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

AltDiffusion-m9 — многоязычная модель генерации изображений семейства Stable Diffusion, разработанная с использованием AltCLIP-m9 и опубликованная в проекте FlagAI. Она предназначена для преобразования текстовых запросов и изображений в изображения; метаданные Hugging Face указывают задачу image-to-image и формат Diffusers/PyTorch. В README описана поддержка английского, китайского, испанского, французского, русского, японского, корейского, арабского и итальянского языков. Модель обучалась на данных WuDao и LAION. Модель рассчитана на многоязычное выравнивание запросов и сохранение возможностей Stable Diffusion. Лицензия — CreativeML OpenRAIL-M. README не приводит контекстное окно или число параметров; в описании указанные размеры файлов весов не трактуются как размер модели.

Карточка модели gheero-Leyu/amharic-omnivoice-tts на Hugging Face совпадает с карточкой Lab-et/omnivoice-amharic, поэтому описание составлено по ней. OmniVoice Amharic — модель синтеза речи, разработанная участниками инициативы Voices For All и дообученная на базе k2-fsa/OmniVoice. Она преобразует текст в естественную амхарскую речь и поддерживает клонирование голоса по аудиозаписи длительностью около 10 секунд. Модель использует нед autoregressive дискретную диффузионную архитектуру; заявленный размер — 612,6 млн параметров. Базовая OmniVoice также поддерживает английский и китайский, однако эта версия обучалась на амхарских аудиоданных и прежде всего предназначена для амхарского языка. Модель подходит для озвучивания текстов, создания речи голосом заданного говорящего и синтеза амхарской речи с учетом характерных согласных, геминации и интонации. В карточке перечислены данные из нескольких амхарских речевых корпусов и заявлена поддержка диалектных вариантов, хотя обучающие данные смещены в сторону аддис-абебского произношения. Лицензия — Apache 2.0. Известные ограничения: в обучающих данных преобладают мужские голоса, сельские акценты представлены слабее, а переключение между амхарским и английским, числительные и даты могут произноситься непредсказуемо. Эмоциональный диапазон ограничен нейтральной и новостной манерой; количественные результаты оценки в карточке пока не опубликованы.

Artisanica XL — слитая модель генерации изображений на основе Stable Diffusion XL, опубликованная David J.V. Schöbl. Она создаёт реалистичные и художественные изображения по текстовым описаниям и рассчитана на широкий спектр творческих сценариев: от иллюстраций и фотореалистичных сцен до изображений архитектуры и природы. Автор отмечает особую силу модели в изображении женских фигур и более слабые результаты при генерации мужской анатомии. Модель поддерживает создание NSFW-контента. Модель представлена в формате Diffusers с весами safetensors. Для использования указана лицензия CreativeML OpenRAIL-M; заявление автора о коммерческом использовании сгенерированных изображений не заменяет проверку условий лицензии и прав на конкретный контент.

guyPerry/audio-mood-classifier — дообученная модель Audio Spectrogram Transformer (AST) для классификации настроения музыки по аудиозаписи. Она относит трек к одному из трёх классов: спокойный меланхоличный, умеренный нейтральный или энергичный бодрый. Модель содержит 113,2 млн параметров, построена на архитектуре AST и доступна в формате Safetensors для Transformers. Её можно применять для автоматической разметки музыкальных библиотек, поиска треков по настроению и сортировки аудио по уровню энергии. Лицензия — Apache-2.0.

AuraFlow v0.2 — открытая модель генерации изображений по текстовому описанию, разработанная fal. Это flow-based модель, обученная с большими вычислительными затратами по сравнению с AuraFlow-v0.1. Авторы сообщают о результатах уровня state of the art на бенчмарке GenEval. Модель предназначена для создания изображений по текстовым запросам. В README указано, что версия находится в бета-стадии и продолжает развиваться; авторы приглашают сообщество оставлять отзывы. Репозиторий использует формат Diffusers и веса safetensors. Лицензия — Apache-2.0.

AuraFlow v0.3 — открытая flow-based модель генерации изображений по текстовому описанию, представленная Runware. По карточке, она дообучена относительно AuraFlow-v0.2 на дополнительных эстетических датасетах и поддерживает разные соотношения сторон; ширина и высота изображения могут достигать 1536 пикселей. Репозиторий распространяется в формате Diffusers с весами SafeTensors. Модель предназначена для создания изображений по текстовым промптам. Лицензия Apache-2.0 разрешает использование на её условиях. В карточке не приведены сведения о числе параметров, поддерживаемых языках и специальных ограничениях качества.

Aurora-1.6B — дообученная на многоязычных и певческих наборах данных модель синтеза речи на основе Dia-1.6B. Она предназначена для генерации речи и вокала по тексту с управлением выразительностью через теги говорящего и эмоций; карточка также заявляет клонирование голоса по короткому аудиопримеру и генерацию невербальных вокализаций, таких как смех, кашель и вздохи. Заявлены итальянский, английский, польский, немецкий, французский и другие языки; размер модели — 1,6 млрд параметров по названию семейства. Репозиторий содержит веса в формате safetensors. Модель подходит для озвучивания текста, диалогов с эмоциональной подачей, создания певческого вокала и голосовых персонажей. Базовая Dia-1.6B ориентирована на англоязычный синтез диалоговой речи с управлением голосом и эмоциями по аудиоусловию. Качество клонирования, перечень дополнительных языков и ограничения применения в карточке подробно не описаны. Лицензия — Apache-2.0.

A-Zovya RPG Artist Tools V4 — модель генерации изображений по текстовому описанию, опубликованная Yntec на Hugging Face. Она предназначена для создания цифровых иллюстраций и фотореалистичных изображений; примеры в карточке показывают портреты персонажей, фэнтезийные сцены и праздничные композиции. Модель использует Stable Diffusion и распространяется в формате Diffusers с весами safetensors. Для работы задают текстовый промпт с описанием персонажей, внешности, одежды, окружения и художественного стиля. В карточке приведены примеры промптов, но сведения о размере модели, длине контекста и поддерживаемых языках отсутствуют. Лицензия — CreativeML OpenRAIL-M; её условия определяют допустимое использование и распространение модели.

mrm8488/bert2bert_shared-turkish-summarization — модель суммаризации на турецком языке, разработанная mrm8488. Это encoder-decoder на основе BERT: в README указана базовая модель dbmdz/bert-base-turkish-cased, а веса энкодера и декодера используют общие параметры. Модель обучена для сокращения статей турецких онлайн-изданий из набора MLSUM. Её можно применять для создания краткого пересказа турецкой новостной статьи. Для тестовой выборки в карточке приведены значения ROUGE-2: precision 32,41, recall 28,65 и F1 29,48. Данных о длине контекста и лицензии в предоставленных источниках нет.

Модель разработал Manuel Romero (@mrm8488). Это компактная encoder-decoder модель BERT2BERT на базе мини-версий BERT, дообученная на датасете CNN/DailyMail для суммаризации текстов. Она предназначена для создания краткого пересказа новостных статей и других текстов на английском языке. На тестовой выборке CNN/DailyMail модель получила ROUGE-2 16,51. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Результат на одном датасете не гарантирует такого же качества на других жанрах и темах.

Runware/BFL-FLUX.2-klein-9B — размещённая Runware копия модели FLUX.2 [klein] 9B, разработанной Black Forest Labs. Это модель генерации и редактирования изображений: она создаёт изображения по текстовому описанию и поддерживает редактирование с одним или несколькими референсными изображениями. Модель построена на rectified flow transformer с 9 млрд параметров и использует текстовый энкодер Qwen3 на 8 млрд параметров. Она дистиллирована до четырёх шагов инференса для быстрой генерации и предназначена, в частности, для интерактивных приложений и предварительного просмотра результатов. Репозиторий Runware содержит веса BF16 в формате Diffusers; метаданные указывают pipeline image-to-image, а карточка также описывает генерацию по тексту. Карточка разработчика указывает лицензию flux-non-commercial-license, то есть модель доступна для некоммерческого использования. Скорость и качество зависят от оборудования и настроек; заявленные разработчиком показатели не гарантируют одинаковой производительности во всех средах.

BiRefNet-portrait — модель сегментации портретов, опубликованная Zheng Peng и соавторами в рамках работы BiRefNet. Она предназначена для высокоточного отделения людей от фона на изображениях и генерации масок, в частности для удаления фона с портретных фотографий. В карточке приведён результат на тестовом наборе TE-P3M-500-P: S-measure 0,983, maxFm 0,996 и MAE 0,006. Модель обучалась на P3M-10k и TR-humans; архитектура указана как BiRefNet, файлы представлены в формате safetensors. Модель принимает изображение и выдаёт сегментационную маску. Лицензия — MIT. В README не приведены сведения о размере модели, поддерживаемых библиотеках и ограничениях качества за пределами указанного набора оценки.

BK-SDM-Tiny-2M — компактная модель для генерации изображений по текстовому описанию, разработанная авторами семейства Block-removed Knowledge-distilled Stable Diffusion (BK-SDM). Она создана на основе Stable Diffusion с архитектурным сжатием U-Net и дистилляционным предварительным обучением; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+, что в десять раз больше данных, чем в предыдущем выпуске BK-SDM. Модель запускается через библиотеку Diffusers и предназначена для эффективного синтеза изображений; в карточке приведены примеры генерации с разрешением 512×512. В сравнении на MS-COCO авторы сообщают, что увеличение обучающих данных улучшает визуальные результаты, соответствие изображений запросам и метрики качества. Приведённые численные результаты относятся к BK-SDM-Base-2M, поэтому их нельзя напрямую считать оценкой Tiny-версии. Модель распространяется по лицензии CreativeML OpenRAIL-M; при использовании следует соблюдать рекомендации Stable Diffusion v1.

Narrativa/bsc_roberta2roberta_shared-spanish-finetuned-mlsum-summarization — испаноязычная модель суммаризации новостных статей, созданная на основе чекпойнта BSC-TeMU/roberta-base-bne. Это энкодер-декодер на базе RoBERTa, дообученный на испанской части набора MLSUM. Модель принимает текст статьи и генерирует краткое текстовое резюме. В карточке приведены результаты на тестовой выборке MLSUM: ROUGE-2 F1 — 10,69. Модель ориентирована на испанские новости; показатели не гарантируют аналогичного качества на других типах текстов и языках. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

CetusMix — модель генерации изображений по текстовому описанию, опубликованная StableDiffusionAPI. Карточка показывает использование через API ModelsLab: запрос может содержать prompt и negative prompt, а также параметры размера изображения, числа шагов генерации и guidance scale. Пример в README использует разрешение 512×512 и 30 шагов; это пример настройки, а не гарантированное ограничение модели. Модель предназначена для создания изображений по текстовым запросам, в том числе портретов и цифровых иллюстраций. В примере API также доступны параметры подключения LoRA и эмбеддингов. Метаданные указывают форматы Diffusers и PyTorch и лицензию CreativeML OpenRAIL-M. README не раскрывает архитектурный размер модели и языковой охват; пример промпта англоязычный.

andro-flock/Clarity-Clarity-v3-inpainting — вариант модели Clarity v3 для заполнения и перерисовки заданных областей изображения по текстовому описанию. Модель распространяется в формате Diffusers и использует архитектуру Stable Diffusion с конвейером StableDiffusionInpaintPipeline. Модель предназначена прежде всего для редактирования изображений: пользователь задаёт изображение, маску области для изменения и текстовую подсказку, чтобы заполнить или заменить выделенную часть. В карточке также приведён пример генерации изображения по текстовому запросу, а метаданные каталога отмечают поддержку задач image-to-image и text-to-image. Репозиторий содержит веса в формате safetensors для библиотеки Diffusers. Модель распространяется по лицензии CreativeML OpenRAIL-M. В README заявлено использование только для inpainting; конкретные сведения о размере модели, контексте и поддерживаемых языках не приведены.

thwri/CogFlorence-2.2-Large — дообученная версия Florence-2-large от Microsoft, адаптированная для описания изображений. Её обучали на подмножестве из 40 000 изображений Ejafa/ye-pop с подписями, созданными THUDM/cogvlm2-llama3-chat-19B и обработанными google/gemma-2-9b. Модель принимает изображения и выдаёт текстовые описания; её основной сценарий — создание подписей к разнообразным изображениям. В основе лежит архитектура Florence 2, веса хранятся в формате safetensors. В метаданных указаны английский язык и библиотека Transformers. Репозиторий распространяется по лицензии MIT. Настройка ориентирована на подписи к изображениям; README не приводит результатов оценки качества или подробностей о поддержке других задач Florence-2-large. Поэтому пригодность для OCR, обнаружения объектов и других задач базовой модели отдельно не подтверждена.

Карточка модели alibaba-pai/CogVideoX-Fun-2b-InP на Hugging Face совпадает с карточкой alibaba-pai/CogVideoX-Fun-5b-InP, поэтому описание составлено по ней. CogVideoX-Fun-5b-InP — разработанная Alibaba PAI модель генерации видео по изображению на основе архитектуры CogVideoX и Video Diffusion Transformer. Она создаёт видеоклип, используя исходное изображение и текстовое описание движения или сцены; авторская карточка также описывает поддержку генерации примерно шестисекундных роликов длительностью до 49 кадров при 8 кадрах в секунду. Для семейства заявлена работа с разными разрешениями вплоть до 1024×1024 и обучение собственных базовых моделей и LoRA для переноса стиля. Модель предназначена для создания коротких видеороликов из изображений, творческих визуальных материалов и прототипов видео. В репозитории доступны веса в форматах Diffusers и Safetensors; для запуска README указывает среду с PyTorch и CUDA и ориентировочно 60 ГБ свободного места. Карточка сообщает о поддержке английского языка, а в планах проекта упоминается будущая поддержка китайского. Проект опубликован под Apache License 2.0, однако README отдельно указывает, что Transformer-модуль версии CogVideoX-5B распространяется по лицензии CogVideoX; условия использования весов следует сверять с этой лицензией. В описании приведены проверенные GPU-конфигурации и разрешения для семейства, но конкретный контекстный лимит не заявлен.

CogVideoX-Fun-5b-InP — разработанная Alibaba PAI модель генерации видео по изображению на основе архитектуры CogVideoX и Video Diffusion Transformer. Она создаёт видеоклип, используя исходное изображение и текстовое описание движения или сцены; авторская карточка также описывает поддержку генерации примерно шестисекундных роликов длительностью до 49 кадров при 8 кадрах в секунду. Для семейства заявлена работа с разными разрешениями вплоть до 1024×1024 и обучение собственных базовых моделей и LoRA для переноса стиля. Модель предназначена для создания коротких видеороликов из изображений, творческих визуальных материалов и прототипов видео. В репозитории доступны веса в форматах Diffusers и Safetensors; для запуска README указывает среду с PyTorch и CUDA и ориентировочно 60 ГБ свободного места. Карточка сообщает о поддержке английского языка, а в планах проекта упоминается будущая поддержка китайского. Проект опубликован под Apache License 2.0, однако README отдельно указывает, что Transformer-модуль версии CogVideoX-5B распространяется по лицензии CogVideoX; условия использования весов следует сверять с этой лицензией. В описании приведены проверенные GPU-конфигурации и разрешения для семейства, но конкретный контекстный лимит не заявлен.

efwkjn/cohere-asr-ja — дообученная японская модель распознавания речи на основе Cohere Transcribe, ориентированная на обычную речь и аниме-контент. Она принимает аудио и генерирует текстовую транскрипцию; в обучении использовались аудиофрагменты длительностью до 35 секунд, в среднем около 25 секунд. Автор сообщает о дообучении декодера при замороженном энкодере и настройке гиперпараметров в версии v0.1, которая улучшила CER на приведённых тестовых наборах по сравнению с исходной моделью. Результаты различаются между наборами и жанрами: например, для теста Nekopara CER остаётся заметно выше, чем для Fleurs или JSUT. Модель предназначена прежде всего для японской речи, включая диалоги из аниме и визуальных новелл. Основа содержит 2 млрд параметров по описанию базовой модели в метаданных. Сведения о лицензии в предоставленных данных отсутствуют.

CyberRealistic V2 — модель генерации изображений по текстовому описанию в формате Stable Diffusion, опубликованная Yntec и предназначенная для использования с Diffusers. Карточка демонстрирует генерацию детализированной сцены по составному промпту; название и примеры указывают на фотореалистичный стиль, хотя пример также смешивает живописные и стилизованные элементы. Модель подходит для создания изображений по текстовым промптам, включая персонажей и сцены с множеством визуальных деталей. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — CreativeML OpenRAIL-M.

misri/cyberrealisticXL_v22 — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face в формате Diffusers и Safetensors. Метаданные указывают на архитектуру Stable Diffusion XL; карточка демонстрирует генерацию изображения по запросу и пример запуска через Diffusers. Модель предназначена для создания изображений по текстовым промптам. Данных о размере контекста и поддерживаемых языках нет, поэтому их характеристики здесь не уточняются. Лицензия в метаданных обозначена как неизвестная; условия использования следует проверять у автора.

dateline-loc-resolver-v1 — многоязычный reranker на основе cross-encoder, разработанный автором репозитория emilys. Модель ранжирует предоставленные варианты мест GeoNames, чтобы определить, какое из них соответствует локации в датлайне новостной статьи. Это дообученная XLM-RoBERTa-base с архитектурой XLMRobertaForSequenceClassification, примерно 305,2 млн параметров и длиной контекста 514 токенов по метаданным; в карточке также указана максимальная длина последовательности 256 токенов. Модель принимает текстовый контекст статьи и описание кандидата, оценивая соответствие пары. Она предназначена для разрешения неоднозначности топонимов в новостях, а не для поиска координат или самостоятельного извлечения кандидатов из географического справочника: список кандидатов нужно сформировать отдельно. Для ожидаемого качества следует соблюдать обученный формат входа, включая тип географического объекта и население кандидата; по умолчанию модель не отказывается от ответа и оценивает любой непустой список кандидатов. Лицензия — CC BY 4.0.

daVinci-MagiHuman — генеративная модель SII-GAIR и Sand.ai для создания коротких видео с синхронным звуком, включая ролики с выразительной человеческой мимикой, речью и движениями. Она использует 15-миллиардный 40-слойный Transformer с единой последовательностью токенов текста, видео и аудио; модель совместно обрабатывает текстовый запрос, референсное изображение и зашумлённые аудио- и видеоданные. Архитектура включает специализированные проекции в первых и последних слоях и общие параметры в промежуточных слоях. Модель предназначена для генерации видео по изображению и тексту, с упором на человеческую речь, движения и синхронизацию аудио с видео. В README указаны поддержка английского, китайского (мандаринского и кантонского), японского, корейского, немецкого и французского языков, а также скорость генерации пятиминутного по длительности? Нет: пятисекундного ролика от 2 секунд в 256p до 38 секунд в 1080p на одном H100. Для ускорения используется дистилляция DMD-2 до 8 шагов, отдельный этап повышения разрешения и ускоренный декодер. Модель распространяется под лицензией Apache-2.0. Результаты качества и скорости приведены в README и зависят от описанных авторами условий оценки и оборудования. Для запуска требуются веса полного стека и подходящая среда инференса; указанная скорость предполагает H100 и не переносится автоматически на другое оборудование.

Deepfake-Detect-Siglip2 — модель классификации изображений, разработанная prithivMLmods и дообученная на базе визуально-языкового энкодера google/siglip2-base-patch16-224. Она использует архитектуру SiglipForImageClassification и относит изображение к одному из двух классов: «Fake» для дипфейка или изменённого изображения и «Real» для подлинного, неизменённого изображения. Модель предназначена для выявления изображений, созданных ИИ или подвергнутых манипуляциям, и может помогать при проверке контента в социальных сетях, журналистских фактчеках и криминалистических исследованиях. Она принимает изображения и выдаёт метку класса; данные карточки не описывают точность на разных типах изображений и способов подделки. Лицензия — Apache-2.0.

DeepGen 1.0 — компактная мультимодальная модель для генерации и редактирования изображений, представленная в формате Diffusers. По README, модель объединяет визуально-языковой компонент на 3 млрд параметров и диффузионный трансформер DiT на 2 млрд параметров, всего около 5 млрд параметров. Она предназначена для генерации изображений по тексту, обычного и основанного на рассуждениях редактирования и генерации, а также рендеринга текста внутри изображений. В README заявлена конкурентоспособность с более крупными унифицированными мультимодальными моделями на ряде бенчмарков. Карточка описывает версию весов в формате Diffusers и safetensors с отдельным скриптом pipeline. Метаданные указывают дообучение Qwen/Qwen2.5-VL-3B-Instruct на наборе Alex11556666/Reason_Tuning. Модель выпущена под лицензией Apache 2.0. Длина контекста и языки в источниках не приведены.

distilroberta-clickbait — модель классификации заголовков на кликбейт и обычные заголовки, созданная дообучением distilroberta-base на размеченных данных. Она предназначена для автоматической проверки новостных и других публикационных заголовков. В метаданных указаны архитектура RoBERTa, около 95,2 млн параметров и контекст до 514 токенов; модель принимает текст и выдаёт метку класса. В README сообщается, что обучение использовало 32 тысячи заголовков из Kaggle с метками «кликбейт» и «не кликбейт», а точность на оценочном наборе составила 0,9963. Этот результат относится к указанному набору и не гарантирует такое же качество на заголовках из других источников. Репозиторий содержит веса PyTorch; лицензия обозначена как other, конкретные условия использования по имеющимся данным определить нельзя.

Dreamlike PhotoReal 2 — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная Yntec. В README указано, что в веса встроен VAE 840K, предназначенный для улучшения глаз и детализации. Примеры охватывают фотореалистичные портреты, городские сцены, ретрофутуристические изображения и стилизованные иллюстрации. Модель принимает текстовые запросы и создаёт изображения; в метаданных для неё указаны библиотека Diffusers, форматы Diffusers и safetensors, а также английский язык. Лицензия обозначена как other; README направляет читателя к лицензии на исходной странице, поэтому условия использования следует сверить там.

dreamlike-photoreal-2.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания фотореалистичных изображений по промптам; пример в карточке показывает пейзаж с церковью при ярком кинематографическом освещении. Модель доступна в форматах Diffusers, PyTorch и safetensors, а также как файл CKPT. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers; в примере модель загружается с точностью float16 и запускается на CUDA. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Карточка не приводит сведений о контексте или поддерживаемых языках, кроме английского в метаданных.

Карточка модели xyn-ai/dreamlike-photoreal-2.0 на Hugging Face совпадает с карточкой dreamlike-art/dreamlike-photoreal-2.0, поэтому описание составлено по ней. dreamlike-photoreal-2.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания фотореалистичных изображений по промптам; пример в карточке показывает пейзаж с церковью при ярком кинематографическом освещении. Модель доступна в форматах Diffusers, PyTorch и safetensors, а также как файл CKPT. Для запуска используется StableDiffusionPipeline из библиотеки Diffusers; в примере модель загружается с точностью float16 и запускается на CUDA. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Карточка не приводит сведений о контексте или поддерживаемых языках, кроме английского в метаданных.