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

Peach-9B-8k-Roleplay-GGUF — набор GGUF-квантизаций модели Peach-9B-8k-Roleplay, разработанной ClosedCharacter и подготовленной bartowski. Модель предназначена для генерации текста в сценариях roleplay: ведения диалогов от лица заданного персонажа и взаимодействия с пользовательскими персонажами. Указаны английский и китайский языки, задача text generation и лицензия MIT. Это текстовая модель с заявленным размером 9 млрд параметров и контекстом до 8k токенов; сведения о точной архитектуре и поддерживаемых модальностях отсутствуют, поэтому её следует рассматривать как мультимодально не описанную, вероятно текстовую модель. Репозиторий содержит варианты от F32 до сильнее сжатых Q2 и IQ2/IQ3/IQ4, включая рекомендуемые Q4–Q6 и Q8. Более крупные квантизации сохраняют качество лучше, а компактные требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для работы рекомендуется использовать llama.cpp или LM Studio и соответствующий шаблон промпта с системным описанием персонажа. Модель ориентирована на ролевые диалоги и может быть менее подходящей для универсальной генерации, строгого следования инструкциям и задач, не связанных с roleplay. Лицензия MIT разрешает широкое использование на указанных в лицензии условиях.

WasamiKirua/phi2-haiku-ita-v0.1 — разговорная модель генерации текста на базе архитектуры Phi с 3,5 млрд параметров. Она дообучена для создания итальянских хайку и работает с контекстом до 2048 токенов. В карточке приведён формат диалога с ролями system, user и assistant и пример назначения модели для генерации хайку. Модель подходит для создания коротких стихотворений на итальянском языке в диалоговом интерфейсе. Распространяется под лицензией Apache-2.0.

Pianist Transformer — модель для рендеринга выразительного исполнения фортепианной музыки по музыкальной партитуре. Согласно README, она разработана в рамках работы «Pianist Transformer: Towards Expressive Piano Performance Rendering via Scalable Self-Supervised Pre-Training». Модель использует асимметричный Transformer: кодировщик из 10 слоёв и декодировщик из 2 слоёв; число параметров — 135 млн. Для предварительного обучения использован крупный корпус MIDI, а сжатие последовательностей позволяет обрабатывать длинный музыкальный контекст. Модель преобразует музыкальный материал в исполнительскую интерпретацию с нюансами темпа и выразительности. Результат включает MIDI, пригодный для редактирования в DAW, с картой темпа; для корректного использования требуется полный конвейер из официального репозитория. В README заявлено, что в субъективных прослушиваниях качество исполнения было статистически неотличимо от человеческого и нередко предпочиталось слушателями. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Метаданные указывают семейство архитектуры t5gemma и возможность работы с аудио; README описывает задачу через партитуры и MIDI.

QuarkML разработала QaDiT-160 — исследовательскую модель преобразования текстовых описаний в короткие аудиозаписи. Это латентный Diffusion Transformer примерно на 159 млн параметров: FLAN-T5 формирует текстовое conditioning, DiT-B из 12 слоёв выполняет диффузионное восстановление латентов, а VAE и HiFi-GAN декодируют их в звук. Модель выдаёт монофоническое аудио длительностью 10,24 секунды с частотой 16 кГц. Чекпойнт обучен на 45 178 клипах AudioCaps с описаниями окружающих и бытовых звуков. Он подходит для учебных демонстраций генерации звуковых эффектов, воспроизведения небольшого латентного DiT-конвейера и дальнейших экспериментов или дообучения. Для генерации используются 50 шагов DDIM по умолчанию; модель работает на CPU и CUDA. Лицензия — Apache-2.0. Это исследовательский артефакт, а не готовая производственная модель. Чекпойнт обучен ограниченное число шагов и слабо справляется с речью, музыкой и сценами с насыщенным описанием; речь и музыка находятся вне распределения обучающих данных. При малом числе шагов генерации звук может быть грубым.

Это ControlNet для Stable Diffusion 1.5, созданный автором репозитория metafresh89 и дообученный на датасете QR-кодов. Модель принимает изображение QR-кода как условие и направляет генерацию или преобразование изображения, сохраняя форму QR-кода в художественном результате. Репозиторий содержит веса в форматах safetensors и Diffusers; модель предназначена для использования с совместимой базовой моделью Stable Diffusion 1.5 и библиотекой Diffusers или расширением ControlNet для AUTOMATIC1111. Модель подходит для создания стилизованных изображений с QR-кодом, в том числе рекламных и иллюстративных материалов. Результат зависит от промпта и веса ControlNet: форма кода иногда передаётся неточно, а увеличение веса может ухудшить стиль изображения. Для повышения вероятности сканирования автор рекомендует QR-коды с коррекцией ошибок уровня H и генерацию в разрешении 768 пикселей. Лицензия — OpenRAIL++.

Qwen3-VL-8B-Instruct-Minecraft-MT-en-zh-i1-GGUF — мультимодальная vision-language модель на базе Q1ngMang/Qwen3-VL-8B-Instruct-Minecraft-MT-en-zh, адаптированная для сценариев Minecraft и задач перевода между английским и китайским языками. Модель поддерживает работу с текстом и изображениями, поэтому может применяться для анализа визуального содержимого, связанного с Minecraft, и обработки мультимодальных запросов. Это GGUF-квантизованная версия, подготовленная mradermacher с использованием weighted/imatrix-квантования. Доступны варианты с разными уровнями квантизации и размером примерно от 2,2 до 5,3 ГБ; компромиссными вариантами по размеру, скорости и качеству в README названы i1-Q4_K_S и i1-Q4_K_M. Точный размер контекста, архитектурные детали, результаты тестирования и дополнительные поддерживаемые языки не указаны, поэтому качество на задачах за пределами заявленных сценариев оценить нельзя. Модель предназначена для локального запуска в совместимом ПО, поддерживающем GGUF, однако для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Чем сильнее квантизация, тем меньше требования к ресурсам, но потенциально ниже качество; некоторые варианты прямо помечены как низкокачественные. Распространяется по лицензии CC BY-NC-SA 4.0, допускающей использование с указанием авторства и на некоммерческих условиях с сохранением аналогичной лицензии.

Raven 8B v1 — дообученная DarkArtsForge языковая модель для генерации текста, диалогов и ролевых сцен в готическом и хоррор-стиле. Она обучена на небольшом корпусе произведений Эдгара Аллана По и рассчитана на творческое письмо и RP; для общения использует шаблон чата Llama 3. Модель построена на архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. В метаданных указан контекст длиной 1 073 152 токена и поддержка английского языка. Распространяется в формате safetensors по лицензии Apache-2.0. Модель может генерировать графическое насилие и эротический контент. Обучение на небольшом корпусе ограничивает тематический диапазон и не гарантирует качество за его пределами.

zlsl/ru_warhammer40k — русскоязычная модель генерации текста по вселенной Warhammer 40,000, включая период Ереси Хоруса и более поздние книги. Она предназначена для создания тематических текстов по запросу и построена на архитектуре GPT-2; модель работает с текстом и имеет контекстное окно 2048 токенов. Опубликована в форматах PyTorch и Safetensors, распространяется по лицензии Apache-2.0. Модель подходит для генерации фанатских рассказов, описаний персонажей и событий, а также для продолжения текстов в сеттинге Warhammer 40,000. README сообщает о проблеме загрузки токенизатора в text-generation-webui для моделей семейства GPT-2 и приводит обходной путь с настройкой eos_token_id. Карточка не сообщает размер модели и оценку качества.

Norod78/sd15-muppet-blip — модель генерации изображений на основе Stable Diffusion 1.5, адаптированная для создания изображений с персонажами «Маппетов». В карточке показаны примеры генерации Cookie Monster и Kermit в заданных художественных стилях; репозиторий использует Diffusers и PyTorch. Модель принимает текстовые описания и создаёт изображения. Примеры демонстрируют настройку генерации через промпт, negative prompt, число шагов, sampler и CFG scale. Карточка указывает английский язык; лицензия — CreativeML OpenRAIL-M.

SeaArt-Furry-XL-1.0 — модель генерации изображений по текстовому описанию от SeaArt, предназначенная для создания furry-арта. Она построена на архитектуре Stable Diffusion XL и использует латентную диффузию с двумя фиксированными предварительно обученными текстовыми энкодерами: OpenCLIP-ViT/G и CLIP-ViT/L. В карточке указана специализация на персонажах и видах животных, включая млекопитающих и птиц, а также на настройке художественных стилей и подсказок качества. Модель принимает текстовые промпты и выдаёт изображения. Для промптов рекомендован порядок: вид, художник, детализация, подсказка качества и уровень NSFW; для генерации также приведены рекомендуемые размеры около 1024 пикселей по сторонам. Это инструмент для художников и поклонников furry-арта, которым нужны иллюстрации персонажей, вариации стиля или визуальные идеи. Карточка предупреждает, что подсказки «masterpiece» и «best quality» могут склонять генерацию к NSFW-содержанию. Для получения подходящего результата важны точные промпты; известные ограничения по контексту и числу параметров в предоставленных данных отсутствуют. Метаданные указывают лицензию CreativeML OpenRAIL-M, тогда как README называет Fair AI Public License 1.0-SD; перед использованием следует проверить применимые условия лицензирования репозитория.

Карточка модели MingHai666/segformer-b2-finetuned-ade-512-512 на Hugging Face совпадает с карточкой nvidia/segformer-b2-finetuned-ade-512-512, поэтому описание составлено по ней. SegFormer-B2 — модель семантической сегментации изображений, представленная авторами статьи о семействе SegFormer и дообученная на наборе ADE20K. Она присваивает пиксельным областям изображения классы сцен и объектов. Архитектура сочетает иерархический Transformer-энкодер с лёгкой декодирующей головой на основе MLP; модель рассчитана на входное разрешение 512×512 пикселей и предназначена для анализа сцен и бенчмарков семантической сегментации. Модель можно применять для разметки объектов и элементов окружения на фотографиях и других изображениях. В карточке указана лицензия other, поэтому условия использования следует сверить с лицензией и материалами репозитория. Карточка рекомендует использовать эту модель для семантической сегментации и отмечает, что для других задач доступны отдельные дообученные версии.

Модель разработана Наталией Марин под руководством Маркоса Мигеля Прунелло в рамках выпускной работы по статистике в Национальном университете Росарио. Это дообученная XLM-RoBERTa-модель для классификации тональности комментариев из социальных сетей о Хуане Скьяретти после первого президентского дебата в Аргентине 2023 года. Она принимает текст на испанском языке и предсказывает один из трёх классов тональности. Модель основана на cardiffnlp/twitter-xlm-roberta-base-sentiment, содержит 305,2 млн параметров и рассчитана на последовательности до 514 токенов. В отчёте указаны accuracy 0,838 и F1 0,825; на тестовой выборке для класса 1 точность и полнота равны нулю, поэтому результаты для этого класса ненадёжны. Лицензия в предоставленных данных не указана.

SicariusSicariiStuff_X-Ray_Alpha-GGUF — это набор GGUF-квантизаций модели X-Ray_Alpha, разработанной SicariusSicariiStuff и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов, а также для локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. В набор входят варианты от BF16 до низкоразрядных форматов Q8_0, Q6, Q5, Q4, Q3 и Q2, размером примерно от 1,89 до 7,77 ГБ. Поддерживаемый язык — английский. Конкретные архитектурные параметры, размер исходной модели, максимальная длина контекста и точные возможности работы с изображениями в README не указаны. Доступны варианты с разным компромиссом между качеством, требованиями к памяти и скоростью; для большинства сценариев рекомендуются некоторые варианты Q4–Q6. Модель не поддерживает system prompt, что ограничивает сценарии, требующие отдельной системной инструкции. Качество и требования к ресурсам зависят от выбранной квантизации: более компактные варианты экономят память, но могут сильнее уступать исходным весам по качеству. Указана лицензия Gemma.

dima806/speech-accent-classification — модель классификации аудио на основе Wav2Vec2ForSequenceClassification, дообученная на facebook/wav2vec2-base-960h. Она предназначена для определения акцента по аудиозаписи английской речи. Модель содержит 113,3 млн параметров и доступна в форматах PyTorch и Safetensors. Базовая модель обучена распознавать английскую речь; эта версия использует акустические признаки для классификации акцента. В карточке указана метрика accuracy, но подробности о наборе данных, перечне классов и численных результатах отсутствуют. Лицензия — Apache-2.0.

Spring Dragon — экспериментальная реконструкция модели Dragon из AI Dungeon 2, созданная Henk717 на основе LLaMA 1 13B. Для обучения использован файл text_adventures.txt из раннего выпуска AI Dungeon 2; автор стремился приблизить поведение исходной Dragon, которую, согласно карточке, связывают с GPT-3 175B Davinci 2020 года. Модель предназначена для интерактивных текстовых приключений и генерации продолжения истории от второго лица; рекомендуется использовать её в режиме приключений KoboldAI с префиксом действий «You». Указанные в карточке имена, места, фракции и мотивы могут повторяться в сгенерированных историях. Это плотная LLaMA-модель с 12,9 млрд параметров и контекстом 4096 токенов. Репозиторий содержит веса PyTorch, лицензия — llama2. Реконструкция не подтверждена сравнением с игроками AI Dungeon, поэтому сходство с исходной Dragon и качество генерации могут отличаться от ожиданий.

stanfordnlp/stanza-fro — модель Stanza для лингвистического анализа старофранцузского языка (код fro), разработанная проектом Stanza при Stanford NLP. Модель предназначена для обработки текста и разметки токенов; в Hugging Face она опубликована как модель задачи token-classification и использует библиотеку Stanza и формат PyTorch. Её можно применять в конвейерах анализа старофранцузских текстов, где требуется токенная классификация. Карточка не приводит размер модели, контекстное окно или подробности о типах предсказуемых меток. Лицензия — Apache-2.0.

Модель wdcqc/starcraft-terrain-64x64 — версия Stable Diffusion, дообученная автором на изображениях рельефа StarCraft: Remastered методом DreamBooth. Она предназначена для генерации изометрических тайлов местности по текстовому запросу с подсказкой «isometric starcraft _tileset_ terrain», где tileset задаёт один из наборов: ashworld, badlands, desert, ice, jungle, platform, twilight или installation. Обучение проводилось на изображениях размером 64×64, собранных из 1 808 melee-карт. Для генерации карт проект также включает отдельные VAE-модели AutoencoderTile для наборов местности и руководство генерацией на основе Wave Function Collapse. Репозиторий распространяется в формате Diffusers/PyTorch и использует лицензию CreativeML OpenRAIL-M. Карточка описывает специализированную генерацию игрового рельефа; параметры качества и ограничения лицензии следует учитывать при практическом использовании.

NYTK/text-generation-poem-petofi-gpt2-small-hungarian — небольшая авторегрессионная языковая модель GPT-2 от NYTK для генерации венгерских стихотворных текстов в стиле Шандора Петефи. Модель предварительно обучена на венгерской Википедии и дообучена на собрании стихотворений Петефи. Репозиторий содержит веса PyTorch; максимальная длина контекста — 1024 токена. Модель подходит для творческих экспериментов и создания черновиков стихов на венгерском языке с подражанием стилю Петефи. В карточке приведено значение perplexity 47,46 для модели GPT-2 poem; это выше указанного значения 22,06 для GPT-2 news, поэтому результаты генерации могут быть менее связными. Лицензия — MIT.

The Owl Characters V2 — модель генерации изображений, созданная Jartemio на базе Stable Diffusion и обученная с помощью EveryDream Trainer 2.0 на персонажах и стиле мультсериала The Owl House. Для стилизации в промпте используется ключ aniscreen; для персонажей предусмотрены отдельные ключи, в том числе GusPorter из-за ошибки в обучающих данных. Модель предназначена для создания изображений персонажей The Owl House по текстовому описанию, с возможностью использовать или опускать ключ стиля. В README отмечено, что результаты для EmperorBelos, KingClawthorne и ряда других персонажей требуют улучшения. Модель распространяется в формате Diffusers с весами safetensors по лицензии OpenRAIL.

Tiny-Pirate-1.1b-v0.2 — компактная чат-модель, разработанная phanerozoic на архитектуре Llama и дообученная на базе TinyLlama-1.1B-Chat-v1.0. Она предназначена для генерации ответов и диалогов в образе пирата, с последовательным пиратским стилем и тематикой. Модель содержит 1 млрд параметров и поддерживает контекст до 2048 токенов; README позиционирует её для чат-ботов, игр, интерактивной прозы и лёгких приложений на устройствах с ограниченными ресурсами. Карточка сообщает, что для дообучения применялся LoRA и тот же тематический набор данных, что и для PirateTalk 8b, включавший исторические и литературные материалы, а также сценарии кино и телевидения. Указанная лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. Модель ограничена размером и специализацией: она может хуже справляться со сложными, абстрактными или неоднозначными задачами и менее пригодна для нейтральных универсальных ответов.

simeneide/tts_stortinget_qwen — модель преобразования текста в промежуточные аудиотокены, разработанная на основе Qwen2.5-0.5B и дообученная на 2000 часах данных норвежского парламента в течение трёх эпох. В репозитории указана архитектура Qwen2 для генерации текста; размер модели составляет 498,2 млн параметров, а контекст — до 32 768 токенов. Модель предназначена для синтеза речи на норвежском языке в сценариях, связанных с парламентскими данными. Она выдаёт токены wavtokenizer, а не готовый аудиосигнал, поэтому для получения звука может понадобиться совместимый декодер. В карточке не указаны качество синтеза, поддержка других языков или условия лицензии.

AyoubChLin/unlimited-ocr-quran-uthmani — дообученная на изображениях аятов Корана модель Unlimited-OCR от AyoubChLin. Она извлекает арабский текст в османском начертании, стараясь сохранять огласовки и коранические знаки. Модель принимает изображение и выдаёт текст; в метаданных указаны 559,7 млн параметров и контекст до 32 768 токенов. Модель предназначена для OCR изображений аятов, подготовки и очистки наборов данных, а также учебных и исследовательских задач, связанных с распознаванием коранического текста. Веса обучались с LoRA на наборе изображений аятов, после чего адаптер объединили с базовой моделью. Для распознавания длинных аятов возможны ошибки; полноценные метрики качества в карточке не приведены. Лицензия — MIT.

AykeeSalazar/vc-bantai-vit-withoutAMBI-adunest-v1 — модель классификации изображений, дообученная на базе google/vit-base-patch16-224-in21k. Она использует архитектуру Vision Transformer (ViT) с 113,2 млн параметров и сохранена в формате PyTorch. По данным карточки, на оценочном наборе достигла accuracy 0,9181 и loss 0,3318. Модель предназначена для отнесения изображений к классам обучающего набора. В качестве данных указан imagefolder, однако карточка не раскрывает набор классов, область применения и ограничения результатов. Лицензия — Apache-2.0.

VietPoet-Qwen3.5-4B — модель Peter Buitho, дообученная методом QLoRA на базе Qwen3.5-4B и затем объединённая с базовыми весами. Она предназначена для генерации вьетнамских стихотворений в форме люк бат (lục bát), в том числе по заданной теме и с заданным числом строк. Модель использует архитектуру Qwen3.5 с 4 млрд параметров; опубликована в формате safetensors с точностью bf16 и работает через Transformers. Для лучшего соблюдения размера строк, тональных правил и рифмовки автор рекомендует применять её вместе с построчным сэмплером и проверкой правил. На тесте из 100 запросов сырая модель создавала полностью корректные по форме стихи примерно в 10% случаев, а с рекомендованным сэмплером — в 98%; эти оценки относятся к формальным правилам, а не к художественному качеству. Без сэмплера часто нарушаются тональные правила, а содержание может быть размытым или отходить от заданной темы. Обучение проводилось на корпусе вьетнамской поэзии; базовая модель Qwen3.5 также поддерживает работу с изображениями, но карточка этой донастройки описывает генерацию текста. Лицензия модели — Apache-2.0.

John6666/wai-nsfw-illustrious-sdxl-v150-sdxl — дообученная модель генерации изображений на основе OnomaAIResearch/Illustrious-XL-v1.0. Она предназначена для создания аниме-изображений по текстовым запросам, в том числе контента для взрослых. Репозиторий использует Diffusers и формат safetensors; модель относится к семейству Stable Diffusion XL. В метаданных указан английский язык. Лицензия отмечена как other, поэтому конкретные условия следует проверять в карточке модели. Подробности об архитектуре, размере и длине контекста в доступных источниках не подтверждены.

ahmmedasaad2772/wav2vec2-base-arabic_speech_emotion_recognition — модель классификации аудио на базе архитектуры wav2vec2, дообученная на датасете audiofolder. В репозитории указано, что исходной моделью была facebook/wav2vec2-base; модель содержит 113,3 млн параметров и распространяется в формате PyTorch. Модель предназначена для распознавания эмоций в арабской речи. В README приведены результаты оценки: accuracy 0,9992 и macro F1 0,9993, однако сведения о составе классов, размере и разделении датасета отсутствуют, поэтому эти показатели нельзя уверенно переносить на другие данные и условия записи. Лицензия — Apache-2.0. Карточка не описывает поддерживаемые варианты арабского языка, требования к аудиоформату и известные ограничения применения.

Bagus разработал модель классификации аудио для распознавания эмоций в японской речи. Модель опубликована как частная демонстрация и использует архитектуру wav2vec2; в метаданных указано около 402,7 млн параметров и набор данных JTES. Она принимает аудио и выдаёт метки классов, пригодные для определения эмоциональной окраски речи. Карточка Hugging Face показывает использование через Transformers с задачей audio-classification и помечает язык как японский. Демонстрационный статус карточки указывает на ограниченный сценарий применения; подробности о распознаваемых категориях эмоций и качестве не приведены. Лицензия в доступных сведениях не указана.

keremberke/yolov8s-valorant-detection — модель компьютерного зрения на архитектуре YOLOv8s, опубликованная пользователем keremberke и предназначенная для обнаружения объектов в кадрах игры Valorant. Она обучена распознавать четыре класса: противника, союзника, установленный Spike и выпавший Spike. Модель использует библиотеку Ultralytics и доступна в формате PyTorch. Модель подходит для анализа игровых скриншотов и видеокадров, например для поиска персонажей и Spike на изображении. Карточка приводит классы объектов и упоминает ultralyticsplus для использования, но не сообщает точный размер модели, метрики качества или условия лицензии.

John6666/4th-tail-anime-hentai-v50-sdxl — модель генерации изображений по текстовому описанию, созданная Minthybasis на основе Stable Diffusion XL. Карточка сообщает о наборе из более чем 8 тысяч стилей художников, доступных через wildcard, и нескольких общих стилях. Модель предназначена для создания аниме-иллюстраций, персонажей с хвостами и изображений в стилях разных художников по текстовым запросам. Для работы используются библиотека Diffusers и формат SafeTensors. В карточке указаны английский язык и маркировка «not for all audiences»; лицензия обозначена как other, без дополнительных условий в предоставленных данных.

Amrs — модель-адаптер LoRA для генерации изображений по текстовому описанию, разработанная пользователем или организацией Rami234. Она предназначена для использования в задачах text-to-image и интеграции с экосистемой Diffusers, где адаптер подключается к базовой модели для получения специализированного визуального результата. Модель построена на базе ideogram-ai/ideogram-4-fp8. В карточке указано, что это LoRA для диффузионной модели; сведения о размере адаптера, точной архитектуре, поддерживаемых языках, максимальном контексте и конкретной специализации отсутствуют. Пример генерации приведён с текстовым запросом «assff», однако по этим данным нельзя сделать вывод о тематической направленности или качестве результатов. Модель может быть полезна для экспериментов с генерацией изображений и тонкой настройки поведения базовой модели при совместимом запуске в Diffusers. Ограничения включают недостаток информации о целевых сценариях, требованиях к параметрам инференса, качестве, совместимости версий и известных слабых сторонах. Указана лицензия Apache-2.0.