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

YuE2-Vae-legacy — аудиовариационный автоэнкодер YuE2, разработанный командой m-a-p. Он декодирует акустические латенты в стереомузыку с частотой 48 кГц и может отдельно кодировать аудио в латентное представление. Для генерации полноформатных песен его используют вместе с YuE2-3B; сам по себе он подходит для кодирования аудио и декодирования сохранённых латентов. Модель реализована как YuE2VAE и доступна в формате Safetensors для загрузки через Transformers. Для входа при кодировании нужны стереоданные с частотой 48 кГц. README рекомендует FP32; для декодирования больших последовательностей предусмотрен режим с разделением на фрагменты, ограничивающий расход памяти. По приведённым в карточке тестам, декодирование песни длительностью около 3,6 минуты занимает примерно 3,5 секунды на RTX 4090. В сравнении с YuE2-Vae у legacy-варианта выше оценки музыкальности в бенчмарках, тогда как стандартный YuE2-Vae обеспечивает лучшее воспринимаемое качество звука. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

AbydosNoobv-pred-1.1.0 — дообученная диффузионная модель RedRayz на базе Laxhar/noobai-XL-Vpred-1.0 для генерации изображений в стиле Blue Archive по текстовым промптам. Модель использует архитектуру SDXL и распространяется в форматах Diffusers и Safetensors. Автор сообщает об улучшенной стабильности и рендеринге теней. В карточке приведены рекомендуемые параметры генерации: 14–24 шага, Guidance Scale 2–5 и несколько вариантов сэмплера и планировщика; также описан сценарий увеличения разрешения через Hires.fix. Это специализированный художественный чекпойнт, ориентированный на стилизацию, а не универсальная модель генерации изображений. Лицензия Fair AI Public License 1.0-SD требует при изменении модели публиковать изменения вместе с исходной лицензией. README также запрещает монетизацию закрытой производной модели, если её исходный код, веса и использование недоступны публике.

ACertainty — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная JosephusCheung. Она предназначена прежде всего для дальнейшего обучения и тонкой настройки в DreamBooth: автор описывает её как более удобную для обучения и более сбалансированную основу для создания моделей на темы, персонажей и стили. Модель ориентирована на аниме-эстетику и доступна в форматах Diffusers и PyTorch. Для генерации автор приводит пример с настройками 28 шагов, семплером Euler a и CFG scale 11; для лучшей работы рекомендуется Clip skip 2. Для загрузки и запуска можно использовать StableDiffusionPipeline из библиотеки Diffusers. Лицензия — CreativeML OpenRAIL-M.

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

Карточка модели ACE-Step/acestep-v15-turbo-continuous на Hugging Face совпадает с карточкой ACE-Step/acestep-5Hz-lm-0.6B, поэтому описание составлено по ней. ACE-Step v1.5 5Hz LM 0.6B — языковая модель для планирования и управления генерацией музыки в составе системы ACE-Step, разработанной проектом ACE-STEP. Она преобразует запросы пользователя в планы композиции, включая метаданные, тексты песен и описания, которые направляют отдельную диффузионную модель для создания музыки. Модель поддерживает генерацию композиций от коротких фрагментов до 10 минут, а также сценарии редактирования музыки в системе ACE-Step: создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 574,7 млн параметров. Она принимает текстовые запросы, а в рамках ACE-Step управляет созданием аудио; заявлена поддержка более 50 языков. Контекстное окно составляет 40 960 токенов. В карточке ACE-Step указаны возможности планирования композиции среднего уровня, понимания аудио среднего уровня и слабое копирование мелодии. Для генерации итогового музыкального аудио требуется взаимодействие с соответствующей DiT-моделью системы. Модель опубликована ACE-STEP под лицензией MIT. README заявляет коммерческую применимость сгенерированной музыки и запуск всей системы на потребительском оборудовании, однако скорость и требование менее 4 ГБ видеопамяти относятся к описанию системы ACE-Step в целом и могут зависеть от используемой DiT-модели и конфигурации.

Alchemy3D — открытая базовая модель для редактирования существующих 3D-объектов, разработанная авторами из Гонконгского университета, Shenzhen Loop Area Institute, Shanghai Innovation Institute и Sun Yat-Sen University. Модель принимает исходную 3D-сетку, например в формате GLB, и целевое изображение-образец, а затем изменяет объект, сохраняя его идентичность и структуру. Поддерживаются добавление и удаление элементов, замена частей объекта, локальное и глобальное изменение внешнего вида, а также редактирование анимации. Модель обучена на наборе Alchemy3D-1M, содержащем 1,25 млн уникальных объектов и 1,38 млн пар редактирования с семью типами правок, и использует структурированные латенты TRELLIS.2. В репозитории представлены веса Safetensors; лицензия — Apache-2.0. Для работы требуются исходная 3D-сетка и изображение-образец; заявленное назначение — редактирование 3D-объектов, поэтому модель не следует описывать как генератор объектов с нуля.

Amateur Photography — LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем или организацией falanaja. Она предназначена для использования в сценариях text-to-image и ориентирована на создание изображений в стилистике любительской фотографии. Модель интегрируется с Diffusers и применяется поверх базовой модели black-forest-labs/FLUX.1-dev. В README не указаны размер, архитектура самой LoRA, поддерживаемые языки, максимальная длина контекста, точный характер стилистических особенностей, ограничения или лицензия. Доступны веса в формате Safetensors; пример использования показывает активацию LoRA с идентификатором amateurphoto-v6-forcu и весом 0.8. Условия использования в предоставленных данных не описаны.

Animagine XL 3.1 — диффузионная модель для генерации аниме-изображений по текстовым запросам, разработанная Cagliostro Research Lab при участии SeaArt.ai. Это дообученная версия Animagine XL 3.0 на базе Stable Diffusion XL; репозиторий содержит веса в форматах Diffusers и safetensors. Модель улучшает понимание промптов, прорисовку рук и анатомии, поддерживает специальные теги качества, рейтинга, периода и эстетики, а также охватывает больше персонажей известных аниме-сериалов. Модель предназначена для поклонников аниме, художников и создателей контента, которым нужны детализированные иллюстрации персонажей и сцен. Она лучше работает с подробными промптами в стиле тегов Danbooru, чем с короткими запросами на естественном языке. Модель ориентирована на аниме и не подходит для реалистичных фотографий; анатомия и руки всё ещё могут получаться неточно. Модель может генерировать материалы категории NSFW, в том числе без явного запроса. В README указана лицензия Fair AI Public License 1.0-SD; метаданные Hugging Face обозначают лицензию как other.

AnimeGamer — исследовательская система Tencent ARC Lab и City University of Hong Kong для симуляции бесконечной жизни в аниме-игре. Она использует мультимодальные большие языковые модели для интерпретации визуального контекста и предсказания следующего состояния игры, а видеодиффузионная модель генерирует динамические анимационные сцены с движением персонажей. Модель учитывает историю визуальных кадров, чтобы сохранять согласованность между сценами, и использует представления, учитывающие действия. В карточке указаны формат PyTorch и задача text-to-video; размер модели, контекст, поддерживаемые языки и конкретная лицензия не приведены. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории.

Anime-XCodec2 — дообученная версия нейронного аудиокодека XCodec2 от автора репозитория NandemoGHS. Обновлён только декодер: энкодер и кодовая книга оставлены без изменений, поэтому аудиотокены совместимы с исходным HKUSTAudio/xcodec2. Модель рассчитана на работу с аудио и аудиотокенами с частотой дискретизации 16 кГц. Основное назначение — декодировать токены XCodec2, полученные, например, от Llasa или других авторегрессионных генераторов, в японскую речь с интонациями и голосами в стиле аниме и игр. Также её можно использовать для реконструкции японской речи в соответствующих аудиопайплайнах. Декодер дообучен примерно на 25 тысячах часов японской речи, преимущественно с актёрской и персонажной подачей. Модель оптимизирована для японского языка: качество на других языках может быть ниже, а речь вне домена аниме и игр может не получить улучшений. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая ограничение на коммерческое применение.

Elizezen/Antler-7B — японская языковая модель с архитектурой Mistral, содержащая 7,1 млрд параметров. Это декодерная модель, дообученная на наборах веб-романов на основе Japanese Stable LM Base Gamma 7B. Модель предназначена прежде всего для генерации японских романов и художественного текста. Она принимает текст и генерирует продолжение; заявленная длина контекста — 4096 токенов. Карточка отмечает, что модель может хуже справляться с ответами на инструкции. Веса опубликованы в формате Safetensors; для использования указана Transformers версии 4.34.0 или новее. Условия лицензии в предоставленных данных не описаны.

Antler-7B-RP-v2 — японская языковая модель для ролевых диалогов, разработанная Aratako на базе Elizezen/Antler-7B. Это плотная MistralForCausalLM на 7,1 млрд параметров, дообученная с помощью LoRA на наборах LimaRP-augmented и Rosebleu-1on1-Dialogues-RP v2. Модель рассчитана на генерацию реплик персонажа и описаний обстановки; контекст обучения и нативный контекст составляют до 8192 токенов. Для диалога рекомендуется шаблон чата Mistral и формат с описанием мира, персонажей и ролевой инструкции. По сравнению с предыдущей версией модель чаще добавляет описания ситуации. В метаданных указан японский язык. Возможны пустой ответ с преждевременным EOS и выход реплик за пользователя; модель также может нарушать заданную роль. Репозиторий опубликован под Apache-2.0, однако автор отмечает, что лицензия базовой модели неясна и условия могут измениться.

Anything Remix — экспериментальная модель генерации изображений по текстовому описанию, созданная независимым автором Yntec. Она объединяет веса Anything 4.0 и Anything 4.5 с базовыми блоками Anything V7 и включает VAE MoistMixV2VAE. Модель ориентирована на создание изображений в аниме-стиле; распространяется в форматах Diffusers и Safetensors. Автор отмечает, что модель находится в разработке. Она предназначена для генерации изображений из текстовых запросов и использует лицензию CreativeML OpenRAIL-M. Поддерживаемый язык карточки — английский; README не описывает контекстные ограничения или подробные результаты оценки качества.

ArliAI-Llama-3-8B-Cumulus-v0.1 — разговорная модель OwenArli на архитектуре Llama 3, дообученная на основе Meta-Llama-3-8B-Instruct. Это эксперимент по снижению ограничений исходной модели; автор отмечает, что она особенно подходит для ролевых диалогов, но уступает оригиналу в рассуждениях и знаниях. Модель имеет 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Она принимает текст и генерирует текст в формате диалога. Для обучения использовалась QLoRA с 64 рангом и alpha 128; длина последовательности при обучении составляла 4096 токенов. Модель распространяется по лицензии Meta Llama 3 License. Перед использованием следует учитывать её сравнительно слабые по отношению к исходной модели способности к рассуждению и ответам на вопросы, требующие широких знаний.

Augmental-ReMM-13b-Merged — языковая модель на архитектуре Llama, созданная автором Heralax дообучением Undi95/ReMM-v2-L2-13B и слиянием обученных весов с базовой моделью. В карточке описана версия примерно на 12,9 млрд параметров; она принимает текст, имеет контекст до 4096 токенов и распространяется в формате safetensors по лицензии Llama 2. Модель предназначена для ролевого общения и генерации ответов от лица персонажей с заданными характерами. Она обучалась на примерно 7,85 тыс. примерах, созданных на основе диалогов визуальной новеллы Steins;Gate с помощью человеческого текста и его обработки GPT-4. Карточка рекомендует формат промптов SillyTavern и приводит собственный шаблон ролевого диалога. Автор отмечает, что качество этой версии ещё не проверял, поэтому заявленные преимущества и качество генерации не подтверждены его тестированием. Обучающие примеры основаны на Steins;Gate и нескольких персонажах, что может влиять на стиль и переносимость модели на другие сценарии. Условия использования определяются лицензией Llama 2.

philipobiorah/bert-imdb-model — модель BERT, дообученная для бинарной классификации тональности отзывов о фильмах IMDb. Она присваивает тексту метку «положительный» или «отрицательный» и может возвращать оценки уверенности. Модель основана на google-bert/bert-base-uncased, имеет архитектуру BertForSequenceClassification и содержит 136,7 млн параметров; максимальная длина входа — 512 токенов. Для работы используется библиотека Transformers, веса доступны в форматах PyTorch и Safetensors. Основной сценарий — анализ англоязычных отзывов о фильмах. В README приведены заявленные точности 0,96 на IMDb и 0,89 на SST-2, Yelp и Amazon, но условия и методика этих оценок не описаны. Модель обучена на датасете IMDb и может хуже работать на других темах, языках и текстах, отличающихся от отзывов. Лицензия — MIT.

almanach/camembertav2-base-cls — франкоязычная модель классификации текста, разработанная Виссамом Антуном из группы Almanach в Inria-Paris. Это дообученная для классификации последовательностей модель DeBERTa-v2 с 138,4 млн параметров и контекстом до 1024 токенов; она основана на almanach/camembertav2-base и обучена на датасете FLUE-CLS для классификации отзывов Amazon о фильмах, музыке и книгах. На FLUE-CLS модель достигает точности 0,95849. Модель предназначена для классификации франкоязычных отзывов в сценариях анализа пользовательских оценок и категорий отзывов. Она распространяется в формате safetensors по лицензии MIT. Возможны смещения, связанные с обучающими данными, и снижение качества на других наборах данных и задачах.

CantoneseLLM-v2.0-8B-Thinking-Chat-Vector-Merged — промежуточная плотная языковая модель на архитектуре Qwen3, созданная hon9kon9ize на основе Qwen3-8B-Base. Модель прошла продолженное предобучение на 784 млн токенов кантонского и гонконгского текста, после чего в неё перенесли chat-вектор из Qwen3-8B. В репозитории 7,6 млрд параметров; заявленное родное окно контекста — 40 960 токенов. Модель предназначена для диалоговой генерации текста и выполнения инструкций с учётом кантонского и гонконгского контекста. Модель показывает сильные результаты на указанном в карточке бенчмарке HKCanto-Eval, особенно в категории знаний о культуре Гонконга. При этом она рассуждает на упрощённом китайском, а не на кантонском, и может переносить упрощённые иероглифы в ответы на традиционном китайском. Инструкционное поведение унаследовано от донора без дополнительного дообучения на кантонских инструкциях; возможности перевода, отбора данных и оценки ответов в этой версии отсутствуют. Длинный контекст не проверялся, а карточка отмечает склонность к галлюцинациям и отсутствие дополнительной настройки безопасности. Лицензия — Apache-2.0.

C-Based-2x7B — языковая модель для генерации текста, созданная Undi95. Автор объединил MixTAO-7Bx2-MoE-v8.1 с собственной MoE-моделью, обученной на данных обратной связи Chaiverse. Модель рассчитана прежде всего на реалистичное общение и ролевые сценарии, включая ERP; также заявлены интеллект и широкий спектр применений. Используется шаблон запросов Alpaca. Архитектура — Mixtral MoE; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а README описывает исходные файлы как fp16. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор называет её экспериментальной «frankenmoe» и не приводит оценок итогового качества.

Chaos RP — разговорная языковая модель для ролевых диалогов, опубликованная jeiku. Она построена на архитектуре Llama и объединяет ChaoticNeutrals/IQ_Test_l3_8B и ResplendentAI/RP_Format_QuoteAsterisk_Llama3. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Карточка позиционирует её для ролевых сценариев и творческих диалогов на английском языке. Распространяется по лицензии Apache-2.0. Модель предназначена для лёгкого ведения ролевых бесед и генерации ответов в заданном ролевом формате. Сведения о качестве на конкретных тестах и более подробные ограничения в карточке не приводятся.

ChatWaifu 12B v2.0 — языковая модель, созданная spow12 и собранная с помощью mergekit из нескольких моделей семейства Mistral Nemo, включая Magnum, Lyra, Pantheon-RP, Crimson Dawn и Himeyuri. Это плотная авторегрессионная модель типа CausalLM с 12,1 млрд параметров, предназначенная для диалогов в образе персонажей визуальных новелл и общения с чат-помощником. Карточка заявляет поддержку японского и английского языков; модель принимает текст и генерирует текст. Модель ориентирована на ролевые беседы с персонажами, в том числе из перечисленных в карточке визуальных новелл. В обучающих данных есть японские ролевые диалоги, инструкции, код и примеры NSFW-содержимого, поэтому ответы могут включать контент для взрослых. В метаданных указан контекст до 1 024 000 токенов, однако README не описывает практические ограничения такого контекста. Репозиторий распространяется по лицензии CC BY-NC 4.0; автор также указывает некоммерческое и исследовательское использование.

chrono-link-bert-americanstories-1850-1890 — дообученная модель BERT для предсказания скрытых токенов в тексте. Она основана на bert-base-cased и предназначена для подстановки пропущенных слов в текстах, в том числе для работы с материалами, связанными с American Stories 1850–1890; сведения о датасете и специализации в карточке не раскрыты. Модель содержит 135,5 млн параметров, использует архитектуру BertForMaskedLM и обрабатывает последовательности длиной до 512 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README приведено значение loss 3,5010 на наборе оценки, но подробности оценки и обучающих данных отсутствуют.

Collective-v0.1-chinese-roleplay-8b — разговорная модель для ролевых диалогов, разработанная Collective AI. Это дообученная на данных взаимодействия с пользователями модель семейства Llama 3 на базе Llama3-8B-Chinese-Chat; архитектура плотная, размер — 7,5 млрд параметров, формат весов — Safetensors, контекст — до 8192 токенов. Модель рассчитана на диалоги на китайском и английском языках и поддерживает чатовый сценарий. Модель предназначена для продолжительных ролевых бесед с персонажами и сценариями, включая исторические, школьные, рабочие и фэнтезийные. В README отмечены выразительные описания эмоций, жестов и внутреннего состояния персонажей, инициативное развитие разговора и меньшая склонность к повторам; заявленное увеличение средней длины диалога не сопровождается описанием методики оценки. Лицензия в предоставленных данных не указана.

Colorjizz-512px v.1.0 — модель генерации изображений по текстовому описанию для Stable Diffusion 1.5. Она создана на основе 130 обучающих изображений разрешением 512 пикселей и обучалась 8000 шагов; текстовая часть обучения составляла 30%. Концепт разработан с разрешения автора изображений, вдохновлённых работами Destiny K. Модель предназначена для создания изображений в стиле Colorjizz по текстовым запросам. В README рекомендуется версия Colorjizz-768px для более высокого разрешения. Модель распространяется по лицензии CreativeML OpenRAIL-M; условия лицензии следует учитывать при использовании и распространении сгенерированных изображений.

Confluence-Renegade-7B — экспериментальное объединение нескольких RP-моделей на 7 млрд параметров, созданное автором Nekochu с помощью mergekit. В основе лежит архитектура Mistral для генерации текста; модель объединяет, среди прочих, BuRP_7B, Infinitely-Laydiculous-7B и EndlessRP-v3-7B. Репозиторий также указывает контекст до 32 768 токенов. Модель предназначена для ролевых диалогов и генерации художественного текста в стиле RP, в том числе с ослабленными ограничениями. Автор описывает сборку как первый экспериментальный merge и предупреждает, что не проверял объединённые модели; качество результата поэтому не гарантировано. Доступна по лицензии Apache-2.0.

lllyasviel/control_v11p_sd15_normalbae — это модель ControlNet v1.1, разработанная Lvmin Zhang и Maneesh Agrawala. Она предназначена для управления генерацией изображений диффузионными моделями посредством дополнительного условного входа и является конвертацией исходного checkpoint в формат diffusers. Модель обучена для совместной работы со Stable Diffusion v1.5 от RunwayML. Данный вариант использует в качестве условия изображения нормалей, подготовленные, например, с помощью NormalBaeDetector. Он подходит для сценариев image-to-image и управляемой text-to-image генерации, когда требуется сохранить или передать в результат пространственную структуру и геометрию исходного изображения, одновременно задавая содержание текстовым описанием. В README указано, что языком модели является английский; размер и точные параметры архитектуры не приведены. К сильным сторонам относятся управляемая генерация на основе дополнительного визуального условия и совместимость с экосистемой Diffusers. Модель обучалась на Stable Diffusion v1.5, поэтому прежде всего рекомендуется использовать её с этой базовой моделью; совместимость с другими диффузионными моделями возможна экспериментально. Для извлечения условного изображения требуются внешние зависимости, включая controlnet_aux. Модель распространяется по лицензии CreativeML OpenRAIL M.

Dans-DangerousWinds-V1.0.0-7b — дообученная модель PocketDoc на базе Mistral-7B-v0.3 с 7,1 млрд параметров, предназначенная для интерактивных текстовых приключений в старом формате текстовых игр. Она ведёт повествование по действиям игрока, развивает сцены в жанрах научной фантастики, киберпанка, фэнтези и приключений; отличительная особенность — склонность создавать неудачи для игрока, включая внезапные смертельные последствия. Модель принимает текстовые реплики и генерирует текст на английском языке. Метаданные указывают контекст до 32 768 токенов, тогда как README рекомендует 8192 токена. Лицензия — Apache-2.0.

DanTagGen-delta-rev2 — модель KBlueLeaf для автоматической генерации тегов изображений, ориентированная прежде всего на задачи, связанные с иллюстрациями и метаданными Danbooru. Она предназначена для дополнения неполного набора тегов: на основе указанных параметров качества, рейтинга, автора, персонажей, правообладателей, соотношения сторон, целевой длины и общих тегов модель генерирует дополнительные описательные теги. Модель может использоваться в рабочих процессах подготовки промптов для генерации изображений и в инструментах, интегрированных с Stable Diffusion и совместимыми интерфейсами. Модель обучена с нуля на архитектуре LLaMA с примерно 400 млн параметров, которую автор неофициально называет NanoLLaMA. Это text-generation модель для английских тегов, обученная на 7,2 млн записей из набора KBlueLeaf/danbooru2023-sqlite; обучение продолжалось 12 эпох, всего было обработано примерно 10–15 млрд токенов. Версия rev2 продолжает delta и обучалась ещё две эпохи на том же наборе данных. По сравнению с предыдущими версиями delta отличается большим объёмом данных и лучшим разнообразием, но может быть слегка недообучена. Модель совместима с интерфейсами инференса для LLaMA. В репозитории доступны варианты FP16 GGUF и квантованные GGUF-модели с разрядностью 8 и 6 бит; автор рекомендует llama.cpp или llama-cpp-python, что обеспечивает быстрое выполнение. Ограничения включают узкую специализацию на тегах и домене Danbooru, отсутствие заявленной поддержки других языков и отсутствие указанных характеристик контекстного окна. Модель имеет лицензию CC BY-SA 4.0 и помечена как содержащая материалы не для всех аудиторий.

ddpo-alignment — модель генерации изображений из текста на основе Stable Diffusion v1-4, дообученная методом DDPO для лучшего соответствия изображения текстовому запросу. Разработчики использовали функцию вознаграждения, в которой LLaVA оценивает соответствие между запросом и сгенерированным изображением. Модель обучали на шаблонах запросов с животным и действием: например, «кошка моет посуду» или «собака играет в шахматы». Для таких запросов ожидаются лучшие результаты; авторы также отмечают ограниченное обобщение на другие формулировки. Модель принимает текст и выдаёт изображение, работает через библиотеку Diffusers и распространяется в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

Это дообученная модель обнаружения объектов на базе nsugianto/detr-resnet50_finetuned_nganimal_primSecv2_lr5e5_dec1e4_bs8. Она использует архитектуру DETR и содержит 6,3 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для анализа изображений и локализации объектов, однако карточка не описывает набор классов и сценарии применения. README указывает, что дообучение выполнено на неизвестном наборе данных. Лицензия — Apache-2.0.