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

Sapphire 7B — японская языковая модель на архитектуре Mistral, разработанная Elizezen и дообученная на наборах данных с художественными текстами. Она предназначена прежде всего для генерации романов и продолжения повествования; модель хорошо подходит как для текстов без откровенного содержания, так и для NSFW-контента. Для диалогов с выполнением инструкций она может быть менее эффективна. Модель содержит 7,1 млрд параметров, принимает и генерирует текст на японском языке и имеет контекстное окно 4096 токенов. Для работы с Transformers требуется версия 4.34.0 или новее. В README не указаны сведения о лицензии.

SCAIL-Preview-GGUF — квантизированная версия модели SCAIL-Preview в формате GGUF, опубликованная VantageWithAI на основе оригинальной модели zai-org/SCAIL-Preview. Проект разработан авторами Wenhao Yan, Sheng Ye, Zhuoyi Yang и соавторами и представлен в работе «SCAIL: Towards Studio-Grade Character Animation via In-Context Learning of 3D-Consistent Pose Representations». Модель предназначена для генерации видео из изображений и студийной анимации персонажей. SCAIL ориентирована на высококачественную анимацию персонажей в сложных сценариях: при значительных вариациях движений, для стилизованных персонажей и во взаимодействиях нескольких персонажей. Подход использует обучение в контексте и 3D-согласованные представления поз, что направлено на повышение стабильности и достоверности движений. В README указана Preview-версия объёмом 14B параметров с поддержкой разрешения 512p. Формат GGUF предназначен для совместимого локального запуска, однако конкретные требования к инференсу, поддерживаемые языки, размер контекста и точная схема входных данных не указаны. Репозиторий содержит только веса модели; для инференса и извлечения поз требуются официальные проекты SCAIL-Official и SCAIL-Pose. К ограничениям относятся статус Preview, разрешение 512p и отсутствие заявленной поддержки истории, которая указана в планах для будущих официальных версий 1.3B и 14B с разрешением 720p. Модель распространяется по лицензии MIT.

Norod78/sd2-simpsons-blip — дообученная версия Stable Diffusion 2.0, созданная Norod78 для генерации изображений в мультяшном стиле «Симпсонов». Модель принимает текстовый запрос и создаёт изображение; её обучали 10 000 итераций на изображениях, связанных с «Симпсонами», с подписями BLIP. Базовая модель — stabilityai/stable-diffusion-2-base. Модель предназначена для создания стилизованных изображений по текстовым описаниям. Репозиторий содержит веса в форматах Diffusers/PyTorch и SafeTensors; README также описывает использование checkpoint-файла в AUTOMATIC1111 Stable Diffusion WebUI. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

EpicSpaceMachine — дообученная модель Stable Diffusion от автора rabidgremlin для генерации изображений по текстовому описанию. Она обучена на изображениях космических кораблей и станций; для характерного стиля автор рекомендует добавлять в запрос токен EpicSpaceMachine. Модель также может создавать изображения сложных механических конструкций — например, двигателей, электроники и часовых механизмов — и поддерживает сценарий img2img. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели, контекст или поддерживаемые естественные языки; качество описано автором неформально, без результатов систематической оценки.

Seraphm — персонализированная модель генерации изображений, созданная mint designer at alvdansen методом DreamBooth на базе Stable Diffusion. Для обучения использованы 12 изображений и 1500 шагов; разнообразный по эстетике набор данных предназначен для переноса персонажа в разные художественные стили. Модель рассчитана на генерацию изображений по текстовым запросам и доступна в формате Diffusers/PyTorch. Для вызова персонажа в примере README используется токен «serphm prince» вместе с описанием композиции и стилевых ориентиров. Модель распространяется по лицензии CreativeML OpenRAIL-M. README указывает на возможность тестирования через интерфейсы A1111 и Diffusers.

SPADE-Qwen3-4B-Games — языковая модель на базе Qwen3-4B-Instruct-2507, разработанная проектом SPADE для сценариев с играми. Модель дообучена в рамках подхода, где она играет две роли: проектирует исполняемые игровые среды и выступает агентом, который решает созданные игры. Разработчик обучает модель с подкреплением и самоигрой, подстраивая сложность генерируемых сред под текущие возможности агента. Модель предназначена для генерации игровых сред и рассуждений при решении игр. Это плотная архитектура Qwen3 с 3,7 млрд параметров, текстовым вводом и текстовой генерацией; контекст — до 262 144 токенов. Для запуска рекомендованы актуальная версия Transformers, а для развёртывания API — SGLang или vLLM. Используется лицензия Apache-2.0. Карточка не приводит результатов сравнительных оценок качества или гарантий корректного исполнения сгенерированных сред. Рекомендации по генерации: temperature 0,7, top_p 0,8 и top_k 20; модель унаследовала базовую архитектуру и контекст Qwen3-4B-Instruct-2507.

Balloon Art model V1 — дообученная модель генерации изображений на основе Stable Diffusion 1.5, разработанная Fictiverse. Она предназначена для создания изображений скрученных воздушных шаров по текстовым описаниям; для вызова характерного стиля в запрос рекомендуется добавлять слово BalloonArt. Модель использует архитектуру Stable Diffusion и запускается через StableDiffusionPipeline из библиотеки Diffusers. В README приведён пример генерации изображения по запросу «BalloonArt R2-D2». Лицензия — CreativeML OpenRAIL-M; условия использования определяются её положениями.

Stream3D-VLM-4B — мультимодальная модель для потокового понимания трехмерной сцены по видео. Она разработана авторами проекта Stream3D-VLM и дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct. Модель анализирует поступающее видео по мере его трансляции и отвечает на вопросы о пространственных отношениях и изменениях сцены, не дожидаясь завершения записи или полной реконструкции сцены. В основе лежит плотная архитектура Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов. Модуль VSFI добавляет геометрические признаки из 3D-реконструкции по мере поступления видео, а GAVC сжимает визуальные токены для ускорения обработки длинных потоков. Модель обучена управлять моментом ответа и может продолжать наблюдение, когда ответ пока не нужен. Авторы сообщают о результатах на потоковом Stream3D-Bench и офлайн-бенчмарке VSI-Bench; потоковую оценку проводили при 1 кадре в секунду. Модель предназначена для пространственного анализа видеопотока, мониторинга сцены, восприятия происходящего в реальном времени и ответов на вопросы о ранее увиденных событиях. В карточке заявлен английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Stream-DiffVSR — модель на основе диффузии для потокового увеличения разрешения видео; карточка связывает её с исследовательским проектом Stream-DiffVSR. Она обрабатывает кадры причинно, используя только предыдущие кадры, поэтому подходит для онлайн-обработки с низкой задержкой. Четырёхшаговый дистиллированный денойзер ускоряет вывод, а авторегрессионное временное управление и лёгкий временной декодер помогают сохранять согласованность движения и детали между кадрами. В README заявлена обработка кадров 720p за 0,328 секунды на RTX 4090. При этом опубликованный чекпойнт описан как демонстрационный прототип, обученный на ограниченном объёме данных: возможны артефакты и непостоянное качество, а разнообразие реальных видео покрыто не полностью. В карточке Hugging Face указан pipeline image-to-image и библиотека Diffusers; отдельные сведения о лицензии не приведены.

StreamSonic v5.4 Base — это дообученная Wenbo Gao модель Qwen2.5-Omni-3B в архитектуре Qwen2_5OmniThinkerForConditionalGeneration. Она предназначена для потокового восприятия аудио на устройстве и описания звуковых событий по аудиофрагментам длительностью 1,5 секунды. Репозиторий содержит только Thinker-компонент; веса объединены и доступны в формате safetensors. Модель обучена описывать каждый фрагмент, а для полного сценария v5.4 используются отдельные голова принятия решений и подавитель повторов. Модель принимает аудио и выдаёт текстовые описания на английском и китайском языках. В описанном подходе аудиоанализатор заморожен, а обучение включает проектор, LoRA для LLM и эмбеддинги управляющих токенов. Лицензия — Apache-2.0. Карточка описывает базовый компонент системы; для распознавания значимых событий, выбора момента оповещения и подавления повторов требуется подключить дополнительные головы.

Thespis-34b-DPO-v0.7 — дообученная модель для генерации текста, созданная на базе Yi 34B с применением DPO. Она ориентирована прежде всего на ролевые диалоги в интернет-стиле: автор рекомендует оформлять действия звёздочками, а реплики — без кавычек. Модель поддерживает стандартные шаблоны чата Oobabooga и SillyTavern. В карточке указаны наборы данных Pure-Dove, Claude Multiround 30k, OpenOrcaSlim и Augmental, а для DPO — Intel/orca_dpo_pairs и NobodyExistsOnTheInternet/ToxicDPOqa. Метаданные описывают плотную архитектуру семейства Llama с 33,9 млрд параметров и контекстом до 200 000 токенов; README указывает, что версия дообучена на Yi 34B с контекстом 8k. Модель распространяется на условиях лицензии Yi. Точный размер контекста этой версии в источниках расходится.

Карточка модели vpyr/TRELLIS-text-xlarge на Hugging Face совпадает с карточкой microsoft/TRELLIS-text-xlarge, поэтому описание составлено по ней. TRELLIS Text XL — крупная модель генерации 3D-объектов по текстовому описанию, представленная в работе «Structured 3D Latents for Scalable and Versatile 3D Generation». Модель разработана Microsoft и относится к семейству TRELLIS; её вариант XL принимает текстовые условия и создаёт 3D-результат. Модель предназначена для генерации 3D-объектов по текстовым запросам, например для создания заготовок объектов в творческих и экспериментальных рабочих процессах. Репозиторий содержит веса в формате safetensors, библиотека — TRELLIS. Модель рассчитана на английские запросы. Лицензия — MIT. Карточка не сообщает конкретную архитектуру, число параметров, формат выдаваемого 3D-объекта и ограничения качества или применения.

smp-hub/upernet-swin-tiny — модель семантической сегментации изображений на архитектуре UPerNet с энкодером Swin-Tiny. Карточка описывает запуск обученной модели через библиотеку segmentation_models_pytorch; для подготовки окружения также предлагается albumentations. Модель обучена на наборе данных ADE20K и предназначена для присвоения метки класса пикселям изображения. Подходит для разметки сцен и выделения объектов и областей на изображениях. Веса опубликованы в формате safetensors. Лицензия — MIT.

VisionGuardrail-4B — мультимодальная модель для классификации визуального контента по безопасности, разработанная prithivMLmods на базе Qwen/Qwen3.5-4B и дообученная на наборе данных ImageShield-Guardrail-Pro. Она принимает изображения и текстовые инструкции, а затем определяет, безопасно ли изображение, уделяя особое внимание чувственному контенту NSFW и другим потенциально чувствительным материалам. Модель анализирует одежду и степень её открытости, позы, кадрирование и контекст сцены. Результат выдаётся в структурированном JSON с подписью, классификацией и обоснованием; консервативная политика склонна помечать неоднозначные случаи как небезопасные. Архитектура — плотная Qwen3.5 для условной генерации, размер базовой модели — 4 млрд параметров; заявлены английский язык и библиотека Transformers. Лицензия — Apache-2.0. В README модель обозначена как экспериментальная и предназначенная для исследований и классификации контента. Возможны ложные срабатывания и пропуски; точность зависит от качества изображения, контекста и инструкции. Результаты не следует считать окончательным решением о безопасности или законности контента.

VSQA preview 14B — промежуточный чекпойнт студенческой модели генерации видео по тексту, созданный в рамках проекта VSQA на основе Wan2.1-T2V-14B. Веса экспортированы в формате Diffusers и safetensors; архитектура и размер базовой модели — диффузионный трансформер Wan2.1, 14 млрд параметров. Модель обучалась для генерации 77 кадров размером 1280×768 за три шага денойзинга с разреженным видео-вниманием VSA и NVFP4 QAT для слоёв внимания и линейных слоёв. Это чекпойнт на 100-м шаге из запланированных 1000 шагов DMD-дистилляции; качество не оценивалось, а последующие чекпойнты могут заменить его. Для воспроизведения обученных вычислений нужны FastVideo VSA/QAT kernels: запуск с обычными плотными BF16-слоями — другая конфигурация, которая не тестировалась. Лицензия — Apache-2.0, унаследованная от базовой модели.

dhead/wai-nsfw-illustrious-sdxl-v140-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем dhead на Hugging Face. Она основана на Stable Diffusion XL и предназначена для работы через diffusers StableDiffusionXLPipeline, включая создание реалистичных и фотореалистичных изображений по промптам. Модель ориентирована на сценарии, связанные с генерацией изображений для взрослых и другой аудитории, поскольку в метаданных отмечена как not-for-all-audiences. Доступна по лицензии CreativeML OpenRAIL-M. Размер модели, длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны.

Модель alefiury/wav2vec2-xls-r-300m-pt-br-spontaneous-speech-emotion-recognition — классификатор эмоций в спонтанной речи на базе Wav2Vec2 XLS-R. По карточке, модель заняла первое место в треке распознавания эмоций речи на воркшопе SE&R 2022 по португальскому языку. Она принимает аудио и относит речь к эмоциональным классам; обучалась на португальском CORAA SER, итальянском EMOVO, англоязычном RAVDESS и арабском BAVED. Архитектура — Wav2Vec2ForSequenceClassification; размер по метаданным — 402,7 млн параметров. На тестовой части CORAA SER модель показала accuracy 0,9090 и macro F1 0,8187. Эти результаты относятся к указанному тестовому набору и не гарантируют аналогичного качества на других языках, типах записи или схемах эмоциональных меток. Лицензия репозитория — Apache-2.0.

Hengyuhan/whisper-medium-m4singer-zh-lyrics — модель распознавания пения, созданная полнопараметрическим дообучением OpenAI Whisper medium на корпусе M4Singer. Она преобразует короткие фразы на мандаринском пении в китайские тексты песен и предназначена для исследовательской оценки и расшифровки вокала. Валидационная CER составила 22,354% против 24,247% у исходной Whisper medium; независимая итоговая оценка на тестовой выборке на момент публикации карточки ещё не была завершена. Модель принимает аудио, рассчитана на фрагменты до примерно 30 секунд; для работы с Whisper рекомендуется монофонический звук с частотой 16 кГц. Качество на чистом профессионально записанном пении не гарантирует устойчивость к аккомпанементу, концертным записям, реверберации или бытовым микрофонам. Возможны вставки и повторы текста во время пауз, вдохов и инструментальных частей; результат следует проверять. Модель не предназначена для перевода речи, идентификации дикторов или общего распознавания разговорного мандаринского языка. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

areaz/whisper-small-for-quran — модель распознавания речи на архитектуре Whisper Small, дообученная на аудиофрагментах чтения аятов Корана. Она предназначена для транскрибирования коранической речи на арабском языке. В метаданных указаны 153,1 млн параметров, библиотека Transformers и формат safetensors; базовая модель — openai/whisper-small. На оценочном наборе приведены значения Loss 0,0425 и WER 11,9814, однако описание не уточняет протокол оценки и единицы WER. Модель распространяется по лицензии Apache-2.0.

Whisper Tiny ar-quran — дообученная модель OpenAI Whisper Tiny, опубликованная deepdml для распознавания речи на аудио с чтением Корана. Она преобразует аудио в текст и рассчитана на транскрибацию коранической рецитации. Модель содержит 29,4 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для библиотеки Transformers. В карточке приведены результаты оценки: WER 3,392 и CER 1,0872; для необработанных метрик указаны WER 3,5416 и CER 1,0757. Для дообучения использованы наборы tarteel-ai/everyayah, deepdml/tlog-clean-sf16k и tarteel-ai/EA-UD. Модель распространяется по лицензии Apache-2.0. Карточка не описывает подробно условия записи, охват вариантов рецитации или ограничения качества, поэтому результаты оценки не следует считать гарантией точности на любых аудиозаписях.

Addressee — модель классификации аудио, созданная как дообучение coml/BabyHuBERT. Репозиторий содержит только веса; инструкции по использованию находятся в репозитории LAAC-LSCP/addressee. Модель предназначена для классификации аудиоданных. В карточке не приведены сведения о метках классов, архитектурных деталях, языках или условиях лицензии, поэтому их нельзя уточнить.

AmorosBeaugossebatch64epochs150test-large-2025053174882-bs64freeze — дообученная модель классификации изображений на базе facebook/dinov2-large, разработанная автором репозитория Amoros. Модель построена на архитектуре DINOv2 и содержит 402,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для присвоения классов изображениям. В README приведены результаты оценки: micro F1 0,6595, macro F1 0,5426 и accuracy 0,5713. Назначение конкретных классов и область применения не описаны. Репозиторий распространяется по лицензии Apache-2.0.

AnySplat — модель для преобразования изображения в 3D-представление. В карточке Hugging Face указаны задача image-to-3d и формат весов safetensors; лицензия — MIT. README содержит только ссылку на инструкции по установке в GitHub, без технического описания архитектуры, поддерживаемых сценариев, характеристик 3D-вывода или ограничений. По доступным данным можно определить назначение модели, но подробности её применения не подтверждены.

ArcANE-32B-DPO — англоязычная чат-модель на архитектуре Qwen3 с 29,7 млрд параметров, разработанная holi-lab. Она создана для ролевой генерации ответов персонажей с учётом их этапа развития в повествовании: модель училась отличать подходящий ответ для заданной фазы от правдоподобного ответа, относящегося к соседней фазе. Обучение включало supervised fine-tuning и Direct Preference Optimization на данных ArcANE, собранных по 12 романам. Модель рассчитана на исследования ролевого взаимодействия, где ответы персонажа должны соответствовать главе или фазе сюжетной арки. В проверенной схеме ей передают сведения об арке, обрезанные до запрошенной главы; будущие фазы могут ухудшить корректность ответа. Контекст модели — до 40 960 токенов. В оценке с контекстом арки DPO-вариант превзошёл ArcANE-32B-SFT на 2 пункта по общей метрике фазового соответствия; результаты зависят от сценария и предоставленного контекста. Модель распространяется по лицензии Apache-2.0.

Muinez/artwork-scorer — модель классификации изображений на базе ConvNeXt V2 Base, дообученная автором на 120 000 изображениях из рейтингов Pixiv. Она оценивает иллюстрации по нормализованному соотношению отметок «нравится» к просмотрам, помогая ранжировать работы по популярности. Модель принимает изображение и выдаёт оценку. Модель предназначена для анализа и сортировки иллюстраций в сценариях, связанных с популярностью работ на Pixiv. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Результат отражает данные и критерий популярности обучающей выборки, поэтому не обязательно характеризует художественное качество или предпочтения других аудиторий.

BananaMind FaceDetect V1 — ранняя модель обнаружения лиц от Banaxi Tech. Она построена на SSDLite320 с MobileNetV3 Large и предоставляется через совместимую с Hugging Face Transformers обёртку для torchvision. Модель обучена с нуля на наборе WIDER FACE, без предварительно обученных весов основы; классы модели — фон и лицо. Модель принимает RGB-изображения и предназначена для обнаружения лиц и их рамок, в том числе в сценах с различным масштабом, ракурсом и перекрытиями. Входной размер детектора — 320 пикселей; крошечные лица могли быть исключены из обучения. Модель может пропускать мелкие лица и выдавать дублирующиеся или неполные рамки в сложных случаях, поэтому подходит прежде всего для экспериментов, а не как замена более точным предварительно обученным детекторам. Лицензия модели — CC-BY-NC-ND-4.0; карточка также указывает на ограничения лицензии набора WIDER FACE. Коммерческое использование и создание производных работ ограничены условиями лицензии.

BEiT-base — модель сегментации изображений на основе Vision Transformer, разработанная Microsoft и дообученная для семантической сегментации на ADE20k. Она присваивает пиксельным областям изображения метки из 150 классов сцен и объектов, что подходит для анализа содержимого фотографий и сцен. Модель содержит 119,5 млн параметров. BEiT предварительно обучалась самоконтролируемым способом на ImageNet-21k и использует патчи 16×16 и относительные позиционные эмбеддинги; для сегментации применена голова UperHead. При обучении изображения приводились к разрешению 640×640 с обрезкой, дополнением и нормализацией каналов RGB. Модель принимает изображения и выдаёт карту сегментации. Лицензия — Apache-2.0. Модель предназначена для семантической сегментации сцен, в частности в рамках набора классов ADE20k. Результаты зависят от сходства входных данных с обучающим набором; качество на иных предметных областях может быть ниже. Для воспроизведения обучения и оценки нужны соответствующая предобработка и подходящая вычислительная среда.

Elizezen разработал Berghof-vanilla-7B — плотную авторегрессионную модель Mistral с 7,1 млрд параметров, дообученную на наборах данных с художественными произведениями. Она предназначена прежде всего для генерации японских романов; модель может хуже справляться с ответами на инструкции. Контекст составляет 4096 токенов. Для запуска требуется Transformers версии 4.34.0 или новее; веса доступны в формате safetensors. Лицензия в предоставленных данных не указана.

BooruNL-0.8B — модель CooperDK для преобразования описаний персонажей и сцен на английском языке в списки тегов Danbooru. Она дообучена на 124 000 размеченных пар «описание → теги» на базе Qwen/Qwen3.5-0.8B-Base. Архитектура — плотная Qwen3.5 с 0,8 млрд параметров; модель принимает текст и выдаёт текст, обычно список тегов через запятую, а по инструкции может формировать JSON с тегами, сгруппированными по категориям. Модель предназначена для подготовки тегов внешности, одежды, действий и сцены для последующей обработки или использования в рабочих процессах генерации изображений. В карточке заявлена поддержка полного словаря Danbooru, включая теги откровенного контента; лицензия — Apache-2.0. Указанные GGUF-файлы Q6_K, Q8_0 и Q4_K_M являются квантизованными вариантами для локального запуска. Ограничения: модель обучалась только на текстовых описаниях, поэтому не принимает изображения; прямой ввод изображения может приводить к бессвязным тегам. Она не генерирует теги персонажей и художников, может пропускать теги для слишком коротких запросов и ошибаться с неоднозначной одеждой; в обычном списке тегов также не выдаёт рейтинг безопасности.

ChatWaifu_v1.1 — японская разговорная модель, разработанная spow12 для общения в роли персонажа визуальной новеллы. Это дообученная причинно-языковая модель семейства Mistral с 7,1 млрд параметров; карточка указывает базовую модель Local-Novel-LLM-project/Vecteus-V2-7B. Модель предназначена для ролевого диалога: можно задать персонажу биографию и примеры реплик, чтобы модель воспроизводила его характер. В карточке также описаны генерация текста в стиле новеллы и заполнение замаскированных предложений. Модель принимает текст и генерирует текст на японском языке. Указанный в метаданных контекст составляет 8192 токена. README заявляет окно контекста 128k, однако это расходится с метаданными. Модель обучалась на японских данных, включая визуальные новеллы; разработчик предупреждает, что в ответах может появляться контент для взрослых. Лицензия CC BY-NC 4.0, а автор также указывает на некоммерческое использование.