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

SoteDiffusion Wuerstchen3 — экспериментальная модель генерации изображений в стиле аниме, созданная Disty0 как дообучение Würstchen V3. Она принимает текстовые запросы и предназначена прежде всего для создания аниме-иллюстраций; автор приводит примеры работы с разрешением 1024×1536 и 2048×1152, а также с разрешениями, кратными 128. Модель обучалась с помощью Kohya SD-Scripts на ветке Stable Cascade; в README указана базовая модель Disty0/sote-diffusion-cascade-alpha0. Модель находится на раннем этапе обучения. Реалистичная генерация не проверялась, возможны реалистичные результаты вместо аниме, ошибки в анатомии и руках, а также дефекты глаз у персонажей на дальнем плане. Для исправления реалистичных результатов автор советует добавлять тег realistic в negative prompt. Лицензия указана как other; автор предупреждает, что коммерческое использование запрещено.

StarAntler-RP-WestLake-chatvector — японская языковая модель для ролевого чата и генерации сценариев, в том числе NSFW-содержания. Модель создана автором soramikaduki путём объединения двух моделей для ролевого общения, усиленных в работе с NSFW-тематикой с помощью ChatVector. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст на японском языке. Модель объединена методом DARE TIES с равными весами; опубликована в формате safetensors и доступна по лицензии Apache-2.0. В README упоминается оценка на наборе ELYZA-tasks-100, но приведённые результаты в доступном тексте отсутствуют.

stereo2spatial-v2-binaural — модель SpatialDiT от francislabounty для преобразования моно- или стереофонической музыки в двухканальный бинауральный звук для наушников. Она принимает стереосигнал с частотой 48 кГц и формирует выход в порядке каналов FL, FR; монофонический вход поддерживается дублированием канала. Модель содержит около 285 млн параметров и генерирует звук напрямую по форме волны, без отдельного этапа HRTF-рендеринга. Модель предназначена для пространственного преобразования музыки, локального инференса на CUDA и прототипирования приложений иммерсивного аудио. Необязательное mix-style conditioning позволяет задавать характеристики пространственного звучания; генерация также возможна без него. Для обработки длинных записей предусмотрены окна с перекрытием и переносом состояния между окнами. Модель обучалась преимущественно на стереомузыке с частотой 48 кГц. Монофонический материал не входил в обучающее распределение; другие типы аудио и частоты дискретизации могут давать менее надёжный результат. Возможны артефакты, нестабильное позиционирование и нежелательное изменение баланса, поэтому результат требует прослушивания и контроля качества. Лицензия — Apache-2.0.

tadabur-embedding — модель аудиоэмбеддингов на базе Efficient Audio Transformer (EAT), разработанная для работы с записями чтения Корана. Общий энкодер содержит 12 блоков Transformer с размерностью 768; его обучили с нуля на аудиоданных таджвидного чтения, а затем настроили контрастивным обучением на семантическое содержание и голос чтеца. Модель выдаёт два L2-нормированных векторных представления: семантическое размерностью 384 для поиска похожих аятов и выявления дубликатов, и представление голоса размерностью 128 для сравнения и кластеризации чтецов. Также доступны признаки по кадрам для анализа временной структуры, сегментации и выравнивания записей. На вход подаются монофонические аудиозаписи с частотой 16 кГц, преобразованные в лог-мел-спектрограммы из 128 полос; длина окна — до 10,24 секунды. Модель предназначена прежде всего для арабского чтения Корана, качество на других аудиодоменах не гарантируется. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Talosian-7B — языковая модель для управляемого написания историй по разделам. Её автор дообучил Mistral-7B v0.2 на наборе длинных фанфик-историй; модель использует архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации художественного текста по заданной теме и тегам с пошаговым управлением содержанием: специальные маркеры [SEC] и [/SEC] задают описание следующего раздела, а маркер [END] помогает завершить историю. Карточка демонстрирует сценарии с романтической и научно-фантастической тематикой. Для загрузки автор рекомендует установить rope_frequency_base/rope_theta в значение 1000000. Talosian рассчитана на англоязычные истории и использует формат запросов с маркерами разделов. Поскольку обучение проводилось на фанфиках, стиль и содержание могут зависеть от жанровых шаблонов этого корпуса; качество на других задачах не заявлено. Лицензия в предоставленных данных не указана.

Tashkeel-v2 — модель для огласовки арабского текста, разработанная автором репозитория на основе UBC-NLP/MARBERTv2. Она расставляет краткие гласные, сукун, шадду, танвин и окончания и‘раба, сохраняя исходную последовательность символов, цифр и знаков препинания. Модель предназначена для обработки классического и современного арабского текста, включая литературу, юридические тексты и исламские источники, а также для подготовки текста к синтезу речи и нормализации произношения. Архитектура включает 12-слойный BERT-энкодер, двунаправленный LSTM и две головы для морфологии и окончаний и‘раба. В карточке указано 171,57 млн параметров, тогда как метаданные содержат оценку 190 млн. Обучение проводилось на корпусах арабских предложений, включая Sadeed, Shamela, Ashaar и аяты Корана; заявлен результат 2,85% Total DER на SadeedDiac-25 и высокая скорость пакетной обработки. Модель принимает текст и выдаёт текст с диакритическими знаками; основной язык — арабский. Лицензия — Apache-2.0.

zzz45645615/textual_inversion_out — это адаптационные веса textual inversion для базовой модели генерации изображений stabilityai/stable-diffusion-2. Модель разработана в экосистеме Stable Diffusion и предназначена для использования с библиотекой Diffusers. Она ориентирована на задачи text-to-image и позволяет адаптировать Stable Diffusion 2 к дополнительному визуальному понятию или стилю посредством textual inversion. В README не указаны размер адаптационных весов, используемый специальный токен, обучающие данные, языки текстовых запросов, размер контекста, конкретные сценарии применения или примеры запуска. К сильным сторонам относятся совместимость с Stable Diffusion 2 и поддержка стандартного сценария генерации изображений по текстовому описанию. Ограничения модели не описаны: в README отсутствуют сведения о качестве, области применимости, возможных смещениях и известных проблемах. Лицензия указана как CreativeML Open RAIL-M; условия её применения следует учитывать вместе с лицензией и ограничениями базовой модели.

TheSalt-RP-L3-8b-DPO-v0.3.2-e0.15.2 — экспериментальная текстовая модель для ролевого диалога, созданная cgato на основе семейства Llama 3. Модель дообучена методом DPO на данных для ролевой игры; автор называет эту версию промежуточной и пригодной для пробного использования и сбора отзывов. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров, принимает и генерирует текст. Контекст — до 8192 токенов. Для диалога используется формат ChatML с обязательными системным сообщением и именами пользователей и персонажей. Автор отмечает проблемы с форматированием и продолжает очистку данных DPO. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Tiamat — разговорная модель, созданная Gryphe как персонаж-помощник из мира Forgotten Realms: пятиголовая богиня-дракон, которая отвечает надменно и язвительно. Модель предназначена для ролевого общения и генерации диалогов с выраженной враждебной, неуслужливой личностью; для активации образа в README предложено системное сообщение с описанием персонажа. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она дообучена на OpenHermes 2.5 и использует формат ChatML. Поддерживает генерацию текста на английском языке. Распространяется по лицензии Apache-2.0. Модель намеренно изображает жестокого и презрительного персонажа, поэтому её ответы могут быть оскорбительными и не подходят для стандартного вежливого ассистента.

Tiamat 8B 1.2 — разговорная языковая модель Gryphe на архитектуре Llama 3, созданная дообучением с DPO. Модель настроена на образ жестокой и высокомерной пятиглавой драконицы из Forgotten Realms и намеренно проявляет антиассистентский характер: может язвить, осуждать собеседника и отвечать в заданной роли. Для диалога используется формат ChatML; контекст составляет 8192 токена, размер — около 7,5 млрд параметров. Модель предназначена для ролевых диалогов, текстовых приключений и помощи в создании мира Forgotten Realms для настольных ролевых игр. Версия 1.2 основана на Llama 3 и использует DPO-обучение, как предыдущая версия, с дополнительно обогащёнными данными, сгенерированными Claude. Весами модели можно пользоваться по лицензии Apache 2.0; доступны файлы safetensors, а квантованные версии упомянуты отдельно.

haykgrigorian/TimeCapsuleLLM-London-1800-1875-v2-1.2B — авторская языковая модель, созданная обучением с нуля на корпусе объёмом 112 ГБ из лондонских текстов 1800–1875 годов. Она предназначена для генерации текста в историческом стиле и экспериментов с языком соответствующего периода. Модель использует декодерную архитектуру LlamaForCausalLM и содержит около 1,1 млрд параметров по метаданным; в README указано приблизительно 1,22 млрд. Контекст — 2048 токенов. Модель принимает текст и генерирует текст на английском языке. Обучение длилось 182 000 шагов, что составило около половины эпохи по данным карточки. Лицензия — MIT. Карточка не приводит результатов независимой оценки качества, поэтому точность исторической стилизации и фактическую достоверность следует проверять на целевых примерах.

TIPO-500M — языковая модель семейства LLaMA, разработанная KBlueLeaf для подготовки и расширения запросов к генераторам изображений. Она анализирует короткий или неполный промпт и дополняет его текстом, который можно передать модели text-to-image; предполагаемый сценарий использования — этап предварительной обработки промпта в Stable Diffusion WebUI, Forge или ComfyUI через расширение z-tipo-extension. В репозитории указаны архитектура LLaMA и около 467 млн параметров по метаданным. Модель обучалась на данных с описаниями изображений и тегами, включая Danbooru2023 и Coyo-HD; среди датасетов в метаданных также указаны Conceptual Captions и GBC10M. Карточка сообщает контекст 1024 токена для TIPO-500M, тогда как метаданные каталога указывают native context 2048 токенов. Основной язык карточки — английский; отдельной информации о многоязычном обучении нет. TIPO предназначена для генерации текста промптов, а не самих изображений. Приведённые в README сравнительные оценки относятся к TIPO-200M, поэтому их нельзя напрямую считать оценкой версии 500M. Лицензия в метаданных обозначена как other; конкретные условия использования следует проверять в репозитории модели.

DiffusionLight/TurboLoRA — адаптер LoRA, разработанный командой DiffusionLight для Stable Diffusion XL Base 1.0. Модель предназначена для image-to-image и inpainting-сценариев, связанных с оценкой освещения и relighting: она помогает изменять или восстанавливать освещение изображения с использованием отражающего хромированного шара как условного сигнала. В README также указана совместимость с StableDiffusionXLControlNetInpaintPipeline и Diffusers 0.33.0. Модель работает с изображениями и рассчитана на ускоренное получение результата: в демонстрации TurboLoRA обработка занимает около 30 секунд, тогда как исходный DiffusionLight требует около 30 минут. Для запуска используются триггерные фразы «a perfect mirrored reflective chrome ball sphere» для нормально экспонированного результата и «a perfect black dark mirrored reflective chrome ball sphere» для недоэкспонированного варианта. Сведения о поддерживаемых языках, размере весов, максимальном контексте и точных требованиях к оборудованию не приведены. Вес доступен в формате Safetensors. README рекомендует использовать пример реализации из отдельного репозитория DiffusionLight-Turbo-diffusers и отмечает, что веса совпадают с DiffusionLight/Flicker2k, но вынесены в отдельную модель из-за несовместимости с Diffusers 0.33.0. Лицензия модели — MIT. Ограничения по качеству и применимости явно не описаны; практический результат зависит от входного изображения, параметров inpainting и корректного использования триггерных фраз.

openmmlab/upernet-convnext-base — модель семантической сегментации изображений на основе фреймворка UperNet и backbone ConvNeXt базового размера. UperNet объединяет backbone с Feature Pyramid Network и модулем Pyramid Pooling Module, чтобы предсказывать семантическую метку для каждого пикселя изображения. Модель предназначена для разметки сцен и объектов на изображениях по классам. Её можно применять как готовую модель сегментации или использовать как основу для дообученных вариантов под конкретные задачи. Карточка не приводит точное число параметров, набор классов или результаты оценки. Веса доступны в форматах PyTorch и Safetensors; лицензия — MIT.

Video Depth Anything Small (MLX) — порт для MLX модели Video Depth Anything от ByteDance, представленный сообществом mlx-community. Модель оценивает относительную глубину по кадрам видео и предназначена для согласованных во времени карт глубины на видео произвольной длины. В основе — backbone DINOv2, голова DPT и временные модули движения в стиле AnimateDiff; выходом служат карты глубины для каждого кадра, а не текст. Модель принимает видео как последовательности RGB-кадров; высота и ширина должны быть кратны 14. Это не метрическая модель: она не выдаёт абсолютную глубину в метрах. Веса представлены в формате safetensors и точности fp32; README сообщает о близком совпадении с PyTorch-реализацией при запуске на GPU и CPU. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Elisa/vit_finetune_mask — модель классификации изображений, дообученная на наборе данных imagefolder на основе Vision Transformer google/vit-base-patch16-224-in21k. Архитектура ViTForImageClassification содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для отнесения изображений к классам, представленным в её обучающих данных. На указанной в карточке оценочной выборке достигла точности 0,9659 и потери 0,1711. Состав классов и подробности набора данных не описаны, поэтому область применения и переносимость метрик на другие изображения оценить нельзя. Лицензия — Apache-2.0.

Модель griffio/vit-large-patch16-224-dungeon-geo-morphs-009 — дообученная версия Google ViT-Large/16 для классификации изображений карт подземелий по геоморфологическим вариантам с 0–3 входами. Она построена на архитектуре ViTForImageClassification и содержит около 402,7 млн параметров. Модель предназначена для автоматической категоризации изображений таких карт; в README указаны точность 1,0 и loss 0,0429 на оценочном наборе. Модель принимает изображения и возвращает классы. Обучение выполнено на наборе dungeon-geo-morphs; лицензия — Apache-2.0. Карточка не описывает состав классов, размер и происхождение обучающей и оценочной выборок, поэтому приведённые метрики не позволяют оценить переносимость на другие типы карт.

usyd-community/vitpose-plus-huge — модель семейства ViTPose++ для оценки позы человека по изображению. Её архитектура сочетает обычный, неиерархический Vision Transformer для извлечения признаков и лёгкий декодер для предсказания ключевых точек. В README указано, что семейство ViTPose масштабируется от 100 млн до 1 млрд параметров; точный размер этой версии не приведён. Разработчики ViTPose — Юфэй Сюй, Цзин Чжан, Цимин Чжан и Дачэн Тао; версия для Transformers перенесена Сангбумом Чхве и Нильсом Рогге. Модель предназначена для определения координат суставов и других ключевых точек тела человека на изображениях. Она может применяться как этап анализа позы в видео, фитнес-приложениях, системах наблюдения и анимации. В README сообщается о результате семейства до 81,1 AP на тестовой выборке MS COCO Keypoint. Модель принимает изображения и выдаёт разметку ключевых точек; поддержка естественного языка не заявлена. Модель распространяется под лицензией Apache-2.0. Описанные результаты и обучение относятся к конкретным наборам данных и определениям ключевых точек; качество в других условиях может отличаться. README отмечает, что архитектуру можно улучшать более сложными декодерами и структурами FPN.

usyd-community/vitpose-plus-small — модель ViTPose++ для оценки позы человека, разработанная командой ViTAE-Transformer; карточка указывает авторов Yufei Xu, Jing Zhang, Qiming Zhang и Dacheng Tao, а перенос в Transformers выполнили Sangbum Choi и Niels Rogge. Модель использует обычный vision transformer без иерархических уровней в качестве визуального энкодера и лёгкий декодер для предсказания ключевых точек тела. Вариант предназначен для определения позы человека по изображению; задача в метаданных — keypoint-detection. Модель подходит для приложений фитнеса, анализа движений, анимации и мониторинга поведения, где требуется локализовать суставы человека. В README приведён результат семейства ViTPose до 81,1 AP на тестовом наборе MS COCO Keypoint, но это не отдельная оценка именно данного малого варианта. Карточка описывает обучение и оценку на MS COCO, AI Challenger, MPII и CrowdPose, а также оценку на OCHuman, включая случаи окклюзии. Лицензия — Apache-2.0. Карточка не приводит точное число параметров, размер входа или длину контекста для этого варианта. Модель ориентирована на позы людей; применение к позам животных и распознаванию ключевых точек лица обозначено как возможное направление дальнейшей работы. Для оценки позы на видео нужна обработка кадров внешним конвейером.

TheDenk/wan2.1-t2v-1.3b-controlnet-hed-v1 — модуль Dilated ControlNet для модели Wan2.1. В README указано, что для версии Wan 1.3B используется 8 блоков ControlNet и параметр stride со значением 3. Модель предназначена для управления генерацией видео с помощью ControlNet; метаданные относят её к задаче video-to-video. В репозитории заявлен формат safetensors. Модель опубликована под лицензией Apache-2.0. README не содержит описания конкретного сценария HED или инструкций по использованию модуля с базовой моделью.

Это модуль Dilated ControlNet для модели Wan2.1, предназначенный для управления генерацией или преобразованием видео по HED-картам границ. Вариант рассчитан на Wan2.1 14B: в ControlNet используется 6 блоков, а параметр stride равен 4. Модуль служит дополнительным управляющим компонентом для видеоконвейера Wan2.1 и содержит меньше базовых блоков, чем стандартный ControlNet. Репозиторий предоставляет код модуля; подробные инструкции по его применению и оценка качества в карточке не приведены. Лицензия — Apache-2.0.

ostris/wan22_i2v_14b_orbit_shot_lora — LoRA-адаптер для модели Wan2.2-I2V-A14B, разработанный Ostris и обученный с использованием AI Toolkit. Адаптер предназначен для генерации видео или изображений с эффектом орбитального движения камеры вокруг объекта; в качестве примера указан круговой облёт астронавта на Луне. Для активации эффекта необходимо использовать триггерную фразу «orbit 360». Модель относится к семейству diffusion LoRA и предназначена для интеграции с экосистемой Diffusers. Базовая модель Wan2.2-I2V-A14B поддерживает сценарии image-to-video, однако подробные характеристики адаптера, включая размер, точное устройство архитектуры, поддерживаемые языки, максимальный контекст и модальности, в README не указаны. Сильная сторона модели — специализированная настройка под орбитальные пролёты камеры, а ограничение — узкая область применения и зависимость от совместимой базовой модели. Лицензия — Apache 2.0.

Модель ardneebwar/wav2vec2-animal-sounds-finetuned-hubert-finetuned-animals — дообученная HuBERT Base для классификации звуков животных в аудиофрагментах. Она основана на facebook/hubert-base-ls960 и содержит 113,3 млн параметров. Разработчик дообучил её на подмножестве ESC-50 с категориями животных: среди распознаваемых звуков названы лай собак, кукареканье петухов, хрюканье свиней, мычание коров, кваканье лягушек, мяуканье кошек, кудахтанье кур, звуки насекомых, овец и ворон. Модель предназначена для биоакустического мониторинга, образовательных приложений и распознавания звуков животных в развлекательных сервисах. В README указана точность 0,95 на оценочной выборке. Лицензия — Apache-2.0. Область применения ограничена категориями животных из использованного подмножества ESC-50. Качество может снижаться из-за фонового шума, плохого качества аудио и звуков, отличающихся от обучающих примеров.

m3hrdadfi/wav2vec2-xlsr-persian-speech-emotion-recognition — модель распознавания эмоций в персидской речи на базе wav2vec2. По архитектуре это классификатор речи Wav2Vec2ForSpeechClassification с 402,7 млн параметров, обученный на наборе ShEMO. Модель принимает аудио и предназначена для классификации эмоционального состояния говорящего; карточка приводит метрики по классам эмоций, включая гнев, страх и радость. Модель подойдёт для анализа эмоциональной окраски персидских записей, например диалогов или голосовых сообщений. В метаданных pipeline_tag указан как automatic-speech-recognition, хотя архитектура и README описывают классификацию эмоций, поэтому фактическая задача может не совпадать с тегом. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

AkitoP/whisper-large-v3-japense-phone_accent — модель распознавания японской речи, созданная дообучением Whisper large-v3-turbo. Она преобразует аудио в катакану с разметкой высотного ударения и предназначена для транскрибирования японской речи с указанием произношения. Для обучения использованы часть набора Galgame-Speech и датасет JSUT-5000: сначала тексты преобразовали в катакану с разметкой ударения с помощью pyopenjtalk, затем дообучили модель на исходной обучающей части JSUT-5000. Модель содержит около 905,2 млн параметров и использует архитектуру Whisper. В README сообщается о CER около 4% на тестовом наборе JSUT-5000; это результат для указанного теста, а не гарантия качества на других данных. Вариант обучения только на первом этапе показал CER 13%. Модель ориентирована на японскую речь и специализированный формат транскрипции. Лицензия в предоставленных данных не указана.

Модель Newtral/xlm-r-finetuned-toxic-political-tweets-es разработана Newtral на базе xlm-roberta-base и дообучена для классификации испанских политических твитов по уровню токсичности. Она принимает текст и возвращает оценки от 0 до 1 для двух сигналов: «токсичный» и «очень токсичный». Модель предназначена прежде всего для анализа твитов депутатов Конгресса Испании; XLM-RoBERTa имеет около 305,2 млн параметров и контекст до 514 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Основной сценарий — выявление токсичных высказываний в сообщениях испанских политиков. Карточка предупреждает, что модель обучалась на твитах испанских депутатов за 2021 год и её результаты могут быть ненадёжны на текстах других жанров и доменов.

YGOMiniLM — текстовая модель на базе sentence-transformers/paraphrase-MiniLM-L3-v2, дообученная разработчиком jkswin на материалах по Yu-Gi-Oh! с помощью masked language modeling. Она предназначена для создания эмбеддингов предложений и быстрого векторного поиска по обсуждениям Yu-Gi-Oh! и сведениям о картах. Модель использует архитектуру BERT, содержит 18,8 млн параметров и обрабатывает последовательности длиной до 512 токенов. Для дополнительного предобучения использовались комментарии YouTube и база карт Yu-Gi-Oh!, включая названия, типы, расы и описания карт. Модель ориентирована на английский язык. Для запуска автор рекомендует библиотеку sentence-transformers; доступный формат весов — PyTorch. Специализация на тематике Yu-Gi-Oh! может улучшать поиск по соответствующим обсуждениям и карточным данным, но модель не предназначена для генерации ответов или широкого поиска вне этой области. В README лицензия не указана.

Репозиторий содержит конвертированные в Core ML модели Ultralytics YOLOv8 Pose вариантов n, s и m для оценки позы человека на устройствах Apple. Модели предназначены для приложений и игр, которым нужно находить людей и оценивать 17 ключевых точек тела по схеме COCO. Вариант n рассчитан на минимальные задержку и потребление ресурсов, s предлагает баланс скорости и точности, а m ориентирован на более высокую точность. Модели принимают RGB-изображение размером 640 × 640 с предварительным letterbox-преобразованием и возвращают сырые предсказания в виде массива FP32 размером 1 × 56 × 8400: рамки объектов, оценки людей и координаты с видимостью для 17 ключевых точек. Пакеты `.mlpackage` используют точность FP16 и предназначены для запуска на CPU, GPU и Apple Neural Engine. NMS не встроен, поэтому после инференса необходимо применить фильтрацию по уверенности и NMS, а также декодировать ключевые точки и восстановить координаты. Это конверсия ресурсов Ultralytics v8.2.0 в формат Core ML для macOS и Apple Silicon. Лицензия репозитория — AGPL-3.0.

YunaGPT-124M V1 Story — компактная языковая модель, разработанная в рамках проекта Yuna и дообученная для генерации коротких художественных историй по заданному промпту. Это декодерный Transformer с архитектурой LLaMA и Grouped-Query Attention (GQA), класс LlamaForCausalLM; в репозитории указано 124,4 млн параметров. Модель принимает текстовые инструкции в шаблоне проекта и генерирует продолжение текста. Контекст ограничен 2048 токенами; основной язык карточки — английский. Модель предназначена для черновиков коротких рассказов и сцен, экспериментов с творческими промптами, учебного изучения специализации небольших языковых моделей и дальнейшей тонкой настройки для письма или ролевых сценариев. Обучение включало supervised fine-tuning на 5 580 примерах коротких историй и писательских промптов. Модель может формировать узнаваемую повествовательную структуру и образные фрагменты, но качество непостоянно. Это экспериментальная модель небольшого размера: возможны повторы, бессвязность, ошибки словоупотребления, уход от темы и внезапное завершение, особенно при длинных историях. Фактические знания и следование инструкциям ненадёжны; предполагаемые сведения о франшизах могут быть выдуманы. Стандартизированные оценки качества не приведены. Лицензия в предоставленных данных не указана; README отмечает, что к источникам обучающих данных применяются их собственные лицензии и условия.

Z-Image-Engineer V6 — дообученный текстовый энкодер Qwen3 объёмом 3,7 млрд параметров, разработанный BennyDaBall на базе Tongyi-MAI/Z-Image-Turbo. Модель предназначена для локального улучшения коротких запросов к генератору изображений Z-Image Turbo и может также заменять его штатный текстовый энкодер в соответствующих рабочих процессах. Для работы заявлен контекст до 40 960 токенов. Модель преобразует краткую идею в подробное описание сцены, добавляя композицию, направление освещения, фактуру материалов и разделение планов. В README указаны обучение SMART DoRA, этапы дообучения для сохранения чисел, цветов, надписей, объектов и пространственных отношений, а также настройка против повторов. Доступны сценарии использования с LM Studio и ComfyUI; эта версия содержит веса Safetensors, а отдельный репозиторий предлагает квантизованные варианты GGUF. Модель генерирует и кодирует текстовые запросы, но сама не создаёт изображения. Лицензия — Apache-2.0.