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

GIT-large-COCO — модель семейства GenerativeImage2Text, разработанная Microsoft и дообученная на наборе COCO. Это декодер Transformer, который использует визуальные токены изображения, полученные с помощью CLIP, и предыдущие текстовые токены для последовательной генерации текста. Размер модели — 80,1 млн параметров; в метаданных указан контекст длиной 1024 токена. Основное назначение этого чекпойнта — создание подписей к изображениям. Архитектура GIT также подходит для визуальных вопросов и ответов и генерации текстовых меток классов, однако README рекомендует эту версию прежде всего для описания изображений. Карточка сообщает о дообучении на COCO; языковая метка модели — английский. Модель принимает изображение и выдаёт текст. Она не предназначена для генерации изображений, а качество ограничено обучающими данными и задачей подписи: подробные рассуждения о сложных сценах не заявлены. Распространяется по лицензии MIT.

HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.

HunyuanImage-3.0 — мультимодальная модель генерации изображений от Tencent. Она использует авторегрессионную архитектуру Mixture of Experts (MoE) и предназначена прежде всего для создания изображений по текстовым запросам; семейство также поддерживает генерацию изображений на основе входного изображения. В карточке указаны 3,1 млрд параметров, контекст 22 800 токенов и формат весов safetensors, тогда как README заявляет для полной модели 80 млрд параметров, из которых активируются 13 млрд на токен. Эти сведения о размере расходятся между источниками. Модель рассчитана на следование текстовым запросам и создание детализированных, в том числе фотореалистичных изображений. README описывает её как объединяющую понимание и генерацию изображений, но базовая версия сама не переписывает и не улучшает запросы автоматически. Для инференса README указывает Python 3.12+ и CUDA 12.8. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в лицензионных материалах репозитория.

Hviske v5 — модель распознавания датской речи, разработанная Syvai. Это плотная encoder-decoder архитектура Conformer с 2 млрд параметров, обученная примерно на 3,5 млн аудиозаписей общей длительностью около 16 тысяч часов из семи датских наборов данных. Модель принимает аудио и преобразует речь в текст; её основное назначение — транскрибация датской речи. В README приведены результаты оценки на парламентских записях, вещательных материалах и других датских речевых данных. Например, WER составил 6,4% на ftspeech и 5,7% на nota в указанной выборке. Для семейства уже доступна более новая версия v5.3, рекомендованная автором и показывающая лучшие результаты на тесте CoRal v3; v5 сохранена для воспроизводимости. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Igbo-ASR — модель автоматического распознавания речи на языке игбо, разработанная Awarri Technologies при поддержке Федерального министерства коммуникаций, инноваций и цифровой экономики Нигерии. Это дообученная на Whisper Small трансформерная модель примерно с 244 млн параметров, обученная на 120 часах записей из разных регионов Нигерии и общедоступных наборах данных. Она принимает аудио и выдаёт текстовую транскрипцию на игбо; рекомендуемая частота дискретизации — 16 кГц, максимальная длительность входного фрагмента — 30 секунд. Модель предназначена для транскрибирования речи в образовательных, исследовательских, культурных, медийных и доступностных приложениях. Её область применения — речь на игбо; качество может снижаться на некоторых диалектах, при переключении между игбо и английским, шуме и низком качестве аудио. Данных детской речи мало, а для специализированных областей может потребоваться дополнительное дообучение. Лицензия обозначена как other: условия описывают исследовательское и общественно полезное применение, запрещают ряд вредоносных сценариев, а коммерческое или крупномасштабное корпоративное использование требует отдельного соглашения.

ARTeLab/it5-summarization-mlsum — модель семейства T5, разработанная ARTeLab и дообученная на итальянской части набора MLSum для абстрактивного суммирования. Она принимает текст статьи и генерирует краткое изложение, формулируя его своими словами. Модель основана на gsarti/it5-base и содержит 123,7 млн параметров. Она предназначена для суммирования италоязычных новостных текстов; в карточке приведены результаты оценки на MLSum-it, включая ROUGE-1 19,37 и ROUGE-L 16,69. Лицензия в предоставленных данных не указана.

KB-Whisper Medium — модель распознавания речи, выпущенная Национальной библиотекой Швеции (KBLab). Это дообученная версия Whisper Medium от OpenAI с 455,8 млн параметров, предназначенная прежде всего для расшифровки шведской речи в текст. Модель обучали в два этапа на более чем 50 000 часах шведской аудиозаписи с транскрипциями; для второго этапа применялись более строгие фильтры качества данных. Модель предлагает варианты транскрипции с разной степенью подробности: стандартный, более компактный для субтитров и более дословный. Авторы сообщают о снижении WER на шведской речи относительно OpenAI Whisper, однако приведённые в карточке таблицы неполны, поэтому оценить результаты именно версии Medium по ним нельзя. Доступны реализации и веса для Hugging Face, ONNX и CTranslate2, а также отдельные варианты для whisper.cpp. Модель принимает аудио и генерирует текстовую транскрипцию. Карточка указывает шведский язык; сведений о контекстном окне нет. Распространяется по лицензии Apache-2.0.

LeibyApp/leiby-sa3-small-sfx-gguf — GGUF-сборка модели Stable Audio 3 Small SFX от Stability AI, подготовленная для on-device Sound и sa3.cpp. Репозиторий описан как побитово идентичная копия исходного набора GGUF-файлов Leiby; в комплект входят компоненты DiT F16, SAME-S F16 и conditioner F32. Модель предназначена для генерации звуковых эффектов по текстовому описанию. Базовая модель рассчитана на английские текстовые запросы и выдаёт аудио. Доступны веса GGUF в точностях F16 и F32; лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели и репозитория.

Llama 3.2 90B Vision Instruct — мультимодальная instruction-tuned модель Meta для диалога по изображениям. Она принимает текст и изображения и генерирует текстовые ответы для визуального распознавания, рассуждений по изображению, создания подписей и ответов на вопросы о содержимом картинки. Модель построена на языковой модели Llama 3.1 с авторегрессионной архитектурой Transformer и отдельным обученным адаптером зрения с cross-attention слоями. Вариант 90B содержит около 88,8 млрд параметров, поддерживает контекст до 128 тыс. токенов и использует Grouped-Query Attention. Для текстовых задач официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский; для задач с изображениями и текстом поддерживается английский. Модель подходит для визуальных вопросов и ответов, анализа документов по изображению, описания сцен, поиска соответствий между изображениями и текстом и визуальной привязки описаний к областям изображения. Она не выдаёт изображения. Модель статична, обучена на данных с отсечкой знаний в декабре 2023 года. Использование регулируется Llama 3.2 Community License и Acceptable Use Policy.

ccdv/lsg-bart-base-16384-mediasum — модель BART с механизмом Local-Sparse-Global attention, разработанная для суммаризации длинных англоязычных стенограмм телепередач из датасета MediaSum. Она дообучена на ccdv/mediasum после преобразования базовой модели для обработки последовательностей длиной до 16 384 токенов; в README указано обучение в течение одной эпохи. В таблице тестовых результатов приведены ROUGE-1 35,31, ROUGE-2 18,35 и ROUGE-L 31,81 для конфигурации с 64 глобальными токенами. Модель принимает текст и генерирует его краткое изложение. В README описана архитектура из 6 слоёв энкодера и 6 слоёв декодера, но оценка числа параметров там расходится с метаданными: около 145 млн против 95,2 млн. Для загрузки требуется Transformers версии 4.36.1 или новее и параметр trust_remote_code=True, поскольку используется пользовательский файл моделирования. Лицензия в предоставленных данных не указана.

Это модель автоматического реферирования нидерландских новостных статей, созданная командой ML6 Team путём дообучения mBART. Она принимает текст статьи и генерирует краткое изложение на нидерландском языке. Модель содержит около 457,4 млн параметров, использует архитектуру mBART и доступна в формате PyTorch; длина контекста составляет до 1024 токенов. Модель предназначена для суммаризации новостей. При обучении использовался набор данных ml6team/cnn_dailymail_nl, а также дополнительный небольшой набор, собранный из интернета и не опубликованный в открытом доступе. Лицензия в предоставленных данных не указана.

Это модель автоматического суммирования новостных статей, созданная дообучением facebook/mbart-large-50 на корпусе MLSUM. Она принимает текст статьи и генерирует краткое резюме; авторы обучали её на примерно 700 тысячах статей в течение двух эпох. В метаданных указаны 457,4 млн параметров, архитектура mBART и контекст до 1024 токенов; карточка модели указывает французский язык. Модель предназначена для создания резюме прессы. Авторы сообщают, что результаты уступали выбранным сравнительным моделям по метрике novelty, хотя сгенерированные резюме в целом оценивались как качественные. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — MIT.

Модель AmirDastouri/mbart-persian-summary-finetuned — дообученная Амиром Дастури версия eslamxm/mbart-finetuned-fa на базе mBART-large-50 для создания кратких абстрактивных пересказов новостных текстов на фарси. Она принимает текст длиной до 1024 токенов и генерирует резюме длиной до 110 токенов. Модель построена на архитектуре mBART и обучалась на наборах HooshvareLab/pn_summary и hezarai/xlsum-fa. Она предназначена для суммаризации текстов на фарси; в README приведено значение validation loss около 2,13. Модель распространяется по лицензии Apache-2.0.

malmarjeh/mbert2mbert-arabic-text-summarization — модель для абстрактивного суммирования арабского текста на основе архитектуры BERT2BERT. Параметры энкодера и декодера инициализированы весами Multilingual BERT, после чего модель дообучена на 84 764 парах «абзац — краткое содержание». Она предназначена для создания кратких пересказов и заголовков арабских новостей; в метаданных также отмечена задача перефразирования на современном литературном арабском языке (MSA). Модель принимает текст и генерирует текст. В репозитории указаны формат PyTorch и поддержка арабского языка. Сведения о размере модели, длине контекста и лицензии в предоставленных материалах отсутствуют.

MOSS-VL-Instruct-0408 — мультимодальная модель OpenMOSS, дообученная методом supervised fine-tuning на основе MOSS-VL-Base-0408. Она предназначена для понимания изображений и видео, визуальных вопросов и ответов, распознавания текста и разбора документов, визуальных рассуждений и выполнения инструкций. Модель особенно ориентирована на анализ длинных видео: рассуждение о последовательности событий, распознавание действий и привязку событий ко времени. Архитектура использует перекрёстное внимание, раздельно обрабатывающее визуальное представление и языковое рассуждение; временные метки кадров помогают учитывать ход событий, а XRoPE кодирует время и пространственные координаты. Модель поддерживает чередование изображений и видео в одном потоке и диалоговый интерфейс. В карточке заявлены сильные результаты на задачах понимания видео, визуального восприятия и OCR. Модель описана как ранний этап развития семейства; математические и программные рассуждения, а также многошаговое поведение требуют дальнейшего улучшения. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

MAGAer13/mplug-owl-llama-7b — модель для описания изображений, построенная на архитектуре mPLUG-Owl. По идентификатору модели она относится к варианту с LLaMA 7B. Предназначена для преобразования визуального содержимого в текстовые описания. Модель принимает изображения и выдаёт текст. В метаданных указан английский язык, библиотека Transformers и формат PyTorch. Лицензия — Apache-2.0.

csebuetnlp разработала mT5-m2m-CrossSum — модель семейства mT5 с архитектурой MT5ForConditionalGeneration и 291,2 млн параметров, дообученную на всех парах языков датасета CrossSum. Она создаёт краткое содержание текста на заданном целевом языке, который может отличаться от языка исходного текста. Модель подходит для многоязычного суммирования новостей и переноса их содержания между поддерживаемыми языками. В README перечислены 44 целевых языковых варианта, включая русский, английский, арабский, китайский, хинди и испанский; метаданные также указывают языки карточки. Модель работает с текстом и опубликована в формате PyTorch для использования с Transformers. Это специализированный чекпойнт суммирования на основе mT5, обученный на CrossSum. Репозиторий распространяется по лицензии Apache-2.0. Качество может различаться между языками и языковыми парами; характеристики контекста в предоставленных данных не приведены.

laion/music-whisper — модель распознавания аудио на базе Whisper Small от OpenAI, дообученная LAION для создания текстовых описаний музыкальных фрагментов. Она анализирует звучание и формирует подписи с характеристиками инструментов, ритма и темпа, вокала, жанра, настроения и качества записи; такие описания подходят для каталогизации музыки, поиска треков и подготовки подписей к аудио. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров. Репозиторий использует библиотеку Transformers и формат safetensors. Модель распространяется по лицензии CC BY 4.0.

NASes — испаноязычная модель для абстрактивного суммирования новостных статей, разработанная исследовательской группой ELiRF. Это Transformer encoder-decoder с архитектурой и гиперпараметрами BART; модель насчитывает 262,8 млн параметров и использует контекст до 512 токенов. Она предварительно обучалась на испаноязычных газетах и статьях Википедии с помощью задач перестановки предложений, заполнения пропусков, Gap Sentence Generation и Next Segment Generation, а затем дообучалась на парах «статья — резюме» из корпуса DACSA. Модель предназначена для создания кратких пересказов испанских новостей и ориентирована на абстрактивное суммирование, включая перестройку исходного содержания. Поддерживает испанский язык; принимает текст и генерирует текст. В README отмечена ошибка конфигурации, из-за которой до 5 апреля 2022 года резюме генерировались некорректно; для текущего состояния этой проблемы сведений нет. Лицензия в предоставленных данных не указана.

NB-Whisper Large — модель распознавания речи от NB AI-Lab Национальной библиотеки Норвегии, дообученная на основе openai/whisper-large. Модель семейства Whisper содержит около 905 млн параметров и предназначена для транскрибации речи; семейство также поддерживает перевод речи. Для обучения серии NB-Whisper использовали 8 млн аудиофрагментов общей длительностью около 66 000 часов, включая датасеты NbAiLab/ncc_speech, NbAiLab/NST и NbAiLab/NPSC. Модель ориентирована прежде всего на норвежский язык, включая букмол и нюношк, а также поддерживает английский. Она принимает аудио и генерирует текст; длинные записи можно обрабатывать сегментами, а Transformers позволяет получать временные метки слов и предложений. Для Large рекомендуется GPU; в README указано, что это релиз-кандидат, поэтому качество и стабильность могут измениться. Лицензия — Apache 2.0.

NB-Whisper Large Distilled Turbo BETA — модель автоматического распознавания речи, разработанная Национальной библиотекой Норвегии. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration; она принимает аудио и выдаёт текстовую транскрипцию, рассчитанную прежде всего на норвежский букмол. Модель предназначена для более быстрого распознавания речи при ограниченных ресурсах, включая потоковую транскрипцию и развёртывание на мобильных и периферийных устройствах. В README модель названа дистилляцией NbAiLab/nb-whisper-large. Она обучалась на норвежских речевых данных, включая коллекции Национальной библиотеки Норвегии и Språkbanken. README указывает размер 756 млн параметров, тогда как метаданные Hugging Face — 905,2 млн. Метаданные также отмечают английский среди языков карточки; основным языком модели заявлен норвежский букмол. Лицензия — Apache 2.0. Это бета-версия, выпущенная для тестирования. Возможны пропуски фрагментов, галлюцинации и ошибки транскрипции; текст может быть нормализован в грамматически корректные предложения, а не передавать речь дословно. Качество следует проверять на целевых аудиозаписях.

NB-Whisper Small — модель распознавания речи семейства Whisper, разработанная NB AI-Lab при Национальной библиотеке Норвегии и дообученная на основе openai/whisper-small. Она предназначена для транскрибирования речи и перевода аудио, в частности для норвежского букмола, норвежского нюнорска и английского. Модель содержит 153,1 млн параметров по метаданным; README указывает 244 млн параметров для версии Small. Архитектура — WhisperForConditionalGeneration, запуск возможен через Transformers; доступны форматы PyTorch, Safetensors, ONNX и Flax. Модель обучалась 250 тысяч шагов на наборе из 8 млн аудиофрагментов длительностью до 30 секунд, суммарно около 66 тысяч часов речи. Для обработки длинных записей README рекомендует разбиение на фрагменты примерно по 28 секунд; увеличение beam size может повысить точность, но требует больше времени и памяти. Лицензия — Apache 2.0. Разработчики предупреждают о возможных смещениях и искажениях и возлагают ответственность за оценку рисков при применении на пользователей.

Qwen3-8B-UnBias-Plus-SFT-Instruct-Legacy — дообученная Vector Institute модель для выявления предвзятости в новостных статьях и нейтрального переписывания текста. Она находит предвзятые фрагменты, определяет тип и степень предвзятости, предлагает нейтральные формулировки и возвращает полную переработанную статью в структурированном JSON. Модель обучена методом SFT с LoRA на наборе UnBias-Plus, размеченном экспертами; это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов по метаданным. Вариант Instruct формирует ответ без блоков chain-of-thought. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель рассчитана прежде всего на англоязычные новости. Она распознаёт эмоционально окрашенную лексику, дегуманизирующие формулировки, чрезмерные обобщения, предвзятое фреймирование, эвфемизмы и дисфемизмы, политически окрашенные термины и сенсационность. Её можно использовать для редакторской проверки, анализа материалов и подготовки нейтральных переписываний; для запуска доступны UnBias-Plus toolkit и vLLM. В README указаны практические требования около 16 ГБ видеопамяти для bf16 или около 5 ГБ для 4-битного запуска. Качество и характер выявляемой предвзятости зависят от обучающих данных, а лучшие результаты заявлены для статей короче 5000 символов. README рекомендует проверять результаты человеком перед применением в производстве.

Qwen3-8B-UnBias-Plus-SFT-Instruct-V2 — дообученная Vector Institute в рамках проекта UnBias-Plus модель Qwen3-8B для выявления предвзятого языка в новостных статьях и их нейтральной переработки. Она анализирует статью, выделяет фрагменты с предвзятостью, присваивает каждому тип и степень выраженности, выставляет общую оценку статье и возвращает полный нейтральный вариант в структурированном JSON. Модель обучена методом supervised fine-tuning с LoRA на 5 000 размеченных экспертами новостных статьях; это плотная авторегрессионная языковая модель с 7,6 млрд параметров и контекстом до 40 960 токенов по метаданным. Карточка указывает на прямой JSON-вывод без блоков chain-of-thought и консервативную разметку: модель отмечает явную существенную предвзятость, но всегда помечает токсичный и дегуманизирующий язык. Лицензия — Apache-2.0. Модель предназначена для аудита новостного текста, разметки типов и уровней предвзятости и подготовки нейтральных редакций. Поддерживает английский язык согласно карточке и языковым тегам. Ограничение контекста в примере запуска vLLM составляет 8 192 токена, хотя метаданные модели указывают нативное окно 40 960 токенов; фактический предел зависит от конфигурации инференса. Для точного соответствия обучению README рекомендует использовать исходный системный промпт.

Qwen3-Omni-30B-A3B-Captioner — модель для подробного описания аудио, созданная командой Qwen дообучением Qwen3-Omni-30B-A3B-Instruct. Она принимает только аудио и выдаёт текст; текстовые подсказки и несколько аудиовходов за один запрос не поддерживаются. Модель описывает речь, голоса и эмоции говорящих, а также музыку, окружающие звуки и звуковые эффекты. Она рассчитана на сложные записи с несколькими источниками звука и стремится давать подробные описания с меньшим количеством галлюцинаций. Для сохранения детализации рекомендуется подавать аудиоклипы длительностью не более 30 секунд. Модель использует архитектуру Qwen3 Omni MoE и запускается через Transformers; в репозитории указаны веса Safetensors. Карточка описывает поддержку многоязычной речи, но конкретные языки не перечисляет. Лицензия указана как other, поэтому условия использования следует проверить в материалах репозитория.

Карточка модели Umbasa/Qwen3-Omni-30B-A3B-Captioner-UMBASA-V1 на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Captioner, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Captioner — модель для подробного описания аудио, созданная командой Qwen дообучением Qwen3-Omni-30B-A3B-Instruct. Она принимает только аудио и выдаёт текст; текстовые подсказки и несколько аудиовходов за один запрос не поддерживаются. Модель описывает речь, голоса и эмоции говорящих, а также музыку, окружающие звуки и звуковые эффекты. Она рассчитана на сложные записи с несколькими источниками звука и стремится давать подробные описания с меньшим количеством галлюцинаций. Для сохранения детализации рекомендуется подавать аудиоклипы длительностью не более 30 секунд. Модель использует архитектуру Qwen3 Omni MoE и запускается через Transformers; в репозитории указаны веса Safetensors. Карточка описывает поддержку многоязычной речи, но конкретные языки не перечисляет. Лицензия указана как other, поэтому условия использования следует проверить в материалах репозитория.

Qwen3-VL-8B-Instruct-Unredacted-MAX-FP8 — мультимодальная vision-language модель, опубликованная prithivMLmods и основанная на Qwen3-VL-8B-Instruct-Unredacted-MAX. Это FP8-сжатая версия с архитектурой на 8 млрд параметров, предназначенная для анализа изображений, генерации подробных подписей и рассуждений по сложному визуальному содержимому. В карточке указана поддержка английского языка, а основная модальность описана как image-text-to-text. Модель рассчитана на расширенное визуальное рассуждение, включая анализ художественных, технических, медицинских, исторических, абстрактных и исследовательских материалов. Возможные сценарии применения включают генерацию описаний для датасетов и метаданных, задачи доступности, архивирование визуальных данных, red-teaming, исследование механизмов отказа и творческое повествование. Она поддерживает динамическое разрешение и различные соотношения сторон изображений. Ключевая особенность — квантование весов и активаций в формате FP8 W8A8 с использованием BF16 и F8_E4M3, что снижает потребление VRAM и может повысить производительность инференса при сохранении возможностей исходной модели. Вариант оптимизирован для Hopper и совместимых GPU, однако для обработки изображений высокого разрешения и длинной генерации всё ещё требуется достаточно VRAM и совместимое аппаратное обеспечение. Abliterated fine-tuning уменьшает встроенные отказы, поэтому модель может генерировать чувствительное или спорное содержимое; результаты требуют ответственного и законного использования. Лицензия — Apache-2.0.

Qwen-Image — базовая модель генерации изображений из серии Qwen, опубликованная Unsloth как зеркало исходного репозитория Qwen/Qwen-Image; веса не изменены. Она предназначена для создания изображений по текстовым запросам и редактирования изображений: поддерживает генерацию в разных стилях, добавление и удаление объектов, перенос стиля, улучшение деталей, изменение текста на изображении и манипуляции с позой человека. Сильная сторона модели — точное и связное отображение текста внутри изображения, особенно китайского, а также поддержка английского текста. В карточке указаны Diffusers и форматы safetensors; лицензия — Apache-2.0. Размер и длина контекста в предоставленных данных не приводятся.

Карточка модели aaron1111111/Qwen-Image-Edit-2509 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2509, поэтому описание составлено по ней. Qwen-Image-Edit-2509 — модель редактирования изображений от команды Qwen, выпущенная как сентябрьское обновление Qwen-Image-Edit. Она принимает текстовые инструкции и от одной до трёх входных картинок; поддерживает сочетания изображений людей, товаров и сцен, а также условия ControlNet, включая карты глубины, контуров и ключевых точек. Модель предназначена для редактирования изображений с сохранением важных деталей исходника. Она улучшает сохранение личности человека при смене позы и художественного стиля, помогает сохранять идентичность товара при создании постеров, а также позволяет менять текст на изображении, его шрифт, цвет и материал. Среди сценариев применения — создание мемов и постеров, восстановление старых фотографий и комбинирование нескольких изображений. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. Оптимальные результаты для многокартинного ввода заявлены для одного–трёх изображений; численные характеристики размера модели и длины контекста в предоставленных данных отсутствуют.

gobeldan/RMBG-2.0-GGUF — конвертированное в формат GGUF представление RMBG-2.0 от BRIA AI для локального запуска с vision.cpp на потребительском оборудовании. Модель на архитектуре BiRefNet выполняет дихотомическую сегментацию изображений: выделяет передний план и формирует маску для удаления фона; CLI vision.cpp также поддерживает создание изображения с заменённым или прозрачным фоном. Модель рассчитана на обработку фотографий с людьми, предметами и животными, в том числе сцен с несколькими объектами и неоднородным фоном. В репозитории доступны варианты GGUF F16 и F32. Модель принимает изображение и выдаёт маску сегментации; основной сценарий — удаление фона. Лицензия — CC BY-NC 4.0, допускающая использование с соблюдением условий лицензии, включая ограничения на коммерческое применение.