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

Stable Diffusion v1.5 Inpainting — переупакованная версия модели Stable Diffusion для генерации и редактирования изображений по текстовым запросам с использованием маски. Разработана Робином Ромбахом и Патриком Эссером; репозиторий содержит веса в формате Diffusers, PyTorch и safetensors и предназначен для работы с библиотекой Diffusers. Модель основана на латентной диффузионной архитектуре с текстовым энкодером CLIP ViT-L/14. Она принимает текстовый запрос и изображение с маской, чтобы перерисовать выбранную область, а также поддерживает генерацию изображения по тексту. Версия для инпейнтинга обучалась на разрешении 512×512; основной язык запросов — английский. Модель подходит для художественных и дизайнерских задач, творческих инструментов и исследований генеративных моделей. К ограничениям относятся несовершенный фотореализм, трудности с читаемым текстом, сложными композициями и корректным изображением лиц; качество запросов на других языках ниже. Данные обучения содержали материалы для взрослых, а модель может воспроизводить предвзятости и запоминать изображения. Лицензия CreativeML OpenRAIL-M разрешает распространение и производные работы при соблюдении её условий и ограничений на использование.

Карточка модели Jinstudio/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели jyoung105/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели sd-research/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Карточка модели Slugger101/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому запросу, разработанная Stability AI и перепубликованная Unsloth без изменений весов. Это модель латентной диффузии с двумя предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно использовать самостоятельно или вместе с отдельной моделью-refiner для финального уточнения изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель подходит для создания иллюстраций и концептов, творческих и образовательных инструментов, а также исследований генеративных моделей. Репозиторий содержит варианты для Diffusers, ONNX, OpenVINO и Flax. Лицензия — CreativeML Open RAIL++-M; условия в репозитории Unsloth соответствуют исходной лицензии Stability AI. К ограничениям относятся несовершенный фотореализм, трудности с разборчивым текстом внутри изображения и сложными пространственными композициями. Лица и люди могут получаться некорректно, а автоэнкодер вносит потери; генерация также может усиливать социальные предубеждения. Модель не предназначена для достоверного изображения реальных людей или событий.

Карточка модели zelawski99/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Модель HiTZ/stt_eu_conformer_transducer_large_v2 разработана HiTZ Basque Center for Language Technology и лабораторией Aholab Signal Processing Laboratory Университета Страны Басков. Это система автоматического распознавания речи на основе архитектуры Conformer-Transducer с примерно 119 млн параметров, дообученная от испанской модели stt_es_conformer_transducer_large с использованием NVIDIA NeMo. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц и возвращает распознанную речь в виде текста. Она предназначена для транскрибации баскской речи; обучение проводилось на составном корпусе объёмом 771,73 часа, включающем Common Voice 18.0, записи парламента Басков, OpenSLR и программы EITB. Текст выдаётся строчными буквами. В тестах с жадным декодированием указаны значения WER от 2,50% на тестовой части Common Voice 18.0 до 11,87% на OpenSLR. Точность может снижаться на технической лексике, непривычной разговорной речи и речи с акцентом. Лицензия — Apache 2.0.

summary-bbc-dataset-v1 — дообученная модель PoseyATX/GPTxLege_FoxHunter для генерации кратких пересказов текста. Она построена на архитектуре PegasusForConditionalGeneration и содержит 366,8 млн параметров; максимальная длина контекста составляет 1024 токена. В карточке приведены результаты оценки на наборе BBC: ROUGE-1 0,456, ROUGE-2 0,292 и ROUGE-L 0,362. Модель предназначена для автоматического суммирования текстов, в частности новостных материалов. Сведения о языках обучения и поддерживаемых языках отсутствуют, поэтому целевой язык пересказов установить нельзя. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

SwiftVR — модель для восстановления видео, представленная авторами работы «SwiftVR: Real-Time One-Step Generative Video Restoration». Она улучшает качество входного видео и рассчитана на потоковую обработку с низкой задержкой: заявлена скорость около 26 кадров/с для 1080p на RTX 5090, 31 кадр/с для QHD и 14 кадров/с для 4K на H100. Архитектура включает генеративный DiT на основе Wan2.2-TI2V-5B, Restoration-aware Autoencoder и маскированное свободное внимание со сдвинутыми окнами; обработка выполняется по частям, без использования будущих кадров. Модель предназначена для повышения разрешения и восстановления видеозаписей, в том числе в потоковом режиме. README также описывает обработку последовательности изображений и сохранение результата в виде PNG. Приведённые скорости зависят от GPU и условий тестирования; для указанных QHD-результатов использовался H100, поэтому их нельзя считать гарантией производительности на других устройствах. Весам указана лицензия other. Некоммерческие исследования, обучение и внутреннее оценивание разрешены; коммерческое использование, производственное развёртывание и клиентские сервисы требуют предварительного письменного разрешения. Исходный код отдельно выпущен под Apache License 2.0, но эта лицензия не распространяется автоматически на веса модели.

Карточка модели SYNAPSEai1/SynapseMusicV12-Captioner на Hugging Face совпадает с карточкой ACE-Step/acestep-captioner, поэтому описание составлено по ней. ACE-Step Captioner — модель для подробного описания музыкального аудио, используемая ACE-Step v1.5 для аннотирования обучающих данных. Она построена на архитектуре Qwen2.5 Omni и принимает аудио, формируя текстовые описания музыки. Модель анализирует жанры и стилистические влияния, распознаёт инструменты, описывает структуру произведения и её развитие, тембр, текстуру, пространственные характеристики и динамику. Её можно применять для разметки музыки при подготовке данных для генеративных моделей, создания поисковых метаданных аудиокаталогов, музыкального анализа и документирования звукового дизайна. В карточке заявлено качество выше Gemini Pro 2.5 в задачах описания музыки; независимая проверка этого сравнения не представлена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT. Размер модели и ограничение контекста в предоставленных данных не приведены.

Карточка модели SYNAPSEai1/SynapseMusicV12-XL-Turbo на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-turbo, поэтому описание составлено по ней. ACE-Step 1.5 XL Turbo — вариант модели ACE-Step 1.5 от проекта ACE-Step для генерации музыки и аудио. Это дистиллированная модель с архитектурой DiT Decoder и 3,1 млрд параметров по метаданным; README обозначает вариант как XL 4B. В карточке также указаны библиотека Transformers, формат safetensors и контекст 32 768 токенов. Модель предназначена для генерации аудио по текстовому описанию. Turbo-вариант рассчитан на быстрый вывод за 8 шагов и ориентирован на высокое качество звука; README отмечает, что XL совместима с LM-моделями ACE-Step размером 0,6B, 1,7B и 4B. Для запуска требуется GPU с 12–20 ГБ VRAM в зависимости от квантования и выгрузки на CPU. README сообщает, что обучение использовало лицензированную, royalty-free, общественно доступную и синтетическую музыку, а сгенерированную музыку можно использовать в коммерческих целях. Лицензия репозитория — MIT. Модель генерирует аудио, но сведения о поддерживаемых естественных языках и конкретных аудиоформатах в предоставленных данных отсутствуют.

Модель llm-book/t5-base-long-livedoor-news-corpus разработана авторами проекта llm-book как модель для генерации кратких пересказов новостных текстов. Она создана дообучением японской модели retrieva-jp/t5-base-long на наборе данных llm-book/livedoor-news-corpus и представлена в архитектуре T5 с 123,8 млн параметров. Модель работает с текстом на японском языке и предназначена для суммаризации новостей. Доступна в формате PyTorch для библиотеки Transformers. Распространяется по лицензии Apache License 2.0.

Taiyi-Stable-Diffusion-1B-Chinese-EN-v0.1 — модель генерации изображений по тексту от команды IDEA-CCNL из проекта Fengshenbang. Она основана на Stable Diffusion v1.4 и дообучена на отфильтрованных парах изображений с китайскими и английскими описаниями; в README указано, что исходные наборы Noah-Wukong и Zero отбирались по оценке сходства Taiyi-CLIP. Модель рассчитана на создание изображений по китайским и английским запросам, в том числе с указанием художественного стиля. Обучение проходило в два этапа: сначала настраивался текстовый энкодер, затем совместно дообучались текстовый энкодер и диффузионная модель. Репозиторий содержит веса в форматах Diffusers и PyTorch и использует библиотеку Diffusers. Это предварительная версия модели; README сообщает, что её планировали улучшать. Лицензия — CreativeML OpenRAIL-M.

TeleStyleV2-Qwen-Image-Edit-2511-bf16 — готовый к запуску слитый чекпойнт Tele-AI для переноса стиля изображения с сохранением его содержания. Он построен на Qwen/Qwen-Image-Edit-2511 и объединяет адаптеры TeleStyleV2 для переноса стиля и QIE-2511-Lightning для ускоренного вывода за 4 шага. Модель принимает изображение содержания и изображение-образец стиля, переносит стиль образца, стараясь сохранить содержание исходного изображения; также поддерживает редактирование по текстовой инструкции с одним входным изображением. Репозиторий использует Diffusers и формат safetensors; базовые компоненты включают трансформер Qwen-Image-Edit-2511 и неизменённые VAE, текстовый энкодер Qwen2.5-VL-7B, процессор, токенизатор и планировщик. Для инференса в bf16 на Apple Silicon README указывает около 60 ГБ памяти. Лицензия — Apache-2.0.

TEMPO-RL-Multitask — дообученная модель Kaousheik на базе NVIDIA Audio Flamingo 3 для временной привязки содержания аудио. Она объединяет распознавание речи с временными метками, диаризацию говорящих, поиск временных интервалов по текстовому запросу, плотное описание звуковых событий и анализ музыки. Модель принимает аудио и текстовую инструкцию с тегом задачи, а выдаёт текст с временными метками; единый декодер обслуживает все пять задач. Модель использует архитектуру Audio Flamingo 3: аудиокодировщик Whisper-large и Qwen2-7B, соединённые проектором. Для временной разметки применяются специальные токены времени с разрешением 0,1 секунды и временной мультимодальный проектор. По README, модель рассчитана на английский язык, а временной словарь ограничивает обрабатываемые интервалы 60 секундами, поэтому длинные записи нужно разбивать на фрагменты. WER для многоговорящей ASR остаётся высоким, музыкальные оценки приблизительны, а метки говорящих согласованы только внутри одного клипа. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

buianh0803/text-sum — модель суммаризации текста на базе архитектуры T5, дообученная на наборе CNN/DailyMail. Веса содержат 38,5 млн параметров, формат — PyTorch; базовая модель — buianh0803/Text_Summarization. Модель предназначена для создания краткого пересказа текста, в частности новостных материалов, по образцу данных обучения. В карточке приведены результаты оценки: Loss 1,6668, ROUGE-1 0,2484, ROUGE-2 0,1187, ROUGE-L 0,2056 и ROUGE-Lsum 0,2055. Контекст модели составляет 512 токенов. Лицензия — Apache-2.0. README не описывает поддерживаемые языки или сценарии за пределами суммаризации; качество на длинных текстах и других типах данных отдельно не подтверждено.

cnmoro/tiny-image-captioning — компактная модель для создания текстовых описаний изображений. Она разработана на основе архитектуры vision-encoder-decoder с визуальным энкодером ViT-small-patch16-224 и текстовым декодером BERT-tiny; общий размер весов — около 100 МБ. Модель предназначена для генерации англоязычных подписей к изображениям и, по заявлению автора, быстро работает на CPU. Модель принимает изображение и выдаёт текстовое описание. Она опубликована под лицензией Apache-2.0. Карточка не сообщает об ограничениях точности или поддержке других языков; качество подписи может зависеть от содержания изображения.

Swedish Lion Libre — модель распознавания рукописного текста, разработанная Национальным архивом Швеции совместно с Городским архивом Стокгольма, Национальным архивом Финляндии и Jämtlands Fornskriftsällskap. Это дообученная модель TrOCR base handwritten с архитектурой vision-encoder-decoder, предназначенная для транскрибации отдельных строк на изображениях.

Hukyl/trocr-large-uk-handwritten — модель распознавания рукописного украинского текста на отдельных изображениях строк. Её разработал Hukyl на основе TrOCR-Large с архитектурой VisionEncoderDecoderModel: визуальный энкодер ViT-L/16 с разрешением 384 пикселя и декодер TrOCR; размер составляет около 558 млн параметров. Модель дообучена на смеси реальных и синтетических корпусов кириллического рукописного текста и предназначена также для дальнейшей адаптации к целевым данным. Модель принимает обрезанные изображения строк и выдаёт распознанный текст. Для распознавания целых страниц сначала нужны сегментация строк или детектор областей. На документах вне обучающего распределения качество заметно ниже, чем на похожих обучающих данных: в описанной проверке CER составил 0,1925 на страницах Rukopys. Результаты проверки на обучающем распределении нельзя считать оценкой качества на реальных документах; для шумных архивных сканов рекомендуется дообучение на данных целевого домена. Лицензия весов — Apache-2.0; при распространении модели также требуется указывать атрибуцию датасета UkrHandwritten по условиям CC BY-SA 4.0.

Hukyl разработала trocr-rukopys — модель распознавания текста на изображениях на базе TrOCR-base с архитектурой VisionEncoderDecoderModel, включающей энкодер ViT-B/16 и декодер TrOCR; в модели около 334 млн параметров. Она дообучена на наборе Rukopys для распознавания строк и областей с рукописным украинским текстом в архивных документах и рассчитана на работу после детектора макета страницы. В обучении также использовались печатный текст, аннотации и табличные области, но для этих классов приведено мало оценочных примеров. На 1000 примерах валидации для рукописного текста указаны CER 0,1126 и WER 0,3036; авторы предупреждают, что разбиение выполнено по фрагментам, а не по страницам, поэтому оценка может быть оптимистичной. Модель хуже подходит для других языков и письменностей, современного цифрового текста и точной транскрипции без нормализации. Датасет Rukopys распространяется по лицензии CC BY 4.0; базовая модель не указывает явную лицензию, поэтому условия её использования и распространения следует проверить отдельно.

UniPic2-SD3.5M-Kontext-2B — модель Skywork для генерации изображений по текстовому описанию и редактирования изображений. Она создана на основе SD3.5-Medium с постобучением и предназначена для генеративных задач и сценариев редактирования. В README отмечены конкурентные результаты на тестах GenEval, DPG-Bench и GEditBench-EN, а также возможность работать на одной потребительской видеокарте с 16 ГБ памяти. Репозиторий использует форматы Diffusers и Safetensors и библиотеку Transformers. Лицензия — MIT.

URPM v13 — модель для генерации изображений по текстовому описанию, опубликованная под аккаунтом stablediffusionapi и предназначенная для использования через API ModelsLab. В примере карточки указаны реалистичные портреты и детализированные сцены; запрос можно дополнить негативным промптом и параметрами генерации, включая размер изображения, число шагов и guidance scale. Метаданные указывают задачу text-to-image и форматы Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Карточка демонстрирует настройку отключения safety checker; доступные меры безопасности зависят от используемого API и параметров запроса.

Это модель VideoMAE, дообученная для определения крупности плана в видео. Разработчик дообучил базовую модель VideoMAE, обученную на Kinetics, на наборе MovieNet в течение пяти эпох. Модель относит видеоклип к одному из пяти классов: экстремально крупный план, крупный план, средний план, общий план или дальний план. Модель предназначена для классификации видеокадров и клипов по масштабу плана, например, для анализа кинематографических сцен и автоматической разметки видеоматериалов. В README сообщается точность 88,93% и macro-F1 89,19% на оценивании; точность по классам составляет от 83,65% до 94,55%. Репозиторий содержит веса safetensors, архитектура — VideoMAEForVideoClassification, размер — 113,2 млн параметров. Модель принимает видео и выдаёт метку класса масштаба плана. Она ориентирована на пять указанных классов и обучена на MovieNet; результаты на других типах видео и распределениях данных могут отличаться. Лицензия — MIT.

VisioniX Alpha — модель генерации изображений по текстовому описанию, созданная ehristoforu на основе Stable Diffusion XL Base 1.0. Она дообучена на реалистичных изображениях и предназначена для создания фотореалистичных сцен, портретов и детализированного художественного изображения с вниманием к общей эстетике и анатомии. Модель рассчитана на широкий круг задач генерации изображений. В карточке рекомендуются 22–25 шагов инференса, CFG 5–7 и сэмплеры DPM++ 3M SDE (Karras) или DPM++ SDE (Karras). Репозиторий использует Diffusers и формат SafeTensors. Лицензия — CreativeML OpenRAIL-M.

kytrungchauwork/vit5-vietnews-sum — модель суммаризации новостей на вьетнамском языке, разработанная в рамках дипломного проекта и дообученная на наборе nam194/vietnews от VietAI/vit5-base. Это плотная encoder-decoder модель семейства T5 с 126,8 млн параметров; она принимает текст статьи и генерирует абстрактивное краткое изложение. В карточке указан контекст 512 токенов, а при обучении источник обрезался до 768 токенов, поэтому для воспроизведения описанного режима вход следует ограничивать 768 токенами и подготовить так же, как обучающие данные: заменить подчёркивания пробелами и нормализовать лишние пробелы. Модель предназначена для автоматического сокращения вьетнамских новостных статей. На тестовой выборке Vietnews автор сообщает ROUGE-1 37,80, ROUGE-2 20,05 и ROUGE-L 30,32. Лицензия — MIT. Модель обучалась только на новостях: на других темах качество может снижаться; статьи длиннее 768 токенов обрезаются, а абстрактивные резюме могут содержать неподтверждённые исходным текстом детали.

ViTMatte-base-distinctions-646 — модель компьютерного зрения, разработанная командой ViTMatte и обученная на наборе Distinctions-646. Она предназначена для image matting: оценки маски и прозрачности переднего плана, чтобы отделять объект от фона на изображении. Архитектура включает Vision Transformer и лёгкую предсказательную голову; в репозитории доступны веса PyTorch в формате safetensors. Модель подходит для выделения объектов и подготовки изображений с прозрачным фоном, например для редактирования фотографий и графического дизайна. Карточка не приводит сведения о размере модели, языках или числовой длине контекста; для этой задачи модель принимает изображение и выдаёт маттинг-результат. Лицензия — Apache-2.0.

VividReal_v2 — модель генерации изображений по текстовому описанию, опубликованная digiplay. Карточка содержит пример запроса для реалистичного изображения женщины, читающей книгу у окна, но не сообщает архитектуру, размер или контекст модели. Метаданные указывают на совместимость с Diffusers и формат safetensors, а также на семейство Stable Diffusion. Модель предназначена для создания изображений по текстовым промптам. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория модели.

VoiceCLAP-Commercial (small) — модель LAION для сопоставления речи и текстовых описаний по контрастивным эмбеддингам, предназначенная для поиска эмоций и манеры речи. Она дообучена на базе laion/voiceclap-small и обучена только на данных, допускающих коммерческое использование; указана лицензия CC BY 4.0. Модель использует двухбашенную архитектуру CLAP: аудиокодировщик BUD-E-Whisper-Small обрабатывает звук с частотой 16 кГц, а текстовый кодировщик all-MiniLM-L6-v2 — описания. Обе башни формируют нормализованные совместные эмбеддинги размерности 768. Дополнительный компонент с 39 обучаемыми прототипами эмоций усиливает представление эмоциональных признаков. Поддерживаемые языки: английский, немецкий, французский, испанский и китайский. Модель подходит для извлечения признаков и поиска аудиофрагментов по текстовым описаниям эмоций или стиля речи. В сравнительных экспериментах она показала лучшие результаты, чем вариант, обученный также на данных с ограничением на некоммерческое использование, по четырём из пяти метрик; результаты экспериментов следует считать сравнительными, а не максимальными. Карточка не приводит отдельных ограничений качества за пределами этих результатов.

Voyage — модель преобразования текстовых запросов в изображения, разработанная Мухаммадрезой Хагири. Она предназначена для художников и других авторов, которым нужно создавать изображения по текстовому описанию; для вывода можно использовать планировщик Euler или DPMS. По README, модель основана на весах Stable Diffusion 2.0 и Midjourney v4. Репозиторий содержит веса в форматах Diffusers и PyTorch, а метаданные указывают на лицензию CreativeML OpenRAIL-M. Конкретные размер модели, длина контекста и поддерживаемые языки в предоставленных данных не описаны.