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

Карточка модели sunflower2332/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.

Krea-2-Turbo — текстово-графическая диффузионная модель Krea.ai, Inc., опубликованная Unsloth как зеркало с неизменёнными весами, доступное без ограничения Hub. Это контрольная точка Krea 2 Turbo версии 1.0: дообученный и дистиллированный вариант базовой Krea 2 Raw с архитектурой Diffusion Transformer и 12 млрд параметров. Модель создаёт изображения по описаниям на естественном языке и предназначена для генерации визуальных концепций, исследования дизайна, производства изображений и интеграции в приложения и творческие инструменты. В примере запуска для быстрого режима указаны 8 шагов, CFG 0 и размер изображения 2048 × 2048 пикселей. Метаданные указывают английский язык карточки; README не подтверждает качество работы на других языках. Модель не предназначена для получения фактических сведений. Она может не следовать запросу и выдавать нежелательные результаты; качество зависит от стиля, точности и формулировки промпта. Для использования действуют условия Krea 2 Community License и Acceptable Use Policy: разработчики должны применять фильтрацию контента или эквивалентную проверку.

wikeeyang/Krea2-Turbo-HD-V1 — модель генерации изображений по текстовому описанию, разработанная как дообученная версия Krea-2-Turbo. Модель предназначена для создания визуальных материалов по промптам, включая портреты, фотографии, художественные изображения, сценические композиции, предметные и рекламные концепты. Модель работает в экосистеме PyTorch и библиотеки Diffusers, относится к задачам text-to-image synthesis и поддерживает английский и китайский языки. В карточке не указаны точная архитектура, количество параметров, максимальный размер контекста и разрешение генерируемых изображений. Примеры демонстрируют работу с фотореалистичными и художественными сценами, деталями одежды, аксессуарами, освещением, композицией и различными визуальными стилями. Сильной стороной модели является широкий диапазон поддерживаемых сюжетов и стилей, включая портретную, предметную, природную и концептуальную съёмку, а также китайскую и восточноазиатскую визуальную эстетику. Ограничения, показатели качества и особенности HD-режима в README не описаны. Модель распространяется по лицензии Krea-2 Community License; подробные условия приведены в файле лицензии Krea.

Карточка модели fkyyy/Krea-2-Turbo-slim 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.

Kurdish OmniASR 7B Champion v10 — модель распознавания речи, разработанная для центральнокурдского языка (сорани). Она сочетает акустический экстрактор Wav2Vec2-BERT с авторегрессионным декодером Llama-7B и предназначена для транскрибации студийной, вещательной и телефонной речи, в том числе длинных записей с формированием субтитров. Модель ориентирована на сорани и преобразует разговорную речь в литературную орфографию, обрабатывая границы слов и клитик, составные глагольные приставки и другие особенности письма. В README описаны обучение на аудио разных акустических условий, включая телефонные записи, а также DPO-выравнивание. Заявленные результаты бенчмарков приведены разработчиком; их независимая проверка по представленным данным невозможна. Опубликован слитый чекпойнт PyTorch в формате bfloat16 размером 14,54 ГБ, без необходимости запускать LoRA-адаптер. Лицензия — Apache-2.0. Сведения о длине контекста не приведены.

Latent Diffusion — модель генерации изображений на основе латентной диффузии, опубликованная аккаунтом fusing и описанная в статье «High-Resolution Image Synthesis with Latent Diffusion Models». Модель с архитектурой LDMBert содержит 877,9 млн параметров и использует латентное представление предварительно обученного автоэнкодера для синтеза изображений. Контекст текстового условия — до 77 токенов. Модель предназначена для создания изображений по текстовым описаниям. Примеры в карточке показывают генерацию уличной таблички с надписью и иллюстрации с белкой. Подход латентной диффузии снижает вычислительные затраты по сравнению с диффузией непосредственно в пиксельном пространстве; статья также описывает применение метода для дорисовки, безусловной генерации, синтеза сцен и повышения разрешения. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — MIT. Карточка не уточняет, какие языки текстовых запросов поддерживаются, поэтому примеры на английском не подтверждают поддержку других языков. Генерация выполняется последовательными шагами денойзинга и требует вычислительных ресурсов; качество и следование запросам могут зависеть от формулировки условия.

CompVis/ldm-text2im-large-256 — модель генерации изображений по текстовому описанию на основе латентной диффузии (LDM), опубликованная командой CompVis. Она использует диффузионный процесс в латентном пространстве предварительно обученного автоэнкодера и механизм cross-attention для связи текста с изображением. Модель предназначена для создания изображений по текстовым запросам; семейство LDM также описано для генерации изображений без условия, семантического синтеза сцен, дорисовки и повышения разрешения. Репозиторий использует Diffusers и PyTorch; указана лицензия Apache-2.0. В названии модели заявлено разрешение 256 пикселей. README отмечает, что генераторы изображений по тексту могут создавать вредоносное содержимое. Конкретные языки запросов, размер модели и длина контекста в предоставленных данных не указаны.

LeibyApp/leiby-sa3-small-music-gguf — побитовая копия GGUF-пакета Stable Audio 3 Small Music для запуска на устройстве через sa3.cpp. Пакет включает компоненты DiT в F16, SAME-S в F16 и conditioner в F32; метаданные относят его к базовой модели stabilityai/stable-audio-3-small-music и указывают форматы GGUF F16 и F32. Модель предназначена для генерации музыки и звуковых фрагментов по текстовому описанию. Карточка не сообщает о дополнительном дообучении; лицензия указана как other, поэтому перед использованием следует проверить условия лицензии исходной модели и репозитория.

Lexica Aperture V3.5 Community Edition — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Это бесплатная общественная модель, заявленная как похожая на платную Lexica Aperture V3.5; она распространяется для использования с библиотекой Diffusers и имеет формат весов Safetensors. Модель принимает текстовые запросы на английском, французском и русском языках и создаёт изображения. Она предназначена для генерации иллюстраций и других изображений по текстовому описанию. Размер модели и длина контекста в доступных данных не приводятся. Лицензия — CreativeML OpenRAIL-M.

LLaDA-Image-Turbo — модель генерации и редактирования изображений, разработанная командой Inclusion AI. Это дистиллированная версия семейства LLaDA-Image с 6 млрд параметров, рассчитанная на быстрый вывод: для генерации и редактирования рекомендуется 4 шага сэмплирования. Модель работает через библиотеку Diffusers и распространяется в форматах Diffusers и safetensors. Модель создаёт изображения по текстовому описанию, а также редактирует референсное изображение по инструкции, стараясь сохранять его исходное содержание. Поддерживаются генерация с условием VQ-токенов и отображение текста на английском и китайском языках; заявлены фотореалистичные сцены, детализированное освещение и создание постеров с текстом. Для редактирования требуется входное изображение. Размеры изображения при текстовой и VQ-генерации должны быть кратны 16, а при редактировании — кратны 32. Веса распространяются по лицензии Apache-2.0. Обучающий код в карточке пока не представлен.

alpindale/Llama-3.2-90B-Vision-Instruct — мультимодальная инструктивная модель семейства Llama 3.2-Vision, разработанного Meta. Она принимает изображения и текст и генерирует текстовые ответы; подходит для визуального распознавания, рассуждений по изображениям, описания сцен и диалога с изображением. Модель построена на авторегрессионной архитектуре Transformer Llama 3.1 с vision-адаптером: кросс-внимание передаёт в языковую модель представления изображения. Размер версии — 90B параметров; контекст — до 128 тыс. токенов. Для текстовых задач заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков; в сценариях с изображениями официально поддерживается английский. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель предназначена для визуальных вопросов и ответов, анализа изображений и документов, генерации подписей, поиска соответствий между изображениями и текстом, а также визуального grounding. Карточка сообщает о настройке инструктивной версии с помощью SFT и RLHF. Модель обучена на статичном офлайн-наборе данных с отсечкой знаний в декабре 2023 года. Использование регулируется пользовательской коммерческой лицензией Llama 3.2 и Acceptable Use Policy.

LLaVA-NeXT 72B — мультимодальная чат-модель семейства LLaVA-NeXT, разработанная авторами проекта LLaVA-NeXT. Она объединяет языковую модель с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям, описания изображений и ответов на вопросы о визуальном содержимом. В карточке этой версии в качестве базовой языковой модели указана meta-llama/Meta-Llama-3-8B-Instruct; название репозитория указывает на вариант с 72B, однако размер в предоставленных метаданных не приведён. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Семейство улучшено за счёт более разнообразных данных и более крупной языковой основы по сравнению с LLaVA-1.6; обучение включало пары изображение–текст, мультимодальные инструкции и данные для визуальных вопросов и ответов. В карточке указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензиями модели и её компонентов.

Atotti разработала llm-jp-4-8b-speech-asr — модель семейства LLM-jp-4, специализированную для автоматического распознавания речи. Она принимает аудио и генерирует текстовую расшифровку; для запроса на японском рекомендуется инструкция «音声を書き起こしてください。」. Архитектура — плотная LlamaForSpeechLM; модель объединяет компоненты LLM-jp-4 и Whisper large-v3 и использует формат safetensors. Основной язык — японский, также в метаданных указаны японский и английский. Модель подходит для транскрибации японской речи. Карточка предупреждает, что качество может снижаться на шумной записи, длинных аудио и спонтанной речи, а расшифровки могут содержать ошибки. Лицензия — Apache-2.0.

Lob RealVisXL v2.0 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi.com и доступная через API ModelsLab. Карточка демонстрирует создание фотореалистичного портрета и указывает на поддержку параметров запроса, включая негативный промпт, число шагов генерации, guidance scale и размеры изображения. Модель предназначена для генерации реалистичных изображений по промптам. Пример в карточке использует описания внешности, освещения, окружения и параметров камеры; также показаны настройки для улучшения промпта, панорам и подключения LoRA или эмбеддингов. В метаданных указаны StableDiffusionXLPipeline и форматы Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не сообщает точное число параметров, длину контекста или список поддерживаемых языков. Качество и безопасность результата зависят от промпта и настроек; документация API предлагает параметр отключения safety checker.

QuantStack/LTX-2.3-GGUF — квантованная в формате GGUF версия модели LTX-2.3, разработанной Lightricks. Модель предназначена для генерации и преобразования видео и аудио на основе текста, изображений и видеоматериалов: поддерживаются сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio, а также совместная генерация аудио и видео. В состав решения входят основная модель LTX-2.3, текстовый энкодер Gemma 3, модуль Text Projection и общие VAE-компоненты для видео и аудио. Указаны языки: английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Модель интегрируется с ComfyUI; квантование в GGUF может упростить развёртывание и снизить требования к ресурсам, однако README не содержит сведений о размере модели, точном контекстном окне, требованиях к памяти, качестве и производительности. Основные ограничения и условия использования определяются исходной моделью Lightricks/LTX-2.3: для GGUF-версии сохраняются все оригинальные лицензионные условия и ограничения. Указана лицензия ltx-2-community-license-agreement; подробности приведены в LICENSE проекта LTX-2.

Lumina-Next-SFT — модель генерации изображений по текстовому описанию от разработчиков Lumina-T2X. Её архитектура включает генератор Next-DiT с 2 млрд параметров, текстовый энкодер Gemma-2B и VAE на основе версии SDXL от Stability AI. Модель обучена методом supervised fine-tuning с использованием высококачественных данных; в метаданных указан датасет JourneyDB. Модель предназначена для создания изображений по текстовым запросам. В README заявлена генерация с разрешением 1024 пикселя, а для семейства Lumina-Next-T2I упоминается поддержка разрешения до 2K. Репозиторий использует библиотеку Diffusers и формат safetensors. Лицензия — Apache-2.0. Карточка не описывает языковой охват запросов и ограничения качества, поэтому эти характеристики здесь не уточняются.

Карточка модели Jinstudio/Mage-Flow-Edit-Turbo на Hugging Face совпадает с карточкой Mage-Fans/Mage-Flow-Edit-Turbo, поэтому описание составлено по ней. Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit для редактирования изображений по текстовым инструкциям, разработанный командой Mage-Flow. Это мультимодальный диффузионный трансформер NR-MMDiT с 4 млрд параметров, работающий в латентном пространстве Mage-VAE и обученный методом rectified flow. Версия Turbo использует дистиллированный режим генерации за четыре шага. Модель принимает исходное изображение и текстовую инструкцию. Она предназначена для смыслового и локального редактирования содержимого, преобразования внешнего вида и стиля, изменения сцен и объектов, восстановления изображений и других преобразований с учётом структуры. Семейство рассчитано на работу с изображениями в родном разрешении от 512 до 2048 пикселей и разными соотношениями сторон; в README приведены результаты редактирования на изображениях 1024×1024. Репозиторий распространяется в формате Diffusers с весами Safetensors. Указана лицензия MIT. Для запуска описана установка CUDA-зависимостей, включая flash-attn. README заявляет интерактивную скорость редактирования, но фактическая производительность зависит от оборудования; указанное измерение для Turbo получено на одном A100.

Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit для редактирования изображений по текстовым инструкциям, разработанный командой Mage-Flow. Это мультимодальный диффузионный трансформер NR-MMDiT с 4 млрд параметров, работающий в латентном пространстве Mage-VAE и обученный методом rectified flow. Версия Turbo использует дистиллированный режим генерации за четыре шага. Модель принимает исходное изображение и текстовую инструкцию. Она предназначена для смыслового и локального редактирования содержимого, преобразования внешнего вида и стиля, изменения сцен и объектов, восстановления изображений и других преобразований с учётом структуры. Семейство рассчитано на работу с изображениями в родном разрешении от 512 до 2048 пикселей и разными соотношениями сторон; в README приведены результаты редактирования на изображениях 1024×1024. Репозиторий распространяется в формате Diffusers с весами Safetensors. Указана лицензия MIT. Для запуска описана установка CUDA-зависимостей, включая flash-attn. README заявляет интерактивную скорость редактирования, но фактическая производительность зависит от оборудования; указанное измерение для Turbo получено на одном A100.

Mage-VL — мультимодальная модель для понимания изображений и видео, предназначенная для офлайн-анализа и потокового восприятия. Визуальный энкодер Mage-ViT обучен с нуля, а языковая часть основана на Qwen3-4B-Instruct-2507; компоненты соединены двухслойным MLP-проектором. Модель использует структуру видеокодеков: сохраняет все патчи опорных кадров и выбирает патчи предсказанных кадров по признакам движения и новых деталей. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и обеспечивает ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Модель предназначена для ответов на вопросы по изображениям и видео, пространственного анализа, временной локализации событий и потоковых комментариев, которые запускаются при обнаружении значимых событий. Для потока предусмотрен отдельный когнитивный шлюз, который фильтрует рутинное содержимое. Карточка указывает архитектуру Mage-VL и формат Safetensors; размер визуального энкодера заявлен как 4B, языковая основа — Qwen3-4B. Основной README описывает checkpoint microsoft/Mage-VL, тогда как данный репозиторий называется xocialize/Mage-VL, поэтому точную связь этих репозиториев по карточке установить нельзя. Лицензия — Apache-2.0. README не сообщает поддерживаемые естественные языки или длину контекста.

mediabiasgroup/magpie-babe-ft — мультиязычная модель для классификации медийной предвзятости на уровне предложений. Разработчики дообучили MAGPIE-PT-XLM сначала на смеси LBM из 59 задач анализа медийной предвзятости, а затем на наборе BABE. Модель построена на архитектуре RoBERTa и содержит 151,9 млн параметров; для обработки текста доступно контекстное окно до 514 токенов. Модель предназначена для автоматической проверки предложений из новостей и других медиатекстов на наличие предвзятости. Она принимает текст и выдаёт результат классификации. В карточке заявлена мультиязычность, а метаданные явно подтверждают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

onnx-community/mediapipe_selfie_segmentation_landscape — модель сегментации изображений в формате ONNX, опубликованная сообществом onnx-community. В метаданных указана архитектура MobileNetV3; модель предназначена для выделения областей изображения, в частности для сегментации фона на изображениях с людьми. Модель можно применять для отделения человека от фона и подготовки изображений к замене или размытию фона. Карточка содержит пример использования через Transformers.js. Репозиторий использует лицензию Apache-2.0.

Jotschi дообучил Mistral-7B-v0.1 для генерации подписей к изображениям на немецком языке в стиле COCO. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и рассчитана на контекст до 32 768 токенов. Для генерации используется текстовый префикс «Bildbeschreibung:».

argmaxinc/mlx-stable-diffusion-3.5-large — версия Stable Diffusion 3.5 Large, опубликованная argmaxinc и предназначенная для генерации изображений по текстовым запросам. Модель основана на Stability AI/stable-diffusion-3.5-large и распространяется в формате safetensors для использования с библиотекой DiffusionKit. Модель подходит для создания иллюстраций, концепт-арта и других изображений по текстовому описанию. В карточке указана поддержка английского языка. Исходная Stable Diffusion 3.5 Large использует архитектуру MMDiT; метаданные этой версии не уточняют размер модели или длину контекста. Лицензия обозначена как other, поэтому перед использованием следует проверить её условия на странице модели.

Molmo-72B-0924 — модель «зрение–язык» семейства Molmo, разработанного Allen Institute for AI. Это плотная мультимодальная модель с 129,6 млрд параметров: текстовый компонент основан на Qwen2-72B, а визуальный использует OpenAI CLIP. Модель обучалась на наборе PixMo из миллиона тщательно отобранных пар изображение–текст и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. В метаданных указан контекст 4096 токенов, библиотека Transformers и поддержка чата. Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы о нём. В карточке сообщается о высоких результатах на академических бенчмарках и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительная версия Molmo; README говорит о применении в исследованиях и образовании. Лицензия — Apache 2.0. Для базовой Qwen2-72B указана отдельная лицензия Tongyi Qianwen, поэтому условия использования базовой модели также следует учитывать.

Molmo 7B-O — открытая мультимодальная модель семейства Molmo, разработанного Allen Institute for AI. Она принимает изображения и текстовые запросы и генерирует текстовые ответы, например описания, ответы на вопросы о содержимом изображения и результаты визуального анализа. Модель обучена на парных данных изображений и текста PixMo и использует языковую основу OLMo и визуальный энкодер OpenAI CLIP. Это предварительная версия Molmo с плотной архитектурой и 11,2 млрд параметров. Нативный контекст составляет 4096 токенов. В карточке приведены результаты на наборах для визуальных вопросов и ответов, понимания диаграмм и документов, распознавания текста на изображениях, математики и подсчёта объектов. Модель доступна в формате safetensors и предназначена для диалогового взаимодействия с изображениями. Модель опубликована под лицензией Apache-2.0. README предупреждает, что она может испытывать трудности с прозрачными изображениями; для корректной обработки изображения должны быть в RGB.

Модель prashantkhandelwal/movie-genres-classification — англоязычный классификатор жанров фильмов на основе BERT, дообученный разработчиком на google-bert/bert-base-uncased. Он принимает название и краткое описание фильма и присваивает ему один или несколько из 19 жанров, включая боевик, комедию, драму, ужасы, мелодраму, научную фантастику и триллер. Для выбора жанров README рекомендует применять sigmoid к выходам модели и использовать порог вероятности 0,5. Модель построена на архитектуре BertForSequenceClassification и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Она предназначена для многометочной классификации англоязычных описаний фильмов. Распространяется по лицензии Apache-2.0.

mebrahimzadeh/mt5-base-finetuned-v1 — дообученная модель семейства mT5, созданная на основе google/mt5-base и набора Persian News. Она предназначена для суммаризации текстов на персидском языке, в частности новостных материалов. Модель имеет архитектуру MT5ForConditionalGeneration и содержит 291,2 млн параметров; доступные веса представлены в формате PyTorch. В карточке приведены результаты оценки на тестовом наборе: loss 1.087988, ROUGE-1 1.2887, ROUGE-2 0.1861, ROUGE-L 1.2862 и ROUGE-Lsum 1.2818. Эти показатели относятся к указанной оценке и сами по себе не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

v-25/mt5-kaz-summarization — модель на базе google/mt5-small, дообученная для монолингвальной суммаризации казахских текстов: на вход подаётся текст на казахском языке, на выходе — его сокращённое изложение на казахском. В README указано 257 470 статей из Wikipedia, Tengrinews.kz и Turkestan.kz; в метаданных архитектура обозначена как mT5, формат весов — safetensors, размер — 157,4 млн параметров. README сообщает результаты ROUGE-1 0,778, ROUGE-2 0,670 и ROUGE-L 0,778 на тестовом наборе из 2 000 пар. Модель предназначена для краткого изложения казахских статей и новостных материалов. Заявленные метрики зависят от тестового набора и не гарантируют такое же качество на других текстах. Лицензия — MIT.

nafisehNik/mt5-persian-summary — модель семейства mT5, дообученная для суммаризации персидских новостей. Она принимает текст статьи и генерирует его краткое изложение. Модель содержит 157,4 млн параметров и распространяется в формате PyTorch; при дообучении использовались материалы BBC и набор pn_summary, а в метаданных также указан датасет XLSum. Лицензия — MIT. Модель предназначена для получения кратких пересказов новостных текстов на персидском языке. Карточка не сообщает длину контекста и подробности о качестве или ограничениях, поэтому применимость к текстам за пределами новостного домена не установлена.

tsmatz разработал модель для суммаризации японских новостных статей. Это дообученная версия Google mT5-small с архитектурой MT5ForConditionalGeneration и 157,4 млн параметров; модель принимает японский текст и генерирует краткое изложение. Она обучалась на японской части набора XL-Sum с новостными статьями BBC: первое предложение статьи служило заголовочным резюме, остальные — исходным текстом. Автор приводит результаты оценки: ROUGE-1 0,4625, ROUGE-2 0,2866, ROUGE-L 0,3656 и ROUGE-Lsum 0,3868. Модель распространяется под лицензией Apache-2.0. Модель предназначена прежде всего для сжатия новостных сюжетов с описанием события, предпосылок и результата. README предупреждает, что в обучающих данных не было диалогов, деловых документов, научных статей и коротких рассказов, поэтому качество на таких текстах может быть ниже. Контекстное окно в карточке не указано.