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

Swallow-70b-RP — слитая модель генерации текста от nitky, предназначенная для ролевых сценариев и создания историй. Она основана на Llama 2 и объединяет несколько моделей для повествования с инструктивной Swallow-70b-instruct-hf. В README указаны методы слияния DARE TIES и SLERP. Модель содержит 68,8 млрд параметров, работает с текстом и имеет контекст 4096 токенов; в карточке отмечены английский и японский языки. Модель подходит для одноповоротного ролевого взаимодействия и написания художественных историй, но автор отмечает, что она не очень хорошо справляется с многоходовым чатом. В README рекомендован формат инструкций Alpaca и приведены настройки генерации с температурой 0,7, top_p 0,9, repetition_penalty 1,15 и top_k 20. Автор ограничивает использование личными и академическими целями. Модель объединяет дообученные версии Llama 2, среди которых могут быть компоненты с неясными условиями коммерческого использования; метаданные указывают лицензию llama2, поэтому перед применением следует учитывать как лицензию репозитория, так и оговорку автора.

SwimV2 — модель компьютерного зрения на архитектуре Swin-Tiny, разработанная путём дообучения microsoft/swin-tiny-patch4-window7-224 на наборе данных в формате imagefolder. Она предназначена для классификации изображений; карточка сообщает значение loss 0,0290 на оценочной выборке, но не описывает состав классов и методику оценки. Модель содержит около 33 млн параметров и распространяется в формате safetensors через библиотеку Transformers. Модель подойдёт для классификации изображений в задачах, соответствующих обучающему набору данных. Базовая Swin-Tiny классифицирует изображения по 1000 классам ImageNet-1k, однако карточка SwimV2 не подтверждает, что для этой версии сохранён тот же набор классов. Лицензия — Apache-2.0.

Teleut-7b-RP — модель для генерации диалогов в ролевых сценариях, созданная Allura на основе Teleut-7b. Это дообученная с помощью LoRA плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров; для общения рекомендуется шаблон ChatML. В метаданных указан контекст до 131 072 токенов, а веса представлены в формате Safetensors. Модель предназначена для отыгрыша персонажей и продолжения диалогов в заданном стиле. README описывает два цикла обучения и приводит рекомендуемые настройки сэмплирования, но отмечает, что обучающие данные были низкого качества. Модель распространяется по лицензии Apache-2.0. Карточка не приводит сведения о поддерживаемых естественных языках.

The_Creeping_Darkness-X2-16B — разговорная языковая модель на архитектуре Mistral, созданная Bumoch как слияние нескольких моделей. В README описаны MagMell, Darkstar и Lyra V4, а также Vortex5/Prototype-X-12b и Mistral-Nemo-Instruct-2407-12B-MPOA-v1; каталожные метаданные связывают её с Bumoch/The_Creeping_Darkness-X-16B. Модель содержит 16,4 млрд параметров и рассчитана на генерацию текста и диалог. Автор сообщает, что модель обычно поддерживает длинные разговоры, иногда учитывает детали из контекста примерно в 10 тысяч токенов и может выступать собеседником или рассказчиком. Её характер описан как разговорчивый, мрачный и временами чрезмерно эмоциональный; качество ответов непостоянно, иногда модель говорит за пользователя или отвечает бессвязно. В метаданных указан контекст до 131 072 токенов, но README не подтверждает качество работы на всей этой длине. Доступны форматы Safetensors и GGUF; лицензия — Apache-2.0.

Tiny Knight-1.1b-v0.1 — компактная разговорная языковая модель на архитектуре Llama, созданная для генерации текстов о рыцарях, Средневековье и фэнтезийных мирах. Разработчик дообучил её на основе TinyLlama-1.1B-Chat-v1.0; модель содержит около 1 млрд параметров и рассчитана на работу в условиях ограниченных вычислительных ресурсов. Модель подходит для создания тематических рассказов, учебных материалов и текстов для исследования средневековых сюжетов. Подробный контекст в запросе помогает получать более подходящие и атмосферные ответы. Родной размер контекста — 2048 токенов; в репозитории представлены веса Safetensors. Основной язык карточки — английский. Модель специализирована на рыцарской и средневековой тематике и может хуже справляться с общими задачами, особенно требующими подробных знаний за пределами этой области. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

TIPO-200M-ft2 — языковая модель семейства LLaMA от KBlueLeaf, созданная для TIPO (Text to Image with text presampling for Prompt Optimization). Она дополняет и уточняет пользовательские запросы перед передачей в генератор изображений, помогая получать более проработанные промпты для text-to-image систем. Модель имеет плотную архитектуру LLaMAForCausalLM и около 177,9 млн параметров. Она принимает текст и генерирует текст; в карточке указаны английский язык и контекст 2048 токенов. README описывает обучение на данных Danbooru2023 и Coyo-HD-11M, а метаданные также перечисляют наборы подписей к изображениям LAION Conceptual Captions и GBC10M. Для работы автор рекомендует расширение z-tipo-extension, совместимое со Stable Diffusion WebUI, Forge и ComfyUI. TIPO предназначена для автоматического расширения коротких или неполных промптов, особенно в сценариях генерации изображений по тегам и подписям. В README приведены сравнительные результаты тестирования исходной TIPO-200M, но они не подтверждают отдельно качество версии ft2. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

TraVisionLM-DPO — мультимодальная модель, разработанная ucsahin и дообученная методом DPO на основе ucsahin/TraVisionLM-base. Она принимает изображение и инструкцию на турецком языке, после чего генерирует ответ на турецком: описывает изображение или отвечает на вопрос о его содержимом. Модель содержит 875 млн параметров и совместима с библиотекой Transformers. Версия DPO оптимизирована по сравнению с базовой моделью для более точных, правдивых и подробных ответов. Модель распространяется в формате safetensors по лицензии Apache 2.0.

Это версия microsoft/TRELLIS-text-large, преобразованная в самостоятельный конвейер diffusers-3d для генерации 3D-объектов по текстовым описаниям. Репозиторий включает текстовый энкодер CLIP ViT-L/14, токенизатор и компоненты декодирования TRELLIS; веса исходной модели не изменены. Конвейер принимает текстовый запрос, в том числе с отрицательным описанием, и предназначен для генерации 3D-представлений объектов. Для рендеринга Gaussian splats требуется дополнительный backend gsplat; для PBR-текстурированной сетки TRELLIS.2 нужна CuMesh. Модель распространяется по лицензии MIT.

TROCR-Chess — модель распознавания рукописной шахматной нотации на изображениях, разработанная автором репозитория как дообученная версия Microsoft TrOCR-Large. Архитектура Vision Encoder-Decoder на базе TrOCR преобразует изображения записей ходов в текстовую стандартную алгебраическую нотацию (SAN); модель принимает изображения и выдаёт текст. В README описано обучение на 13 731 изображении рукописных ходов, с оценочной точностью около 92% и CER около 3%.

Trouper-v2-12B — языковая модель DarwinAnim8or для текстового ролевого общения и художественного письма от лица персонажей. Это плотная модель семейства Mistral с 12,1 млрд параметров, созданная на основе слияния Trouper-12B и Mistral Nemo Base; в карточке также указано дообучение на Mistral Nemo Base. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 131 072 токенов. Распространяется в формате safetensors по лицензии Apache-2.0. Модель рассчитана на ролевые сцены с постепенным развитием отношений и эмоциональных арок, передачу голоса персонажа, сдержанную прозу и сохранение контроля пользователя над действиями своего героя. Она также умеет формировать краткие пересказы истории и текстовые запросы для генерации портретов и фонов в SillyTavern. Среди заявленных особенностей — внутренние монологи персонажей, поддержка структурированных карточек и устойчивость к неожиданным поворотам диалога. Ограничения включают склонность к повторяющимся атмосферным деталям, редкие нарушения формата, включая незакрытые звездочки и пропуск блоков размышлений, а также возможное употребление выражения «the user» во внутренних блоках. Для корректного завершения реплик рекомендуется использовать шаблон Mistral-Tekken или ChatML. Модель не предназначена для обычной работы виртуального помощника вне ролевой игры.

vicgalle-Roleplay-Llama-3-8B-GGUF — набор GGUF-квантизаций модели vicgalle/Roleplay-Llama-3-8B, подготовленный командой featherless-ai-quants. Модель предназначена для генерации текста, в частности для ролевого взаимодействия и сценариев roleplay. Доступны варианты квантизации Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS, что позволяет выбирать между размером файлов, требованиями к памяти и сохранением качества. Размеры файлов составляют примерно от 3,0 до 8,1 ГБ. Модель относится к семейству Llama 3 и имеет 8 млрд параметров. Указана текстовая модальность и назначение text-generation, однако сведения о поддерживаемых языках и размере контекстного окна в README отсутствуют. GGUF-квантизации удобны для локального запуска в совместимом программном обеспечении, но более сильное сжатие может снижать качество генерации по сравнению с менее квантованными вариантами. Лицензия и условия использования в предоставленных данных не указаны.

Модель majidam/videomae-base-finetuned-ucf101-subset — видеотрансформер VideoMAE, дообученный на основе MCG-NJU/videomae-base для классификации видео. В репозитории указано, что набор данных неизвестен; название модели указывает на подмножество UCF101, но README этого не подтверждает. Модель содержит 113,2 млн параметров и опубликована в формате Safetensors для библиотеки Transformers. В README приведены результаты на оценочной выборке: loss 0,0279 и accuracy 0,9949; поскольку описание набора данных и методики оценки отсутствует, эти показатели нельзя напрямую переносить на другие данные. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Vintern-3B-beta — мультимодальная чат-модель проекта 5CD-AI для вопросов по изображениям, с особым упором на вьетнамский язык. Она объединяет визуальный энкодер InternViT-300M-448px с языковой моделью Qwen2.5-3B-Instruct через MLP; архитектура указана как InternVLChatModel, веса опубликованы в формате safetensors. Для обучения использовались более 10 миллионов вьетнамских вопросов и ответов и описаний, а также данные на английском и китайском языках. Модель предназначена для визуальных вопросов и ответов, описания изображений и мультимодального диалога. В карточке приведены результаты на MTVQA, VMLU, OpenCompass и SEED-Bench-2-Plus; README сообщает о сильных результатах на отдельных тестах, но эти цифры не гарантируют качество для каждого сценария. Доступ к модели осуществляется через Transformers. Лицензия в предоставленных данных не указана.

Bektur756 выпустил модель для классификации изображений кошек, собак и панд. Это дообученная версия Vision Transformer Google ViT-Base с патчами 16×16 и классификационной головой на три класса. На вход подаётся RGB-изображение, которое приводится к размеру 224×224; всего модель обрабатывает 196 патчей и токен [CLS]. В метаданных указано 113,2 млн параметров, а в README — 85 800 963 параметра; эти значения расходятся. Модель подходит для определения, изображена ли на фотографии кошка, собака или панда. В README приведены точность 100% на тестовой выборке из 120 изображений и средняя задержка около 22 мс на Tesla T4; результаты относятся к небольшому датасету Melisa13/Animals_dataset и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0.

Migga/ViT_Chess_V8 — модель классификации изображений на основе архитектуры Vision Transformer (ViT), опубликованная пользователем Migga на Hugging Face. По названию модели и категории image-classification она предназначена для распознавания классов на изображениях, связанных с шахматной тематикой. Модель содержит около 162,7 млн параметров и использует библиотеки Transformers и PyTorch. Она работает с визуальными данными и не предназначена для обработки естественного языка или генерации текста. Результаты зависят от классов и изображений, использованных при обучении; модель не следует рассматривать как универсальную систему анализа шахматных позиций или棋棋棋棋棋棋.

usyd-community/vitpose-base-coco-aic-mpii — версия ViTPose, перенесённая в Transformers; исходную модель разработали Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао, а порт для Transformers подготовили Сангбум Чхве и Нильс Рогге. Модель предназначена для оценки позы человека: по изображению человека она предсказывает координаты ключевых точек тела. В основе — обычный невизуально-иерархический Vision Transformer для извлечения признаков и лёгкий декодер для оценки позы. Модель обучалась и оценивалась на наборах COCO, AI Challenger и MPII; README также описывает оценку на CrowdPose и OCHuman. Её можно применять для анализа поз в изображениях и видео, отслеживания техники упражнений и подготовки данных для распознавания действий или анимации. Карточка сообщает о результате семейства ViTPose до 81,1 AP на тестовом наборе COCO, но не уточняет метрику именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0. Для оценки поз в видео требуется отдельно обрабатывать последовательность кадров; сама модель не распознаёт действия.

V-JEPA 2.1 ViT-L/16 @ 384 — преобразованные веса модели для извлечения плотных пространственно-временных признаков из видео. Репозиторий подготовил Dev-Jahn в формате Hugging Face на основе официального чекпойнта Meta; модель ViT-L/16 дистиллирована из ViT-G. Модель принимает видеоклипы и кодирует их в сетку признаков: патч имеет размер 16 пикселей, временной tubelet охватывает 2 кадра. Для клипа из 64 кадров размером 384 × 384 получается сетка токенов 32 × 24 × 24 с размерностью признаков 1024. Подходит как визуальный энкодер для извлечения признаков видео и последующего пространственно-временного анализа. Веса опубликованы в формате safetensors и доступны на условиях лицензии Apache-2.0. Это порт чекпойнта, а не отдельное дообучение; README не сообщает о поддержке генерации текста или других модальностей.

VyvoUp EfficientHBR v2.0 — компактная причинная модель расширения полосы речевого аудио, разработанная автором репозитория kadirnar. Она принимает монофоническую речь с частотой 24 кГц и выдаёт точно синхронизированный монофонический сигнал 48 кГц. Модель построена на безсмещённых причинных темпоральных свёртках с управляемыми вентилями и содержит 32 112 обучаемых параметров; опубликован формат ONNX. Сеть предсказывает два чередующихся остаточных компонента высокочастотной полосы. Фиксированный комплементарный FIR-тракт сохраняет исходную полосу и добавляет только высокочастотный остаток; точная цифровая тишина преобразуется в точную тишину. Модель предназначена для потокового расширения полосы речи, например, для повышения частоты дискретизации и восстановления высоких частот в речевых записях. В README приведены проверки на реальной и синтетической речи и сравнения с FlashSR, однако точность восстановленных высоких частот не подтверждается отсутствием эталонных 48-кГц данных в одном из описанных сравнений. Модель выпущена по лицензии CC BY 4.0. В карточке не указаны поддерживаемые естественные языки; описание ориентировано на акустическую обработку речи, а не на распознавание или генерацию текста.

watashiha/watashiha-gpt-6b — японская языковая модель для создания ответов в жанре 大喜利: комедийных реплик и шуток на заданную тему. Её разработали Тацуя Утида, Ёхэй Кобаси, Сюя Куроки, Хикару Кубота и Дайсукэ Такэнути. Модель построена на архитектуре GPT-2 и содержит 6 млрд параметров; для обучения использовалась библиотека aws-neuron-reference-for-megatron-lm. После предварительного обучения на японских текстах из C4, CC-100, OSCAR, Википедии и внутренних данных модель дообучили на 6,93 млн примеров 大喜利. В опубликованном сравнении её ответы оценивали японские эксперты по четырёхуровневой шкале. Контекст составляет 2048 токенов. Модель принимает текст и генерирует текст на японском языке. Весам предоставлена лицензия Apache License 2.0. Модель специализирована на юмористических ответах в формате 大喜利; оценка в карточке охватывает заданный авторами сценарий и не подтверждает качество для широкого круга языковых задач.

Модель tiantiaf/wavlm-large-voice-quality — дообученная версия WavLM Large для классификации характеристик голоса и речи. Она реализует подход Vox-Profile и выдаёт метки по пяти группам признаков: высота тона, тембр, громкость, чёткость и ритм речи. Среди меток — высокий или низкий голос, хрипотца, шёпот, невнятная речь, монотонность и неуверенность. Модель принимает аудио и предназначена для анализа голосовых записей на уровне говорящего. В описании приведена оценка Macro-F1, усреднённая по говорящим и датасетам VoxCeleb и Expresso; EARS исключён из-за малого числа примеров в отложенной выборке ParaSpeechCaps. Базовая модель Microsoft WavLM Large предварительно обучена на английской речи, а в метаданных указан английский язык и датасет ParaSpeechCaps. Репозиторий содержит веса в формате safetensors. Лицензия — OpenRAIL.

WizzGPTv2 — модель генерации текста на архитектуре GPT-2, предназначенная для создания и дополнения промптов для SDXL, особенно ZavyChromaXL и похожих моделей. Разработчик указывает, что модель обучена на базовой модели GPT-2 и работает в режиме продолжения текста: можно подавать короткие начала вроде «A» или «The portrait of». Дополнительный стиль можно задать отдельно, чтобы влиять на будущую генерацию. Модель принимает текст и выдаёт текст; заявленная длина контекста — 1024 токена. В карточке приведены настройки для разнообразных генераций, включая температуру 1,1 и top-k 24. Лицензия и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

Blueflame749/Z-Image-Lora — LoRA-адаптер для генерации изображений по текстовому описанию на базе Tongyi-MAI/Z-Image и Z-Image-Turbo. Модель опубликована в репозитории blueflame749; README содержит ссылки на материалы и сообщество nphSi. Адаптер предназначен для Diffusers и распространяется в формате Safetensors. Основной сценарий использования — добавление в изображения узнаваемых людей и персонажей по специальным триггерным словам. Для активации рекомендуется указывать полное имя LoRA вместе с соответствующим триггером вида vrtlxxxx; универсальные описания вроде «woman» или «1girl» могут не сработать из-за особенностей разметки обучающих данных. Для неоднозначных имён рекомендуется добавлять пол, а при слабых или нежелательных ассоциациях модели — исключать имя и использовать только триггер. README не указывает размер адаптера, архитектурные параметры, поддерживаемые языки, длину контекста или отдельные модальности помимо текстового ввода и генерации изображений. К сильным сторонам относятся совместимость с двумя базовыми моделями Z-Image и специализированная активация большого набора персон и персонажей. Ограничения включают зависимость результата от точного триггера и выбранной базовой модели, а также возможную неоднозначность или цензурирование некоторых имён. Лицензия — Apache-2.0.

Карточка модели Tuananh20015/acestep-5Hz-lm-4B 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 VetalValera/acestep-5Hz-lm-4B 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 amandabenson/acestep-5Hz-lm-4B-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 Makaveliai/acestep-v15-base-sft 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 amandabenson/acestep-v15-turbo-continuous-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 CC-TM/acestep-v15-turbo-shift3 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.

Aion-RP 1.0 (8B) — модель AionLabs для генерации текста в сценариях ролевого общения. Она создана дообучением базовой модели Aion-RP-Llama-3.1-8B и предназначена для ведения диалогов от лица персонажей. В README сообщается, что модель показала лучший результат в части оценки персонажей бенчмарка RPBench-Auto, где языковые модели сравнивают ответы друг друга. Модель относится к семейству Llama 3.1 и имеет 8 млрд параметров. Данных о поддерживаемых языках, длине контекста и лицензии в предоставленных источниках нет. Результат на RPBench-Auto указывает на специализацию для ролевых диалогов, но сам по себе не гарантирует качество в других задачах.

nmuhammads/angel — это адаптер LoRA для генерации изображений по текстовому описанию, созданный пользователем или организацией nmuhammads. Модель предназначена для использования с библиотекой Diffusers и базовой моделью Qwen/Qwen-Image; её назначение, судя по названию и метаданным, связано с применением эффекта или визуальной концепции «angel», однако подробное описание результата в README отсутствует. Известно, что модель относится к семейству text-to-image и использует архитектуру LoRA поверх Qwen/Qwen-Image. Данные о размере адаптера, поддерживаемых языках, длине контекста, точных модальностях базовой модели, рекомендуемых параметрах и ограничениях качества не указаны. Лицензия — Apache-2.0. Для применения требуется совместимая базовая модель Qwen/Qwen-Image и инструменты Diffusers.