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

Muyan-TTS — модель синтеза речи, разработанная MYZY-AI для создания озвучки, в том числе подкастов. Это плотная причинная языковая модель семейства Llama с 3,2 млрд параметров; репозиторий содержит веса safetensors. Модель предварительно обучена на более чем 100 000 часов подкастовой аудиозаписи и поддерживает генерацию речи с нуля по короткому голосовому образцу и его расшифровке, а также адаптацию под голос диктора после подготовки обучающих данных. Для работы при синтезе задают аудиообразец, соответствующий ему текст и текст для озвучивания. README также описывает дообучение на собственных данных: для адаптации голоса требуется не менее нескольких десятков минут речи целевого диктора. Метаданные указывают контекст 131 072 токена, лицензию Apache-2.0 и задачу text-to-speech; модель также помечена как поддерживающая text-generation. Заявлены сценарии озвучивания подкастов и настройки индивидуального голоса, однако языки, качество на разных типах текста и практические требования к оборудованию в доступных данных не описаны.

Это конвертированная в формат MLX версия мультимодальной модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16; конверсию выполнил mlx-community с помощью mlx-vlm 0.4.5. Модель предназначена для диалогового анализа изображений и текста, а описание базовой модели также указывает на работу с аудио и видео, включая транскрибацию, OCR, суммаризацию и обработку документов. В репозитории указаны архитектура NemotronH_Nano_Omni_Reasoning_V3, формат safetensors и библиотека MLX. Метаданные связывают эту версию с базовой моделью NVIDIA и датасетом Nemotron-Image-Training-v3. Лицензия обозначена как other; подробные условия следует сверять с карточкой базовой модели. Размер параметров и длина контекста в предоставленных данных не указаны.

NextStep-1.1 — модель семейства NextStep, разработанная StepFun для генерации изображений по текстовым запросам. В карточке Hugging Face для неё указан тег text-to-image; каталог также отмечает text-generation, чат и интерфейс вызова инструментов. Это плотная 14-миллиардная модель на архитектуре LlamaForCausalLM, использующая библиотеку Transformers. Заявленная длина контекста — 131 072 токена. По словам разработчиков, версия 1.1 получила дополнительное обучение и постобучение с Flow-based reinforcement learning. Цель этих изменений — повысить качество и стабильность генерации изображений, улучшить текстуры и сократить число визуальных артефактов. Модель предназначена для создания изображений по описаниям; сведений о поддерживаемых естественных языках в карточке нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит количественных оценок качества и подробных ограничений на область применения; фактическое качество может зависеть от запроса и условий запуска.

NextStep-1-Large-Edit — модель StepFun для редактирования и генерации изображений. В карточке описана архитектура NextStep-1: авторегрессионная модель на 14 млрд параметров с отдельной головой flow matching на 157 млн параметров. Она обучена на дискретных текстовых и непрерывных визуальных токенах с предсказанием следующего токена. Метаданные указывают архитектуру LlamaForCausalLM, библиотеку Transformers и контекст 131 072 токена. Модель предназначена для задач генерации изображений и редактирования изображений; карточка также отмечает высокую точность синтеза. Репозиторий содержит веса в формате safetensors и VAE-чекпойнт. Лицензия — Apache-2.0. Доступные сведения не описывают конкретные ограничения качества или поддерживаемые языки.

Amazon Nova Lite 1.0 — недорогая мультимодальная модель Amazon, предназначенная для быстрого анализа изображений, видео и текста с выдачей текстовых ответов. Она подходит для сценариев, где нужно обрабатывать визуальные и текстовые входные данные и получать по ним текстовый результат. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки и условия лицензии.

OdysseyXL V2.5 — модель генерации изображений по текстовому описанию из серии OdysseyXL. В README она описана как дообученная версия SDXL, предназначенная для создания реалистичных и детализированных изображений; метаданные указывают библиотеку Diffusers и связь дообучения с OdysseyXL V2. Модель подходит для генерации художественных изображений по запросам, включая сцены с реалистичными текстурами и освещением. Для запуска README приводит пример с Hugging Face DiffusionPipeline. Автор заявляет об оптимизации для A100 и улучшенном понимании запросов, однако не приводит результатов сравнительной оценки. Лицензия в метаданных — MIT.

DevQuasar/openbmb.MiniCPM-V-4.6-GGUF — это квантованная версия мультимодальной модели openbmb/MiniCPM-V-4.6, опубликованная пользователем или организацией DevQuasar. Модель предназначена для задач image-text-to-text: анализа изображений и формирования текстовых ответов на основе визуального и текстового ввода.

OpenJMLA — открытая переализация модели JMLA из проекта UniMus для музыкальной разметки с открытым набором тегов. Она предназначена для предсказания описательных тегов музыкальных записей, в том числе тегов, не заданных заранее. Система объединяет аудиоэнкодер на основе предварительно обученного masked autoencoder и декодер Falcon 7B; resampler преобразует аудио произвольной длины в эмбеддинги фиксированной длины, а плотные связи внимания передают информацию между слоями энкодера и декодера. Модель может формировать текстовое описание музыки с характеристиками инструментов, жанра, темы, настроения, эпохи и темпа. В README сообщается о нулевой точности классификации тегов 64,82% на GTZAN и сопоставимых с предыдущими системами результатах на FMA и MagnaTagATune. Веса опубликованы в формате PyTorch; лицензия — CC. README описывает исследовательскую переализацию и приводит пример использования через Transformers.

Overall V1 — модель генерации изображений по текстовому описанию от OpenSkyML. Она дообучена методом DreamBooth на базе Stable Diffusion 1.5 и предназначена для создания изображений по текстовым запросам. Модель распространяется в форматах Diffusers, ONNX, PyTorch и Safetensors. В карточке указана Overall License; её условия следует проверить перед использованием.

Paprika — модель распознавания литовской речи, созданная командой Kalamo на основе Whisper large-v3-turbo и дообученная на литовских данных. Она преобразует аудио в текст; в обучающую выборку вошли около 320 часов спонтанной и прочитанной речи из LIEPA-3 и VoxPopuli LT. Для обработки длинных записей авторы рекомендуют запуск через конвейер с окнами по 30 секунд. Модель поддерживает литовский язык и принимает аудио с частотой 16 кГц. В тестах авторов она показала WER 16,98% на отложенном наборе VoxPopuli LT и 12,32% на FLEURS-lt; эти результаты зависят от набора данных и настроек распознавания. Модель рассчитана на транскрибирование речи, в том числе спонтанной и парламентской. Результат выдаётся строчными буквами без пунктуации и регистрационной разметки. У длинной записи встроенное декодирование с временными метками резко ухудшает качество, а обработка окнами может незаметно пропускать слова на стыках и порождать текст на тишине. Для задач, где важна полнота транскрипции, автор рекомендует более новую версию v3. Лицензия — CC BY 4.0.

Paragon — базовая модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Репозиторий содержит веса в формате safetensors для запуска через Diffusers и помечен как Stable Diffusion; в карточке приведены примеры фотореалистичных, кинематографичных и фантастических сцен. Модель предназначена для создания изображений по англоязычным промптам, в том числе портретов, персонажей и атмосферных композиций. Для репозитория указана лицензия CreativeML OpenRAIL-M, условия которой регулируют использование и распространение модели. В карточке нет сведений о размере модели, базовом чекпойнте и длине контекста.

Paramount — модель генерации изображений по текстовому описанию, созданная Yntec путём объединения моделей Paragon 1.0, AnalogMadness и Analog Diffusion. Она предназначена для создания разнообразных изображений с фотографической подачей и эстетикой аналоговой плёнки: от кинематографичных сцен и портретов до иллюстраций и рекламных сюжетов. Репозиторий содержит веса в формате safetensors для Diffusers; в основе семейства лежит Stable Diffusion 1.5. Примеры в карточке показывают широкий диапазон сюжетов и стилей, включая изображения людей, фантастические сцены и стилизованные кадры. Карточка не сообщает размер модели и длину контекста. Лицензия — CreativeML OpenRAIL-M; перед применением следует учитывать её условия использования и ограничения на распространение.

Photon_v1 — модель генерации изображений по текстовому описанию, опубликованная digiplay и доступная через Diffusers как StableDiffusionPipeline. Она предназначена для создания изображений по текстовым промптам; карточка Hugging Face показывает пример генерации изображения с описанием сцены. Репозиторий содержит веса в формате Safetensors и помечен лицензией «other». Карточка связывает модель со страницей Photon на Civitai, но доступные сведения не уточняют конкретные условия лицензии, языковой охват промптов или подробности обучения.

PixArt-900M-1024-ft-v0.6 — полноранговая дообученная модель генерации изображений по текстовому описанию, основанная на ptx0/pixart-900m-1024-ft-large. Для генерации используется конвейер PixArtSigmaPipeline; файлы представлены в формате Diffusers и Safetensors. Текстовый энкодер не обучался, поэтому для инференса можно использовать энкодер базовой модели. Модель предназначена для создания изображений по текстовым запросам. В карточке приведены примеры валидации при разрешении 1024×1024, а также 1344×768 и 916×1152; модель обучалась на изображениях с разрешением около одного мегапикселя и случайным квадратным кадрированием. Обучение включало 100 000 шагов в течение семи эпох. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит специальных оценок качества или подробных ограничений; результаты генерации зависят от формулировки запроса и настроек инференса.

Piyola-v1 — модель автоматического распознавания речи на узбекском языке, созданная дообучением Whisper Large V3 Turbo. Она принимает аудио и преобразует речь в текст; подходит для транскрибации узбекских записей. Модель основана на архитектуре Whisper, содержит около 905,2 млн параметров и опубликована в формате safetensors с точностью BF16. Лицензия — Apache-2.0.

Playground v2.5 – 1024px Aesthetic Model — разработанная Playground диффузионная модель генерации изображений по текстовым описаниям. Это latent diffusion-модель на архитектуре Stable Diffusion XL, использующая два фиксированных предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Модель предназначена для создания эстетически выразительных изображений в разрешении 1024×1024, а также в портретных и альбомных форматах. Модель можно применять для иллюстраций, концепт-арта и других изображений по текстовому запросу. В карточке приведены результаты пользовательских оценок и теста MJHQ-30K, где Playground v2.5 показала более низкий FID, чем Playground v2 и SDXL. Эти результаты описаны разработчиком; карточка не даёт оснований считать их гарантией качества для каждого запроса. Для работы предусмотрена интеграция с Hugging Face Diffusers. Модель распространяется по Playground v2.5 Community License; в метаданных лицензия обозначена как other, поэтому перед использованием следует ознакомиться с условиями лицензии в репозитории.

PrometheusV1 — модель генерации изображений по текстовому описанию от автора модели Proteus. Согласно карточке, это полноранговое дообучение Playground v2.5 на более чем 400 тысячах изображений из наборов Proteus. Модель распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0. Модель предназначена для создания изображений по текстовым запросам и рассчитана на работу с открытыми инструментами и экосистемой SDXL. В карточке заявлена совместимость с большинством SDXL LoRA и инструментов; для оптимальной работы рекомендован CLIP skip 2. Разработчик также отмечает баланс согласованности и разнообразия результатов и возможные стилевые особенности, унаследованные от обучения.

ProteusV0.3-Lightning — модель генерации изображений по текстовому описанию от dataautogpt3. Она основана на Proteus, дообученной версии OpenDalleV1.1, и использует метод Lightning от ByteDance для ускоренной генерации с небольшим снижением качества и понимания запросов. Модель работает с StableDiffusionXLPipeline и распространяется в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым запросам, включая реалистичные портреты с детализированными чертами лица и текстурой кожи, а также сюрреалистические, аниме- и мультяшные изображения. В README рекомендуются CFG 1–2, 4–10 шагов генерации и разрешение 1024×1024 или 1280×1280. Proteus была дообучена примерно на 220 тысячах изображений с подписями GPTV, а также оптимизирована с помощью DPO на 10 тысячах пар изображений. Для версии Lightning указано ускорение вывода с минимальной потерей качества и понимания запросов. Модель распространяется по лицензии GPL-3.0. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

Qwen2.5-VL-7B-Abliterated-Caption-it-GGUF — это квантованная GGUF-версия мультимодальной модели prithivMLmods/Qwen2.5-VL-7B-Abliterated-Caption-it, подготовленная mradermacher. Модель относится к классу vision-language моделей и предназначена для понимания изображений, генерации подписей к ним и решения задач преобразования изображения в текст. В основе лежит модель с примерно 7 млрд параметров; поддерживаются текстовые и визуальные данные. В карточке заявлены английский, китайский и тайский языки. Доступны варианты квантования GGUF от Q2_K до Q8_0, а также F16 и отдельные мультимодальные компоненты mmproj. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q8_0 — как обеспечивающий высокое качество при увеличенном размере. Сильными сторонами являются мультимодальность, специализация на создании описаний изображений и возможность запуска в различных компромиссах между размером, скоростью и качеством благодаря множеству вариантов квантования. Ограничения включают отсутствие в README данных о максимальном контексте, результатах бенчмарков, требованиях к оборудованию и качестве на конкретных сценариях; поэтому эти характеристики требуют отдельной проверки. Модель распространяется по лицензии Apache-2.0.

Это 4-битная версия мультимодальной инструкционной модели Qwen2.5-VL-7B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX с помощью mlx-vlm 0.1.11. Модель содержит 7,1 млрд параметров и предназначена для диалога и выполнения инструкций по текстовым запросам и визуальным данным. Модель принимает текст и изображения, а также поддерживает анализ видео согласно описанию базовой модели. Её можно применять для ответов на вопросы об изображениях, извлечения сведений из документов и других визуальных задач. Контекст составляет до 128 000 токенов; доступны интерфейсы чата и вызова инструментов. Репозиторий указывает формат safetensors и лицензию Apache-2.0. Карточка сообщества отсылает к оригинальной карточке Qwen2.5-VL-7B-Instruct за подробностями; качество и ограничения конкретной 4-битной версии отдельно не описаны.

jaykwok/Qwen3-ASR-1.7B-JA-Anime-Galgame-hf — японская модель распознавания речи, созданная на базе Qwen3-ASR-1.7B и дообученная для аудио из аниме и галгеймов. Репозиторий преобразован в формат, совместимый с нативной загрузкой через Hugging Face Transformers; дообученные веса сохранены без изменений. Для загрузки требуется Transformers версии 5.13.0 или выше, модель принимает аудио и выдаёт текст на японском языке. В репозитории также доступны отдельные CTC-головы для выравнивания японской транскрипции с аудио. Они определяют временные границы символов и паузы, что помогает создавать точные субтитры и выбирать места разбиения длинной записи. Головы используют аудиоэнкодер именно этой дообученной модели и не предназначены для переноса на другие модели или дообучения. Модель распространяется по лицензии Apache-2.0.

kaiz0603 дообучил мультимодальную модель Qwen3-VL-4B-Instruct для диалогового взаимодействия с изображениями. Она принимает текст и изображения и формирует текстовые ответы; архитектура Qwen3-VL — плотная модель с 4 млрд параметров. Модель подходит для вопросов по изображениям, визуального анализа и OCR. В метаданных также заявлен интерфейс вызова инструментов, но сведения о его настройке в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

kaiz0603/qwen3remote-2B — дообученная разработчиком kaiz0603 мультимодальная модель на архитектуре Qwen3-VL с 2 млрд параметров, созданная на базе unsloth/Qwen3-VL-2B-Instruct. Она принимает текст и изображения и предназначена для диалогов и ответов на вопросы по визуальному содержимому; базовая модель также поддерживает анализ видео, OCR и визуальное рассуждение. Модель дообучена с использованием Unsloth и библиотеки Hugging Face TRL, веса представлены в формате safetensors. Лицензия — Apache-2.0.

Qwen3-VL-8B-NSFW-Caption-V4.5 — мультимодальная модель для подробного описания изображений, созданная на базе Qwen/Qwen3-VL-8B-Instruct с помощью дообучения LoRA. Разработчик в README называет модель thesby, тогда как идентификатор репозитория указывает monkeyslikebananas. Модель генерирует развернутые описания сцен, отмечая объекты, обстановку, эмоции, материалы и освещение. Она рассчитана на автоматическую разметку и каталогизацию изображений, помощь в доступности и анализ SFW- и NSFW-контента; также заявлена поддержка описания коротких видео. В основе — плотная архитектура Qwen3-VL с 8 млрд параметров; модель принимает визуальный ввод и формирует текст. Карточка указывает поддержку китайского и английского языков. README заявляет высокое качество и длинные описания, однако эти оценки не сопровождаются независимыми результатами тестирования. Возможны галлюцинации, предвзятость и ошибки при классификации пограничного SFW/NSFW-контента; для важных решений требуется проверка человеком. Лицензия — Apache-2.0.

Qwen-Image-2.1-Heretic-mlx-4bit — производная от Qwen/Qwen-Image-2.1 модель генерации и редактирования изображений, подготовленная для запуска на компьютерах Apple Silicon через MLX. В ней используется текстовый энкодер Heretic; веса имеют точность 4 бита и занимают около 9,6 ГБ на диске. Модель предназначена для создания изображений по текстовому описанию и редактирования изображений с несколькими референсами. Поддерживаются прозрачный вывод в формате RGBA и ускорение Metal на Apple Silicon; для дополнительного ускорения можно использовать Viggle Turbo LoRA. В карточке заявлена работа с английским и китайским языками. Указанная лицензия — other, поэтому условия использования следует уточнить в репозитории модели.

Qwen-Image-2.1 mflux q4 — это конверсия модели Qwen/Qwen-Image-2.1, подготовленная mlx-community для запуска на компьютерах Apple с Apple silicon. Трансформер и текстовый энкодер Qwen3-VL хранятся в 4-битном формате MLX affine, а VAE использует компоновку Qwen Image 2.1 для mflux. Модель предназначена для генерации изображений по текстовому описанию; исходная модель также поддерживает редактирование изображений. Пакет создан из upstream-версии 790c926 с помощью mflux 0.20.0 и MLX 0.32.2. Размер пакета — около 8,9 ГБ. По результатам проверки на Mac Studio пиковое использование памяти составило 4,68 ГиБ при генерации 512×512 за 40 шагов и 5,14 ГиБ при генерации 1024×1024 за 4 шага. Для загрузки требуется изменённый загрузчик Rapid-MLX: стандартный mflux 0.20.0 не загружает этот пакет с квантизированным текстовым энкодером. Конверсия и исходная модель распространяются по лицензии Apache-2.0.

Qwen-Image-2512-3bit — 3-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на компьютерах Apple Silicon. Модель принимает текстовый запрос и создаёт изображение; для запуска в README предлагается библиотека mflux. Указанный объём варианта 3-bit — около 22 ГБ. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализированные природные сцены и отрисовку текста на изображениях. Квантование позволяет использовать модель в меньшем объёме памяти, но может влиять на качество результата. Репозиторий распространяется по лицензии Apache-2.0.

Qwen-Image-2512-4bit-MLX — 4-битная версия модели генерации изображений Qwen-Image-2512, оптимизированная для Apple Silicon. Репозиторий подготовлен machiabeli с помощью mflux 0.14.0; модель использует формат safetensors и запускается через библиотеку mflux. Модель предназначена для создания изображений по текстовым описаниям. Базовая Qwen-Image-2512 ориентирована на реалистичное изображение людей, детализацию природных сцен и отрисовку текста. Для генерации можно задать запрос и число шагов; пример в карточке использует 20 шагов. Квантизация до 4 бит снижает требования к памяти: в README для этой версии указано 24 ГБ. Модель предназначена для систем Apple Silicon и требует окружения с mflux. Она распространяется по лицензии Apache-2.0.

Qwen-Image-2512-5bit — 5-битная квантованная версия модели генерации изображений Qwen-Image-2512, подготовленная mlx-community для запуска на устройствах Apple Silicon. Репозиторий содержит веса в формате safetensors для фреймворка MLX и рассчитан на генерацию изображений по текстовому описанию; в README приведён пример фотореалистичного изображения. Базовой модели приписываются улучшенная реалистичность людей, детализация природных сцен и отрисовка текста. Квантование до 5 бит уменьшает требования к памяти: для этой версии указано 27 ГБ. Модель предназначена для локальной генерации изображений через mflux на Apple Silicon. Она распространяется по лицензии Apache-2.0. README не сообщает ограничений качества или поддерживаемых языков; практическое использование требует совместимого оборудования и программного окружения MLX.

Это 8-битная версия Qwen-Image, подготовленная сообществом mlx-community для запуска на компьютерах Apple Silicon. Модель основана на Qwen/Qwen-Image, использует диффузионную архитектуру и предназначена для генерации изображений по текстовым запросам. Репозиторий адаптирован для MLX и распространяется в формате safetensors; размер файлов составляет около 34 ГБ. Модель подходит для создания иллюстраций и фотореалистичных изображений по описанию. Для запуска автор README рекомендует Mac на Apple Silicon с примерно 40 ГБ объединённой памяти; указанная скорость составляет около 8,5 секунды на шаг на компьютерах серии M. Лицензия — Apache-2.0. Карточка не уточняет языковую поддержку и ограничения качества генерации.