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

lllyasviel/control_v11p_sd15_inpaint — это версия ControlNet v1.1, разработанная Lvmin Zhang и Maneesh Agrawala. Модель преобразована в формат Diffusers из оригинального checkpoint и предназначена для совместного использования с Stable Diffusion, прежде всего с runwayml/stable-diffusion-v1-5. Модель добавляет к диффузионной генерации дополнительное условие в виде изображения для inpainting. Она подходит для заполнения или изменения выделенных областей изображения по текстовому описанию, сохраняя информацию о незамаскированных участках и предоставляя более точный контроль над результатом. Заявленный язык — английский; поддерживаемые модальности включают текст и изображения, в частности исходное изображение, маску и control image. Ключевая сильная сторона модели — управляемое редактирование изображений за счёт интеграции ControlNet с предварительно обученной диффузионной моделью. Ограничение заключается в том, что checkpoint рассчитан на Stable Diffusion v1-5 и специализирован для сценариев inpainting; совместимость с другими моделями не гарантируется, хотя экспериментально допускается использование с некоторыми вариантами Stable Diffusion. Размер модели и максимальный контекст в README не указаны. Лицензия — CreativeML OpenRAIL M.

Cydonia-v4-MS3.2-Magnum-Diamond-24B — слитая методом SLERP языковая модель, созданная knifeayumu на основе TheDrummer/Cydonia-24B-v4 и Doctor-Shotgun/MS3.2-24B-Magnum-Diamond. Она предназначена для генерации текста, в частности творческого письма и ролевых диалогов. Модель использует плотную архитектуру Mistral с 23,4 млрд параметров, поддерживает контекст до 131 072 токенов и работает с текстовым вводом и текстовым выводом. В README автор объясняет выбор рецепта тем, что исходная MS3.2-24B-Magnum-Diamond показалась ему чрезмерно откровенной и многословной. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

stevemobs/deberta-base-newsqa — модель DeBERTa-base, дообученная на наборе данных NewsQA для ответа на вопросы. Она предназначена для извлечения ответа из текста по заданному вопросу и подходит для систем поиска по документам и чтения новостных материалов. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTa и принимает контекст длиной до 512 токенов. В оценке на тестовой выборке указано значение Loss 0,7628. Модель распространяется в формате PyTorch по лицензии MIT. Карточка не приводит подробностей о составе обучающих данных и ограничениях; качество ответов за пределами оценки на NewsQA не установлено.

facebook/detr-resnet-101-dc5 — модель обнаружения объектов, разработанная командой Facebook и основанная на архитектуре DETR с backbone ResNet-101 и расширенной пятой стадией C5. Это энкодер-декодерный трансформер с CNN-backbone: объектные запросы предсказывают классы объектов и ограничивающие рамки. Модель обучена на COCO 2017 и рассчитана на поиск объектов на изображениях; для COCO используется 100 объектных запросов. Модель можно применять для обнаружения и локализации объектов на фотографиях, например в системах визуального анализа. В README указана средняя точность AP 44,9 на валидационной выборке COCO 2017. Для обработки изображения требуется масштабирование так, чтобы короткая сторона была не меньше 800 пикселей, а длинная — не больше 1333, с нормализацией RGB-каналов по статистикам ImageNet. Модель распространяется по лицензии Apache-2.0.

Elysian-Sunrise-12B — плотная каузальная языковая модель семейства Mistral, созданная Vortex5 слиянием шести моделей на базе Mistral Nemo. Она содержит 12,1 млрд параметров, работает через Transformers, использует формат Safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для ролевых диалогов с эмоциональной окраской, атмосферного повествования и творческого письма, в том числе для создания длинных художественных текстов. В метаданных указана лицензия Apache-2.0. Языки в карточке не перечислены, поэтому конкретный набор поддерживаемых языков определить нельзя.

FastWan2.2-TI2V-5B-MLX — модель генерации видео по изображению для компьютеров Apple с Apple Silicon, подготовленная для Videoboom. Это MLX-порт FastVideo/FastWan2.2-TI2V-5B-FullAttn-Diffusers с дистилляцией DMD: генерация выполняется за три шага денойзинга. В составе — диффузионный трансформер DiT в формате bf16, текстовый энкодер UMT5 и VAE; файлы весов поставляются вместе. Модель принимает изображение и текстовое описание и создаёт видеоклип; заявленный размер — около 832×480 пикселей, длительность — до 121 кадра. Она рассчитана на ускоренную генерацию видео на Apple Silicon. Лицензия — Apache-2.0, унаследованная от базовой модели.

DavidAU разработал эту модель как дообученную и освобождённую от ограничений версию Gemma 4 E4B Instruct. По README, веса представлены в формате bfloat16, а дообучение выполнено с Unsloth на внутренних наборах данных Deckard и Universe; архитектура — плотная Gemma4ForConditionalGeneration. Автор указывает около 8 млрд параметров всего и примерно 4,5 млрд активируемых параметров. Шаблоны чата позволяют использовать режимы instruct и thinking, причём thinking задан по умолчанию. Модель предназначена для диалога, творческого письма и ролевых сценариев, а также для задач общего назначения. Она принимает текст, изображения, видео и аудио и выдаёт текст; заявленная длина контекста — до 128 тысяч токенов. README описывает настройки генерации и приводит примеры, но заявленные превосходства в бенчмарках основаны на внутренних тестах автора и не подтверждены независимыми результатами. Модель опубликована по лицензии Apache-2.0. Автор характеризует её как uncensored и отмечает более интенсивный стиль ответов. Поэтому она может выдавать нежелательный или резкий контент, а качество результатов зависит от режима, шаблона и параметров генерации.

Goetia-26B-A4B-v1.5 — мультимодальная диалоговая модель на архитектуре Gemma 4, созданная автором Naphula слиянием нескольких моделей через mergekit-exp и метод moe_della. В качестве основы README указывает google/gemma-4-26B-A4B-it; в слияние также вошли модели для диалогов, рассуждений, художественного письма, ролевых сценариев и других задач. Модель предназначена для общения и генерации текста, в том числе художественных историй, продолжения сцен и ролевых диалогов. Метаданные также указывают поддержку анализа изображений с выдачей текста. В карточке описаны варианты использования в разных жанрах, включая фантастику, ужасы и романтику; для более точной оценки качества по отдельным задачам сведений нет. Модель использует формат safetensors и библиотеку Transformers. Она не является полностью раскрепощённой: автор сообщает о наличии отказов и стандартной защиты от jailbreak. Лицензия — Apache-2.0.

Javalion-GPTJ — слитая модель генерации текста на архитектуре GPT-J, созданная объединением четырёх моделей: Janeway, Shinen, Skein и Pygmalion6b. Janeway и Shinen объединены в JANIN-GPTJ, а Skein и Pygmalion — в SKEGMA-GPTJ; исходные модели относятся к KoboldAI, кроме Pygmalion6b от PygmalionAI. Модель предназначена для генерации текста, в том числе художественных и ролевых сценариев. Модель принимает текст и генерирует текст; родной размер контекста — 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия — CreativeML Open RAIL-M. Автор предупреждает, что модель не предназначена для несовершеннолетних и может создавать контент категории NC-17 и выше.

NobodySpecial/Llama-3.1-70B-Instruct-Lorablated-Creative-Writer — дообученная модель на базе mlabonne/Llama-3.1-70B-Instruct-lorablated, созданная для творческого письма и следования инструкциям. Она обучалась на длинных рассказах, заданиях на творческое письмо и ролевых диалогах, а также на соблюдении системных промптов. Модель использует плотную архитектуру LlamaForCausalLM примерно на 69,5 млрд параметров и шаблон чата Llama 3; доступна в формате safetensors. Заявлена длина контекста 131 072 токена. Модель рассчитана на генерацию историй в разных стилях и жанрах, ролевые сценарии и выполнение творческих инструкций. Автор называет её нецензурированной и стремился уменьшить типичные для GPT стилистические обороты. Специальные системные промпты или ключевые слова не требуются. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели Ciromarjunior/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная аудиовизуальная модель на основе DiT с открытыми весами. Она создаёт видео и синхронизированный с ним звук в одной модели; карточка Hugging Face указывает задачу image-to-video, а README также описывает генерацию по тексту и изображению и поддержку генерации в Diffusers. Модель предназначена для создания видеороликов по текстовым запросам или исходному изображению, в том числе с аудиосопровождением. В репозитории описаны варианты чекпойнта на 19 млрд параметров: bf16, FP8 и NVFP4; указана интеграция с Diffusers и ComfyUI. В карточке перечислены английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский языки; README отдельно называет английский. Модель может неточно следовать запросу, а результат зависит от стиля промпта; при генерации звука без речи его качество может быть ниже. Она не предназначена для выдачи фактической информации и может воспроизводить предвзятость или создавать оскорбительный контент. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

Карточка модели zachyuan/LTX-2.3 на Hugging Face совпадает с карточкой Lamender43/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — диффузионная аудиовизуальная модель на основе архитектуры DiT, разработанная Lightricks. Она генерирует синхронизированные видео и аудио в рамках одной модели; этот репозиторий описывает семейство контрольных точек, включая полную обучаемую версию и дистиллированные варианты. Модель рассчитана на локальный запуск и создание роликов по визуальному входу, а семейство также поддерживает сценарии генерации видео и аудио по тексту, изображениям и другим медиа. Модель принимает инструкции на английском языке. Карточка описывает улучшения качества аудио и видео и следования запросу по сравнению с LTX-2. Для размеров изображения предусмотрена кратность 32, а число кадров должно иметь вид 8n+1. Модель не предназначена для получения фактических ответов, может неточно следовать запросу и воспроизводить социальные предубеждения; звук без речи может быть низкого качества. Лицензия в метаданных обозначена как «other», поэтому конкретные условия следует сверить с файлами лицензии репозитория.

Карточка модели MLXBits/ltx-2.3-10eros-v1.2-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.2-mlx-q8, поэтому описание составлено по ней. Это квантизированный MLX-порт модели LTX-2.3 10Eros v1.2, подготовленный для работы на компьютерах Apple Silicon. Модель разработана на основе дообученной TenStrip/LTX2.3-10Eros и предназначена для создания видео по текстовому описанию и исходному изображению; README также сообщает о поддержке аудиопайплайнов. В репозитории есть dev- и distilled-варианты трансформера, общие компоненты, апскейлеры и вокодер. Текстовый энкодер Gemma 3 12B не включён и загружается отдельно. Веса трансформерных блоков линейных слоёв квантизированы до int8 с размером группы 64; некоторые компоненты оставлены в bf16. Для запуска требуются Apple Silicon и ltx-2-mlx. Модель предназначена для взрослой аудитории и может создавать откровенный контент. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

BennyDaBall/LTX-2.5-22b-distilled-nvfp4-comfy-v2 — это квантованная версия модели LTX-2.5 от Lightricks, подготовленная сообществом BennyDaBall для работы в ComfyUI. Модель предназначена для генерации видео по текстовому описанию (text-to-video), преобразования изображения в видео (image-to-video), генерации видео между заданными первым и последним ключевыми кадрами, а также сценариев с аудио и видео. Модель основана на 22-миллиардной distilled-версии LTX-2.5 и использует формат квантования NVFP4. В репозитории указаны 7 877 тензоров, включая 1 176 квантованных слоёв; размер файла составляет около 18,7 ГБ. В версии V2 восстановлена поддержка позиционного embedding для ключевых кадров. Заявлена поддержка генерации видео с нативным аудио, однако сведения о языках, точном размере контекста и перечне поддерживаемых аудиоформатов не приведены. Модель проверена в ComfyUI 0.33 на RTX 5090: доступны сценарии text-to-video, image-to-video и first/last-frame-to-video. Среди сильных сторон — меньший размер по сравнению с указанной INT8-версией, поддержка ключевых кадров и готовность к загрузке через UNETLoader. Ограничения включают зависимость от совместимого оборудования и ComfyUI, а также возможные отличия результатов от других вариантов квантования. Модель распространяется по лицензии ltx-2.x-community-license; веса, масштабы и лицензионные метаданные базовой модели не изменялись.

realrebelai/LTX-2.5_GGUFs — набор GGUF-квантизаций модели LTX-2.5, разработанной Lightricks и сконвертированной и подготовленной RealRebelAI для использования в ComfyUI через ComfyUI-GGUF. Модель предназначена для генерации видео по текстовому описанию, изображение-видео и создания видео с синхронизированным аудио за один проход. В основе лежит мультимодальная dual-stream DiT-архитектура с видеопутём шириной 4096, аудиопутём шириной 2048 и cross-modal attention для согласования аудио и видео. Исходный transformer в формате bf16 занимает около 39 ГБ, а квантизированные варианты — примерно от 8 до 22 ГБ в зависимости от формата. Доступны уровни Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, Q3_K_M и Q2_K; Q4_K_M рекомендуется как компромисс между качеством и размером. Для работы требуются специальный текстовый энкодер Gemma4-12b-with-proj-ltx-2.5, видео-VAE и аудио-VAE LTX-2.5. Сильная сторона набора — уменьшение требований к памяти при сохранении поддержки генерации согласованных аудио и видео; исправленные GGUF-файлы содержат конфигурацию, необходимую для корректной загрузки в ComfyUI. Distilled-вариант рассчитан на малое число шагов и CFG 1.0, а Dev-вариант — на полный набор шагов с обычным CFG. Более агрессивная квантизация снижает качество, особенно у Q2_K. Лицензия и ограничения использования унаследованы от базовой модели Lightricks/LTX-2.5; README не приводит их условия и не уточняет список поддерживаемых языков или максимальный контекст.

FrankDase/LTX-2.5-MLX — неофициальная конверсия Lightricks/LTX-2.5 для локального запуска через MLX на компьютерах Apple Silicon. Это дистиллированная модель генерации видео и синхронизированного аудио; репозиторий содержит веса и компоненты видеокодека, аудиокодека, вокодера и повышения пространственного и временного разрешения. Трансформер и текстовый энкодер Gemma 4 представлены в 8-битном формате MLX, остальные компоненты — в BF16. Модель предназначена для генерации видео по изображению, в том числе с начальным и конечным кадрами или интерполяцией между ними, а также для генерации видео с аудиовходом и совместной генерации синхронизированных видео и аудио. README также перечисляет генерацию по тексту. Доступность отдельных режимов зависит от используемой версии среды выполнения; для работы требуются Apple Silicon, ARM64 Python, MLX 0.31 или новее и совместимая среда LTX 2.5 MLX. Автор сообщает о локальном тестировании на Mac с M4 и 64 ГБ объединённой памяти; на системах с меньшей памятью может потребоваться снизить разрешение и число кадров. Это конверсия формата, а не дообучение: модель преобразована из официального выпуска BF16, новых обучающих данных не добавлено. В README указана лицензия репозитория как other; конкретные условия следует проверять в карточке и файлах лицензии. Репозиторий не включает опциональный перезаписыватель промптов.

MrMofer/ltx-2.5-mlx-q8 — квантованная сборка LTX-2.5 от Lightricks, подготовленная для запуска через MLX на компьютерах Mac с Apple Silicon. Репозиторий содержит 22-миллиардные аудио-видеотрансформеры в формате MLX q8, а также необходимые компоненты модели; текстовый энкодер квантован до 4 бит. Для работы используется runtime ltx-2-mlx, поддержка LTX-2.5 находится в ветке ltx25. Модель предназначена для генерации видео по изображению и поддерживает режимы генерации с текстовыми и аудиовходами. Доступны дистиллированный двухэтапный режим, режимы с CFG и уточнение результата с помощью дистиллированной LoRA. Сборка использует MLX и Metal, CUDA не требуется. Для запуска нужны macOS на Apple Silicon, Python 3.11 или новее и ffmpeg; на системе с 24 ГБ объединённой памяти README рекомендует режим экономии памяти, но фактические пределы зависят от разрешения, числа кадров и выбранного режима. Лицензия указана как other, поэтому конкретные условия следует проверять в материалах репозитория.

QuantStack/LTX-2-GGUF — это квантованная версия модели LTX-2 от Lightricks, преобразованная в формат GGUF. Модель предназначена для генерации и преобразования видео и аудио, включая сценарии text-to-video, image-to-video, video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio и совместной генерации аудио и видео по тексту или изображению. Модель рассчитана на использование в ComfyUI и требует нескольких компонентов: основной модели LTX-2 в формате GGUF, текстового энкодера Gemma 3, Embeddings Connector и Qwen-Image VAE для видео и аудио. В метаданных заявлена поддержка английского, немецкого, испанского, французского, японского, корейского, китайского, итальянского и португальского языков. Размер модели, точная архитектура, модальности входов и выходов в технических деталях, а также размер контекстного окна в README не указаны. К сильным сторонам относятся поддержка широкого спектра мультимодальных задач и более компактный квантованный формат GGUF. Ограничения связаны с необходимостью устанавливать дополнительные компоненты и использовать совместимую конфигурацию ComfyUI; характеристики квантования и влияние на качество в README не раскрыты. Модель распространяется по лицензии LTX-2 Community License Agreement, при этом для квантованной версии сохраняются все исходные условия и ограничения лицензирования.

lumikabra-123B v0.4 — объединённая модель на архитектуре Mistral Large, созданная автором schnapper79 с помощью mergekit. В основу слияния вошли Mistral-Large-Instruct-2407, Magnum-v2-123B, Luminum-v0.1-123B и Tess-3-Mistral-Large-2-123B. Модель содержит 122,2 млрд параметров и имеет заявленный контекст длиной 131 072 токена; доступны веса Safetensors. Модель предназначена для диалоговой генерации текста, в частности для творческого письма, ролевых игр и развёрнутых ответов с повествовательной структурой. Автор отмечает склонность к длинным и творческим ответам; в примере карточки приведён фэнтезийный рассказ с диалогом и повествованием от первого лица. Метаданные также указывают на интерфейс вызова инструментов. Автор описывает версию как четвёртую итерацию и сообщает, что при объединении использован метод della_linear с Mistral-Large-Instruct-2407 в качестве основы. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория. По словам автора, ответы могут быть длинными; подходящий стиль и степень выразительности зависят от предпочтений пользователя.

ThomasBaruzier/Meta-Llama-3.1-405B-Instruct-GGUF — это версия большой языковой модели Meta-Llama-3.1-405B-Instruct, подготовленная в формате GGUF для задач генерации текста. Базовую модель разработала Meta; карточка размещена пользователем ThomasBaruzier. Модель предназначена для диалогов, следования инструкциям, подготовки и преобразования текстов и других сценариев, где требуется генерация на естественном языке. Модель относится к семейству Llama 3.1 и имеет размер 405 миллиардов параметров. Она работает с текстовой модальностью и предназначена для text-generation. В карточке заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Архитектура и размер контекстного окна для этой конкретной сборки не указаны. Формат GGUF может быть удобен для локального запуска совместимыми средствами, однако модель такого масштаба требует значительных вычислительных ресурсов. Модель может обеспечивать высокое качество следования инструкциям и генерации текста благодаря крупному размеру, но её практическая применимость ограничена требованиями к памяти и производительности оборудования. Лицензия указана как Llama 3.1 Community License. При распространении материалов необходимо соблюдать условия Meta, включая предоставление текста лицензии, указание «Built with Llama», сохранение атрибуции и соблюдение Acceptable Use Policy; для продуктов с более чем 700 миллионами ежемесячных активных пользователей предусмотрены дополнительные лицензионные требования.

MATLOWAI опубликовала MiniMax-H3 Fused Turbo (INT8 ConvRot) — объединённую и квантованную сборку генеративной модели MiniMax H3 для ComfyUI. Это один файл весов safetensors объёмом около 21 ГБ: в основу на базе MiniMax-H3-Pruned-Ref-Delta-Fused-r1024 слиты турбо-адаптер lightx2v FL2VA Turbo и адаптер Mystic для сглаживания движения, после чего ключевые линейные слои квантованы в INT8 с ConvRot; остальные веса сохранены в BF16/F32. Модель предназначена для создания видео по тексту, изображению и референсам, включая сценарии с первым и последним кадрами. В README заявлен рабочий режим в 4 шага и приведены результаты для роликов до 243 кадров и 10 секунд; базовая модель также описана как способная генерировать синхронизированное стерео. Файл рассчитан на загрузку через стандартный UNETLoader в ComfyUI, а управление памятью ComfyUI позволяет запускать графы и на картах с меньшей памятью, хотя медленнее. Это производная сборка с объединёнными адаптерами, поэтому нельзя отдельно менять их силу после загрузки. Лицензия указана как other; конкретные условия использования в карточке не уточнены. README сообщает, что некоторые настройки внимания влияют на качество звука и скорость, а сравнения производительности проводились на указанной в карточке конфигурации оборудования.

Blackroot/Mirai-70B-1.0 — экспериментальная модель для диалогов и ролевых сценариев, созданная Blackroot методом слияния нескольких моделей семейства Llama. В основе используется huihui-ai/Llama-3.1-Nemotron-70B-Instruct-HF-abliterated; среди компонентов также указаны модели для ролевого общения, инструкций, медицины, логики и разных языков. Архитектура — плотная LlamaForCausalLM, размер — 69,5 млрд параметров, контекст — до 131 072 токенов; веса опубликованы в safetensors. Модель предназначена для генерации развернутой прозы, ролевых диалогов и ответов на инструкции. Автор отмечает разнообразие стиля, улучшенные рассуждения и воспроизведение фактов, а также низкую склонность к повторам. В README описана экспериментальная эволюционная настройка с ручной оценкой, без автоматических тестов и бенчмарков. Поддерживаются английский и другие языки, в том числе корейский, японский и китайский; качество может различаться между языками. Условия лицензирования в предоставленных данных не приведены.

Kaoeiri/Mistral-magnum-v4_X_Cydonia-VXXX_Mixture — слитая модель на основе Mistral, созданная с помощью mergekit методом Model Stock. В качестве базовой использована anthracite-org/magnum-v4-22b; в слияние также вошли Kaoeiri/Mistral-magnum_X_Cydonia-v1.3_X_Waifu-22B, Gryphe/Pantheon-RP-1.6.2-22b-Small, nbeerbower/Mistral-Small-Gutenberg-Doppel-22B и TheDrummer/Cydonia-22B-v1.1. Модель содержит 22 млрд параметров, использует плотную архитектуру Mistral и рассчитана на генерацию текста и диалоговое применение. Нативная длина контекста — 32 768 токенов; репозиторий предоставляет веса в формате Safetensors для Transformers. Базовая модель предназначена для диалогов, следования инструкциям и создания связной прозы на английском языке; слияние ориентировано на художественное и ролевое письмо. Лицензия в предоставленных данных не указана.

MM Grounding DINO Tiny — модель компьютерного зрения из семейства MM Grounding DINO, представленная авторами работы «An Open and Comprehensive Pipeline for Unified Object Grounding and Detection» и опубликованная сообществом OpenMMLab. Она предназначена для обнаружения объектов по текстовым запросам в режиме zero-shot: пользователь задаёт названия или описания объектов, а модель находит соответствующие области на изображении. Вариант Tiny использует backbone Swin-T и обучен на Objects365v1 и GOLD-G. Модель улучшает контрастивную классификационную голову Grounding DINO и использует декодер без разделения параметров между слоями. В README приведены результаты на COCO и LVIS, включая zero-shot mAP 50,4 на COCO. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. Модель подходит для поиска объектов по свободно задаваемым текстовым категориям и построения систем визуального поиска или разметки. Её задача — обнаружение объектов на изображениях; поддержка видеовхода не заявлена. Результаты зависят от формулировки запроса и состава обучающих данных; README не описывает ограничения подробно.

MN-12B-Chronos-Gold-Celeste-v1 — объединённая модель на базе Mistral, созданная с помощью mergekit из nothingiisreal/MN-12B-Celeste-V1.9 и elinas/Chronos-Gold-12B-1.0. Она предназначена для генерации текста и чат-диалогов, включая художественные истории и интерактивные ролевые сценарии, что следует из описания базовых моделей в каталоге. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и распространяется в формате safetensors. Для использования доступны условия лицензии Apache-2.0.

MN-12B-Mag-Mell-R1 — созданная inflatebot многокомпонентная языковая модель, полученная слиянием нескольких моделей семейства Mistral Nemo через mergekit. Это плотная авторегрессионная модель MistralForCausalLM с 12,1 млрд параметров; в качестве основы использована IntervitensInc/Mistral-Nemo-Base-2407-chatml, для диалогов рекомендуется формат ChatML. Заявленное в метаданных контекстное окно составляет 1 024 000 токенов. Модель предназначена для генерации текста общего назначения с упором на художественное письмо, ролевые диалоги, построение вымышленных миров и выразительную прозу. Объединение компонентов ориентировано на сочетание ролевых сценариев и тематического охвата, связности и опоры на факты, а также качества прозы. README приводит настройки сэмплирования, проверенные авторами, и отмечает, что результаты могут ухудшаться при чрезмерном использовании некоторых сэмплеров. Это текстовая модель, принимающая запросы и выдающая текст; специальных областей знаний или поддержки конкретных естественных языков карточка не заявляет. Ранние тестовые версии могли выдавать служебные токены, а квантование KV-кэша может усиливать эту проблему. Репозиторий распространяет веса в формате Safetensors; README также упоминает отдельные сборки GGUF и EXL2. Лицензия в предоставленных данных не указана.

VikramSingh178/mochi-diffuser-bf16 — версия модели Mochi 1 Preview, опубликованная в формате Diffusers и Safetensors с весами BF16. По текстовому запросу она генерирует видео; пример в карточке показывает создание ролика о закате в горах с помощью MochiPipeline. Модель основана на genmo/mochi-1-preview и распространяется по лицензии Apache-2.0. Модель рассчитана на генерацию видео из текстовых описаний. Карточка демонстрирует запуск через библиотеку Diffusers на CUDA и настройку числа шагов, силы guidance и количества кадров. Поддерживаемый язык по метаданным — английский. Других характеристик, включая размер модели и длину контекста, источники не приводят.

Moonlit-Mirage-12B — объединённая модель Vortex5 на архитектуре Mistral с 12,1 млрд параметров. Она создана в несколько этапов слияния девяти моделей семейства Seraph, Lunar, Moonlit и моделей Famino и Irix; итоговые веса сохранены в формате Safetensors. Модель предназначена для генерации текста в диалогах и творческих сценариях. Основные сценарии применения — ролевая игра с эмоционально выразительным взаимодействием, создание атмосферной прозы и написание длинных структурированных историй. Заявлена длина контекста 131 072 токена. Модель принимает текст и генерирует текст; README не указывает поддерживаемые естественные языки.

zeromodels представляет конверсию OWLv2 base patch16 ensemble от Google в формате Keras 3. Это модель обнаружения объектов с открытым словарём: она принимает изображение и текстовые запросы, а затем находит соответствующие объекты, в том числе классы, не заданные заранее. Архитектура сохраняет двухбашенную основу OWL-ViT и голову детекции по патчам; OWLv2 дополнительно использует голову оценки наличия объекта и масштабирование с помощью самообучения на парах веб-изображений и текста. Модель предназначена для поиска объектов на изображениях по свободным текстовым описаниям. Реализация Keras 3 работает с TensorFlow, Torch и JAX. При предобработке изображения дополняются до квадрата перед изменением размера, поэтому для корректной постобработки важно передавать исходные размеры изображения. Распространяется по лицензии Apache 2.0.