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

Ovis2-16B — мультимодальная языковая модель семейства Ovis, разработанная командой AIDC-AI. Она объединяет визуальный энкодер и языковую модель для диалога по изображениям и видео. Архитектура плотная, класс Ovis; репозиторий содержит веса Safetensors. Вариант 16B показан в тестах изображений и видео, а README рекомендует более новую версию Ovis2.5. Модель предназначена для ответов на вопросы по визуальным материалам, рассуждений по нескольким изображениям и кадрам, многоязычного OCR, а также извлечения структурированных данных из таблиц и диаграмм. В обучении использовались instruction tuning и preference learning для усиления рассуждений; заявлена поддержка английского и китайского, а OCR улучшен для языков помимо них. Для запуска README приводит зависимости PyTorch, Transformers и Flash Attention. Модель распространяется по лицензии Apache-2.0. В README отмечены ограничения: разработчики не гарантируют полного отсутствия проблем с авторскими правами или некорректного содержимого; для новых возможностей рекомендуется Ovis2.5.

Qwen2-VL-2B-Instruct — мультимодальная модель с визуальным энкодером и плотной архитектурой Qwen2-VL, разработанная командой Qwen. Это версия с настройкой для следования инструкциям, основанная на Qwen/Qwen2-VL-2B. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; поддерживает динамическое разрешение изображений, а механизм M-ROPE учитывает текстовые, визуальные и видеопозиции. В метаданных указаны 1,5 млрд параметров и контекст длиной 32 768 токенов. Модель предназначена для визуальных вопросов и ответов, анализа изображений и документов, а также понимания видеоклипов, включая клипы длительностью более 20 минут. Она также может служить основой для систем, которые действуют по текстовым инструкциям, опираясь на визуальную обстановку. Модель поддерживает английский и китайский языки, а также распознавание текста на изображениях на многих других языках. Репозиторий содержит веса в формате safetensors, использовать их можно на базе Transformers; лицензия — Apache-2.0. В README отмечены ограничения: модель не понимает аудио в видео, может ошибаться при подсчёте объектов и пространственных рассуждениях, а также испытывает трудности со сложными многошаговыми инструкциями. Данные изображений обновлены до июня 2023 года; распознавание конкретных людей и объектов интеллектуальной собственности ограничено.

Qwen2-VL-2B-Instruct-AWQ — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная командой Qwen. Это квантованная версия модели Qwen2-VL-2B-Instruct с примерно 2 млрд параметров, предназначенная для задач image-text-to-text: анализа изображений и видео, визуального ответа на вопросы, работы с документами, распознавания текста на изображениях и диалога по визуальному содержимому. Модель поддерживает изображения произвольного разрешения и соотношения сторон благодаря динамическому представлению визуальных токенов, а также видео длительностью более 20 минут. Архитектура использует Multimodal Rotary Position Embedding (M-ROPE), разделяющий позиционную информацию для текста, двумерных изображений и трёхмерного видео. Заявлена поддержка английского и китайского языков, а также текстов на изображениях на большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. Модель может применяться в визуальном анализе, Document VQA, математических задачах по изображениям, видеоаналитике и сценариях управления устройствами. Ключевое преимущество версии AWQ — сниженное потребление памяти по сравнению с BF16 за счёт квантования, что упрощает локальный запуск. При этом квантование может немного снижать точность: в приведённых тестах AWQ получила 41,33 на MMMU, 86,96 на DocVQA, 71,64 на MMBench и 39,90 на MathVista. README не указывает точное максимальное окно контекста; в тестах использовались входы до 129024 токенов, но результаты производительности для AWQ приведены только до 30720 токенов. Модель распространяется по лицензии Apache-2.0.

Stable Audio 3 Small Music — небольшая модель семейства Stable Audio 3, разработанная Stability AI для генерации и редактирования музыки и звуков по текстовому описанию. Это латентная диффузионная модель на основе трансформера: она использует семантико-акустический автоэнкодер для сжатого представления аудио и текстовое кондиционирование на основе предварительно обученной T5Gemma. Поддерживаются генерация аудио переменной длительности, продолжение коротких записей и локальное редактирование аудио с помощью inpainting. Модель обучалась на лицензированных и Creative Commons записях. Семейство Stable Audio 3 оптимизировано для быстрой генерации; разработчики сообщают о времени менее двух секунд на H200 для семейства в целом. Версия Small предназначена для запуска на потребительском оборудовании. Основной язык текстовых описаний — английский. Для использования доступны библиотеки stable-audio-3 и stable-audio-tools. Модель является дообучением stabilityai/stable-audio-3-small-music-base. В карточке указана Stability AI Community License, а текстовое кондиционирование опирается на T5Gemma, распространяемую по условиям Gemma Terms of Use; коммерческое применение требует проверки применимых условий лицензий.

Stable Audio 3 Small Music — модель Stability AI для генерации музыки и редактирования аудио по текстовым описаниям. Это небольшая версия семейства Stable Audio 3, рассчитанная на запуск на потребительском оборудовании. Модель использует трансформерную архитектуру латентной диффузии и семантико-акустический автоэнкодер; для текстового обусловливания применяется предварительно обученная T5Gemma. Модель создаёт аудио переменной длительности, поддерживает продолжение коротких записей и целевое редактирование с помощью inpainting. Семейство обучалось на лицензированных записях и материалах Creative Commons. Для использования весов действует Stability AI Community License; T5Gemma распространяется на условиях Gemma Terms of Use. Подробности коммерческого использования зависят от условий этих лицензий.

Rocketknight1/t5-small-finetuned-xsum — дообученная версия T5-small для генерации кратких резюме в стиле датасета XSum. Модель построена на архитектуре T5 с примерно 38,5 млн параметров и принимает текст, выдавая текстовое резюме. В метаданных указан контекст до 512 токенов; веса представлены в формате TensorFlow. Карточка приводит метрики на наборе оценки: validation loss 2,3977 и ROUGE-1 28,7469, ROUGE-2 7,9005 и ROUGE-L 22,5917 для обучающего набора. Данные для дообучения названы неизвестными, а подробные сценарии применения и ограничения автор не описал. Лицензия Apache-2.0.

Карточка модели wan-community/Wan2.1-I2V-14B-480P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Карточка модели wan-world/Wan2.1-I2V-14B-480P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-480P, поэтому описание составлено по ней. Wan2.1 I2V-14B-480P — разработанная командой Wan-AI модель генерации видео из изображения. Она принимает исходное изображение и может использовать текстовый запрос, чтобы создать видео с сохранением соотношения сторон исходника; эта версия рассчитана на разрешение 480p. Модель построена на архитектуре diffusion transformer и использует разработанный для видео 3D причинный VAE Wan-VAE, который кодирует временную структуру.

Карточка модели bhavik2116/Wan2.1-VACE-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-VACE-14B, поэтому описание составлено по ней. Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

Карточка модели CAMOMAIL/Wan2.1-VACE-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-VACE-14B, поэтому описание составлено по ней. Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

Карточка модели steplei88vj/Wan2.1-VACE-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-VACE-14B, поэтому описание составлено по ней. Wan2.1-VACE-14B — модель семейства Wan от Wan-AI для создания и редактирования видео. Она использует архитектуру diffusion transformer и предназначена для сценариев VACE, включая генерацию видео по изображению и работу с видеоматериалом. В карточке репозитория указаны поддержка режимов создания и редактирования видео, а также разрешения 480p и 720p; вход может иметь произвольное разрешение, но для оптимального результата рекомендуется держаться заданного диапазона размеров. Модель подходит для создания видеоклипов на основе изображения и для видеомонтажа с помощью VACE. Семейство Wan2.1 также поддерживает генерацию текста на китайском и английском языках внутри визуального контента, однако README не уточняет, относится ли эта возможность именно к варианту VACE-14B. Репозиторий распространяется под лицензией Apache-2.0.

Wan 2.2 — набор переупакованных файлов моделей для ComfyUI, собранный Comfy-Org и распространяемый по лицензии Apache-2.0. Репозиторий предназначен для генерации видео из изображений и включает файлы вариантов Wan 2.2, используемых в рабочих процессах ComfyUI. Карточка приводит примеры преобразования изображения в видео, генерации по первому и последнему кадрам, управления видео и обработки видео по текстовому описанию. Метаданные связывают репозиторий со слитыми моделями семейства Wan2.2-Fun, включая варианты 5B и A14B, а также указывают формат safetensors. Основной сценарий по тегу модели — генерация видео на основе изображения. Переупакованные файлы предназначены для загрузки в ComfyUI; сама карточка не описывает требования к оборудованию или подробные параметры генерации. Языковые возможности не заявлены. Лицензия репозитория — Apache-2.0.

Карточка модели kunkun01/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели Sanaullahbs/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели visualisecrypto/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Карточка модели Yuro1991/Wan2.2-TI2V-5B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-TI2V-5B, поэтому описание составлено по ней. Wan2.2-TI2V-5B — видеогенеративная модель семейства Wan2.2 от Wan-AI для создания видео по текстовым описаниям и изображениям. Она использует диффузионную архитектуру TI2V и высокосжимающий Wan2.2-VAE с коэффициентом сжатия 16×16×4; заявлена поддержка генерации видео с разрешением до 720p и частотой 24 кадра в секунду. Модель подходит для подготовки видеоклипов по текстовым запросам и для анимации исходных изображений. В README отмечены улучшения в генерации сложного движения и управлении кинематографическими характеристиками, включая освещение, композицию, контраст и цветовой тон. Для запуска на одной потребительской видеокарте авторы указывают RTX 4090; фактические требования зависят от настроек и оборудования. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В метаданных указаны английский и китайский языки; модель также принимает изображения, поэтому для генерации по картинке доступны текстово-визуальные сценарии.

Wan2.2-TI2V-5B-Diffusers — модель генерации видео семейства Wan2.2, разработанная командой Wan-AI. Она принимает текстовое описание и изображение для создания видео; карточка также указывает поддержку генерации только по тексту. Модель построена на Wan2.2-VAE с коэффициентом сжатия 16×16×4 и поддерживает разрешение до 720p при 24 кадрах в секунду. Модель предназначена для создания видеороликов по текстовым запросам и анимации изображений. В README отмечены улучшенная передача движения и управление кинематографической эстетикой, включая освещение, композицию, контраст и цветовой тон. Веса доступны в формате Diffusers и Safetensors; заявлена возможность запуска на одной потребительской видеокарте уровня RTX 4090. Лицензия — Apache-2.0. В карточке репозитория не приведены отдельные сведения о числе параметров именно этого набора весов и длине контекста. Практические ограничения включают ограничение заявленного разрешения до 720p и частоты кадров до 24 FPS; качество и скорость генерации зависят от аппаратного обеспечения и настроек.

Afrispeech-Whisper-Medium-All — модель распознавания речи на базе Whisper Medium, дообученная Intron Health на датасете AfriSpeech-200 для лучшей работы с африканскими акцентами. Модель принимает аудио и преобразует речь в текст; пример в карточке описывает автоматическое определение языка вывода и транскрибирование на английском языке. Архитектура — WhisperForConditionalGeneration, плотная модель на 455,8 млн параметров. Для длинных записей README рекомендует сегментировать аудио на фрагменты по 30 секунд с помощью Transformers pipeline; поддерживаются временные метки на уровне последовательности. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Alfiob12/agnews-bert — модель классификации новостей, созданная дообучением bert-base-uncased на наборе AG News. Она принимает заголовок и текст статьи и относит новость к одной из четырёх категорий: World, Sports, Business или Sci/Tech. Модель построена на архитектуре BERT и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Предназначена для автоматической разметки новостных материалов и тематической сортировки публикаций. В README указана точность 94,47% на выделенной тестовой выборке. Модель работает с англоязычными новостями. Доступна в формате safetensors и распространяется по лицензии MIT. Результаты оценки относятся к AG News и могут не отражать качество на других тематиках, языках или форматах текста.

Arabic-English-handwritten-OCR-v3 — мультимодальная модель Sherif1313 для распознавания рукописного текста по изображениям. Она дообучена на Qwen/Qwen2.5-VL-3B-Instruct на специализированных примерах и предназначена для извлечения арабского и английского текста, включая связное письмо, из заметок, документов и рукописей. Метаданные указывают 3,1 млрд параметров, архитектуру Qwen2.5-VL и контекст 128 000 токенов; модель принимает изображения и выдаёт текст. Автор заявляет средний показатель CER 1,78% и скорость около 0,32 секунды на изображение, однако README не приводит достаточно подробностей о протоколе оценки, чтобы независимо подтвердить эти результаты. Указаны сценарии оцифровки архивов, учебных работ, форм и записей. Лучше всего модель работает с чётким стандартным почерком; качество может снижаться на изображениях низкого разрешения, при тенях, сложной разметке и сильно нестандартном почерке. Для оптимальных результатов README рекомендует разрешение не ниже 200 DPI. Лицензия — Apache-2.0.

english-image-caption-blip — дообученная модель BLIP на основе Salesforce/blip-image-captioning-base для генерации англоязычных подписей к изображениям. Она принимает изображение и выдаёт текстовое описание его содержимого; архитектура реализована классом BlipForConditionalGeneration и использует визуальный энкодер ViT Base. Модель предназначена для автоматического создания кратких подписей к изображениям и может использоваться в системах каталогизации и поиска по визуальному содержимому. Карточка не раскрывает обучающий датасет и не приводит подробностей о качестве, поэтому результаты оценки из README (loss 2.0130 и token accuracy 0.0696) сами по себе не позволяют судить о практической точности подписей. Лицензия — BSD 3-Clause.

lmstudio-community/gemma-3-27B-it-qat-GGUF — это GGUF-квантизированная версия Gemma 3 27B IT, разработанная Google и представленная в рамках программы LM Studio Community Models. Квантизация выполнена Google с применением Quantization Aware Training для повышения качества работы в 4-битном формате. Модель предназначена для генерации текста и понимания изображений. Она подходит для ответов на вопросы, суммирования, рассуждений и других задач, требующих анализа текста или совместной обработки текста и изображений. Поддерживается мультимодальный ввод изображений, нормализуемых до разрешения 896 × 896 пикселей. Заявленная длина контекста составляет до 128 000 токенов, максимальная длина генерируемого ответа — 8 192 токена. Ключевыми преимуществами являются сочетание крупного размера 27B, поддержки изображений, длинного контекста и оптимизации для 4-битного запуска. Ограничения включают возможные неточности, вредные или неподходящие ответы, а также требования к вычислительным ресурсам, характерные для модели такого размера; сведения о поддерживаемых языках в README не указаны. Для использования применяется лицензия Gemma; доступ к исходной модели на Hugging Face требует принятия условий лицензии Google.

heretic-org/gemma-3-4b-it-heretic — это производная от Gemma 3 4B IT модель с открытыми весами, размещённая heretic-org. Она принимает текст и изображения и генерирует текст; поддерживает диалоговые сценарии и задачи понимания изображений. В карточке базовой Gemma 3 указаны контекст до 128K токенов и поддержка более 140 языков. Модель подходит для ответов на вопросы по изображениям, извлечения и краткого изложения визуальной информации, диалоговых помощников, генерации и суммаризации текста. Метаданные отмечают её как uncensored/decensored, поэтому она может слабее ограничивать генерацию нежелательного содержания. Указанная лицензия — gemma; применяются условия лицензии и политики использования Gemma.

GEN-AI Text Summarizer Model — англоязычная модель для суммаризации текста, размещённая Pankaj1805 как часть портфолио-проекта. Это копия DistilBART, дообученной для создания кратких резюме; архитектура BART, около 252,8 млн параметров, веса в формате PyTorch, контекст до 1024 токенов. Модель принимает текст и генерирует его краткое изложение. Подходит для суммирования статей, документов и транскриптов видео. В демонстрационном приложении предусмотрена вставка текста и обработка YouTube-ссылки через получение транскрипта. Репозиторий является пере размещением модели sshleifer/distilbart-cnn-12-6 и не описывает отдельное обучение автором этого репозитория. Лицензия — Apache-2.0.

GLM-4V-9B — мультимодальная модель семейства GLM-4, разработанная Zhipu AI. Она предназначена для диалогового понимания изображений и текста: отвечает на вопросы по изображениям, распознаёт текст, анализирует графики и диаграммы, а также выполняет задачи визуального восприятия и рассуждения. Модель поддерживает китайский и английский языки, многоходовый диалог с изображениями высокого разрешения до 1120 × 1120 пикселей и контекст длиной 8K токенов. Это плотная архитектура ChatGLM с 10,7 млрд параметров; веса опубликованы в формате safetensors. В метаданных указан тег text-generation, однако назначение модели и её описание в README сосредоточены на визуальном диалоге, OCR и понимании изображений. Лицензия обозначена как other; README отсылает к отдельной лицензии GLM-4 для условий использования.

Higgs Audio v3 STT — модель распознавания речи в текст, разработанная Boson AI. Она объединяет аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-1.7B; общий размер составляет 2,68 млрд параметров. Модель принимает монофоническое аудио WAV с частотой 16 кГц и выдаёт транскрипцию. Для загрузки используется собственная архитектура через Transformers с включённым trust_remote_code; обработка аудио требует библиотеки boson_multimodal. Модель предназначена для транскрибирования речи, включая записи встреч, выступлений, подкастов и финансовых аудиозаписей. В README упомянут режим Thinking для повышения точности. В обновлённом чекпойнте данные дообучения включают англоязычные наборы AMI, VoxPopuli, SPGISpeech, LibriSpeech, TED-LIUM, GigaSpeech и Earnings22; карточка отмечает, что опубликованные ранее результаты оценки относятся к предыдущему чекпойнту и требуют повторной оценки. Модель распространяется по лицензии Apache-2.0.

Это репак модели Tencent HY-OmniWeaving для использования в ComfyUI. Репозиторий добавляет поддержку узлов HunyuanVideo 15 Omni Conditioning и Text Encode HunyuanVideo 15 Omni, которые позволяют задавать изображения и видео как опорные материалы. Модель предназначена для генерации и редактирования видео по тексту, изображениям и видеокадрам, включая генерацию видео по изображению, работу с несколькими изображениями и сочетание изображений с видео.

InternVL2-4B — мультимодальная инструктивно настроенная модель OpenGVLab для диалога по изображениям и тексту. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Phi-3-mini-128k-instruct; размер модели в карточке указан как 4,2 млрд параметров. Модель доступна через Transformers, веса опубликованы в формате Safetensors по лицензии MIT. Модель предназначена для понимания изображений и видео, ответов на вопросы о визуальном содержимом, чтения документов и диаграмм, OCR, решения научных и математических задач с изображениями. Она также принимает несколько изображений в одном запросе. Обучение проводилось с контекстом 8 тысяч токенов и данными с длинными текстами, несколькими изображениями и видео. Карточка сообщает о конкурентных результатах на тестах понимания документов, диаграмм, сценического текста и видео, но эти оценки зависят от конкретных бенчмарков и не гарантируют качество в каждом сценарии. Для видео в описанных тестах использовалось извлечение 16 кадров с изменением размера до 448×448; это не свидетельствует о полноценной обработке непрерывного видеопотока. В метаданных отмечена многоязычность, но конкретный перечень языков не приведён.

ISNet Background Remover — модель сегментации изображений на архитектуре ISNet, опубликованная пользователем mateenahmed. Она предназначена для удаления фона: модель принимает изображение и формирует бинарную маску, отделяющую передний план от фона. В карточке заявлены качественная сегментация и быстрая инференция; архитектура описана как U-Net-подобная схема «энкодер–декодер». Репозиторий содержит веса safetensors и рассчитан на загрузку через Transformers с `trust_remote_code=True`. Модель подходит для автоматического удаления фона при подготовке изображений товаров, портретов и других объектов. Лицензия — MIT. Количественные оценки качества и скорости, поддерживаемые размеры входа и ограничения по типам изображений в карточке не приведены.

LTX-2.5 — модель генерации видео и аудио с открытыми весами от Lightricks, предназначенная для локального запуска и дообучения. Этот репозиторий содержит разделённые компоненты семейства LTX-2.5 в формате safetensors; в README описаны трансформеры DiT на 22 млрд параметров, текстовый энкодер Gemma 4 12B и видео-декодер DiffVAE. Карточка указывает генерацию видео по изображению и тексту, а также работу с видео и аудио как входами и выходами. Модель рассчитана на создание синхронизированных видео и аудио, включая генерацию нескольких связанных кадровых сцен за один проход, сохранение идентичности персонажей и визуального стиля между сценами, а также управление движением и деталями через промпт. Среди сценариев — преобразование изображения в видео и создание клипов с заданными сценами, действиями и камерой. README описывает дистиллированный вариант для более быстрой генерации, усилитель промптов и необязательный предсказатель длительности. В README перечислены ограничения: модель не предназначена для предоставления фактической информации, может отражать общественные предубеждения, не всегда точно следует промпту и может создавать неподходящий или оскорбительный контент. Лицензирование регулируется LTX-2.x Community License: при годовой выручке организации до 10 млн долларов допускается коммерческое и производственное использование без оплаты, а для более крупных организаций требуется коммерческое соглашение; передача дообученных моделей может требовать отдельной лицензии.