транскрипции следует проверять для конкретных записей. Лицензия — Apache-2.0.

Amphibia-Diffusion — модель генерации изображений по текстовому описанию в формате Diffusers/PyTorch. README рекомендует использовать токен «amphibia» в запросе, например для создания изображений персонажей или сцен с замком среди болот. Модель предназначена для генерации изображений по текстовым промптам, связанным с этим токеном. Модель размещена пользователем Theodora527; метаданные указывают на StableDiffusionPipeline и лицензию CreativeML OpenRAIL-M. Карточка не сообщает размер модели, контекст или конкретные ограничения качества.

Anima Highres Aesthetic Boost — это LoRA-модель для генерации изображений на базе LyliaEngine/anima_baseV10. Она предназначена для text-to-image сценариев в экосистеме Diffusers и улучшает работу базовой модели на высоких разрешениях, одновременно слегка повышая визуальное качество и эстетическую привлекательность результата. Модель обучена на 10 000 высоко оценённых изображений Danbooru с использованием смешанных разрешений 512, 1024 и 1536 пикселей. По заявлению автора, разрешение 1536 работает без существенных проблем, а 2048 пикселей, или около 4 мегапикселей, позволяет получать пригодные результаты без полного разрушения изображения. Для активации рекомендуется использовать значение None; отдельное ключевое слово не требуется. Эстетическое улучшение выражено умеренно, зависит от промпта и не ориентировано на конкретный художественный стиль, поэтому эффект может быть тонким и сохраняет значительное стилистическое разнообразие исходных данных. В README не указаны точный размер LoRA, поддерживаемые языки, дополнительные модальности или числовой предел контекста. Модель распространяется по лицензии CDLA-Permissive-2.0.

Anime-Llasa-3B — модель синтеза речи по тексту, разработанная как дообучение HKUSTAudio/Llasa-3B для японского языка. Это плотная Llama-совместимая модель с 3,4 млрд параметров; репозиторий содержит веса в формате safetensors, а заявленная длина контекста составляет 131 072 токена. Модель предназначена для генерации японской речи, в том числе выразительной речи в аниме-стиле. В README указано, что объём обучающих данных увеличили примерно с 14 000 до 33 000 часов, чтобы улучшить выразительность и стабильность синтеза. В числе датасетов метаданных — японские речевые и ASMR-наборы. Для использования предусмотрена демонстрация на Hugging Face Spaces. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение. Данных о качестве на независимых тестах в карточке нет.

Antler-7B-Novel-Writing — японская языковая модель для генерации художественной прозы и веб-романов, созданная Aratako на базе Elizezen/Antler-7B. Модель представляет собой плотную MistralForCausalLM с 7,1 млрд параметров и контекстом до 4096 токенов; для диалогов рекомендуется шаблон чата Mistral. Она дообучена методом instruction tuning на наборе Aratako/Syosetu711K-Cleaned-158K-Instruct. Модель генерирует рассказы по заданным жанру, ключевым словам, уровню качества и возрастной категории. Эти параметры позволяют управлять содержанием и предполагаемым рейтингом текста; для возрастной категории R18 автор рекомендует выбирать соответствующий жанр. Модель ориентирована на японские произведения в стиле веб-романов «Сёсэцука ни наро». Репозиторий содержит веса в формате SafeTensors, библиотека для работы — Transformers. Модель опубликована под Apache-2.0, однако автор отмечает, что лицензия базовой модели Elizezen/Antler-7B ему неизвестна и условия могут измениться. Качество и управляемость зависят от следования рекомендованному формату инструкций; контекст ограничен 4096 токенами.

DataPilot разработала ArrowMint-Gemma3-4B-YUKI-v0.1 — японскую разговорную модель для виртуальных стримеров AItuber. Она основана на google/gemma-3-4b-it: специализированные версии были дообучены с помощью Unsloth на синтетических данных, а затем объединены через mergekit. Модель ориентирована на естественные многоходовые диалоги, следование инструкциям и настройкам персонажа, а также быстрые ответы при ограниченных вычислительных ресурсах. По метаданным, это плотная архитектура Gemma 3, распространяемая в формате safetensors; лицензия — Gemma. README описывает сценарии с изображениями и без них, однако основная задача в метаданных — генерация текста.

s3nh/artwork-arcane-stable-diffusion — дообученная модель Stable Diffusion v1.5, созданная автором репозитория для генерации изображений в стиле произведений Arcane. Для получения эффекта автор рекомендует добавлять в текстовый запрос токен «arcane style». Модель принимает текстовые запросы и генерирует изображения; она обучена с использованием библиотеки Diffusers и подхода DreamBooth, с сохранением prior preservation loss и дообучением текстового энкодера. Репозиторий содержит веса в форматах Diffusers и PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Asmodeus-24B-v3 — слитая с помощью mergekit модель MistralForCausalLM от DarkArtsForge, предназначенная для генерации художественных текстов и ролевых диалогов. Разработчик описывает её как свободную от отказов и jailbreak-ограничений; модель рассчитана на создание историй и сцен, включая мрачное, жестокое и сексуально откровенное содержание. Модель содержит 23,4 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. В README рекомендуется шаблон чата Mistral Tekken. Основной заявленный язык — английский. Модель может выдавать графические эротические и насильственные сцены; качество ответов и соблюдение заданного тона зависят от промпта и параметров генерации. Лицензия — Apache-2.0.

Модель Adam-ousse/ast-esc50-finetuned-fold1 — дообученный классификатор звуков на базе Audio Spectrogram Transformer (AST), разработанный сообществом Adam-ousse. Она использует базовую модель MIT/ast-finetuned-audioset-10-10-0.4593 с заменённой классификационной головой и настроена на 50 классов набора ESC-50. Модель принимает аудио и выдаёт класс звукового события; её можно применять для распознавания бытовых, природных и других звуков из ESC-50. Размер — 113,2 млн параметров; веса сохранены в формате safetensors. В описанном эксперименте Fold 1 использовался как тестовая выборка, Fold 2 — как валидационная, остальные folds — для обучения. Указанная точность на тестовой выборке — 0,935. Для оценки по всему набору автор рекомендует обучить и проверить все пять folds и привести среднее значение. Лицензия — MIT.

Это конверсия модели Spotify Basic Pitch в формат GGUF для использования в CrispASR. Модель предназначена для транскрибирования полифонического аудио в события нот в диапазоне 88 клавиш MIDI и рассчитана на разные инструменты. В репозитории доступны варианты F16 и F32. README сообщает, что результаты F32 совпадают с эталонной реализацией ONNX на проверочных фрагментах; в F16 окончания некоторых нот на границах порога могут сдвигаться на один кадр, то есть на 11,6 мс. Модель распространяется по лицензии Apache-2.0.

Модель dima806/beard_face_image_detection разработана пользователем Hugging Face dima806 для определения наличия бороды на изображении лица. Это классификатор изображений на базе Vision Transformer ViT-Base/16, дообученный на модели google/vit-base-patch16-224-in21k; он содержит около 113,2 млн параметров и доступен в форматах PyTorch и Safetensors. Модель относит изображение к одному из двух классов: Beard или No Beard. В README приведён отчёт с точностью 100% на тестовой выборке из 68 изображений, поровну распределённых между классами; такой небольшой результат не гарантирует аналогичного качества на других данных. Для использования модели нужна лицензия Apache-2.0.

eevvgg/bert-polish-sentiment-politics — модель BERT, дообученная автором на базе dkleczek/bert-base-polish-cased-v1 для трёхклассового анализа тональности польских текстов из политического контекста. Она классифицирует сообщения, в том числе публикации в Twitter, как положительные, отрицательные или нейтральные. Модель содержит 159,3 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель обучена в рамках проекта ComPathos на 1 000 вручную размеченных твитов; в README указаны точность 0,950 и macro F1 0,944 на тестовой выборке из 100 примеров. Эти результаты относятся к небольшой выборке и не гарантируют аналогичного качества на других текстах. Модель предназначена для анализа тональности на польском языке. Формат весов — PyTorch; лицензия не указана в предоставленных источниках.

BeyondInfinity-v2-4x7B — экспериментальная языковая модель для текстовой генерации, созданная R136a1 на архитектуре Mixtral. Автор описывает её как вариант v2, предназначенный прежде всего для ролевых диалогов: модель ориентирована на творческие ответы, понимание сюжетного контекста и следование карточке персонажа. Используется формат запросов Alpaca. В карточке Hugging Face указаны 7,1 млрд параметров, контекст до 32 768 токенов, формат Safetensors, английский язык и лицензия Apache-2.0. README сообщает об ограничении в 8 192 токена, поэтому фактический доступный контекст может зависеть от конфигурации модели и способа запуска. Автор отмечает, что стиль ответа зависит от карточки персонажа и предыдущих сообщений; оценка качества основана на собственных тестах автора.

Big-Lemon-Cookie-11B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом passthrough из KatyTheCutie/LemonadeRP-4.5.3, SanjiWatsuki/Kunoichi-7B и SanjiWatsuki/Silicon-Maid-7B. Она предназначена для генерации текста и ролевых диалогов на английском языке, включая ответы от лица персонажей и творческое продолжение заданного сценария. Модель содержит 10,6 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется под лицензией CC BY 4.0. В README перечислены исходные модели и схема объединения, но нет результатов оценки качества или подробных рекомендаций по использованию; фактическое качество ролевых ответов может зависеть от промпта и настроек генерации.

Карточка модели Kremon96/bigvgan_v2_44khz_128band_512x на Hugging Face совпадает с карточкой nvidia/bigvgan_v2_44khz_128band_512x, поэтому описание составлено по ней. BigVGAN-v2 — нейронный вокодер, разработанный Sang-gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro и Sungroh Yoon. Эта версия принимает мел-спектрограмму с 128 полосами и синтезирует аудиоволну с частотой дискретизации 44 кГц; коэффициент увеличения частоты дискретизации составляет 512. В модели 122 млн параметров, она обучена на крупной компиляции аудиоданных и не является дообучением другой модели. Модель предназначена для преобразования мел-спектрограмм в аудио, например, как компонент систем синтеза речи и других аудио-генеративных конвейеров. Обучение включало разные типы аудио: речь на нескольких языках, окружающие звуки и музыкальные инструменты. Для ускорения вывода доступно CUDA-ядро; README сообщает об ускорении в 1,5–3 раза на GPU A100. Для его сборки нужны CUDA, nvcc и ninja. Модель распространяется по лицензии MIT.

Blocksmith — модель обработки естественного языка от DesilDev для составления кратких резюме журналов Minecraft. Она основана на архитектуре T5-small и дообучена на базе DesilDev/t5-small-summery; в метаданных также указан датасет EdinburghNLP/xsum. Модель содержит 38,5 млн параметров, принимает текст и имеет контекст длиной 512 токенов. Модель предназначена для анализа поведения игроков, выявления возможных проблем и ошибок в игровых журналах, а также подготовки сводок для улучшения игры. Лицензия — Apache-2.0. Возможны ошибки при обработке специфических форматов журналов или данных от разных версий игры; сводки могут отражать смещения обучающих данных.

BUNNY H3 Conditioning Bridge — это адаптер для MiniMax H3, разработанный автором репозитория JOKER141. Он подключается в существующую линию CONDITIONING в ComfyUI и предназначен для генерации видео по тексту, особенно сложных динамичных сцен с несколькими персонажами. Модель обучалась как семантический мост для улучшения связей между персонажами, действиями, объектами и состояниями сцены. Она помогает сохранять принадлежность действий и предметов, пространственные отношения, порядок событий, идентичность после перекрытия, логику взаимодействий и причинную непрерывность. В README описан набор обучения из 133 200 записей, охватывающий погони, столкновения, перемещения, взаимодействия с оружием, транспортом и другими объектами. Для работы Bridge требует базовую MiniMax H3 и совместимый узел ComfyUI; вход и выход адаптера — CONDITIONING. README рекомендует настраивать силу остаточного влияния, поскольку более высокое значение alpha не всегда улучшает результат. Репозиторий указывает лицензию «other», поэтому условия использования следует сверять с карточкой модели и базовой модели.

ChatWaifu_v1.0 — японскоязычная диалоговая модель, разработанная spow12 для имитации персонажей визуальных новелл. Это дообученная причинная языковая модель Mistral объёмом 7,1 млрд параметров, основанная на Local-Novel-LLM-project/Vecteus-v1. В карточке указаны поддержка чата и контекст 4096 токенов по метаданным; автор отдельно заявляет контекст до 128 тыс. токенов и сохранение памяти при длинных диалогах, отмечая, что эти свойства унаследованы от базовой модели. Модель предназначена для ролевых бесед на японском языке: она может воспроизводить заданный характер по описанию персонажа и примерам его реплик, а в карточке приведены персонажи из визуальной новеллы Senren＊Banka. Автор предупреждает, что в обучающих данных остались материалы NSFW, поэтому модель может генерировать откровенный контент. Лицензия — CC BY-NC 4.0; автор указывает некоммерческое и исследовательское использование.

matteot11 выпустил дообученный визуальный энкодер DINOv3 ViT-S/16 для поиска изображений карт Magic: The Gathering по визуальному сходству. Модель содержит 28,3 млн параметров, принимает изображения размером 224 × 224 пикселя и извлекает нормализуемые эмбеддинги для поиска ближайших соседей в отдельно подготовленном локальном каталоге карт. Для обработки используется библиотека Hugging Face Transformers. Модель дообучена на парах синтетически изменённых изображений одних и тех же карт с оптимизацией InfoNCE. Она подходит для поиска похожих изображений и вариантов карт в каталоге, но сама по себе не классифицирует карту и не подтверждает конкретное издание. Качество может снижаться из-за бликов, смаза, перекрытий, низкого разрешения, сильной обрезки, редких вариантов печати или отсутствия нужной карты в справочном каталоге; найденный результат следует проверять. В метаданных указана лицензия «other», поэтому конкретные условия использования нужно сверить с карточкой модели.

ELToxic — модель семейства RoBERTa, разработанная пользователем cvcio для классификации текстов на греческом языке. В метаданных она обозначена как модель text-classification и связана с новостными текстами; название модели указывает на сценарий выявления токсичных комментариев. Модель предназначена для автоматической классификации грекоязычных комментариев и других коротких текстов, в частности для модерации пользовательского контента и обнаружения токсичности. Для работы используется экосистема Transformers и PyTorch. Лицензия модели — GPL-3.0. В карточке не приведены сведения о размере модели, длине контекста, точности, наборе классов, методике обучения и поддерживаемых вариантах входных данных.

ControlNet v1.1 Canny Version — модель управления генерацией изображений на основе диффузионных моделей. Она разработана Lvmin Zhang и Maneesh Agrawala и предназначена для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель принимает дополнительное условие в виде карты контуров, выделенных алгоритмом Canny, и помогает сохранять структуру и композицию исходного изображения при генерации по текстовому описанию. Модель представляет собой ControlNet, подключаемый к предварительно обученной text-to-image diffusion-модели; данный checkpoint переведён из исходного формата в формат diffusers. Указан английский язык. Размер модели, точное число параметров, поддерживаемая длина контекста и другие архитектурные характеристики в README не приведены. Для подготовки управляющего изображения требуются внешние инструменты, включая OpenCV; пример использования рассчитан на библиотеку diffusers и Stable Diffusion v1.5. Сильная сторона модели — управляемая генерация с опорой на геометрию и контуры изображения, что подходит для image-to-image и других сценариев, где важно следовать заданной форме. Ограничение состоит в специализации на Canny-картах и рекомендуемой совместимости с Stable Diffusion v1.5; использование с другими diffusion-моделями возможно экспериментально и не гарантируется. Модель распространяется по лицензии CreativeML OpenRAIL M.

ControlNet v1.1 seg — это дополнительная нейросетевая модель для управления генерацией изображений на базе Stable Diffusion. Модель разработали Lvmin Zhang и Maneesh Agrawala; данный вариант представляет собой конвертацию исходного чекпойнта в формат diffusers и предназначен для совместной работы с runwayml/stable-diffusion-v1-5. Модель принимает карту сегментации как условие и помогает сохранять заданную структуру сцен и расположение объектов при текстовой генерации или преобразовании изображений. Она относится к диффузионным моделям генерации изображений, поддерживает сценарии image-to-image и условной text-to-image генерации. В README указан английский язык; сведения о размере модели, максимальном контексте, точной архитектуре базовой модели и других модальностях не приведены. Сильная сторона модели — дополнительный пространственный контроль генерации с помощью сегментационных карт, что подходит для управляемого создания и редактирования изображений. Для работы требуется совместимая диффузионная модель, прежде всего Stable Diffusion v1.5; совместимость с другими моделями не гарантируется. Если карту сегментации нужно извлекать из исходного изображения, потребуются внешние зависимости. Лицензия — CreativeML OpenRAIL M.

COOLKIDSV2 — модель генерации изображений в стиле иллюстраций для детских книг, опубликованная Yntec и основанная на работе Clumsy_Trainer. Она принимает текстовые запросы и создаёт изображения с детской книжной стилистикой. Репозиторий содержит модель в форматах Diffusers и safetensors; автор указывает, что исходно это была LoRA, преобразованная в полноценную модель. Базовая модель не названа. Лицензия — CreativeML OpenRAIL-M.

Coomand-R 35B v1 — разговорная модель BeaverAI, созданная дообучением модели Cohere Command-R. Она предназначена прежде всего для генерации художественных текстов и ролевых диалогов в формате романа или рассказа; автор отмечает, что модель лучше работает с повествовательными сценариями и предлагает задавать персонажа, рассказчика или режиссёра сцены. Модель содержит 35 млрд параметров, использует архитектуру CohereForCausalLM и принимает текстовые инструкции. Контекст составляет 8192 токена. Карточка показывает примеры откровенного сексуального контента, поэтому модель рассчитана в том числе на NSFW-сценарии. Для общения рекомендуется формат Command-R; автор также сообщает о совместимости с инструкциями в стиле Alpaca. В README отмечены усиленные инструкции и более разнообразный набор данных по сравнению с предыдущей версией, но подробности обучения не приведены. Вручную продолженные генерации могут нарушать форматирование, а длину рассказа автор советует подбирать повторной генерацией. Репозиторий содержит веса safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое использование.

Depth Anything V2 Small — модель оценки глубины по изображениям, представленная в Core ML формате Apple. Она создана на основе работы Lihe Yang и соавторов: архитектура DPT использует backbone DINOv2. Модель обучалась на примерно 600 тысячах синтетических изображений с разметкой глубины и 62 миллионах реальных изображений без разметки. Модель предназначена для получения карты глубины из изображения, включая оценку относительной и абсолютной глубины. Репозиторий содержит варианты с 24,8 млн параметров в точности Float32 и Float16; README приводит результаты оценки на изображениях COCO, приведённых к размеру 518×396, и описывает интеграцию в Swift-приложения. Репозиторий распространяется по лицензии Apache-2.0.

Cosmos-Predict2-2B-Text2Image — диффузионная модель NVIDIA для генерации изображений по текстовому описанию. Это 2-миллиардная версия семейства Cosmos-Predict2, предназначенного для создания мировых сцен и поддержки разработки Physical AI. Модель построена на диффузионном трансформере, который денойзит представления в латентном пространстве. Текст задаёт сцену и её объекты через механизм cross-attention. На вход подаётся текст длиной менее 300 слов; по умолчанию модель создаёт цветное изображение 1280 × 704 пикселя в формате JPG. Для работы рекомендованы системы с GPU NVIDIA; протестирована точность BF16. Модель предназначена для визуализации описанных сцен и как компонент разработки приложений для генерации миров. Среди ограничений — артефакты при генерации изображений высокого разрешения и неточное представление пространства и физических взаимодействий, поэтому результат может быть непригоден для реалистичного моделирования физических законов и сложной динамики. NVIDIA указывает лицензию NVIDIA Open Model License, допускающую коммерческое использование при соблюдении её условий.

CSBW_Style — модель-адаптер LoRA для генерации изображений по текстовому описанию. Она предназначена для использования с базовой моделью stabilityai/stable-diffusion-xl-base-1.0 и, судя по названию и метаданным, ориентирована на воспроизведение определённого визуального стиля. Модель опубликована в репозитории ClownsharkBatwing и распространяется в формате Safetensors. Адаптер предназначен для сценариев text-to-image и может применяться через совместимые инструменты и библиотеки, включая Diffusers и интерфейсы для Stable Diffusion. Точные сведения о размере адаптера, особенностях обучения, поддерживаемых языках, максимальном контексте и количественных показателях качества не указаны. Лицензия — GNU Affero General Public License версии 3.0 (AGPL-3.0).

Descript Audio Codec (DAC) — нейронный аудиокодек, разработанный Descript. Модель с архитектурой DAC принимает аудиосигнал с частотой дискретизации 24 кГц и кодирует его в дискретные представления, из которых можно восстановить аудио. Версия в репозитории содержит около 74,7 млн параметров и доступна в формате safetensors для Transformers. Кодек предназначен для сжатия и реконструкции речи, музыки и других звуков, а также для использования в генеративных аудиосистемах как аудиотокенизатор. В исходном проекте Descript заявлена высокая степень сжатия; конкретный битрейт зависит от конфигурации кодека. Для весов проекта указана лицензия MIT. Модель работает с аудио, а не с текстом, и сама по себе не выполняет распознавание речи или синтез речи из текста.

DALL·E Mega — трансформерная модель генерации изображений по текстовым описаниям, разработанная Борисом Деймой, Сураджем Патилом и другими участниками проекта DALL·E Mini. Это крупнейшая версия DALL·E Mini; модель предназначена для творческих экспериментов, создания иллюстраций и изучения возможностей генеративных моделей. Репозиторий содержит веса во Flax, а лицензия — Apache 2.0. Модель обучалась на англоязычных описаниях и лучше всего работает с английскими запросами. Качество изображений с людьми и животными часто невысокое, а результат трудно предсказать и улучшить можно подбором формулировки запроса. Модель может воспроизводить вредные стереотипы и не предназначена для создания достоверных изображений людей или событий.

KBlueLeaf/DanTagGen-beta — модель генерации тегов для изображений, разработанная KBlueLeaf и вдохновлённая проектом p1atdev. Она предназначена для дополнения описаний изображений тегами в формате Danbooru, в том числе для автоматической подготовки промптов к генерации изображений и обогащения уже заданных описаний. Модель обучена с нуля на архитектуре LLaMA примерно на 400 млн параметров, которую автор называет NanoLLaMA. В обучении использован датасет KBlueLeaf/danbooru2023-sqlite объёмом около 5,3 млн примеров; заявлено 10 эпох и примерно 6–12 млрд увиденных токенов. На вход подаётся структурированный текст с рейтингом, художником, персонажами, правообладателями, соотношением сторон, целевой длиной и общими тегами, после чего модель генерирует дополнительные теги. Указан английский язык, а сама модель работает в режиме text generation. По сравнению с alpha-версией beta обучалась на большем наборе данных и с большим размером batch, что должно обеспечивать более стабильную работу, лучшее распознавание особенностей персонажей, больше деталей и более удачную композицию даже при небольшом количестве исходной информации. Ограничения включают специализированность на тегах и формате Danbooru, отсутствие заявленной универсальной поддержки других языков и неполное описание характеристик качества. Для запуска рекомендуется llama.cpp или llama-cpp-python; доступны варианты FP16 GGUF и квантованные GGUF-модели с разрядностью 8 и 6 бит. Лицензия — OpenRAIL.