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

ChronoEdit-14B — мультимодальная модель редактирования изображений и моделирования взаимодействий с физическим миром, разработанная NVIDIA. Она использует диффузионный трансформер с временным денойзингом и состоит из этапа рассуждения о траектории видео и этапа контекстного редактирования. Заявленный размер — около 14 млрд параметров; модель работает с изображением и текстовой инструкцией, а выдаёт изображение. В карточке указана интеграция с PyTorch и Diffusers, а также возможность использования Triton Inference Server. Модель предназначена для физически осмысленного редактирования изображения по инструкции и симуляции мира с учётом действий, в том числе сценариев PhysicalAI. В карточке заявлена поддержка английского и китайского языков. Модель ориентирована на системы с GPU NVIDIA; для входных инструкций указан предел около 300 токенов. Лицензия — Apache 2.0; README также предписывает соблюдать NVIDIA Open Model License Agreement.

Cosmos-Predict2-14B-Text2Image — диффузионная модель NVIDIA для генерации изображений по текстовому описанию. Она предназначена для создания визуальных сцен и служит компонентом систем генерации миров для разработки Physical AI. Модель построена на архитектуре diffusion transformer: слои self-attention, cross-attention и feedforward обрабатывают представление изображения в латентном пространстве, а текст задаёт условие генерации. На вход подаётся текст короче 300 слов; стандартный результат — цветное изображение JPG размером 1280×704. Для работы модель рассчитана на GPU NVIDIA; проверена точность BF16, а FP16 и FP32 официально не поддерживаются. Модель может создавать изображения с артефактами и неточно передавать трёхмерное пространство, физические законы и взаимодействия объектов. Поэтому её результаты могут быть ненадёжны для сценариев, требующих физически точной симуляции. Модель разработана NVIDIA и предназначена для использования по лицензии NVIDIA Open Model License.

cyberkongz — модель безусловной генерации изображений на основе LightWeight GAN, созданная Алексеем Коршуком. Она обучена на наборе данных коллекции CyberKongz и предназначена для создания изображений в стилистике этой NFT-коллекции без текстового запроса. Модель принимает изображение не требуется: генерация выполняется безусловно, а результатом является изображение. В репозитории указаны веса PyTorch и лицензия MIT. README отсылает к внешнему проекту за инструкциями по запуску и сведениями об ограничениях; отдельные характеристики архитектуры и качество генерации в карточке не раскрыты. Использовать модель следует с учётом прав на исходную коллекцию и обучающие данные: README отмечает, что модели и наборы данных могут быть удалены по запросу правообладателя.

Dark-Goetia-26B-A4B-LoRA-v3-A — экспериментальный LoRA-адаптер SubMaroon для ролевых диалогов в жанре тёмного фэнтези. Он дообучен на базе Naphula/Goetia-26B-A4B-v1.3-Absolute-Heretic-ARA: Gemma 4 MoE с 26B параметров общего размера и 4B активных. Адаптер изменяет проекции v_proj и o_proj во всех текстовых слоях, используя QLoRA с 4-битной базой; доступен в формате GGUF и предназначен для запуска с совместимой базовой моделью и загрузчиком адаптеров. Модель рассчитана на литературный мрачный стиль в RP-диалогах и на сохранение заданных схем ответа: статусных блоков, трекеров и секций внутренних мыслей. В README рекомендован масштаб адаптера 0,35; при значениях от 0,4 структурные блоки могут пропадать. Проверки описаны для английского и русского, но модель ориентирована прежде всего на английский, а форматирование на русском менее надёжно. Контекст обучения указан как 2048 токенов; это не подтверждает максимальную длину контекста при использовании. Адаптер экспериментальный: поведение проверялось ограниченным числом генераций, а рабочий диапазон масштаба узкий. Унаследованы ограничения и условия лицензии Gemma; базовая модель описана как аблирированная, обучающие данные включали взрослый и мрачный контент.

Карточка модели SubMaroon-exp/Dark-Goetia-26B-A4B-LoRA-v3-A-GGUF на Hugging Face совпадает с карточкой SubMaroon/Dark-Goetia-26B-A4B-LoRA-v3-A-GGUF, поэтому описание составлено по ней. Dark-Goetia-26B-A4B-LoRA-v3-A — экспериментальный LoRA-адаптер SubMaroon для ролевых диалогов в жанре тёмного фэнтези. Он дообучен на базе Naphula/Goetia-26B-A4B-v1.3-Absolute-Heretic-ARA: Gemma 4 MoE с 26B параметров общего размера и 4B активных. Адаптер изменяет проекции v_proj и o_proj во всех текстовых слоях, используя QLoRA с 4-битной базой; доступен в формате GGUF и предназначен для запуска с совместимой базовой моделью и загрузчиком адаптеров. Модель рассчитана на литературный мрачный стиль в RP-диалогах и на сохранение заданных схем ответа: статусных блоков, трекеров и секций внутренних мыслей. В README рекомендован масштаб адаптера 0,35; при значениях от 0,4 структурные блоки могут пропадать. Проверки описаны для английского и русского, но модель ориентирована прежде всего на английский, а форматирование на русском менее надёжно. Контекст обучения указан как 2048 токенов; это не подтверждает максимальную длину контекста при использовании. Адаптер экспериментальный: поведение проверялось ограниченным числом генераций, а рабочий диапазон масштаба узкий. Унаследованы ограничения и условия лицензии Gemma; базовая модель описана как аблирированная, обучающие данные включали взрослый и мрачный контент.

DuplexJev-B-Para-MOSS-Transcribe-Qwen3-4B-2507 — аудиоязыковой коннектор для коротких решений по речи, разработанный adventists-ai. Он соединяет замороженный аудиокодировщик Whisper из MOSS-Transcribe-Diarize и замороженную Qwen3-4B-Instruct-2507; обучаемая часть — коннектор с проектором SwiGLU и объединением кадров, около 38,8 млн обучаемых параметров. Модель принимает аудио и отвечает на типизированные вопросы распределением по вариантам ответа без генерации токенов; за один проход можно обработать несколько вопросов. Модель предназначена для классификации речевых признаков, например пола говорящего и эмоции, а также коротких вопросов и решений по аудиозаписи. В README приведены результаты на наборах spoken QA и паралингвистических задач, однако оценка проводилась на небольших тестовых наборах с прочитанной или разыгранной речью. Модель не проверялась на потоковом аудио, а небольшая языковая модель плохо справляется с вопросами, требующими общих знаний. Метки эмоций получены на разыгранной речи и не подходят для принятия решений о людях. Коннектор работает только с указанными кодировщиком и языковой моделью. Лицензия репозитория — CC-BY-NC-4.0.

Модель автоматического распознавания речи enenlhet-wav2vec2 разработана Samuel J. Huskey при поддержке Data Institute for Societal Challenges Университета Оклахомы. Это дообученная на модели facebook/wav2vec2-large-xlsr-53 архитектура Wav2Vec2ForCTC с 402,7 млн параметров, предназначенная для создания черновых транскрипций полевых аудиозаписей на языке эненлет. Для обучения использован набор sjhuskey/enenlhet-wav2vec2-dataset с WAV-записями носителей языка и соответствующими транскрипциями; данные разделены на обучающую, тестовую и валидационную выборки. Модель принимает аудио и выдаёт текст. Она может ускорить подготовку транскрипций полевых записей, но README указывает на первичную, черновую роль результатов, поэтому транскрипции следует проверять и исправлять вручную. Модель распространяется по лицензии Apache 2.0.

Amirulazmi16/Flux-Uncensored-V2 — это LoRA-расширение для модели генерации изображений black-forest-labs/FLUX.1-dev, разработанное командой EnhanceAI. Модель предназначена для text-to-image и image-to-image сценариев, в которых требуется создавать изображения по текстовым описаниям, включая NSFW-контент и другие материалы без стандартных ограничений базовой модели. Для работы используется библиотека diffusers и FLUXPipeline. Вторая версия заявлена как более производительная и стабильная по сравнению с предыдущим выпуском; её LoRA-веса также оптимизированы для уменьшения размера без заметного снижения качества. Указаны файл весов lora.safetensors, тип данных torch.bfloat16 и рекомендация использовать CUDA-совместимый GPU. Сведения о точном размере модели, поддерживаемых языках, длине контекста и конкретных модальностях, помимо генерации изображений, не приведены. Сильная сторона модели — адаптация FLUX.1-dev для генерации явного контента по соответствующим промптам. Ограничения включают зависимость от базовой модели и вычислительных ресурсов, а также потенциальные правовые и этические риски при создании NSFW-изображений. Расширение предназначено для исследовательского и личного использования и распространяется на условиях некоммерческой лицензии FLUX.1-dev.

Gemmasutra Mini 2B v1 — компактная диалоговая модель для ролевых игр, созданная командой BeaverAI на основе Gemma 2 и дообученная для RP-сценариев. Она рассчитана на локальный запуск в Kobold, браузере, на маломощном компьютере, Raspberry Pi и мобильных устройствах через Layla. Модель содержит 2,7 млрд параметров, использует архитектуру Gemma 2 и поддерживает контекст до 8192 токенов. Модель ориентирована на ролевые диалоги и заявлена разработчиками как uncensored и unaligned. Для работы рекомендуется шаблон Gemma Instruct с поддержкой роли system; также подходит формат Chat Completion. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты. Разработчики не рекомендуют использовать модель для математических задач. Это небольшая модель, поэтому качество и связность ответов могут уступать более крупным моделям; подтверждённых оценок качества в карточке нет.

Gigafractal2 Diffusion — латентная диффузионная модель генерации изображений по тексту, созданная автором kabachuha на основе Stable Diffusion 2.0 от Stability AI. Модель дообучена методом DreamBooth на 40 изображениях, созданных Disco Diffusion; обучение продолжалось 2040 шагов. Для получения характерного биоморфного фрактального стиля автор рекомендует добавлять в запрос фразу «gigafractal artstyle». Модель предназначена для генеративного искусства и развлекательного использования. Модель принимает текстовые запросы на английском языке и генерирует изображения. Она исследовательская по замыслу: автор изучал возможности и ограничения DreamBooth при увеличенном числе шагов и стремился получить стиль Disco Diffusion с меньшей зависимостью от ассоциаций токенов с дискотеками. Распространяется по лицензии CreativeML OpenRAIL-M: разрешены коммерческое использование и распространение весов при соблюдении ограничений лицензии и передаче её копии пользователям. Качество и разнообразие генераций зависят от запроса; специальная настройка модели сосредоточена на одном художественном стиле.

GirlsLike — набор LoRA-адаптеров для генерации изображений на основе текстовых описаний. Разработчик в README явно не указан; репозиторий содержит материалы, перенесённые со страницы пользователя hl3131 на Civitai. Адаптеры предназначены для использования с базовой моделью black-forest-labs/FLUX.1-dev через библиотеку Diffusers. Модель ориентирована на создание изображений конкретных людей, перечисленных в примерах README, включая ZhaoWei, LinXinru, GongLi, ZhangZiyi и других. Для разных персон используются отдельные идентификаторы LoRA, например girlslikeflux_zw или girlslikeflux_gl. В README отмечена совместимость отдельных адаптеров с несколькими моделями, однако точные параметры инференса, размер адаптеров, требования к памяти, поддерживаемые языки и размер контекстного окна не указаны. Сильной стороной набора является специализация на воспроизведении внешности представленных персон и наличие многочисленных визуальных примеров. Ограничения связаны с зависимостью от FLUX.1-dev, отсутствием подробных инструкций по применению и неполной информацией о качестве, обучающих данных и ограничениях использования образов людей. Указанная лицензия — Apache-2.0.

hair_v02 — классификатор изображений на базе архитектуры Vision Transformer (ViT), опубликованный пользователем londe33 и автоматически созданный с помощью HuggingPics. Модель предназначена для классификации изображений по категориям, на которых её обучили. В репозитории указаны веса в формате safetensors и размер около 113,2 млн параметров. Карточка не сообщает, какие именно категории распознаёт классификатор и на каких данных он обучен. Лицензия в предоставленных сведениях не указана.

IM-Animation Motion Encoder — опубликованный Rbaerk кодировщик кадров на основе TiTok для представления движения персонажей. Он преобразует RGB-кадр размером 256×256 в 32 токена по 12 измерений; в интеграции обучения их объединяют в вектор размерностью 384 для последующей ретаргетизации. Кодировщик обрабатывает кадры независимо и сам по себе не выполняет временную ретаргетизацию и не генерирует анимацию: генератор анимации и сеть ретаргетизации в релиз не входят. Архитектура включает 24 слоя Transformer с шириной 1024 и 16 головами внимания, размер патча 16, 32 обучаемых латентных токена, проекцию в 12 измерений и кодовую книгу векторного квантования на 4096 записей. Контрольная точка экспортирована в safetensors; README сообщает о проверке загрузки и совпадения вывода одного кадра с доступной исходной реализацией TiTok. Полное качество генерации видео не оценивалось, а восстановленное состояние замороженной кодовой книги исторического запуска не проверено независимо. Лицензия — Apache-2.0.

Knesset-DictaBERT — ивритоязычная BERT-модель, дообученная GiliGold на корпусе стенограмм заседаний израильского парламента Knesset. Она предназначена для предсказания замаскированных слов и анализа контекста парламентской речи на иврите. Модель содержит 211,6 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. На тестовой части корпуса авторы сообщают perplexity 6,60 и точность предсказания правильного токена в top-1 52,55%, в top-2 63,07% и в top-5 73,59%; результаты выше показателей исходной DictaBERT на той же оценке. Модель может помочь при изучении и обработке парламентских текстов, но опубликованные метрики получены на Knesset Corpus и сами по себе не подтверждают качество на других жанрах или задачах. Лицензия — CC BY-SA 4.0.

L3-SnowStorm-v1.15-4x8B-B — экспериментальная MoE-модель для диалогов и ролевых сценариев, созданная на основе нескольких моделей Llama 3. В README указаны четыре эксперта размером 8B: Poppy Porpoise, Lumimaid, Soliloquy и Stheno; для каждого токена выбираются два эксперта, а режим маршрутизации указан как random. Метаданные описывают архитектуру как MixtralForCausalLM и указывают 7,5 млрд параметров, контекст 8192 токена и формат safetensors. Модель предназначена прежде всего для ролевого общения и ERP-сценариев. README также приводит результаты Open LLM Leaderboard, но не содержит полной таблицы оценок. Заявлена мультимодальная версия через llama3_mmproj, однако описания её возможностей и формата входа в карточке нет. Модель опубликована под лицензией Llama 3. README помечает её как экспериментальную; случайная маршрутизация экспертов и узкая ориентация на ролевые сценарии ограничивают предсказуемость качества в других задачах.

LeroyDyer/LCARS_AI_StarTrek_Computer — языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная автором путём слияния нескольких моделей LeroyDyer. Она предназначена для генерации текста в тематике бортового компьютера Star Trek, диалогов и ролевых сценариев; автор также описывает планы добавить данные о космосе, истории и других темах, поэтому не все эти источники следует считать уже включёнными в модель. В метаданных указаны задача text-generation, библиотека Transformers и контекст до 32 768 токенов; модель принимает и выдаёт текст на английском языке. Автор предупреждает, что из-за слияния унаследованные возможности могут работать непоследовательно, а качество выполнения задач не гарантировано. В README также отмечено, что среди исходных моделей были NSFW-модели для ролевых сценариев и эротики, поэтому возможна генерация взрослого контента. Модель опубликована под лицензией MIT.

cyberagent/ldm-vq-f16-rgba — специализированный VQ-токенизатор изображений RGBA от CyberAgent. Он преобразует изображения с альфа-каналом в дискретные латентные коды и восстанавливает их; такие коды можно использовать в последующих задачах, включая дополнение графического дизайна. Модель основана на токенизаторе изображений из Latent Diffusion Model, изменённом для работы с четырьмя входными и выходными каналами вместо трёх. Модель предназначена для сценариев, где требуется компактное дискретное представление RGBA-графики для дальнейшей обработки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Описание не приводит конкретные показатели сжатия или качества восстановления.

Muinez/ltxvideo-2b-nsfw — экспериментальное дообучение LTX-Video 0.9.5, созданное автором Muinez на данных с изображениями и видеоклипами. Модель предназначена для генерации видео по исходному изображению; в конце обучения её дополнительно настраивали для image-to-video. Для описаний использовались booru-теги, а обучающая выборка включала реалистичные и аниме-материалы разных авторов. Автор сообщает, что модель быстро генерирует видео и иногда даёт приемлемый результат, но качество нестабильно и в целом уступает более сильным моделям. Обучение проводилось на изображениях и 4,7 тыс. видеоклипах; максимальная длина клипов составляла 121 кадр, разрешения изображений — от 512×768 до 768×512. По карточке Hugging Face модель использует Diffusers и сохранена в формате safetensors; размер параметров и длина контекста не указаны. Модель помечена как предназначенная для взрослой аудитории. Условия лицензии в предоставленных данных не указаны.

GonzaloMartinGarcia выпустил Marigold E2E FT Normals — модель на базе диффузионной архитектуры Marigold для оценки карты нормалей поверхности по одному RGB-изображению. Она предназначена для монокулярного анализа сцен, включая изображения «из реального мира», и выполняет предсказание за один детерминированный шаг; для такого режима используются нулевой шум и размер ансамбля 1. Модель принимает изображение и выдаёт изображение-карту нормалей, пригодное для визуализации и задач 3D-реконструкции. Она дообучена сквозным образом на специализированной функции потерь; репозиторий распространяется по лицензии Apache-2.0.

Metric Video Depth Anything Small — это порт на MLX модели Video Depth Anything от ByteDance, подготовленный сообществом mlx-community. Модель оценивает метрическую глубину по кадрам монокулярного видео и выдаёт карту глубины для каждого кадра, сохраняя временную согласованность на видео произвольной длины. Веса преобразованы из официального чекпойнта depth-anything/Metric-Video-Depth-Anything-Small. Архитектура сочетает backbone DINOv2, голову DPT и временные модули движения в стиле AnimateDiff. Модель принимает видео в виде последовательности RGB-кадров; входные высота и ширина должны быть кратны 14. Она предсказывает абсолютную глубину в метрах. Веса представлены в fp32; по README, результаты на GPU близки к PyTorch-версии примерно в пределах 1% относительной ошибки, а на CPU — примерно 1e-5. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MyneFactory/MF-AscendanceOfABookworm — модель генерации изображений по текстовому описанию, созданная Juusoz, Tylenol, Goldkoron и Expl0dingCat. Она предназначена прежде всего для создания изображений персонажей, сцен и стилистики аниме «Ascendance of a Bookworm», а также художественных изображений в стиле MyneFactoryBase. Модель работает с текстовыми промптами на английском языке. В карточке указаны форматы Diffusers, PyTorch и Safetensors, а файлы весов представлены в форматах CKPT и Safetensors. Авторы рекомендуют 40 шагов, сэмплер DPM++ SDE Karras, CFG 7 и размер изображения от 768 × 768 пикселей. Лицензия — CreativeML OpenRAIL-M. Промпты могут включать стилевые теги MFB Style или AOB Style, персонажей, атрибуты и описание сцены. Модель специализирована на тематике сериала; качество генерации и точность следования промпту могут зависеть от формулировок и настроек. README не приводит длину контекста или точный размер модели в параметрах.

modeversion2_m7_e8 — модель классификации изображений, созданная дообучением ViT-Base с патчами 16×16 и входным разрешением 224 пикселя на наборе sudo-s/herbier_mesuem7. В карточке указаны 113,2 млн параметров и точность 0,9761 на оценочном наборе; метрика относится к этому набору и не гарантирует такое же качество на других изображениях. Модель подходит для классификации изображений гербарных музейных образцов. Использование ограничено задачей и данными дообучения; подробные сведения о классах и ограничениях в карточке не приведены. Лицензия — Apache-2.0.

nativ-community публикует конвертированную в формат MLX модель MoGe-3 ViT-L для оценки монокулярной геометрии по фотографии. Репозиторий содержит 607 тензоров в формате safetensors с точностью float32; модель основана на Ruicheng/moge-3-vitl и предназначена для запуска на Apple Silicon через mlx-vlm. Модель принимает изображение и для него вычисляет карту глубины, нормали поверхности, маску валидных областей и матрицу внутренних параметров камеры. Это подходит для извлечения геометрии сцены из одиночного снимка. Веса распространяются по лицензии MIT. Конверсия меняет формат представления и выполнения модели для MLX; README не описывает отдельное дообучение.

danieledll/moss-transcribe-diarize-atc — дообученная Daniel Edll модель OpenMOSS MOSS-Transcribe-Diarize для расшифровки радиообмена авиадиспетчеров США. Это плотная модель условной генерации на 0,9 млрд параметров, совместно распознающая речь и разделяющая её по говорящим; рассчитана на записи VHF AM с несколькими десятками голосов и длительностью до примерно 30 минут. В README сообщается о дообучении на более чем 230 часах записей с аэропортов США и улучшении показателей диаризации и WER относительно базовой модели. Для работы требуется предварительно обработать аудио рекомендованной цепочкой шумоподавления и привести его к моно, 16 кГц. На тихих участках возможны циклическая генерация и потеря фрагментов; README описывает восстановление декодирования. На аудио вне обучающего распределения диаризация может ошибочно объединять или дробить говорящих. Для надёжной атрибуции позывных рекомендуется сверять результат с данными ADS-B, частотой и аэропортовым контекстом. Лицензия CC BY-NC-SA 4.0 допускает использование с условиями Attribution-NonCommercial-ShareAlike.

MusicBERT large — модель семейства BERT, опубликованная пользователем manoskary. Она обучена на последовательностях символической музыки в представлении REMI+BPE из корпуса GigaMIDI и предназначена для понимания музыкальных последовательностей и заполнения замаскированных фрагментов. Модель также можно использовать как основу для последующих генеративных задач. В архитектуре 24 слоя, размер скрытого представления — 768, число параметров в метаданных — 144 млн, длина контекста — 2048 токенов. Модель принимает символические музыкальные последовательности и предсказывает замаскированные токены; непосредственно аудио она не создаёт. Репозиторий содержит веса Safetensors и распространяется по лицензии MIT. Обучающие данные отражают преимущественно западную тональную музыку, поэтому модель может хуже представлять другие музыкальные традиции. Для работы с длинными структурами README указывает на необходимость разбиения или итеративного декодирования; полученные продолжения могут требовать постобработки для повышения музыкальной связности.

MC हिमाल — Nepali Rapper (Merged) — это разговорная генеративная модель на базе Qwen3-8B, созданная akarki15. Модель предназначена для общения в образе непальского рэпера и генерации рэп-текстов о Непале; обучение проводилось на примерно 50 диалогах с непальскими рэперами. LoRA-адаптер был объединён с базовыми весами fp16, поэтому для запуска не требуется PEFT. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 40 960 токенов. Она принимает текст и генерирует текст; примеры показывают смешение непальского письма, латиницы и английского. Репозиторий содержит веса safetensors и GGUF. Лицензия — Apache-2.0. Небольшой объём обучающих диалогов может ограничивать разнообразие и надёжность ответов за пределами рэп-персоны и тематики Непала.

NOESIS-Gemma3-1B-BF16 — дообученная модель AMAImedia на базе Google Gemma 3 1B IT, предназначенная для текстового кодировщика в конвейере автоматизации профессионального дубляжа NOESIS. Веса содержат объединённые с базовой моделью адаптеры cinema и autoif-v2; это плотная авторегрессионная архитектура Gemma 3 примерно с 1 млрд параметров, контекстом до 32 768 токенов и форматом BF16. Модель готовит последовательностные текстовые представления для аудиопайплайна Scenema-DiT с перекрёстным вниманием. Скрытые состояния размерности около 1152 преобразуются отдельным адаптером scenema_adapter.pt в представления размерности 3840; этот компонент поставляется отдельно. Версия 1B предназначена прежде всего для проверки рецепта и экспериментов, тогда как для рабочего пути автор указывает модель-соседку 4B. Указанный в метаданных тег задачи — генерация текста; модель поддерживает диалоговый режим и помечена как многоязычная с английским языком. Метаданные указывают Apache-2.0, однако условия Gemma от Google продолжают применяться к базовым весам: при распространении нужны атрибуция Google и копия этих условий.

nsfwv2-zit — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем wolfer45. Модель предназначена для использования с базовой моделью Tongyi-MAI/Z-Image-Turbo в сценариях text-to-image через Diffusers. Для активации адаптера необходимо использовать триггерное слово nsfwv2-zit. README не содержит сведений о размере адаптера, точной архитектуре, поддерживаемых языках, длине контекста, дополнительных модальностях, сильных сторонах или ограничениях. Также условия лицензии и разрешённые сценарии использования не указаны, поэтому их следует уточнять отдельно перед применением модели.

PHerc.1667-iteration-2 — модель сегментации чернил для проекта Vesuvius Challenge, обученная авторами репозитория scrollprize на 8 970 фрагментах сегмента l_2 с разметкой l_2_inklabels2.png. Она предназначена для выделения следов чернил на объёмных сканах обугленных свитков Геркуланума и может применяться для построения масок надписей, в том числе на сегментах, не использованных при обучении. Модель принимает объёмные данные в окнах размером 62 × 256 × 256 вокселей. Энкодер ResNet3D-50, инициализированный весами Kinetics-700, формирует признаки, которые декодер на основе 2D U-Net преобразует в карту вероятностей чернил размером 64 × 64. Для обработки полного сегмента требуется скользящее разбиение на окна и усреднение перекрывающихся предсказаний. Веса Hugging Face побитово совпадают с исходным PyTorch Lightning чекпойнтом. Доступна лицензия MIT. Модель специализирована на сегментации чернил в томографических данных свитков, а не на распознавании и чтении текста. Предсказание на выходе имеет четвертное разрешение относительно окна; для больших объёмов нужны тайлинг и объединение результатов. README описывает обучение на одном сегменте, поэтому качество на других сегментах может отличаться.

Pi3 (Pi-Cubed) — модель для восстановления визуальной геометрии по набору изображений, опубликованная в репозитории yyfz233/Pi3. Это feed-forward нейросеть с перестановочно-эквивариантной архитектурой: она обрабатывает изображения как неупорядоченный набор и не требует фиксированного опорного кадра. На вход подаётся тензор RGB-изображений; модель возвращает карты локальных 3D-точек, объединённое облако точек, оценки уверенности и матрицы поз камер. Модель предназначена для оценки поз камер, восстановления глубины по одному изображению или видео и построения плотных карт точек. Устойчивость к порядку изображений и масштабируемость набора кадров названы ключевыми свойствами; авторы заявляют высокие результаты на этих задачах. Репозиторий содержит веса в формате safetensors, библиотека — PyTorch. Лицензия — BSD 2-Clause.