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

NEBULA-23.8B-v1.0 — разговорная языковая модель TeeZee на архитектуре Llama с 23,7 млрд параметров. Она создана расширением глубины исходной модели по процедуре DUS, вдохновлённой SOLAR от Upstage: в описании указана последовательность роста от Mistral через SOLAR и GALAXY до NEBULA. Модель дообучена для ролевого общения с помощью SFT на MinervaAI/Aesir-Preview и DPO на DPO_Pairs-Roleplay-Alpaca-NSFW; использует шаблон Alpaca и имеет контекст 4096 токенов. Модель предназначена для генерации диалогов и ролевых сценариев, хорошо следует карточкам персонажей и может создавать откровенный контент. Карточка приводит результаты отдельных тестов и отмечает, что оценка GSM8k часто работает некорректно. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Sunfall v0.6.1 — экспериментальная разговорная модель crestf411, созданная на базе Mistral и дообученная для ролевых диалогов и написания историй. Она рассчитана на работу в формате, похожем на instruct-пресет Mistral для SillyTavern, и поддерживает сценарии с персонажами, карточками рассказчика и тегами для задания стиля и тематики. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и формат safetensors. В метаданных заявлено контекстное окно до 1 024 000 токенов. Карточка сообщает о сравнении с базовой instruct-моделью на MMLU-Pro: результаты немного выше в целом, но слабее в отдельных областях; автор подчёркивает, что модель предназначена прежде всего для ролевой игры и не обещает высоких результатов в других задачах. Лицензия в предоставленных данных не указана.

Nova-Tempus-70B-v0.1 — экспериментальная слитая модель автора sophosympatheia на архитектуре Llama, объединяющая несколько моделей семейства Llama 3. Она содержит 69,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов; модель распространяется в формате safetensors и предназначена для использования через Transformers. Основные сценарии — ролевая игра и создание художественных историй. Автор называет модель uncensored и отмечает, что не проверял её качество на других задачах. В README приведены рекомендации по настройке семплирования и шаблон диалога Llama 3. Модель создана методом Model Stock на основе Llama 3.3 70B Instruct с компонентами нескольких других Llama-моделей. Лицензия указана как llama3.3. Высокая вариативность генерации и склонность к повторяющимся описаниям могут потребовать настройки параметров семплирования; качество за пределами ролевых сценариев и историй не подтверждено.

Ornamental Santa Diffusion — модель генерации изображений на основе Stable Diffusion, дообученная на изображениях более чем 200 рождественских украшений и сувениров с Санта-Клаусом. Разработчик предлагает добавлять токен «orna santa» в текстовый запрос, чтобы вызвать характерный образ модели. Модель предназначена для создания изображений Санта-Клауса и праздничных иллюстраций по текстовым описаниям. В README также описано объединение с AnythingV3 и Mo Di Diffusion для получения дополнительных стилей; файлы модели доступны в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Модель унаследовала ограничения Stable Diffusion и обучающих изображений; конкретные ограничения в карточке не перечислены.

Модель разработана Isaac Pena и Javier Gondres для Dominican News Question Answering Challenge курса ICC-344-T. Это модель RoBERTa-base для извлекающего ответа на вопрос: она принимает вопрос и контекст новостной статьи и выделяет ответ, прямо содержащийся в контексте. Веса дообучены на испаноязычном наборе PDQA с аугментацией формулировок вопросов; базовая модель уже была настроена для извлекающего QA на испанском языке. В метаданных указано 137,1 млн параметров, архитектура BertForQuestionAnswering и контекст до 512 токенов. Модель предназначена для ответов на вопросы по доминиканским новостям. На валидационной выборке авторы сообщают 73,33 EM и 86,73 F1 для опубликованных весов при прямом использовании; полный проектный конвейер с постобработкой spaCy и гибридным ранжированием показывает 73,33 EM и 90,98 F1. Постобработка и ранжирование входят в отдельный код проекта, а не в веса этой модели. Обучение проводилось на небольшом наборе: 45 исходных примеров в обучении и 15 валидационных, поэтому результаты могут не переноситься на другие новостные источники и типы вопросов. Лицензия в предоставленных данных не указана.

Это набор весов Pixal3D в формате GGUF F16 для проекта Pixal3D.cpp — нативной реализации на C++17 и ggml конвейера TencentARC/Pixal3D, преобразованный из исходных чекпойнтов. Репозиторий связан с TencentARC/Pixal3D и предназначен для генерации 3D-модели по изображению; доступны однокадровый и многовидовой варианты обработки. Пакеты содержат общие декодеры разреженной структуры, формы и текстур, а также каскадные этапы потока для структуры, формы и текстуры с целевым разрешением до 1024³. Весам требуется Pixal3D.cpp; это не самостоятельный чекпойнт для Transformers. Для режима обработки изображения также нужны вспомогательные модели DINOv3, NAF и MoGe-2, а каскадные режимы принимают подготовленные файлы условий. Репозиторий сообщает о проверке целостности файлов и отдельных сравнений с F32-конверсиями, но не о полном сравнении с исходным Python-конвейером или бенчмарках качества. Результаты CPU и GPU могут различаться; автоматическое удаление фона для RGB/JPEG не выполняется, фотографии могут нуждаться в предварительной обработке. Лицензия репозитория — MIT; вспомогательные модели имеют собственные условия использования.

Runware/Pony_Diffusion_V6_XL — это перезаливка весов Pony Diffusion V6 XL в формате Diffusers и Safetensors, разработанной PurpleSmartAI на основе Stable Diffusion XL. Модель предназначена для генерации изображений по текстовым запросам и особенно ориентирована на стилизованных персонажей: антропоморфных, диких и гуманоидных существ. Она понимает обычные описания на естественном языке и теги; автор рекомендует разрешение около 1024 пикселей и Clip Skip 2. Модель обучалась на примерно 2,6 млн изображений с подписями и тегами, включая аниме, мультяшные, furry- и pony-изображения. Она может создавать как безопасные, так и откровенные изображения. Из известных ограничений — возможное появление псевдоподписей, которые бывает трудно убрать из результата. Исходная модель распространяется по модифицированной лицензии Fair AI Public License 1.0-SD. В частности, коммерческий запуск inference на монетизируемых сайтах и приложениях ограничен; для коммерческого использования требуется разрешение правообладателя. Карточка Runware указывает, что репозиторий является переэкспортом официальных весов Civitai.

Poolsuite Diffusion — модель генерации изображений от PromptHero, полученная дообучением Stable Diffusion на изображениях в стиле Poolsuite. Для генерации используйте текстовый запрос и добавляйте фразу «poolsuite style»: модель подходит для создания изображений интерьеров, одежды, автомобилей и других сюжетов с этой стилистикой. Репозиторий доступен в форматах Diffusers и PyTorch; в метаданных указан английский язык и лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста в предоставленных данных не указаны.

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.

tlennon-ie/QwenEdit2509-FlatLogColor — это LoRA-адаптер для Qwen-Image-Edit-2509, разработанный пользователем или организацией tlennon-ie. Модель предназначена для редактирования изображений по текстовой инструкции и преобразования исходного изображения в плоский, ненасыщенный и низкоконтрастный вид, напоминающий лог-профиль камеры, с сохранением деталей в светлых и тёмных областях. Адаптер работает в сценариях image-to-image и используется совместно с базовой моделью Qwen/Qwen-Image-Edit-2509 через экосистему Diffusers. Для активации в примерах применяется триггерное слово «flatcolor». Поддерживается обработка изображений с текстовым управлением; сведения о размере адаптера, точной архитектуре, языках, максимальном контексте и вычислительных требованиях не указаны. Сильная сторона модели — специализированная цветокоррекция с сохранением деталей и воспроизводимым визуальным эффектом. Ограничение состоит в узкой специализации и зависимости от базовой модели Qwen-Image-Edit-2509. Лицензия в README не указана.

Qwen-Image-2.1-PE-I2I Heretic — созданная сообществом производная модели Qwen/Qwen-Image-2.1-PE-I2I на архитектуре Qwen3.5-VL с 9 млрд параметров. Она принимает короткую инструкцию по редактированию и одно или несколько изображений, анализирует их и формирует подробный промпт на английском языке для редактирования изображения. Это переписыватель промптов, а не генератор изображений. Модель дообучена с применением направленной абляции Heretic, которая снизила частоту отказов на вредоносных текстовых запросах: в описанной проверке отказов было 9 из 100 против 100 из 100 у исходной модели. При этом автор сообщает, что обычное поведение при переписывании инструкций для редактирования изображений сохранилось. Проверка проводилась на ограниченных наборах примеров, поэтому результаты не гарантируют такое же поведение на других запросах. Веса представлены в формате bf16 Safetensors и имеют ту же форму и число параметров, что и исходная модель. Для запуска используются AutoModelForImageTextToText и AutoProcessor; необходим также файл system_prompt.txt из репозитория. Модель распространяется по лицензии Qwen Research License: использование некоммерческое, для коммерческого применения нужна отдельная лицензия Qwen.

Real-time RE-USE — разработанная NVIDIA универсальная модель улучшения речи в реальном времени на основе свёрточного кодировщика и декодировщика и Mamba для обработки временно-частотных представлений. Модель содержит 3,7 млн параметров и поддерживает 30 конфигураций задержки, чтобы адаптироваться к разным требованиям к скорости обработки. Она принимает монофонические WAV-записи с частотой дискретизации от 8 до 48 кГц и выдаёт улучшенную речь в WAV. Модель рассчитана на работу с шумом, реверберацией, клиппингом, ограниченной полосой пропускания, артефактами кодеков и потерями пакетов; заявлена поддержка разных языков и частот дискретизации. Возможные сценарии — повышение устойчивости ASR, улучшение выходного аудио TTS и обработка речи для видеоконференций. Модель предназначена для исследований и разработки; перед практическим внедрением её следует проверить на данных конкретного сценария. Для работы используются Mamba и библиотека mamba-ssm; README отмечает оптимизацию для GPU NVIDIA, в частности A100. Лицензия указана как other, поэтому условия использования следует уточнить в материалах NVIDIA.

phoenixdengly/retrieval-a025 — это текстовая модель эмбеддингов на базе Qwen3-Embedding-0.6B, дообученная методом LoRA на парах, связанных с цитированием, а затем частично объединённая с исходной моделью интерполяцией весов с коэффициентом α = 0,25. Модель разработана для поиска сохранённой заметки или выделенного фрагмента, на который опирается автор во время написания текста. Она имеет архитектуру Qwen3Model, 507,6 млн параметров, размерность эмбеддингов 1024 и контекст до 32 768 токенов; распространяется в формате safetensors и рассчитана на использование с Sentence Transformers. Заявленное преимущество относится к поиску по неполному предложению с предшествующим контекстом: в одном тесте на материале статьи по нейронаукам модель показала лучшие значения nDCG@10 на запросах, обрезанных до 40% и 60% предложения. Однако преимущество не подтвердилось на тесте по физике и информатике, а на тесте с полностью сформулированными запросами модель не превзошла базовые эмбеддинги. Поэтому её стоит рассматривать для экспериментов с поиском по тексту, который автор ещё пишет; результаты не подтверждают общее превосходство в семантическом поиске. Для запросов не следует использовать специальный префикс Instruct. Лицензия — Apache-2.0.

RobBERT v2 Dutch Sentiment — модель классификации тональности на основе RobBERT, дообученная исследователями KU Leuven на нидерландских отзывах о книгах из набора DBRD. Она относит отзыв к положительной, нейтральной или отрицательной тональности и подходит для анализа книжных рецензий и отзывов на нидерландском языке. Модель основана на архитектуре RoBERTa и содержит 144 млн параметров по метаданным Hugging Face. Максимальная длина контекста — 514 токенов. В README указана точность 93,3% на тестовом наборе, однако авторы отмечают, что результат получен в другом запуске, чем в статье. Качество на текстах вне книжной тематики ограничено: авторы сообщают о слабых результатах в других областях. Обучающие отзывы преимущественно написаны женщинами, что может влиять на качество для текстов, написанных мужчинами. Модель распространяется по лицензии MIT.

ro-political-leaning-v2 — модель, разработанная Manuel Raileanu и дообученная на базе румынской BERT dumitrescustefan/bert-base-romanian-cased-v1. Она оценивает политические тексты на румынском языке по шкале политических взглядов от −1 до +1 и возвращает одно регрессионное значение, соответствующее середине предсказанного класса. Модель различает семь классов — от far_left до far_right, включая отдельный класс far_left. Модель предназначена для анализа политических высказываний и комментариев, в частности текстов о выборах в Румынии. Это BERT с архитектурой классификации последовательностей и регрессионной выходной головой; размер — 151,6 млн параметров, максимальная длина контекста — 512 токенов. Для оценки использовалась тестовая выборка: MAE 0,181, точность точного класса 0,610, точность с учётом соседнего класса 0,884. Обучающие метки частично сформированы моделью gemma2:9b, а неоднозначные примеры исключены. Лицензия — Apache-2.0.

Roy PopArt Diffusion — модель генерации изображений на основе Stable Diffusion 1.5, дообученная автором ItsJayQz методом DreamBooth на поп-арт работах Роя Лихтенштейна и других художников. Для обращения к стилю в запросе используется токен «roypop style». Модель предназначена прежде всего для создания портретов в эстетике поп-арта по текстовому описанию. Качество результатов может быть нестабильным: для подходящего изображения часто требуется подбирать формулировки запроса и генерировать несколько вариантов. Иногда модель создаёт реалистичных людей на фоне в стиле поп-арт; автор отмечает, что её ещё можно улучшить. Модель распространяется по лицензии CreativeML OpenRAIL-M, условия которой включают ограничения на использование.

nicoboss/Samantha-roleplay-ptbr-v2 — языковая модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров. Репозиторий содержит веса в формате safetensors и использует лицензию Llama 3. Карточка сообщает, что модель создана слиянием, но не раскрывает названия объединённых моделей. Модель предназначена для генерации текста; её название указывает на ролевые диалоги на бразильском португальском языке. Контекст составляет 4096 токенов. В карточке нет описания обучения, оценок качества или конкретных ограничений применения.

LeFeujitif/sandbox — модель-адаптер LoRA для генерации изображений по текстовому описанию. Она представляет собой смесь LoRA-компонентов и предназначена для использования с базовой моделью Liberata/illustrious-xl-v1.0 в экосистеме Diffusers. В README не указаны точный состав смеси, её целевой стиль, дополнительные возможности или специальные сценарии применения. Модель распространяется в формате Safetensors. Ключевая модальность — text-to-image; сведения о размере, архитектуре адаптера, поддерживаемых языках, максимальном контексте и результатах оценки отсутствуют. Преимущество модели заключается в совместимости с указанной базовой моделью и компактном формате LoRA, однако качество и особенности генерации зависят от базовой модели и параметров применения адаптера. Лицензия и условия коммерческого использования в README не указаны.

SanGuoYanYi-6b — языковая модель проекта stylellm_models для переноса литературного стиля. Она дообучена на базе 01-ai/Yi-6b на классическом китайском романе «Троецарствие» и переписывает исходный текст, придавая ему характерные для произведения лексику, синтаксис, риторические приёмы и диалоги. В карточке приведены примеры преобразования фрагментов «Белоснежки» в стиль романа. Модель построена на архитектуре LlamaForCausalLM, содержит 5,8 млрд параметров и поддерживает контекст до 4096 токенов. Основной язык карточки — китайский; модель предназначена для генерации текста в разговорном интерфейсе. Файлы модели представлены в формате safetensors. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Abiray/SCAIL-2-GGUF — набор GGUF-квантизованных весов модели SCAIL-2, разработанной zai-org и основанной на архитектуре Wan 2.1 14B. Репозиторий предназначен для запуска модели в ComfyUI с уменьшенным потреблением видеопамяти по сравнению с вариантами FP16 и FP8. Модель ориентирована на управляемую анимацию персонажей, перенос движений и преобразование изображения в видео. Она использует специализированный Diffusion Transformer и рассчитана на работу в составе комплексного конвейера ComfyUI. Для полноценного запуска требуются отдельные компоненты: текстовый энкодер UMT5-XXL, LoRA для дистилляции шагов и CFG, SAM 3.1 Multiplex, CLIP Vision и VAE Wan 2.1. Языки, размер контекста и поддерживаемые разрешения в README не указаны. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 9,11 до 18,1 ГБ. Младшие варианты экономят видеопамять, но могут снижать качество и вызывать структурные искажения; Q4_K_M заявлен как сбалансированный базовый вариант, а Q6_K и Q8_0 обеспечивают более высокую точность ценой больших требований к ресурсам. Для использования необходима установка расширения ComfyUI-GGUF и размещение файлов в соответствующих каталогах ComfyUI. Лицензия — MIT.

SCAIL-2 GGUF — это набор GGUF-квантизаций модели SCAIL-2, разработанной zai-org и адаптированной для распространения RealRebelAI. Модель предназначена для сквозной анимации персонажей и переноса движений в формате image-to-video, а также для работы с видео в ComfyUI на базе Wan 2.1 с backbone Wan 2.1 14B. Доступны варианты квантизации от Q2_K примерно на 6 ГБ до Q8_0 примерно на 17 ГБ. Меньшие варианты требуют меньше видеопамяти, но могут заметно уступать в качестве и согласованности; Q4_K_M обозначен как рекомендуемый повседневный вариант, а Q8_0 обеспечивает наиболее близкое к fp16 качество. Для работы требуются внешние компоненты: текстовый энкодер umT5-XXL, CLIP Vision, VAE Wan 2.1, SAM 3.1 Multiplex и LoRA LightX2V; DPO LoRA SCAIL-2 доступна как необязательная, но непроверенная. Модель ориентирована на запуск через GGUF Unet Loader из ComfyUI-GGUF и поддерживает использование меньшего объёма VRAM по сравнению с полноточными весами. README не указывает языки, предельную длину контекста или точные требования к VRAM. К ограничениям относятся возможная потеря качества при низкой квантизации, необходимость установки нескольких отдельных файлов и совместимость некоторых узлов только с актуальными или nightly-сборками ComfyUI. Указана лицензия MIT.

bghira/sd35m-sfwbooru-lokr — адаптер LoRA для генерации изображений на базе Stability AI Stable Diffusion 3.5 Medium. В README имя разработчика или организации, создавшей адаптер, не указано. Модель предназначена для генерации изображений по текстовому описанию и, согласно метаданным, может использоваться в сценариях text-to-image и image-to-image через экосистему Diffusers и SimpleTuner. Название указывает на ориентацию на SFW-материалы в стиле booru, однако подробное описание обучающего набора и стилистических особенностей отсутствует. Известно, что это LoRA-адаптер, а не самостоятельная базовая модель; для работы требуется совместимая Stable Diffusion 3.5 Medium и соответствующий пайплайн. Поддерживаются текстовые промпты и создание изображений, но точный размер параметров адаптера, максимальный контекст, разрешение, языки и требования к оборудованию не указаны. Примеры демонстрируют широкий диапазон сцен, включая фантастические, киберпанк-, хоррор- и бытовые сюжеты, а также изображения с текстом, но этого недостаточно для гарантии стабильного качества в каждом сценарии. Лицензия обозначена как «other», без уточнения условий и ограничений; перед использованием необходимо проверить лицензионные правила репозитория и базовой модели. В README также присутствует пометка not-for-all-audiences, поэтому пригодность результатов для конкретной аудитории следует оценивать отдельно.

matttrent/sd-image-variations-diffusers — версия Stable Diffusion для создания вариаций по входному изображению, подготовленная в формате Diffusers на основе CompVis/stable-diffusion-v1-3-original. Модель дообучена принимать эмбеддинг изображения CLIP вместо текстового эмбеддинга: изображение кодируется энкодером ViT-L/14 с проекцией в общее пространство CLIP, после чего модель генерирует новые изображения, сохраняющие связь с исходным. Репозиторий содержит веса в форматах Diffusers и PyTorch; для использования с Diffusers в карточке упомянут Lambda Diffusers. Модель подходит для художественных вариаций изображений, творческих инструментов и изучения генеративных моделей. В README её назначение ограничено исследовательскими целями. Лицензия указана как other, поэтому конкретные условия следует проверять отдельно. Модель может плохо передавать сложные композиции, лица и читаемый текст; реалистичность не гарантирована. Данные обучения преимущественно англоязычные, содержали материалы для взрослых и не были дедуплицированы, поэтому возможны смещения, снижение качества на неанглийских запросах и запоминание изображений. Авторы рекомендуют использовать Diffusers Safety Checker.

Lambda Labs выпустила модель диффузии, полученную дообучением Stable Diffusion на изображениях персонажей Naruto с подписями BLIP. Она принимает текстовый запрос и генерирует изображение в стиле Naruto; для более стабильного результата авторы рекомендуют включать в запрос формулировки вроде «ninja portrait» или «in the style of Naruto». Модель обучалась около 30 000 шагов на двух GPU A6000 и распространяется в форматах Diffusers и PyTorch. Для локального запуска в README приведён пример с Diffusers 0.3.0. Лицензия в предоставленных материалах не указана.

Карточка модели ianua/SER-Odyssey-Baseline-WavLM-Multi-Attributes на Hugging Face совпадает с карточкой 3loi/SER-Odyssey-Baseline-WavLM-Multi-Attributes, поэтому описание составлено по ней. SER-Odyssey-Baseline-WavLM-Multi-Attributes — модель распознавания эмоций в речи, обученная на наборе MSP-Podcast для базового решения конкурса Odyssey 2024. Она анализирует аудио и предсказывает три непрерывных эмоциональных показателя: возбуждение (arousal), доминантность (dominance) и валентность (valence), примерно в диапазоне от 0 до 1. Модель построена на WavLM и содержит около 402,7 млн параметров. Она подходит для оценки эмоциональных характеристик речи в аудиозаписях и исследовательских экспериментах по распознаванию эмоций. В карточке приведены результаты на тестовом и развивающем наборах конкурса, но числовые значения недоступны в предоставленном тексте. Лицензия — MIT.

SoteDiffusion Cascade — ранняя версия модели для генерации аниме-иллюстраций по текстовому описанию, созданная как дообучение Stable Cascade. Обучение ещё продолжается; автор сообщает, что текущая версия тяготеет к более старым стилям аниме. Модель распространяется в формате Diffusers с весами Safetensors. Модель рассчитана на создание аниме-арта, в том числе изображений с тегами стиля, качества и эстетики. Для направления генерации в сторону аниме автор рекомендует добавлять в запрос тег «anime illustration». Реалистичная генерация не проверялась; из-за сильного сжатия латентного представления глаза персонажей на дальнем плане могут получаться неудачно. Лицензия указана как other; автор запрещает коммерческое использование, ссылаясь на Stability AI.

Narrativa Spanish GPT-2 — языковая модель для генерации текста, обученная на испанских рэп-текстах. Она построена на архитектуре GPT-2 и предназначена для создания новых строк и текстов в стиле испанского рэпа, например по заданному началу. Модель принимает текст и генерирует текст; размер контекста составляет 1024 токена. Модель разработала Narrativa, компания, создающая решения для генерации естественного языка. Она распространяется в формате PyTorch по лицензии MIT. Обучение на текстах рэпа ориентирует генерацию на этот жанр, но качество и тематическая уместность могут зависеть от заданного промпта и не гарантируются.

Модель abdulelahagr/speech-emotion-recognition-wav2vec2 — дообученная Abdulelahagr модель Wav2Vec2 Large XLSR-53 для классификации эмоций по аудиоречи. Она принимает аудио и выдаёт метку класса; в README приведён результат оценки: accuracy 0,9045 и loss 0,2842. Датасет и набор эмоциональных классов в карточке не раскрыты. Модель основана на jonatasgrosman/wav2vec2-large-xlsr-53-english, содержит 402,7 млн параметров и опубликована в формате safetensors. Подходит для определения эмоциональной окраски речи в аудиозаписях. Лицензия — Apache-2.0.

zuleo разработал spop — дообученную модель Stable Diffusion 1.5 для генерации изображений в стиле мультсериала «Ши-Ра и непобедимые принцессы» от DreamWorks. Модель передаёт художественный стиль сериала, а не предназначена для воспроизведения его отдельных персонажей. Модель создаёт изображения по текстовым описаниям и поддерживает четыре направления: персонажи и люди, космос, леса и пейзажи. Для подсказок используются специальные токены dwspop style, dwspop space, dwspop forest и dwspop landscape. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; заявлена лицензия CreativeML OpenRAIL-M. Модель подходит для создания иллюстраций и сцен в узнаваемой мультяшной эстетике, а также для преобразования изображений через img2img. Результаты зависят от формулировки запроса и настроек генерации; README рекомендует подбирать sampler, число шагов и CFG scale.

Reza2kn/surya-ocr-2-persian-handwriting-369k — полно-параметрическая донастройка Surya OCR 2, разработанная Reza2kn на 369 тысячах страниц персидского рукописного текста. Это мультимодальная модель семейства Qwen3.5, принимающая изображение документа и выдающая его текстовую транскрипцию в порядке чтения. В README описаны обучение в течение одной эпохи и диагностические проверки на персидских рукописях и печатном тексте. На 69 страницах из обучающего набора модель снизила WER с 149,28% у исходной Surya OCR 2 до 2,89%, однако это измерение на данных обучения, а не оценка обобщения. Проверка на отдельной выборке печатного персидского текста показала существенное ухудшение: WER вырос до 168,39%. На наборе рукописных слов точное распознавание улучшилось, но выросло число многословных галлюцинаций, а суммарные WER и CER ухудшились. Модель распространяется по лицензии OpenRAIL; перед использованием стоит проверить её на целевых документах.