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

LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели hohago7090/LTX-2 на Hugging Face совпадает с карточкой Aga16/LTX-2, поэтому описание составлено по ней. LTX-2 — разработанная Lightricks диффузионная модель на основе DiT для совместной генерации видео и синхронизированного с ним аудио. Репозиторий описывает семейство чекпойнтов, включая полную обучаемую версию ltx-2-19b-dev и варианты с квантованием FP8 и NVFP4; модель доступна через Diffusers и ориентирована на локальный запуск. В метаданных указаны форматы Diffusers и safetensors, а основная задача репозитория — генерация видео по изображению. Модель предназначена для создания видео на основе изображения и текстового описания. В карточке также заявлена генерация аудио вместе с видео, однако метаданные каталога подтверждают только задачу image-to-video. Указан английский язык; карточка не сообщает размер контекста. Для размеров кадра требуется кратность 32, а число кадров должно соответствовать формуле 8n+1. Модель не предназначена для выдачи фактической информации, может не точно следовать запросу и воспроизводить социальные смещения или неподходящий контент; качество аудио без речи может быть ниже. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Карточка модели mustjabmalik51214/LTX-2 на Hugging Face совпадает с карточкой Lightricks/LTX-2.3, поэтому описание составлено по ней. LTX-2.3 — разработанная Lightricks диффузионная аудиовизуальная модель на основе архитектуры DiT, предназначенная для совместной генерации видео и синхронизированного с ним аудио. Доступны открытые веса; в карточке указаны варианты полного обучаемого чекпойнта и дистиллированных версий на 8 шагов. Размер модели — 22 млрд параметров. Модель подходит для генерации видео по изображению и текстовым подсказкам, а также для сценариев создания аудио и видео вместе. В README заявлены улучшенное качество изображения и звука и более точное следование подсказкам по сравнению с LTX-2. Модель рассчитана прежде всего на английский язык; рекомендации по генерации требуют, чтобы ширина и высота были кратны 32, а число кадров имело вид 8n+1. Модель не предназначена для получения фактических ответов, может не полностью соответствовать подсказке, воспроизводить общественные предубеждения и создавать неподходящий или оскорбительный контент. Аудио без речи может иметь более низкое качество. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория.

Карточка модели Roman6699/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 — разработанная Lightricks диффузионная аудиовизуальная foundation-модель на основе DiT. Она создаёт видео и синхронизированное с ним аудио в одной модели; карточка описывает варианты image-to-video, а в тегах также перечислены сценарии text-to-video, преобразования видео и генерации аудио. Выпущены полный обучаемый чекпойнт и дистиллированные варианты на 8 шагов. Репозиторий содержит веса safetensors; для работы авторы описывают собственный код на PyTorch и интеграцию с ComfyUI. Модель предназначена для локальной генерации аудиовизуальных клипов по изображениям и текстовым запросам, а также для творческих рабочих процессов с видео и звуком. В карточке указан английский язык. Качество следования запросу зависит от формулировки промпта; модель может не точно воспроизводить его, усиливать общественные предубеждения и создавать неподходящий или оскорбительный контент. Аудио без речи может быть низкого качества, а модель не предназначена для выдачи фактической информации. Лицензия в метаданных указана как other.

Crisp Enhance — это LoRA-адаптер для модели Lightricks/LTX-Video, разработанный vrgamedevgirl84. Он предназначен для задач text-to-video и улучшения визуального стиля изображений и видеокадров: повышает воспринимаемую резкость, подчёркивает микродетали, усиливает контраст, текстуры и чёткость границ, придавая результату более чистый, кинематографичный и детализированный вид. Адаптер рассчитан на сценарии, где требуется визуальная полировка, эффект высокой чёткости и дополнительная выразительность деталей. Его можно применять отдельно или совместно с LoRA Soft Enhance, ориентированной на более мягкий и естественный результат, регулируя баланс между резкостью и сглаживанием. Архитектура, размер, поддерживаемые языки, модальности помимо видео и максимальная длина контекста в README не указаны. Сильные стороны модели — усиление деталей, текстур, контраста и кинематографичной ясности. При чрезмерном применении возможны излишняя резкость или менее естественный вид, однако конкретные ограничения и рекомендуемые значения силы адаптера не приведены. Лицензия и условия использования в доступных данных не указаны.

Lynx-GGUF — квантованная в формате GGUF версия модели Lynx, разработанная авторами Shen Sang, Tiancheng Zhi, Tianpei Gu, Jing Liu и Linjie Luo и опубликованная Vantage with AI. Модель предназначена для персонализированной генерации видео из одного входного изображения с сохранением идентичности изображённого объекта или человека. В основе Lynx лежит архитектура Diffusion Transformer (DiT), дополненная лёгкими ID-adapter для сохранения идентичности и Ref-adapter для улучшения пространственных деталей. В репозитории представлены варианты Full Ref Model с полным набором функций и максимальным качеством, а также IP Lite Model с меньшим числом параметров, ориентированный на более эффективную генерацию видео с частотой 24 кадра в секунду и длиной 121 кадр. Модель основана на Wan2.1-T2V-14B; сведения о поддерживаемых языках, точном размере квантованных файлов и размере контекста не указаны. К сильным сторонам относятся высокоточная персонализация видео, сохранение идентичности по одному изображению и усиление пространственных деталей. Вариант IP Lite обеспечивает более эффективное выполнение задач за счёт уменьшенного числа параметров, однако может уступать полной версии по качеству и функциональности. Модель ориентирована на сценарии image-to-video и не предназначена для задач, для которых в README не указана поддержка других модальностей. Распространяется по лицензии Apache License 2.0.

mljn/mdeberta-v3-base-finetuned-climate-vs-environment-classification — дообученная модель классификации текста на базе microsoft/mdeberta-v3-base от Microsoft. Она предназначена для различения текстов о климате и окружающей среде. В README приведены результаты на оценочном наборе: accuracy 0,9337 и macro F1 0,9322. Модель использует архитектуру DeBERTa V3 для классификации последовательностей, содержит 306 млн параметров и принимает текст длиной до 512 токенов. Базовая модель многоязычная, однако конкретные языки и обучающие данные для этой версии не описаны. Распространяется по лицензии MIT.

mergekit-community/mergekit-model_stock-bzcrthr — текстовая генеративная модель, созданная сообществом с помощью mergekit и метода Model Stock. В основе указаны DreadPoor/Derivative-8B-Model_Stock и grimjim/Llama-3-Instruct-abliteration-LoRA-8B; в объединении также использованы модели и адаптеры семейства Llama 3, включая варианты для длинных текстов, историй, биологии, психологии, здоровья, анатомии и формальной логики. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров; заявленная длина контекста — 131 072 токена. Она предназначена для генерации текста и диалогов, следования инструкциям и написания историй. Карточка не уточняет языки обучения или гарантируемое качество по отдельным темам. Файлы опубликованы в формате safetensors; условия лицензии в предоставленных данных не указаны.

MiniMax-H3 GGUF — это набор GGUF-квантизованных версий 33B-модели MiniMax-H3, разработанной MiniMaxAI и подготовленной joeygambino на основе прунированных контрольных точек MiniMax. Модель относится к DiT-моделям для генерации видео и аудио. Вариант fl2va поддерживает генерацию видео с текстовым описанием и сценарии image-to-video с использованием первого и последнего кадров, а вариант ref2va — генерацию с учётом референсов: до 9 изображений, 3 видео с аудиодорожками и 3 голосовых клипов. Модель предназначена для работы в ComfyUI через ComfyUI-GGUF и дополнительный узел ComfyUI-H3-Multishot. Доступны квантизации Q8_0 размером около 21,5 ГБ, Q5_1 размером около 15,2 ГБ и Q4_0 размером около 11,5 ГБ; они ориентированы соответственно на видеокарты с 24, 16 и 12 ГБ памяти. Факторизованное представление adaln сокращает размер примерно на 40% и ускоряет загрузку весов, сохраняя близкое поведение исходной модели. Для работы требуется ComfyUI версии 0.30.0 или новее, а текстовый encoder в данный GGUF не входит и должен быть установлен отдельно. K-квантизации для этой архитектуры недоступны из-за ширины скрытого слоя 2688. Лицензия указана как minimax-h3-community; точные условия следует уточнять по лицензии MiniMaxAI.

Это версия Mistral Nemo Instruct объёмом 12,1 млрд параметров, преобразованная в формат MLX FP16 для запуска на системах Apple Silicon. Репозиторий создан alexgusevski; исходная модель DavidAU/Mistral-Nemo-Inst-2407-12B-Thinking-Uncensored-HERETIC-HI-Claude-Opus дообучена для генерации художественных текстов, ролевых диалогов и ответов с рассуждениями. Модель предназначена для генерации историй и сцен, продолжения сюжетов, творческого письма и разговорного взаимодействия. Архитектура — плотная Mistral с причинной языковой моделью; поддерживаются английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Метаданные указывают контекст 1 024 000 токенов. Версия в репозитории преобразована из исходной модели с помощью mlx-lm 0.29.1; файлы представлены в safetensors. В названии и тегах указано uncensored, поэтому модель ориентирована на менее ограниченную генерацию, но это не гарантирует точность или безопасное поведение. Лицензия в предоставленных данных не указана.

vllm-sr/mmbert32k-factcheck-classifier-merged — объединённая версия классификатора проверки фактов от vllm-sr на базе mmBERT-32k. Модель предназначена для бинарной классификации текста в сценариях фактчекинга и готова к инференсу без отдельного подключения PEFT-адаптера. Модель использует плотную архитектуру ModernBERT с масштабированием RoPE методом YaRN, содержит около 306,9 млн параметров и принимает последовательности длиной до 32 768 токенов. Указана поддержка нескольких языков; лицензия — Apache-2.0. Модель можно загружать через Transformers как классификатор последовательностей.

Monlam Melong — языковая модель Monlam AI для работы с тибетским языком. Она основана на Gemma 2 9B и дообучена на базе buddhist-nlp/gemma2-mitra-base; модель с архитектурой Gemma2ForCausalLM содержит 9 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации тибетского текста и диалога, перевода между тибетским и более чем 200 языками, ответов на вопросы, распознавания именованных сущностей и сегментации предложений. Среди сценариев применения — подготовка учебных материалов, создание текстов и анализ тибетских цифровых архивов. В карточке указана открытая лицензия, но её точное название не приведено. Среди ограничений — возможные ошибки перевода, более слабая работа с нетибетскими задачами и смещения в данных; результаты в историческом, культурном и образовательном контексте следует проверять.

MS3.2-24B-Magnum-Diamond — дообученная Doctor-Shotgun модель на основе текстовой версии Mistral Small 3.2 24B Instruct, созданная с использованием адаптера rsLoRA. Разработчик использовал ту же смесь данных, что и для L3.3-70B-Magnum-v5-SFT-Alpha, с предварительной токенизацией и изменённой маской потерь. Модель содержит 23,4 млрд параметров, построена на плотной архитектуре Mistral и работает через Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для творческого письма и ролевых диалогов, в том числе локального запуска на более доступном оборудовании. Она обучена подражать стилю прозы Claude 3 Sonnet и Opus и может выдавать характерные для них формулировки. При использовании применяется формат запросов Mistral v7 Tekken; имена персонажей и префикс ответа необязательны. Модель принимает текст и генерирует текст. В карточке указан английский язык, а README описывает преимущественно творческие и ролевые сценарии. Репозиторий распространяется по лицензии Apache-2.0. Модель может унаследовать смещения базовой модели и моделей, на стиль которых ориентировалось обучение; её ответы следует считать вымыслом, а не фактической информацией или советом.

Kaoeiri/MS-MagpantheonselRP-22B-14.9-Omen — объединённая 22-миллиардная языковая модель семейства Mistral, созданная с помощью mergekit. Согласно карточке, при слиянии применён метод DARE TIES, а базой послужила unsloth/Mistral-Small-Instruct-2409; в состав также вошли модели для ролевых диалогов и творческого письма. Модель предназначена для генерации текста, в частности для ролевых бесед и создания художественных текстов. Она использует плотную архитектуру MistralForCausalLM, работает с текстом и имеет заявленный контекст длиной до 131072 токенов. Модель поддерживает чат и интерфейс вызова инструментов. Метаданные указывают формат safetensors и библиотеку Transformers. Карточка не приводит отдельного перечня поддерживаемых языков или условий лицензии, поэтому их нельзя достоверно уточнить по предоставленным данным. Качество ответов и корректность вызова инструментов могут зависеть от сценария и настроек использования.

Nemotron-3.5-30B-A3B-Antislop-FTPO — дообученная Thoughtworks версия языковой модели NVIDIA Nemotron 3.5 Lightning, предназначенная прежде всего для генерации художественного текста с менее шаблонной лексикой. Antislop выявляет характерные для базовой модели повторяющиеся обороты, а FTPO закрепляет предпочтение альтернативных вариантов в весах. По данным авторов, настройка подавила 66,4% выявленных повторяющихся паттернов в прозе; на проверенных тестах статистически значимого ухудшения качества письма, рассуждений и агентных возможностей не обнаружено. Модель использует гибридную архитектуру с чередованием слоёв Mamba-2 и Mixture-of-Experts, отдельными слоями внимания и Multi-Token Prediction. В ней 30 млрд параметров всего и около 3 млрд активных при генерации; метаданные каталога указывают 1,9 млрд параметров. Контекстное окно — до 262 144 токенов. Карточка перечисляет английский, испанский, французский, немецкий, итальянский и японский языки. Модель распространяется в BF16 и формате safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить условия репозитория. Для запуска требуется trust_remote_code=True.

HoangQuocViet25/nlp-btl-wikilingua-x5plus2 — дообученная модель T5, созданная на основе VietAI/vit5-base для суммаризации текста на вьетнамском языке. Она предназначена для сокращения статей и других текстов, в том числе материалов из набора WikiLingua. Модель содержит 126,8 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт текстовую сводку. Использует архитектуру T5 и формат весов safetensors. Модель распространяется по лицензии MIT.

mergekit-community подготовил эту объединённую языковую модель на архитектуре Llama с помощью метода Model Stock и библиотеки mergekit. Модель содержит 7,5 млрд параметров, сохранена в формате safetensors и рассчитана на генерацию текста и диалоги с контекстом до 131 072 токенов. В объединение вошли модели и адаптеры для ролевых историй, повествовательного стиля, активного голоса, рассуждений и тематических знаний, включая биомедицину, социологию, клинические знания и астрономию. Модель может применяться для диалогов и создания художественных историй; тег репозитория указывает, что она не подходит для всех аудиторий. Сведений о лицензии в предоставленных данных нет.

NuTag — модель распознавания именованных сущностей, основанная на NuNER-BERT-v1.0 от NuMind и представленная в формате GGUF F16. Это encoder-only архитектура BERT с токенизацией WordPiece; модель принимает текст и размечает его токены, выделяя сущности, например людей, организации и географические места. Модель предназначена для извлечения сущностей из текстов в новостях, юридических документах и медицинских материалах, а также для локального запуска через llama.cpp, LM Studio, Ollama или Jan. Она дообучена на размеченных корпусах NER разных областей и ориентирована преимущественно на английский язык. Это не генеративная модель; точность на редких сущностях может снижаться при использовании низкобитных вариантов квантования, а составные сущности могут разбиваться токенизацией. В репозитории указан формат GGUF F16; лицензия в предоставленных данных не указана.

elprofessor67 дообучил мультимодальную модель Qwen3-VL-32B-Instruct с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3-VL на 32 млрд параметров, которая принимает текст и изображения и формирует текстовые ответы; поддерживает диалог и интерфейс вызова инструментов. Её можно применять для вопросов по изображениям, распознавания текста на изображениях и анализа визуальных материалов. В метаданных указан английский язык карточки модели, но специальных данных о языковой специализации дообучения нет. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает конкретные обучающие данные, результаты оценки качества или ограничения дообученной версии; возможности и качество отдельных задач поэтому следует проверять на целевых данных.

Dans-PersonalityEngine-V1.3.0-12b-GGUF — квантизированная версия языковой модели Dans-PersonalityEngine V1.3.0-12b, разработанной PocketDoc и подготовленной bartowski. Модель предназначена для генерации текста, ролевого общения, написания и продолжения историй, совместного написания, решения математических и логических задач, работы с кодом, инструментами и функциями, а также обработки специализированных сценариев в областях химии, биологии, климата, права, медицины и финансов. Модель имеет размер 12 млрд параметров и распространяется в формате GGUF для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантизации Q4–Q8; размеры файлов составляют примерно от 7,8 до 24,5 ГБ. Заявлена поддержка английского, арабского, немецкого, французского, испанского, хинди, португальского, японского и корейского языков. Формат запросов использует специальные токены [gMASK], <sop>, <|system|>, <|user|> и <|assistant|>. Сильными сторонами являются широкий набор обучающих данных, ориентированность на ролевые и творческие задачи, многоязычность и наличие вариантов с разным балансом качества и требований к памяти. Ограничения включают необходимость значительных вычислительных ресурсов, зависимость качества от выбранной квантизации и отсутствие в README сведений о размере контекстного окна, конкретной архитектуре базовой модели и результатах независимого тестирования. Указана лицензия Apache-2.0.

Q-ReAlign-Lite-4B — мультимодальная модель для оценки воспринимаемого качества и эстетической привлекательности изображений и видео. Её разработчики дообучили Qwen3.5-VL методом полного SFT; архитектура Qwen3_5ForConditionalGeneration объединяет языковую часть с линейным и полным вниманием и визуальный энкодер типа SigLIP. В модели около 4 млрд параметров согласно размеру в названии; обучение проводилось в bf16. Модель оценивает изображение или видео по шкале из пяти словесных уровней — от excellent до bad — и сводит вероятности этих уровней к числу от 0 до 1, где большее значение означает более высокое качество. Она предназначена для оценки качества изображений, эстетики и видео, отбора и ранжирования медиа, а также формирования сигналов вознаграждения для генеративных конвейеров. Для видео README предлагает передавать последовательность выбранных кадров. В описанных авторами испытаниях на семи наборах данных Lite показала средний SRCC 0,889 против 0,869 у Q-Align. Оценки зависят от распределения оценок обучающих данных и лучше подходят для относительного сравнения; перед объединением с другими шкалами их следует калибровать. Модель не предназначена для модерации безопасности, проверки фактов и личности, медицинской или судебной оценки. Лицензия — Apache-2.0.

ThomasComics/Quiller-AntiSlop-12B — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе TheDrummer/UnslopNemo-12B-v4.1 с добавлением elinas/Chronos-Gold-12B-1.0 и nbeerbower/Lyra4-Gutenberg-12B. Модель относится к семейству Mistral, имеет плотную архитектуру и 12,1 млрд параметров; доступна в формате safetensors и рассчитана на генерацию текста и диалоговое взаимодействие. Модель подойдёт для написания приключенческих историй и ролевых сценариев, как и её базовая модель из каталога. В метаданных заявлен контекст до 1 024 000 токенов. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

Qwen2.5-Lumen-14B — языковая модель на архитектуре Qwen2.5, созданная сообществом и основанная на Qwen/Qwen2.5-14B-Instruct. Модель дообучали методами предпочтений DPO и ORPO на примерах художественного письма и обратной связи, затем объединили несколько чекпойнтов и вариантов SLERP и Model Stock. Она предназначена для следования инструкциям, написания историй и ролевых диалогов. Модель содержит 14 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В карточке приведён англоязычный пример генерации; метаданные также указывают английский язык. Репозиторий содержит веса Safetensors, а для модели доступны сторонние варианты GGUF. Базовая лицензия — Apache-2.0. Модель подходит для творческой генерации и диалогов, однако опубликованные сведения не содержат систематических оценок качества или гарантий стабильного поведения; приведённый пример зависит от выбранных параметров генерации.

DavidAU/Qwen3.5-27B-Claude-4.6-OS-INSTRUCT — дообученная разработчиком DavidAU с помощью Unsloth мультимодальная модель на базе Qwen/Qwen3.5-27B. Для обучения использовался набор Claude-4.6-OS, объединяющий четыре датасета Claude; автор сообщает, что старался ограничить влияние дообучения на исходные возможности модели. Модель предназначена для диалогов, инструкций, творческого письма, сюжетов и ролевых сценариев, а также для анализа изображений. В README указан контекст 256 тысяч токенов; метаданные описывают плотную архитектуру Qwen3.5 с 27 млрд параметров. Автор отмечает изменённые блоки рассуждений и сообщает, что обработка изображений проверена, а видео не тестировалось. В карточке указаны английский и китайский языки; README также приводит общие сведения о базовой модели, но не подтверждает поддержку всех перечисленных там языков этой версии. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Автор приводит результаты нескольких бенчмарков и рекомендует настройки семплирования для отдельных интерфейсов, однако эти результаты не являются независимой оценкой. Модель не имеет заявленных изменений в настройках безопасности; качество для конкретных сценариев следует проверять отдельно.

AMAImedia выпустила эту модель в рамках платформы NOESIS для автоматизации многоязычного дубляжа. Это дообученная версия Qwen3.8-27B с плотной архитектурой Qwen3_5ForConditionalGeneration: мультимодальный чекпойнт BF16 в формате Safetensors принимает текст и изображения, поддерживает диалог и режим рассуждений, а также доступен в текстовых вариантах GGUF с квантизацией. В карточке указаны поддержка русского, английского, китайского, вьетнамского, японского и других языков; лицензия — Apache 2.0. Главное изменение модели — снижение числа отказов при ответах. Разработчик сообщает о внутренних проверках на 842 запросах и отдельной выборке из 126 запросов, а также о прохождении 23 из 24 проверок связности. Это внутренние автоматические оценки: основная выборка использовалась при настройке, а показатели не подтверждают точность фактов или сохранение исходных результатов по рассуждениям, программированию и зрению. Заявления о снижении отказов не гарантируют одинакового поведения для всех языков, настроек генерации и сред выполнения. Мультимодальный путь с изображениями заявлен для Safetensors; GGUF-варианты рассчитаны на генерацию текста и не включают обработку изображений без совместимого vision-проектора. Для BF16-весов требуется около 56 ГБ памяти, не считая накладных расходов среды выполнения и KV-кэша. Голова MTP отсутствует, поэтому спекулятивное декодирование с её использованием не поддерживается.

Модель gbull25/qwen3-vl-russian-handwriting — дообученная gbull25 мультимодальная модель семейства Qwen3-VL для работы с изображениями и текстом. Она основана на unsloth/qwen3-vl-4b-instruct-unsloth-bnb-4bit и предназначена для распознавания и интерпретации рукописного текста на изображениях с ответом в текстовом формате. Архитектура — Qwen3VLForConditionalGeneration; модель использует формат safetensors и поддерживает диалоговый интерфейс и обработку изображений. Модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. В карточке не приведены результаты оценивания качества, поэтому точность распознавания рукописей нельзя определить по доступным сведениям.

RefControl FLUX.2 Klein 9B Reference Depth LoRA — адаптер LoRA от thedeoxen для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Он предназначен для image-to-image генерации и редактирования изображений: объединяет референсное изображение с картой глубины, сохраняя идентичность и стиль объекта или персонажа и перенося его в позу, композицию или сцену, заданную глубиной. Основные сценарии включают портреты людей в разных позах, создание согласованного дизайна персонажей, трансформацию объектов, раскадровки, комиксы и генерацию кадров для анимации. Модель ориентирована преимущественно на людей, но также работает с объектами и стилизованными персонажами. Для использования требуется базовая FLUX.2 Klein 9B Base, триггерное слово refcontrol и карта глубины; рекомендуемый вес LoRA составляет 0,8–1,0. Лучше всего результат получается, когда масштаб и пропорции объекта на карте глубины близки к референсу. Поддерживается комбинирование с текстовыми промптами и другими совместимыми RefControl LoRA, например для управления позой, lineart или canny. README не указывает точные языки, размер адаптера или дополнительные модальности; базовая модель описана как вариант для примерно 50 шагов инференса с guidance_scale около 4,0. Для извлечения глубины в ComfyUI необходимы узлы depth estimation, например из comfyui_controlnet_aux. Распространение заявлено по лицензии Apache-2.0. Ограничения включают зависимость от базовой модели и карты глубины, а также снижение качества при сильном расхождении масштаба или пропорций между референсом и картой глубины.

RefControl FLUX.2 Klein 9B — это LoRA-адаптер, разработанный thedeoxen для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Он предназначен для генерации и редактирования изображений по двум входным изображениям: карте позы со скелетом или ключевыми точками и референсному изображению персонажа, человека или объекта. Адаптер переносит позу и структуру тела с первой картинки, стараясь сохранить идентичность, внешность, стиль, одежду или характерные детали со второй. Модель ориентирована прежде всего на людей, но поддерживает стилизованных персонажей и некоторые объекты. Она подходит для позирования персонажей в иллюстрациях, комиксах и раскадровках, создания согласованных изображений одного персонажа в разных позах, репозинга и подготовки ключевых кадров для анимации. Для активации рекомендуется использовать фразу «apply pose from image 1 with reference from image 2», а вес LoRA обычно задавать в диапазоне 0,8–1,0. Для извлечения позы в workflow ComfyUI используется DWPose через comfyui_controlnet_aux. Рекомендуемая базовая модель — недистиллированная FLUX.2-klein-base-9B, для которой указаны около 50 шагов генерации и guidance_scale около 4,0. Адаптер также работает с дистиллированной FLUX.2-klein-9B в режиме примерно 4 шагов и guidance_scale около 1,0, однако качество сохранения идентичности и точности позы может быть ниже. Наилучшие результаты ожидаются, когда карта позы имеет близкие к референсу масштаб и пропорции; существенно отличающиеся кадрирование и размеры тела могут ухудшать результат. Лицензия модели — Apache-2.0.

Карточка модели qqceqqq/RMBG-2.0-BAK на Hugging Face совпадает с карточкой camenduru/RMBG-2.0, поэтому описание составлено по ней. BRIA AI разработала RMBG-2.0 — модель сегментации изображений для удаления фона, построенную на архитектуре BiRefNet и обученную на профессионально размеченных изображениях. Она выделяет передний план на фотографиях и других изображениях с людьми, предметами и животными, в том числе при сложном или неоднородном фоне. Модель выдаёт одноканальную 8-битную альфа-матte в оттенках серого: значение каждого пикселя задаёт степень его прозрачности. Это позволяет применять собственные пороги отделения переднего плана от фона и встраивать модель в конвейеры обработки изображений. В метаданных указаны форматы PyTorch, Safetensors и ONNX. Обучающие данные включают более 15 000 вручную размеченных изображений из категорий электронной коммерции, рекламы, игр и общего стокового контента. По данным карточки, модель улучшает RMBG v1.4; независимые показатели качества в предоставленных материалах не приведены. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого использования требуется отдельное соглашение с BRIA.