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

Quino — модель text-to-image, созданная пользователем machinelearnear с помощью DreamBooth на базе Stable Diffusion v1.5. Она обучена воспроизводить концепт artequino по текстовому запросу и предназначена для генерации изображений через Diffusers с использованием соответствующих концептуальных подсказок. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

DavidAU/Qwen3-42B-A3B-Stranger-Thoughts-Deep20x-Abliterated-Uncensored — экспериментальная производная языковая модель для генерации художественного текста. В карточке она описана как объединение Qwen3-30B-A3B, предварительно изменённой huihui-ai, с методом Brainstorm 20x; метаданные указывают на дообученную модель huihui-ai/Qwen3-30B-A3B-abliterated. Архитектура — Qwen3 MoE с 128 экспертами и 8 активируемыми экспертами; заявлены 42 млрд параметров в README, тогда как метаданные каталога указывают 3,5 млрд. Контекст — около 40 тысяч токенов. Модель предназначена прежде всего для художественной прозы, сюжетов, сцен, ролевых диалогов и рассуждений. Автор подчёркивает выразительную генерацию хоррора, насилия, эротики и других взрослых тем, а также разнообразие вариантов при повторной генерации. Указаны шаблоны ChatML и Jinja; в метаданных отмечены английский, французский, китайский и немецкий языки. Карточка предупреждает о случайных ошибок регистра и лишних пробелах, а также о снижении качества при неподходящих шаблоне или настройках. Модель не проверялась для задач вне творческой генерации. Лицензия — Apache-2.0.

Qwen Image Edit 2509 - Manga Tone LoRA — адаптер LoRA от автора nappa114514 для базовой модели Qwen/Qwen-Image-Edit-2509. Он предназначен для image-to-image преобразования изображений в стилистику manga tone; заявлена совместимость также с Qwen Image Edit 2511. Для активации эффекта используется триггерная фраза “paint with manga tone”. Модель распространяется как LoRA для экосистемы Diffusers и может применяться через ComfyUI; в репозитории приведён соответствующий workflow. Архитектура, размер, поддерживаемые языки, точный набор модальностей и максимальный контекст не указаны. В качестве сильной стороны заявлено стилистическое преобразование произвольных изображений в manga tone, однако степень сохранения исходного содержания и возможные ограничения качества README не описывает. Лицензия — Apache-2.0.

Qwen-Image-Edit-2511-Noir-Comic-Book-Panel — адаптер LoRA, разработанный prithivMLmods для модели Qwen/Qwen-Image-Edit-2511. Он предназначен для задач image-to-image и преобразует исходные изображения в отдельные кинематографичные панели в стилистике нуарного комикса. Модель делает акцент на контрастной чёрно-белой тушёвке, грубых иллюстрированных текстурах, глубокой светотени, резких бликах, дождливой атмосфере и выразительных силуэтах. Она ориентирована на визуальное повествование, драматичную композицию и сохранение ясности сцены. Для активации эффекта рекомендуется триггерный запрос «Transform into a noir comic book style». Размер модели, точная архитектура адаптера и максимальная длина контекста в README не указаны. Для запуска используется библиотека Diffusers; заявлена совместимость с версиями 2509 и 2511, а базовая модель поддерживает работу с CUDA и MPS. Адаптер сфокусирован на создании одной нуарной комикс-панели, поэтому его применение ограничено данным художественным стилем и зависит от возможностей базовой модели, исходного изображения и текстового запроса. Лицензия — Apache 2.0.

Reddit — модель генерации изображений по текстовому описанию, собранная Yntec как смесь RedditAlpha и REV 1.0 с встроенным Color101VAE. Репозиторий содержит веса в формате Diffusers/PyTorch и Safetensors; задача по метаданным — text-to-image. Модель предназначена для создания иллюстраций по промптам. В README приведён пример запроса на изображение девушки в стиле рекламного постера с детализированными глазами и волосами, ковбойской шляпой и заметными мазками кисти. Автор предупреждает, что модель склонна генерировать откровенный контент и рекомендует добавлять «nude, naked» в негативный промпт, если такие изображения нежелательны. Модель получена смешиванием весов RedditAlpha и REV 1.0, после чего в неё встроена Color101VAE. README также описывает происхождение RedditAlpha и цепочку смешивания предшествующих моделей. Лицензия репозитория — CreativeML OpenRAIL-M; README описывает исходную RedditAlpha как небезопасную и рекомендует её только для исследований.

ssale2/results — дообученная модель классификации изображений на архитектуре Vision Transformer (ViT), созданная на основе aretolabs/nsfw_detection. Репозиторий содержит веса в формате safetensors; модель насчитывает 113,2 млн параметров и распространяется по лицензии Apache-2.0. Модель предназначена для классификации изображений, в частности для выявления контента NSFW. README не приводит сведений о датасете, точности и ограничениях применения, поэтому качество и охват классов по имеющимся данным оценить нельзя.

Robertita cased — модель RoBERTa-base, разработанная Filevich и обученная с нуля исключительно на материалах уругвайской прессы. Она предсказывает замаскированные слова в испанском тексте и подходит для заполнения пропусков и изучения контекстного употребления слов в уругвайском варианте испанского языка. Модель содержит 137,1 млн параметров, использует архитектуру RobertaForMaskedLM и принимает текстовые последовательности длиной до 130 токенов. Опубликована в форматах PyTorch и Safetensors под лицензией MIT. Обучение только на уругвайской прессе ограничивает её применимость за пределами этого языкового и тематического контекста.

Rotoscopee — модель генерации изображений из текста, созданная автором tuwonga путём дообучения Stable Diffusion 1.5 на кадрах из анимационных произведений «A Scanner Darkly», «Undone» и «Tehran Taboo». Чтобы вызвать характерную ротоскопическую стилизацию, в запрос добавляют токен «rotoscopee». Модель рассчитана на создание персонажей, сцен, пейзажей и животных в этом стиле; автор отмечает, что персонажи получаются лучше, чем пейзажи и сцены. Модель обучена методом DreamBooth автором TheLastBen на 50 изображениях в течение 5000 шагов. Она распространяется в формате Diffusers и PyTorch, включая safetensors; README также описывает использование файла ckpt в интерфейсе Stable Diffusion. Лицензия — CreativeML OpenRAIL-M.

Sarv-Non-Reasoning — модель генерации персидской поэзии, разработанная artindnr на основе ChatBerry-1.1. Она дообучена на данных стихотворной генерации и предназначена для прямого создания стихов без вывода цепочки рассуждений: в ответе появляется само стихотворение, без пояснений, если пользователь их не запросил. Модель принимает текстовые запросы на персидском языке и генерирует классическую поэзию, включая газели и рубаи, а также стихи свободной формы. Она основана на архитектуре GPT-OSS с Mixture-of-Experts, содержит 1,6 млрд параметров и поддерживает контекст длиной до 131072 токенов. LoRA-дообучение слито с базовыми весами; модель распространяется в формате safetensors. Модель подходит для творческих помощников, чат-ботов и сервисов быстрого создания стихов по теме или запросу. Она не предназначена для анализа стихов или сценариев, где требуется видимая цепочка рассуждений; соблюдение классического персидского размера аруз не гарантируется. Лицензия — Apache-2.0.

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.

PocketChen/SJTU_NIS4307_intro2ai_bertweet — дообученная модель BERTweet для бинарной классификации англоязычных сообщений по признаку слуха или фейковой информации. Она создана для учебного проекта курса SJTU NIS4307 Introduction to AI и основана на энкодере RoBERTa из vinai/bertweet-base, предварительно обученном на англоязычных твитах. Классификационная голова выдаёт метки LABEL_0 (не слух, достоверное или подтверждённое содержание) и LABEL_1 (слух, фейковое или опровергнутое содержание). Модель содержит 162,4 млн параметров, принимает текст и имеет контекст до 130 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. Модель подходит для классификации коротких сообщений в задачах обнаружения слухов и дезинформации. Её классы объединяют несколько близких понятий, поэтому предсказание не следует считать независимой проверкой достоверности; работа за пределами коротких англоязычных сообщений не подтверждена.

Модель sd-dreambooth-library/smiling-friends-cartoon-style создана Pinguin как дообученная с помощью DreamBooth модель Stable Diffusion для генерации изображений в стиле мультсериала «Улыбающиеся друзья». Для генерации следует использовать текстовый запрос с триггером «sks», например описать фотографию в этом стиле. Модель распространяется в формате Diffusers/PyTorch по лицензии MIT. Карточка не сообщает размер модели, длину контекста или перечень поддерживаемых языков.

SmolGPT-Fables v1 — языковая модель для генерации коротких английских рассказов и басен, разработанная neonforestmist на базе HuggingFaceTB/SmolLM2-1.7B-Instruct. Модель ориентирована на создание историй из 1–6 нумерованных сцен по заданным персонажам, жанру, месту действия, важным событиям, деталям и типу концовки. Модель работает в текстовой модальности и предназначена для сценариев творческого письма, прототипирования сюжетов и контролируемой генерации рассказов. Она принимает отдельные поля для имени и описания каждого основного персонажа, а также старается сохранять указанные имена, особенности сеттинга, важные предметы и финал. Поддерживаются Transformers и приложения, совместимые с llama.cpp; для нативных приложений Apple доступна отдельная версия Core ML с INT4-квантизацией. Язык модели — английский. Размер архитектуры ограничен базовой моделью на 1,7 млрд параметров. Сильные стороны модели — компактность, специализированная направленность на короткие структурированные истории и поддержка управляемой генерации с заданным числом сцен. Ограничения включают узкую специализацию на английских рассказах и отсутствие в README количественных оценок качества; сохранение всех пользовательских деталей заявлено как целевое поведение, но не гарантируется. Модель распространяется по лицензии Apache 2.0.

SNOFS_LORA — адаптер LoRA для генерации изображений по текстовому описанию. Модель опубликована пользователем NickSh228 и предназначена для использования с базовой моделью wikeeyang/Flux2-Klein-9B-True-V3 в экосистеме Diffusers. В карточке указано, что это text-to-image LoRA, однако сведения о назначении адаптера, стиле или тематике генерируемых изображений, размере, архитектурных параметрах, поддерживаемых языках, максимальном контексте и рекомендуемых настройках отсутствуют. Также не приведены результаты тестирования, примеры требований к промптам или информация о совместимости с конкретными версиями библиотек. Лицензия и условия использования в представленном README не указаны, поэтому их необходимо уточнить на странице модели перед применением или распространением результатов.

SoteDiffusion Wuerstchen3 — модель генерации изображений в стиле аниме, созданная дообучением Disty0 на базе Würstchen V3. Она предназначена для создания иллюстраций по текстовым запросам и обучалась на наборе из 2,75 млн изображений. Для работы доступны Diffusers и safetensors; в README приведены настройки генерации, включая разрешения, кратные 128, и примеры параметров для SD.Next. Модель ориентирована на аниме-иллюстрации; реалистичные изображения отдельно не проверялись. Обучение продолжается, а лицензия указана как other; автор запрещает коммерческое использование.

SoulX-Singer-bf16 — набор весов в формате safetensors, подготовленный сообществом mlx-community для запуска на Apple Silicon через MLX. Он содержит компоненты SoulX-Singer SVS для синтеза пения по тексту и музыкальному управлению, а также SoulX-Singer-SVC для преобразования вокала. Это конвертированное представление дообученной модели Soul-AILab/SoulX-Singer, а не полностью нативный MLX-runtime: для генерации аудио README использует официальную структуру модели на PyTorch через SoulX-Singer-MLX. Модель предназначена для создания вокальных партий и преобразования пения; базовая модель поддерживает управление мелодией, MIDI-нотами, ритмом и выразительностью. Репозиторий предлагает веса bf16 объёмом около 2,6 ГБ. README приводит проверку генерации WAV длительностью 6,71 секунды с частотой 24 кГц в моно, однако описанные проверки не характеризуют качество для всех сценариев. Лицензия — Apache-2.0.

SpatialEdit-16B — модель проекта SpatialEdit для тонкого пространственного редактирования изображений. Она принимает исходное изображение и текстовую инструкцию, чтобы перемещать или поворачивать объекты и выполнять изменения, заданные относительно камеры, стараясь сохранять реалистичность сцены и идентичность объектов. Модель обучена на синтетических данных SpatialEdit-500K и оценивалась на бенчмарке SpatialEdit-Bench по правдоподобию и геометрической точности изменений. В репозитории объединены компоненты Qwen/Qwen3-VL-8B-Instruct и Wan-AI/Wan2.1-T2V-1.3B; для работы также требуются внешние чекпойнты этих моделей, включая VAE Wan 2.1. README описывает модель как исследовательскую. Лицензия репозитория — Apache-2.0.

Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов. Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.

tf-allociné — модель анализа тональности французских отзывов, разработанная Тэофилем Бларом. Она основана на CamemBERT и дообучена на большом наборе пользовательских отзывов с сайта Allociné.fr. Модель классифицирует текстовые отзывы, например, чтобы определить их эмоциональную окраску. Модель содержит 137,8 млн параметров, построена на архитектуре CamemBERT и доступна в формате TensorFlow. Максимальная длина контекста — 514 токенов. В README указаны точность 97,44% и F1-мера 97,34% на тестовой выборке; эти результаты относятся к оценке на данных проекта и не гарантируют аналогичного качества на других текстах. Карточка не указывает лицензию, поэтому условия использования по ней определить нельзя. Модель предназначена для классификации французских текстов и может хуже работать на других языках, длинных текстах или отзывах, не похожих на данные Allociné.fr.

TongGu-7B-Instruct — языковая модель для понимания и обработки китайских классических текстов, разработанная лабораторией глубокого обучения и вычислений изображений Южно-Китайского технологического университета (SCUT-DLVCLab). Она основана на Baichuan2-7B-Base: модель прошла дополнительное предобучение на 2,41 млрд токенов корпуса классических текстов и многоэтапную инструкционную донастройку на 4 млн диалоговых примеров. Архитектура — плотная Baichuan с 7 млрд параметров; длина контекста — 4096 токенов. Модель предназначена для расстановки пунктуации и смыслового членения в классическом китайском тексте, его перевода на современный китайский, объяснения идиом, анализа и создания стихов, а также ответов на вопросы о классических произведениях. Авторы сообщают о сильных результатах в задачах понимания и обработки древних текстов. Модель может ошибаться в фактах или выдавать предвзятые и вредоносные ответы, поэтому результаты требуют проверки. README не указывает лицензию модели; ограничения на некоммерческое исследовательское использование отдельно приведены для набора данных ACCN-INS и не должны автоматически трактоваться как лицензия модели.

litert-community выпустила LiteRT-версию модели U²-Net Portrait для преобразования фотографии лица в карту карандашного линейного рисунка. Модель построена на сверточной архитектуре U²-Net с блоками RSU, принимает RGB-изображение размером 512×512 и выдаёт одноканальную карту 512×512; для получения тёмных штрихов на белом фоне результат нормализуют и инвертируют. Размер файлов модели — 176 МБ, формат — TFLite, библиотека запуска — LiteRT. Модель предназначена для создания портретных скетчей и творческих или AR-фильтров на мобильных устройствах и других локальных устройствах. README сообщает о запуске на GPU через LiteRT CompiledModel без отката на CPU, а также приводит сценарии для Android и браузера. Качество лучше для центрированного лица; CPU-инференс может быть медленным и требовательным к памяти. Репозиторий распространяется по лицензии Apache-2.0.

BAAI/URSA-0.6B-FSQ320 — компактная модель BAAI семейства BAAI-Vision-URSA для генерации и изменения видео по текстовым запросам. Это текстово-видеомодель на 0,6 млрд параметров; она использует архитектуру Uniform Discrete Diffusion with Metric Path, библиотеку Diffusers и точность FP16. Заявленное разрешение видео — 512×320, токенизатор — Cosmos-Tokenize1-DV4x8x8-360p. Модель подходит для исследовательских экспериментов с генерацией видео, а также для творческих и образовательных инструментов и художественных задач. Лицензия Apache-2.0. Авторы предупреждают, что модель не предназначена для достоверного воспроизведения людей и событий; она может давать нереалистичные изображения, плохо отображать сложный текст и некорректно генерировать детали, например пальцы. Обучающие данные включали контент для взрослых, насилие и сексуальный контент; возможны предвзятость и вредные результаты.

Uyu-2-28B — текстовая языковая модель для ролевых диалогов, созданная mente-ai на основе google/gemma-4-31B-it. Авторы структурно сократили модель методом Global Iterative Structured Pruning (GISP), а затем дообучили и восстановили её веса с помощью LoRA на данных вопросов и ответов на корейском и английском языках. Модель содержит 27,4 млрд параметров и распространяется в формате BF16 Safetensors. Модель предназначена прежде всего для генерации текста в ролевых сценариях и ведения диалогов на корейском и английском. Для запуска авторы указывают vLLM с включённым Transformers backend и специальным кодом модели. Хотя базовая архитектура поддерживает контекст до 262 144 токенов, в этой версии локально проверялась работа лишь на коротких контекстах; в README приведена проверка промпта длиной 1 983 токена при лимите 2 048. Чекпойнт текстовый: мультимодальные веса удалены. Он протестирован на связную генерацию на корейском и английском, но стандартизированных результатов бенчмарков нет. Прямая генерация через AutoModelForCausalLM в Transformers в этой версии не поддерживается. Модель распространяется по лицензии Apache-2.0.

Модель mo-thecreator/vit-Facial-Expression-Recognition — дообученная версия Vision Transformer ViT-Base от Google для классификации выражений лица по изображениям. Она содержит 113,2 млн параметров и принимает изображения, предварительно изменённые по размеру и нормализованные. Модель предназначена для распознавания семи категорий: злость, отвращение, страх, радость, грусть, удивление и нейтральное выражение. Она обучена на наборах FER2013, MMI Facial Expression Database и AffectNet; в карточке указаны точность 0,8434 и loss 0,4503 на оценочной выборке. Результаты относятся к оценке на указанных данных и сами по себе не гарантируют аналогичное качество на изображениях из других условий или групп людей. Карточка не сообщает условия лицензии.

Wan2.1-T2V-1.3B-GGUF — это GGUF-конверсия модели Wan2.1-T2V-1.3B, разработанная samuelchristlie на основе открытой серии видеомоделей Wan от Wan-AI. Модель предназначена прежде всего для генерации видео по текстовому описанию и интегрируется с библиотекой Diffusers. Серия Wan также поддерживает генерацию видео по изображению и редактирование видео, однако README не уточняет, доступны ли эти возможности именно в данной GGUF-конверсии. Известно, что модель относится к классу text-to-video и имеет размер 1,3 млрд параметров. Формат GGUF ориентирован на более удобное распространение и использование, в том числе на потребительских GPU. В README указан английский язык, но сведения о длине контекста, архитектуре, поддерживаемых разрешениях, длительности генерируемых видео, требованиях к памяти и точных характеристиках инференса отсутствуют. Модель может быть полезна для экспериментальной генерации видеоконтента из текстовых промптов на совместимом оборудовании. К ограничениям относятся отсутствие подробных технических характеристик и результатов оценки качества, а также неопределённость относительно всех функций исходной серии в данной конверсии. Модель распространяется по лицензии Apache 2.0, как производная работа оригинальной модели.

Модель padmalcom/wav2vec2-large-emotion-detection-german — классификатор эмоций в речи на базе архитектуры wav2vec2, обученный на наборе данных emo-DB. Разработчик README не назван. Модель содержит 402,7 млн параметров и предназначена для классификации аудио на семь классов: гнев, скука, отвращение, страх, счастье, грусть и нейтральное состояние. Модель принимает аудио и выдаёт метку эмоционального класса. Она рассчитана на немецкую речь и может применяться для анализа эмоциональной окраски высказываний, например в записях диалогов. В репозитории указана лицензия Apache-2.0. Качество на других языках и вне данных emo-DB не описано; классификатор ограничен заданными семью классами.

Модель audeering для оценки возраста и распознавания гендерной категории по необработанному аудиосигналу. Она основана на Wav2Vec2-Large-Robust и дообучена на наборах aGender, Mozilla Common Voice, TIMIT и VoxCeleb 2; в этой версии обучались первые шесть слоёв трансформера. Модель содержит около 100,7 млн параметров. На выходе модель предсказывает приблизительный возраст в диапазоне от 0 до 100 лет, вероятности категорий «ребёнок», «женщина» и «мужчина», а также объединённые представления последнего слоя трансформера. Она предназначена для анализа возрастных и гендерных характеристик по голосу; pooled-представления также могут использоваться в последующих аудиозадачах. Доступна в форматах PyTorch и Safetensors; для модели также опубликован экспорт ONNX. Лицензия CC BY-NC-SA 4.0 разрешает некоммерческое использование с указанием авторства и распространением производных работ на тех же условиях.

addy88/wav2vec2-sanskrit-stt — модель распознавания речи на основе Wav2Vec2, представленная пользователем addy88. Она предназначена для преобразования аудио на санскрите в текст и подходит для получения транскрипций без дополнительной языковой модели. Модель содержит 113,3 млн параметров; в метаданных указаны архитектура Wav2Vec2ForCTC и формат PyTorch. Модель принимает аудио и выдаёт текстовую транскрипцию. Карточка показывает прямое использование без языковой модели, но не сообщает точность распознавания и условия лицензии.

Waifu Diffusion 1.5 Beta — модель генерации изображений по текстовому описанию, основанная на Stable Diffusion и представленная проектом Waifu Diffusion. Это незавершённая бета-версия; карточка рекомендует генерировать изображения при разрешении примерно от 500 до 1000 пикселей с последующим увеличением в 2 раза через latent upscale hiresfix. В репозитории есть чекпойнты, совместимый с WD 1.4 VAE и эмбеддинги wdgoodprompt и wdbadprompt, помогающие формировать запросы. Модель предназначена для создания изображений в эстетике аниме по текстовым промптам. Она распространяется в форматах Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует проверять на странице модели. Поскольку это незавершённый бета-чекпойнт, качество генерации и требования к промптам могут быть нестабильными.

keremberke/yolov8m-nlf-head-detection — модель компьютерного зрения семейства YOLOv8, опубликованная пользователем keremberke и предназначенная для обнаружения шлемов игроков в кадрах американского футбола. Она использует архитектуру YOLOv8m и библиотеку Ultralytics; веса представлены в формате PyTorch. Модель распознаёт классы Helmet, Helmet-Blurred, Helmet-Difficult, Helmet-Partial и Helmet-Sideline, поэтому подходит для анализа видеозаписей матчей и изображений с поля или боковой линии. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками классов. Она обучена на наборе данных keremberke/nfl-object-detection. Карточка указывает установку ultralyticsplus для использования, но не приводит сведения о точности или ограничениях на условиях съёмки. Лицензия в предоставленных данных не указана.