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

Technotech разработал MagicPrompt-tinystories-33M-epoch10-merged — компактную авторегрессионную языковую модель семейства GPT-Neo для продолжения и дополнения текстовых промптов Stable Diffusion. Модель дообучена на 80 тысячах промптов Stable Diffusion; в метаданных указаны 71,6 млн параметров и контекст до 2048 токенов. Базовая модель — TinyStories-33M. Модель предназначена для генерации вариантов промптов и продолжения заданного описания сцены при подготовке запросов для Stable Diffusion. Она принимает текст и выдаёт текст на английском языке. Автор отмечает, что при небольшом размере модель справляется приемлемо, но слабо понимает содержание; повторы фраз могут возникать, поэтому при генерации важны настройки против повторов. Лицензия — Apache-2.0.

BarzinV разработал Maltese OCR — TrOCR char-decoder для распознавания печатного текста на мальтийском языке в изображениях. Модель создана для соревнования DocEng 2026 по извлечению корпусов на мальтийском языке и построена на архитектуре VisionEncoderDecoderModel: визуальный энкодер ViT/DeiT принимает изображения размером 384×384, а трансформерный декодер генерирует текст посимвольно. Словарь из 120 токенов охватывает мальтийские буквы, латиницу, цифры и знаки препинания. Модель дообучена на Microsoft TrOCR Base Handwritten, с заменой исходного субсловного декодера на символьный; обучение включало самосупервизионную предобучающую стадию энкодера и последующее обучение на синтетических изображениях текста. Она предназначена для транскрибирования мальтийского печатного текста, включая короткие фрагменты и строки. На наборе разработки соревнования из 422 изображений заявлен corpus-aggregate CER около 0,3912. Модель распространяется под лицензией MIT. Основное ограничение — разрыв между синтетическими обучающими данными и реальными изображениями: ошибки чаще возникают на зашумлённых или низкокачественных фрагментах. Модель рассчитана на печатный мальтийский текст, не предназначена для рукописей и других языков; декодер ограничен 512 позициями, поэтому текст длиннее примерно 511 символов может быть обрезан.

Маврут (Mawrooth) — дообученная модель Norah Alobaied для толкования саудовской набати-поэзии. Она принимает стихотворную строку и формирует структурированное объяснение: разбирает значения трудных слов, анализирует смысл строки и раскрывает культурный контекст. Дополнительно модель может создавать визуальное описание, пригодное для генерации изображений. Модель построена на плотной архитектуре Llama и содержит 6,7 млрд параметров; базовая модель — humain-ai/ALLaM-7B-Instruct-preview. Обучение проводилось методом LoRA на 587 примерах, а специализированный словарь набати включает около 1000 терминов, связанных, в частности, с природой, кофе, верблюдами и традиционной культурой. Карточка сообщает о поддержке арабского языка и арабского литературного языка с надждийским диалектом; контекст — 4096 токенов. Модель предназначена для объяснения поэзии, а не для универсального диалога. Заявленные авторами сильные стороны — структурированный разбор, опора на специализированный словарь и отсутствие смешения языков. Точность объяснений и культурных сведений может зависеть от полноты словаря и охвата обучающих примеров. Модель распространяется под лицензией Apache-2.0.

MeshAnything — модель для генерации 3D-сеток по изображению, разработанная исследователями из Nanyang Technological University, Shanghai AI Lab и других университетов и исследовательских организаций. Она использует авторегрессионные трансформеры и ориентирована на создание сеток в стиле моделей, сделанных художниками; в README упоминается выпуск версии на 350 млн параметров, однако метаданные не подтверждают размер именно этого репозитория. Модель принимает изображение и выдаёт 3D-сетку. Её можно применять для преобразования изображений или результатов 3D-реконструкции и сканирования в компактные сетки для 3D-графики. Генерация занимает около 30 секунд и требует примерно 7 ГБ памяти на GPU A6000. Обучение ограничено сетками менее чем с 800 гранями, и модель не генерирует сетки с более чем 800 гранями. Для лучших результатов входная форма должна иметь достаточно чёткие детали, а вертикальная ось исходной сетки при её использовании должна быть направлена по +Y. README указывает лицензию MIT; код обучения ещё не выпущен.

MeshAnythingV2 — модель проекта MeshAnything для преобразования входной 3D-сетки в малополигональную художественную сетку. В репозитории указана архитектура OPTForCausalLM семейства Shape-OPT; модель содержит около 402,8 млн параметров и распространяется в формате safetensors. Хотя авторский pipeline_tag обозначает задачу image-to-3d, README описывает обработку уже созданной плотной 3D-сетки, а не непосредственную генерацию сетки по изображению. Модель предназначена для упрощения и художественного представления 3D-объектов с ограниченным числом граней, в том числе для последующей работы с результатами реконструкции или генерации 3D. README сообщает, что на входную сетку рекомендуется подавать нормализованный объект с направлением вверх по оси +Y; для сеток, не созданных Marching Cubes, предлагается предварительная обработка этим методом. Для обработки на A6000 требуется около 8 ГБ видеопамяти, генерация занимает примерно 45 секунд. Обучение ограничено сетками менее чем с 1600 гранями, и модель не генерирует сетки более чем с 1600 гранями. Слишком мягкие или недостаточно детализированные формы трудно представить при таком лимите. Лицензия — MIT.

MESIE-Spectral-v1-alpha — компактный аудиоклассификатор на базе трансформера SpectralTransformer, опубликованный ItsNotAI LABS. По README, пакет рассчитан на запуск вывода непосредственно в браузере и мобильных приложениях React Native; метаданные указывают около 917,5 тыс. параметров и поддержку аудиовхода. Модель предназначена для классификации аудио. Репозиторий включает варианты весов ONNX и PyTorch, а README описывает исполнение ONNX Runtime WebAssembly на клиентском CPU и работу офлайн после загрузки WASM-модуля. Заявления README о задержке и размере модели относятся к описанному там пакету и среде исполнения. Модель распространяется по лицензии Apache-2.0. Карточка не раскрывает набор классов, обучающие данные и оценку качества, поэтому конкретные виды распознаваемых звуков определить нельзя.

Midnight-Rose-103B-v2.0.3 — плотная авторегрессионная языковая модель семейства Llama на 102,9 млрд параметров, созданная sophosympatheia как frankenmerge Midnight-Rose-70B-v2.0.3 с самой собой с помощью mergekit. Она предназначена прежде всего для ролевых диалогов и создания историй; автор отмечает, что другие задачи не проверялись. Модель принимает текст и генерирует текст на английском языке. Контекст в метаданных указан как 4096 токенов; автор рекомендует около 6144 токенов, предупреждая о снижении связности при увеличении контекста. Автор описывает модель как uncensored и приводит настройки семплирования и шаблоны для SillyTavern. Она допускает настройку промптами и разными форматами инструкций, но качество за пределами ролевых диалогов и повествования не оценивалось. Для использования распространяется по лицензии Llama 2.

Это модель Monadical Labs на основе Stable Diffusion, дообученная генерировать по текстовому запросу изображения скинов персонажей Minecraft для версий до 1.8. Её обучали 13 000 шагов с использованием библиотеки Diffusers и сценария обучения text-to-image. Модель предназначена для создания концептов игровых скинов по описанию. Для импорта результата в Minecraft требуется постобработка; примеры кода для подготовки скинов опубликованы в репозитории Monadical-SAS. Модель распространяется по лицензии OpenRAIL. В README также упоминается более новая версия на базе Stable Diffusion XL с улучшенной поддержкой прозрачности.

Minecraft Skin Generator XL — модель Monadical для создания изображений скинов Minecraft по текстовому описанию. Она основана на Stable Diffusion XL и предназначена для генерации игровых персонажей и скинов, в том числе по описаниям узнаваемых персонажей. Модель работает через StableDiffusionXLPipeline и распространяется в форматах Diffusers и Safetensors. Поддерживается прозрачный слой в области волос и шлема. Авторы рекомендуют генерировать изображения размером 768×768 пикселей: при другом размере конвейер может выдать изображение 1024×1024 с непригодными дополнительными областями. Для локального запуска рекомендуется GPU; работу на CPU авторы не поддерживают. Лицензия модели — OpenRAIL. Карточка не приводит количественную оценку качества или подробные ограничения лицензии; перед использованием следует ознакомиться с её условиями.

MirrorMask — дообученная модель Stable Diffusion, созданная по мотивам тёмного фэнтези-фильма «Зеркальная маска» (2005). Она генерирует изображения по текстовым запросам и предназначена для переноса характерного стиля фильма на описанные сцены. Для активации стиля в запросе используется токен «mirrormask»; его можно разместить до или после описания и дополнить словом «style». Модель распространяется в форматах Diffusers и PyTorch, лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях указания авторства, распространения производных работ на тех же условиях и некоммерческого применения. README также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX.

facebook/mms-tts-tao — модель синтеза речи на языке ями (Yami, tao) из проекта Massively Multilingual Speech компании Facebook. Она преобразует текст на ями в речевую волну и предназначена для озвучивания текста на этом языке. Модель использует архитектуру VITS и содержит 3,5 млн параметров. Это отдельный языковой чекпойнт семейства MMS-TTS; для синтеза применяются предсказание длительности и декодер, формирующий аудиоволну. Модель доступна через библиотеку Transformers версии 4.33 и выше. Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Предсказатель длительности стохастический, поэтому результат может меняться между запусками; для воспроизводимого синтеза нужно фиксировать seed. Модель предназначена для речи на ями, а не для многоязычного синтеза.

Это модель классификации текста из семейства MoralBERT, опубликованного исследователями во главе с Vjosa Preniqi. Она предназначена для определения выраженности категории Purity/Degradation («чистота/деградация») в тексте на основе теории моральных оснований. MoralBERT состоит из BERT-моделей, дообученных на размеченных данных; для отдельных моральных измерений используются отдельные классификаторы. Разработчики описывают применение к социальным дискуссиям и текстам, включая публикации в социальных сетях. Репозиторий модели указывает лицензию MIT. Оценки отражают заданную теоретическую схему и зависят от обучающих данных и контекста текста.

Painted Fantasy Visage v2 — языковая модель Zerofata для генерации творческого текста и ролевого отыгрыша. Она основана на Mistral Small 3.2, расширенной до 33,7 млрд параметров, и дообучена на прозе, ролевых диалогах и инструкциях для творческого письма. В карточке указано контекстное окно 131 072 токена и формат safetensors; README также описывает варианты GGUF и EXL3. Модель предназначена прежде всего для диалогов с персонажами, в которых важны инициативность и выразительная подача, включая ERP-сценарии. README описывает последовательность предварительного обучения, SFT, KTO и DPO, а также последующее слияние дообученной модели с исходной расширенной версией для сохранения творческой выразительности. Лицензия — Apache-2.0. Модель ориентирована на художественную прозу и ролевой отыгрыш; заявленные автором свойства не подтверждены оценками или бенчмарками в предоставленных данных. Её сценарии могут включать откровенный контент, поэтому ответы могут быть неприемлемы для некоторых аудиторий.

MuLaCover — модель для создания кавер-версий песен и музыкальных ремиксов, разработанная командой HeartMuLa и представленная в репозитории HeartMuLa. Она преобразует исходную музыку с учётом текста песни и структурированного текстового описания стиля; также поддерживает генерацию на основе мелодии или аккордов в формате MIDI. Модель предназначена для управляемого преобразования музыкального аудио: можно задавать текст и стиль, чтобы получить новую версию композиции, или использовать MIDI-мелодию и аккорды как основу. Для запуска применяется библиотека MuLaCover; для некоторых сценариев нужны дополнительные контрольные точки HeartCodec, Qwen3-Embedding-0.6B, YourMT3 и ChordNet. В репозитории опубликованы конфигурация архитектуры, токенизатор и разделённые на части веса в формате safetensors. Модель принимает аудио, а также использует текстовые подсказки, текст песни и MIDI для управления генерацией. Лицензия CC BY-NC 4.0 разрешает использование на условиях указанных ограничений, включая запрет коммерческого использования.

NemoDori-v0.2-12B-MN-BT — экспериментальная разговорная языковая модель, созданная RozGrov с помощью LazyMergekit путём слияния crestf411/nemo-sunfall-v0.6.1, unsloth/Mistral-Nemo-Instruct-2407 и предыдущей версии RozGrov/NemoDori-v0.1-12B-MS. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров; она принимает текст и генерирует текст. Автор описывает её как продолжение ориентированной на ERP-сценарии NemoDori и приводит результаты пробного использования для ролевых диалогов и работы с агентами Talemate: модель следует инструкциям, формирует персонажей и состояние мира, а ответы обычно краткие. Метаданные указывают нативный контекст до 1 024 000 токенов. Модель предназначена для экспериментальных ролевых сценариев, диалогов персонажей и использования в Talemate. Автор отмечает, что повествование развивается медленно, ответы могут быть слишком короткими, а в роли рассказчика модель иногда говорит за пользователя или добавляет разговор Talemate. Автор также характеризует работу как тестирование, поэтому качество зависит от инструкций и настроек. Лицензия в предоставленных данных не указана.

NeuraLake-m7-v2-AshhLimaRP-Mistral-7B — текстовая генеративная модель Meggido, построенная на базе Meggido/NeuraLake-m7-v2-7B и адаптера LoRA lemonilia/AshhLimaRP-Mistral-7B. Она предназначена для ролевых диалогов и создания ответов от лица заданного персонажа по его описанию, описанию пользователя и сценарию. Модель использует архитектуру Mistral с 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. README описывает формат промпта Extended Alpaca и управление длиной ответа модификатором от micro до unlimited; длина задаётся приблизительно, а длинные ответы могут быть многословными или приписывать реплики пользователю. Репозиторий содержит веса safetensors. Лицензия CC BY-NC 4.0 допускает некоммерческое использование с соблюдением её условий.

NeuTTS-2E — модель синтеза речи, разработанная Neuphonic для локального запуска на устройствах с ограниченными ресурсами. Она преобразует текст на английском языке в речь и позволяет выбирать одну из четырёх фиксированных голосовых персон и одну из шести эмоций либо нейтральную подачу. Модель использует компактную языковую модель для генерации токенов речи и аудиокодек NeuCodec. В README указано около 125 млн активных параметров базовой части и около 236 млн параметров всего; доступны квантованные версии GGUF. Модель оптимизирована для генерации в реальном времени на CPU и для встраиваемых устройств. Все создаваемые аудиофайлы по умолчанию содержат водяной знак Perth. Это ранняя альфа-версия, рассчитанная только на английский язык и фиксированный набор голосов; клонирование голоса не заявлено. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория.

Noberai-7B-V001-2048-alpha — модель генерации текста, созданная AkineAItech путём дообучения японской модели calm2-7b на отобранных веб-романах и произведениях из Aozora Bunko. Модель предназначена для написания художественной прозы на японском языке; направление генерации можно задавать ключевыми словами, а также названием произведения или именем автора. Модель использует плотную архитектуру семейства Llama и распространяется в формате safetensors. В метаданных указано 2,8 млрд параметров и контекст до 4096 токенов; README заявляет контекст 2048 токенов. Лицензия — MIT. Карточка предлагает шаблоны инструкций для управления генерацией, но не приводит результатов сравнительной оценки качества.

Noct Q — модифицированная версия Qwen-Image-2.1, созданная для генерации реалистичных изображений по текстовым описаниям, включая обнажённые тела и откровенные сцены. Модель также подходит для фотореалистичных сцен, иллюстраций и изображений с читаемыми надписями; автор рекомендует формулировать запросы полными предложениями, описывая персонажа, действие, место, освещение и кадрирование. Модель работает в ComfyUI как diffusion-модель и поддерживает редактирование изображений через шаблон Qwen Image 2.1 edit. В репозитории приведён файл V4 в формате safetensors размером 7,3 ГБ, рассчитанный на видеокарты с 8–12 ГБ памяти; также упомянуты предыдущая версия V3 и отдельные текстовый энкодер и VAE. README рекомендует 25 шагов генерации и портретное разрешение 1024×1536. Основана на слиянии Qwen/Qwen-Image-2.1; лицензия указана как other, поэтому условия использования следует проверять на странице модели.

NoobAI XL V-Pred 0.75 — диффузионная модель генерации изображений по текстовому описанию, разработанная Laxhar Lab. Это версия с предсказанием v-prediction, дообученная на основе Laxhar/noobai-XL_v1.0; метаданные каталога связывают её с Laxhar/noobai-XL-Vpred-0.65. В обучении использованы изображения Danbooru и e621 с тегами и текстовыми описаниями, поэтому модель ориентирована на создание иллюстраций в стилистике этих наборов данных. Модель рассчитана на генерацию изображений по тегам или естественно-языковым промптам. В README рекомендованы Euler, 28–35 шагов, CFG 4–5 и разрешение около 1024×1024; другие сэмплеры могут работать некорректно. Модель распространяется в форматах Diffusers и safetensors. Поддерживается английский язык промптов. Лицензия указана как other; README запрещает коммерческое использование, требует открывать производные модели и делиться деталями работы. Также запрещено вредоносное и незаконное применение. Возможны неожиданные или вредные результаты генерации; авторы отдельно предупреждают о нестабильности dev-ветки WebUI.

NoobAI XL V-Pred 0.9r — диффузионная модель генерации изображений по тексту от Laxhar Lab, дообученная на базе Laxhar/noobai-XL_v1.0. Она обучена на изображениях Danbooru и e621 с тегами и текстовыми описаниями и ориентирована на создание иллюстраций в соответствующих стилях. Модель использует предсказание v-prediction и рассчитана на запуск через reForge, ComfyUI, WebUI или Diffusers. В README рекомендованы сэмплер Euler, CFG 4–5, 28–35 шагов и разрешения около миллиона пикселей, включая 832×1216 и 1024×1024; другие сэмплеры могут работать некорректно. Репозиторий содержит форматы Diffusers и safetensors. Лицензия указана как other; README запрещает коммерческое использование и требует открывать производные модели и материалы по fair-ai-public-license. Модель может создавать нежелательные или вредные изображения, а ветка dev для WebUI описана как нестабильная.

Eugeoter/noob-sdxl-controlnet-lineart_anime — модель для генерации изображений по текстовому описанию с использованием ControlNet, ориентированная на управление композицией по линейному изображению в anime-стилистике. Она построена на базе Laxhar/sdxl_noob и предназначена для работы с библиотекой Diffusers и экосистемой Stable Diffusion XL. Модель может применяться для создания изображений по эскизам, lineart-референсам и другим структурным направляющим изображениям, однако подробные сведения о точной архитектуре, размере, поддерживаемых разрешениях, контексте и качестве результатов в карточке не указаны. В метаданных заявлен английский язык. Ключевое преимущество модели — сочетание генерации по тексту с управлением позой и композицией через lineart, что может быть полезно при создании персонажей и сцен в аниме-стилистике. Ограничения, особенности обучения и рекомендуемые параметры использования не описаны. Модель распространяется по Fair AI Public License 1.0 for SD; условия лицензии следует уточнять по указанной ссылке: https://freedevproject.org/faipl-1.0-sd/.

DS-Archive/Nous-Hermes-Llama2-13b-Kimiko-Lora-Merged — объединённая модель на базе Nous Hermes Llama 2 13B с QLoRA-адаптером Kimiko. Она сочетает следование инструкциям и способности к рассуждению базовой модели с ролевой игрой от лица персонажей. Модель построена на архитектуре Llama 2, содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов; принимает текст в формате инструкций Alpaca и генерирует текст. Модель подходит для диалогов и ролевых сценариев с персонажами. Разработчики предупреждают о предвзятостях, в том числе характерных для нишевых ролевых форумов, и не рекомендуют использовать её для предоставления фактической информации или советов. Лицензия указана как other, конкретные условия в карточке не приведены.

Модель enesyila/ota-roberta-base-kadisicilleri разработана Enes Yılandiloğlu и дообучена на основе FacebookAI/xlm-roberta-base для заполнения пропусков в османско-турецких текстах. Она ориентирована на судебные и административные документы kadı sicilleri: обучающая выборка включает записи из Стамбула и Диярбакыра XVI–XX веков. Модель принимает текст с маскированными словами и предсказывает подходящие варианты; указанный размер — 305,2 млн параметров, длина контекста — 514 токенов. Модель подходит для восстановления и дополнения предложений, а также как основа для последующих задач разметки именованных сущностей, UD-аннотации, перевода и классификации. Эти downstream-задачи описаны в карточке как возможные направления применения, но основная задача модели — fill-mask. Транслитерация обучающих данных не соответствует системе IJMES: для лучшей совместимости рекомендуется использовать исходный формат написания, включая символы â, î, ô и û. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это англоязычная модель распознавания речи Parakeet RNN-T 0.6B, подготовленная dys-asr как усреднение весов пяти последовательных эпох одного обучающего запуска модели dys-asr/parakeet-rnnt-0.6b-all-syn-chunk-cutout. Дополнительного обучения при создании этой версии не проводилось: веса эпох 6–10 усреднены поровну. Модель основана на extraordinarylab/parakeet-unified-en-0.6b и предназначена для распознавания английской речи, в том числе речи с нарушенной артикуляцией; также она может служить отправной точкой для адаптации под конкретного говорящего. Архитектура — Parakeet RNN-T с 0,6 млрд параметров в формате safetensors. На указанном в карточке тестовом подмножестве SAPC2 модель показала WER 9,91% и CER 6,06% при жадном декодировании без языковой модели. Принимает монофоническое аудио с частотой 16 кГц и выдаёт текст. Для загрузки требуется transformers версии 5.9 или новее; декодирование авторегрессионное и медленнее, чем у CTC-моделей. Модель выпущена под лицензией CC-BY-4.0. Её вывод наследует формат обучающей модели: строчные буквы, без пунктуации, числа записываются словами. Оценка проведена на определённом подмножестве SAPC2, не включает говорящих с болезнью Паркинсона и не доказывает обобщение на все причины нарушений речи; статистическая значимость сравнения не проверялась. Модель не предназначена для клинических выводов.

Peach-2.0-9B-8k-Roleplay — диалоговая языковая модель для ролевых игр, разработанная ClosedCharacter. Это плотная авторегрессионная модель семейства Llama на 8,6 млрд параметров, дообученная на более чем 100 тысячах синтетически созданных диалогов на базе 01-ai/Yi-1.5-9B. Финальное обучение включало SFT и DPO; модель поддерживает чат и формат вывода SillyTavern. Модель предназначена для локального ролевого общения с персонажами, развития сюжета и генерации описаний действий. Разработчики заявляют об улучшенной работе с китайским и английским языками, в том числе при использовании англоязычных карточек персонажей в китайских диалогах. Контекст модели составляет 16 384 токена, однако обучение ограничивалось последовательностями до 8 тысяч токенов, поэтому качество может снижаться в длинных разговорах. Модель распространяется по лицензии MIT. Среди ограничений разработчики отмечают возможную генерацию токсичного, вредного и NSFW-контента, галлюцинации, а также слабые результаты в математике, программировании и логических задачах; для других языков, помимо китайского и английского, качество может быть ниже.

Репозиторий vegax87/Pixal3D содержит файлы модели Pixal3D в формате GGUF для поддержки в trellis.cpp. По указанной задаче image-to-3d модель предназначена для создания 3D-представления по изображению. Репозиторий опубликован пользователем vegax87; лицензия — MIT. Карточка не приводит сведений об архитектуре, размере модели, языках или ограничениях качества. Файлы GGUF обеспечивают использование модели в соответствующем программном стеке, но README не уточняет требования к запуску и доступные настройки.

Matthieu68857/pokemon-cards-detection — модель обнаружения объектов, дообученная на базе facebook/detr-resnet-50. Она использует архитектуру DETR с ResNet-50 и предназначена для поиска и локализации объектов на изображениях покемон-карт с помощью ограничивающих рамок. Модель представлена в формате PyTorch, содержит 6,3 млн параметров и имеет лицензию Apache-2.0. Карточка сообщает о дообучении на неизвестном наборе данных, но не приводит подробностей о классах объектов, качестве оценки или конкретных ограничениях. Поэтому пригодность модели для других типов изображений и сценариев, помимо обнаружения покемон-карт, не подтверждена.

adarksky/pokemon-DDPM — модель на основе Denoising Diffusion Probabilistic Models (DDPM), распространяемая в формате Diffusers и предназначенная для безусловной генерации изображений покемонов с изменёнными вариантами внешности. Для запуска используется DDPMPipeline из библиотеки Diffusers: модель генерирует изображение без текстового запроса. В карточке указан датасет huggan/pokemon и лицензия MIT. Размер модели, число параметров и длина контекста не указаны; контекст для генерации изображений неприменим.

Pony_Diffusion_V6_XL — модель генерации изображений, представленная в репозитории LyliaEngine и связанная с разработчиком PurpleSmartAI. Это дообученная версия SDXL на базе Bakanayatsu/Pony-Diffusion-V6-XL-for-Anime, предназначенная для создания SFW- и NSFW-изображений антропоморфных, животных и гуманоидных персонажей, а также их взаимодействий. Модель понимает естественные языковые описания и теги, включая тематику furry, pony, cartoon и anime, и способна распознавать множество персонажей и вымышленных вселенных. Обучение проводилось примерно на 2,6 млн эстетически отобранных изображений с сочетанием подписей и тегов; около половины изображений имела подробные текстовые описания. Рекомендуются clip skip 2, sampler Euler a, около 25 шагов и разрешение 1024 пикселя. В большинстве случаев отрицательные промпты и дополнительные усилители качества не требуются, однако для V6 рекомендуется использовать строку тегов score_9, score_8_up, score_7_up, score_6_up, score_5_up, score_4_up. Ограничениями являются возможное появление трудноудаляемых псевдоподписей и необходимость корректной настройки clip skip. В метаданных указана лицензия CDLA-Permissive-2.0, но подробный раздел README описывает модифицированную Fair AI Public License 1.0-SD с ограничением на запуск инференса в монетизируемых веб-сайтах и приложениях, включая производные модели и объединения. Коммерческое использование требует отдельного разрешения; в README отдельно указано разрешение для CivitAI и Hugging Face, поэтому условия лицензии следует дополнительно проверить перед использованием.