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

Ruyi-Mini-7B — модель генерации видео из изображения, разработанная CreateAI и выпущенная под лицензией Apache 2.0. По входному изображению она создаёт последующие видеокадры; поддерживает разрешения от 360p до 720p, разные соотношения сторон и ролики длительностью до 5 секунд, а также управление движением и камерой. Модель содержит около 7,1 млрд параметров и использует архитектуру, модифицированную на основе EasyAnimate V4, с трансформерным модулем, унаследованным от HunyuanDiT. В составе системы — VAE для сжатия видео, диффузионный трансформер с 3D-вниманием и CLIP для извлечения признаков входного изображения. Для генерации на высоких разрешениях требуется значительный объём видеопамяти. Это экспериментальный выпуск. На изображениях и видео могут искажаться текст, кисти рук и лица в толпе; иногда модель переключает сцену, если не может предсказать продолжение. Модель распространяется по разрешительной лицензии Apache 2.0.

SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

Aryanne/SHBA — объединённая авторами модель на архитектуре Llama, созданная с помощью mergekit методом task_swapping на основе Aryanne/SuperHeartBerg и KoboldAI/Llama-3.1-8B-BookAdventures. Она предназначена для генерации текста в диалоговом формате, в том числе для длинного художественного письма по сюжетному плану и текстовых приключений. Модель содержит 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors; в метаданных указана библиотека Transformers. Модель принимает текст и генерирует текст. Карточка не сообщает целевые языки. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

Remostart/sign-language — дообученная Remostart модель на архитектуре LLaVA-NeXT-Video-7B, предназначенная для перевода жестового языка по видео в текст. Она принимает видео и формирует текстовый перевод; базовая модель — мультимодальная LLaVA-NeXT-Video-7B для ответов на вопросы об изображениях и видео. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия модели — MIT. Карточка не сообщает, какие жестовые языки входят в обучающие данные и насколько точно модель работает в разных условиях съёмки; результат перевода следует проверять, особенно при практическом использовании.

SkyReels-V2-DF-14B-540P-Diffusers — модель генерации видео по тексту из серии SkyReels-V2, разработанной командой Skywork. Это вариант с 14 млрд параметров для Diffusers, использующий авторегрессионную архитектуру Diffusion Forcing. Модель предназначена для создания видео по текстовым запросам; заявленная особенность серии — генерация длинных роликов с сохранением движения и визуальной согласованности. В описании серии упоминаются многоэтапное предварительное обучение, обучение с подкреплением и дополнительная supervised fine-tuning для улучшения движения и качества изображения. Карточка модели также заявляет поддержку бесконечной длины видео, однако практическая длина ролика зависит от настроек генерации и доступных вычислительных ресурсов. README описывает и другие сценарии серии, включая генерацию видео из изображения и управление камерой, но они не подтверждены для этого конкретного чекпойнта. Репозиторий содержит веса в формате Diffusers и safetensors; для запуска README предлагает библиотеку Diffusers и приводит сценарии инференса на одной или нескольких GPU. В метаданных указана лицензия other, поэтому условия использования следует сверить с лицензией и материалами репозитория.

Карточка модели chgm599-ch/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Карточка модели nitishmouryaa/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Карточка модели talhadon123/stable-video-diffusion-img2vid-xt на Hugging Face совпадает с карточкой stabilityai/stable-video-diffusion-img2vid-xt, поэтому описание составлено по ней. Stable Video Diffusion Image-to-Video XT — модель генерации видео Stability AI на основе латентной диффузии. Она принимает статичное изображение-кадр размером 576×1024 и создаёт короткий видеоклип из 25 кадров. XT дообучена на базе версии Stable Video Diffusion Image-to-Video для 14 кадров; для временной согласованности также дообучен декодер f8. Репозиторий предоставляет веса в форматах Diffusers и safetensors. Модель предназначена для превращения изображений в короткие видеоролики: например, для творческих проектов, дизайна и образовательных инструментов. В README отмечено, что генерация может занимать около 180 секунд на A100 с 80 ГБ памяти при настройках на момент выпуска; возможны компромиссы между скоростью, качеством и потреблением памяти. Модель не предназначена для достоверного воспроизведения людей и событий. Условия использования определяются лицензией Stability AI; README описывает исследовательское и некоммерческое применение, а для коммерческого использования отсылает к отдельным условиям.

Sulphur 2 Base GGUF — это квантизированная версия модели Sulphur 2 для ComfyUI, разработанная сообществом SulphurAI и опубликованная VantageWithAI. Модель основана на LTX 2.3 и предназначена для генерации видео и аудиовизуального контента. Модель поддерживает преобразование текста в видео (t2v) и изображения в видео (i2v) в нативном режиме, а также другие форматы LTX 2.3: video-to-video, image-text-to-video, audio-to-video, text-to-audio, video-to-audio, audio-to-audio и генерацию комбинированного аудио и видео из текста или изображений. Архитектура, точный размер, поддерживаемые языки, длина контекста и набор модальностей сверх перечисленных в README не указаны. Ключевыми особенностями являются поддержка нескольких сценариев генерации, работа в формате GGUF и ориентация на использование в ComfyUI. README называет модель uncensored, однако не приводит подробностей о методах обучения, качестве, производительности или ограничениях. Модель распространяется по лицензии LTX-2 Community License Agreement; точные условия следует уточнять в тексте лицензии Lightricks.

Sulphur 2 (distilled) — NVFP4 — это квантованная версия модели Sulphur-2-base от SulphurAI, созданная на базе архитектуры Lightricks LTX-2.3. Модель распространяется и упакована пользователем coolthor; исходная архитектура разработана Lightricks, а текстовый энкодер использует Google Gemma-3-12B. Это диффузионный трансформер для генерации видео и аудио по текстовому описанию, а также для сценариев image-to-video и text-to-audio-video. Модель позиционируется как uncensored. Используется weight-only-квантизация NVFP4 с 4-битными весами FP4, блочными масштабами FP8 и глобальными масштабами FP32; отдельные чувствительные компоненты сохраняют формат BF16. Размер чекпойнта составляет около 19 ГБ, что примерно на 32% меньше FP8-версии и позволяет разместить модель на видеокарте с 32 ГБ памяти. Проверенная конфигурация обеспечивает генерацию видео 832×480 с частотой 24 кадра в секунду и синхронизированным AAC-аудио; для дистиллированной версии рекомендуется 8 шагов и CFG 1.0. Ключевое преимущество NVFP4 — уменьшенный объём хранения и потребление памяти, а не ускорение: по приведённым измерениям модель работает примерно на 6% медленнее FP8 на GB10 DGX Spark. Для корректной работы в ComfyUI требуется использовать отдельный full VAE, поскольку встроенный VAE зависает, а также запускать ComfyUI с параметрами --disable-async-offload и --disable-dynamic-vram. Текстовый энкодер Gemma-3-12B в комплект не входит и должен быть установлен отдельно. Модель и производные распространяются по LTX-2 Community License Agreement от 5 января 2026 года.

Карточка модели SYNAPSEai1/SynapseMusicV12 на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

p1atdev/t5-base-xlsum-ja — японская модель суммаризации, созданная дообучением retrieva-jp/t5-base-long на наборе данных XL-Sum. Это плотная encoder-decoder модель семейства T5 с 123,8 млн параметров, предназначенная для преобразования японского текста в краткое изложение. В карточке указаны результаты оценки на тестовом наборе: ROUGE-1 0,3648, ROUGE-2 0,1641, ROUGE-L 0,2965 и ROUGE-Lsum 0,3132. Модель принимает текст и генерирует текстовое резюме. Репозиторий содержит веса в форматах PyTorch и Safetensors; для работы используется Transformers. Модель распространяется по лицензии CC BY-SA 4.0. Карточка не описывает дополнительные сценарии применения и ограничения качества.

Карточка модели PY007/trial на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-1.3B-Diffusers, поэтому описание составлено по ней. Wan-AI Wan2.1-T2V-1.3B-Diffusers — модель генерации видео по текстовому описанию из семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с пространственно-временным VAE; данный репозиторий содержит вариант на 1,3 млрд параметров в формате Diffusers и Safetensors. Модель предназначена для создания коротких видеороликов по текстовым запросам. В README указана генерация видео 480p и 720p; для 1,3B-варианта рекомендуется 480p, поскольку результаты при 720p менее стабильны. Заявлена поддержка создания видимого текста на английском и китайском языках. Для генерации 5-секундного видео 480p README приводит ориентир около 8,19 ГБ видеопамяти и примерно четырёх минут на RTX 4090 без оптимизаций. Модель подходит для творческих задач и прототипирования видеоконтента, в том числе на потребительских GPU. Лицензия — Apache-2.0. Дополнительное расширение текстового запроса может улучшать детализацию, но требует отдельной модели или внешнего сервиса; качество генерации на 720p менее стабильно, чем на 480p.

Карточка модели ByteDance/Video-As-Prompt-CogVideoX-5B на Hugging Face совпадает с карточкой ByteDance/Video-As-Prompt-Wan2.1-14B, поэтому описание составлено по ней. Video-As-Prompt (VAP) — модель ByteDance для генерации видео, которая использует референсное видео как семантическую подсказку и анимирует заданное изображение, перенося на него семантику референса. Эта версия основана на Wan2.1 I2V 14B и рассчитана на генерацию видео по изображению с управлением через референсное видео. Модель предназначена для создания видео с нужными действиями и другими семантическими характеристиками, заданными примером: например, можно сохранить исходное изображение, но получить разные варианты движения по разным референсным видео. Авторы отмечают сильные результаты на действиях людей и новых понятиях; при этом из-за ограниченного числа шагов обучения устойчивость ниже на некоторых семантических условиях. Репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0.

VSpark — модель генерации видео, опубликованная AyaanAhmed123. Она построена на Spatial-Temporal Diffusion Transformer и содержит 726,2 млн параметров; видеобэкбон включает 16 блоков с размерностью 1024 и 16 головами, а видеокодек VAE использует четыре уровня и латентность из четырёх каналов с шагом 8. Для текста применяется шестислойный трансформер с размерностью 768 и BPE-словарём из 49 408 токенов. Модель предназначена для создания видео по текстовому описанию. В примере использования конвейер принимает текстовый запрос и возвращает кадры вместе с аудиомел-спектрограммой; метаданные также отмечают мультимодальность и генерацию аудио, но основная задача модели указана как text-to-video. В карточке заявлена лицензия Apache-2.0. Поддерживаемый язык — английский. Это чекпойнт, инициализированный и обученный с нуля, а не производная указанной базовой модели. README не сообщает длину контекста, качество на бенчмарках или ограничения генерации, поэтому оценить эти свойства по доступным сведениям нельзя.

Карточка модели Edoudom98/Wan2.1-I2V-14B-720P на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-I2V-14B-720P, поэтому описание составлено по ней. Wan2.1-I2V-14B-720P — модель генерации видео из изображения из открытого семейства Wan2.1, разработанного командой Wan-AI. Это диффузионный трансформер с 3D причинным вариационным автоэнкодером Wan-VAE; модель рассчитана на создание видео высокой чёткости с разрешением 720p на основе входного изображения. Соотношение сторон результата следует соотношению сторон исходного изображения, а размер задаётся площадью кадра. Модель предназначена для анимации изображений и создания видеосцен на их основе; текстовый запрос может уточнять желаемое содержание движения. В карточке семейства заявлены генерация текста на китайском и английском, однако это не отдельная задача данной модели. Репозиторий также содержит другие модели Wan2.1 для генерации видео по тексту, редактирования видео и других задач, но эти возможности не следует приписывать этому чекпойнту. Для запуска доступны веса в формате safetensors и код вывода; README описывает запуск на одном или нескольких GPU и расширение текстового запроса с помощью отдельной модели Qwen2.5-VL-7B-Instruct. Генерация 720p требует значительных вычислительных ресурсов. Модель распространяется по лицензии Apache-2.0.

Карточка модели laoK888/wan2.2_14b_i2v_480p_lightning_nsfw_diffusers на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-I2V-A14B-Diffusers, поэтому описание составлено по ней. Wan-AI разработала Wan2.2-I2V-A14B — диффузионную модель генерации видео по изображению, представленную в формате Diffusers с весами Safetensors. Модель использует архитектуру Mixture-of-Experts: специализированные эксперты участвуют в процессе денойзинга на разных временных шагах. Она предназначена для создания видео на основе исходного изображения и текстового описания; поддерживаются разрешения 480p и 720p. По README, модель ориентирована на генерацию сложного движения и стилизованных сцен, а также на более устойчивое управление кинематографической эстетикой. Разработчики отмечают снижение нереалистичных движений камеры по сравнению с Wan2.1. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Для запуска A14B применяются мног GPU или режимы выгрузки компонентов на CPU; требования к оборудованию зависят от конфигурации.

Карточка модели servantofares/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

itayinbar/whisper-he-100m — модель распознавания речи на иврите, созданная на основе OpenAI Whisper Base. Она предназначена для преобразования ивритской речи в текст и протестирована на наборах eval-d1, he_speech_kan и eval-whatsapp. В карточке указаны показатели WER 12,99%, 16,62% и 21,67% соответственно. Модель содержит 94,36 млн параметров; её архитектура Whisper расширена до 12 слоёв энкодера и 12 слоёв декодера. Вместо многоязычного словаря Whisper используется байтовый BPE-токенизатор на 8 192 токена для иврита. Модель обучена на 3 112,7 часах вручную транскрибированной речи. Метаданные указывают форматы ONNX и Safetensors и лицензию Apache-2.0. Модель подходит для расшифровки ивритской речи, в том числе записей заседаний, краудсорсинговых аудиозаписей и сообщений. По приведённым результатам она уступает ivrit.ai на перечисленных тестах; показатели относятся к конкретным наборам оценки и не гарантируют аналогичное качество на других аудиоисточниках.

Korla/whisper-large-v3-turbo-hsb-translation-v1 — модель автоматического перевода речи с верхнелужицкого на немецкий, разработанная на основе Whisper Large-v3 Turbo от OpenAI и дообученная на данных, предоставленных Załožba za serbski lud. Для работы задают язык распознавания «czech» и режим «translate». Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и распространяется в формате safetensors через Transformers. Модель предназначена для перевода устной верхнелужицкой речи в немецкий текст. Лицензия — CC BY-SA 4.0. Она не обучалась для транскрибации речи на исходном языке, поэтому для получения верхнелужицкой расшифровки следует использовать другую модель.

Writer-Large-2411-v2.1 — дообученная для творческого письма модель на базе Mistral-Large-Instruct-2411, опубликованная пользователем gghfez. Она предназначена для создания художественных текстов, развития сюжетов, многочастных историй и ролевых диалогов, включая сценарии группового чата. Управлять ходом ролевой сцены можно инструкциями [OOC]; автор рекомендует использовать системный промпт в формате Mistral-V7. Модель имеет плотную архитектуру MistralForCausalLM и 122,2 млрд параметров. Она принимает текст и генерирует текст, поддерживает десять языков, включая русский, и унаследовала от базовой модели контекст до 131 072 токенов. Дообучение QLoRA проводилось с контекстом до 32 768 токенов, с последующим объединением весов в bf16. Модель снижает склонность к излишне позитивному тону, шаблонным оборотам и повторам в историях. Автор отмечает, что без системного промпта модель может хуже следовать инструкциям на коротком контексте и повторяться на длинном. Возможны частые шаблонные имена персонажей, такие как Lily и Elara; производительность на задачах программирования может быть ниже базовой модели. Лицензия в метаданных указана как other; конкретные условия следует сверить на странице репозитория.

ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели puterijessica/Ace-Step1.5 на Hugging Face совпадает с карточкой ACE-Step/Ace-Step1.5, поэтому описание составлено по ней. ACE-Step 1.5 — открытая модель генерации музыки, разработанная командой ACE-Step. Она предназначена для создания песен и музыкальных фрагментов по текстовому запросу, с управлением стилем и поддержкой сценариев редактирования аудио: создания каверов, перерисовки фрагментов и преобразования вокала в фоновую музыку. В README заявлена гибридная архитектура: языковая модель планирует композицию и формирует метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Модель содержит 1,3 млрд параметров; метаданные указывают контекст в 32 768 токенов и формат Safetensors. README заявляет поддержку более 50 языков, генерацию композиций длительностью до 10 минут и работу менее чем с 4 ГБ видеопамяти. Модель ориентирована на музыкантов, продюсеров и создателей контента; README также заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT. Заявления о скорости генерации, требованиях к памяти и юридической чистоте обучающих данных приведены в карточке проекта и не являются независимой оценкой качества или правового статуса конкретной генерации.

Карточка модели Tuananh20015/acestep-v15-xl-base на Hugging Face совпадает с карточкой ACE-Step/acestep-v15-xl-base, поэтому описание составлено по ней. ACE-Step 1.5 XL Base — базовая модель генерации музыки на основе декодера DiT с примерно 4 млрд параметров. Разработана проектом ACE-Step и служит основой для задач генерации музыки по текстовому описанию, создания каверов, перерисовки фрагментов, извлечения, сборки композиций из частей и дополнения аудио. Версия XL рассчитана на более высокое качество звука по сравнению с вариантами на 2 млрд параметров; модель использует 32 слоя, скрытый размер 2560 и 32 головы внимания. Модель предназначена для создания и редактирования музыкальных композиций. Для работы требуется значительный объём видеопамяти: от 12 ГБ с выгрузкой на CPU и INT8-квантизацией, от 16 ГБ с выгрузкой на CPU или от 20 ГБ без неё. README сообщает, что обучение использовало лицензированную, свободную от роялти или общественным достоянием музыку, а также синтетические данные, и заявляет возможность коммерческого использования сгенерированной музыки. Лицензия репозитория — MIT.

ACGVoc2vec — модель эмбеддингов OysterQAQ для поиска сходства между предложениями и текстами об аниме. Она построена на Sentence Transformers и дообучена на предварительно обученных весах distiluse-base-multilingual-cased-v2 с функцией потерь MultipleNegativesRankingLoss. Для обучения использованы пары текстов из Bangumi, pixiv, AnimeList, Википедии и moegirl: названия произведений на японском, китайском и английском, описания, теги, персонажи и сведения о сэйю. Модель предназначена для преобразования связанных текстов об аниме в близкие векторные представления. Её можно применять для поиска произведений по альтернативным названиям, тегам, описаниям или персонажам, а также для поиска связанных сведений о произведении. Контекст ограничен 512 токенами; модель выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст. Репозиторий содержит веса PyTorch. Условия лицензии в предоставленных данных не описаны.

ClaudioItaly/Albacus — языковая модель семейства Mistral, созданная объединением предварительно обученных моделей с помощью mergekit и метода passthrough. В объединение вошла ClaudioItaly/Evolutionstory-7B-v2.2, модель для связного написания историй и генерации текста по контексту. Модель предназначена для генерации текста по текстовому запросу и контексту. Она содержит 8,9 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии MIT. Карточка не описывает отдельные языковые или предметные специализации, поэтому её можно рассматривать как модель общего назначения для генерации текста.

Карточка модели stronman/Bernini-R на Hugging Face совпадает с карточкой ByteDance/Bernini-R, поэтому описание составлено по ней. Bernini-R — видеорендерер от ByteDance для генерации и редактирования видео. Он входит в систему Bernini, которая объединяет семантический планировщик на основе мультимодальной языковой модели и рендерер на основе DiT. В репозитории представлены веса рендерера в формате safetensors; для работы также нужны компоненты Wan2.2, включая VAE, текстовый энкодер UMT5 и токенизатор. Модель поддерживает генерацию видео по текстовому описанию и исходному изображению, а также редактирование изображений и видео. Примеры запуска включают задачи text-to-video, image-to-video, video-to-video и редактирование видео. По умолчанию результат имеет разрешение 480p и частоту 16 кадров в секунду. Для запуска рекомендована видеокарта NVIDIA Hopper, например H100, с CUDA; для улучшения запросов предусмотрена необязательная интеграция с совместимым с OpenAI API сервисом. В README заявлены высокие результаты редактирования видео по внутренней пользовательской оценке авторов, но независимые подробности оценки в предоставленной карточке отсутствуют. Для использования весов указана лицензия Apache-2.0. Для запуска требуется значительная вычислительная мощность; качество результата зависит от запроса и конфигурации, а улучшение промпта требует отдельного API endpoint.

BoreanGale-70B — языковая модель, созданная alchemonaut слиянием моделей 152334H/miqu-1-70b-sf и Sao10K/WinterGoddess-1.4x-70B-L2 с помощью алгоритма NearSwap. Алгоритм сохраняет большую часть весов Miqu и переносит отдельные веса к значениям WinterGoddess, если они достаточно близки; для этой версии использован порог t = 0,001. Модель основана на плотной архитектуре Llama и содержит 68,7 млрд параметров. Она предназначена для генерации текста, а контекстное окно составляет 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая средний балл 76,48 и оценки на задачах AI2 Reasoning Challenge и HellaSwag. Модель распространяется в формате safetensors; сообщество также подготовило варианты GGUF. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели и лицензиям исходных моделей. README сообщает о быстром ухудшении качества при повышении порога NearSwap выше 0,0025; сведения о поддерживаемых языках и ограничения на использование не приведены.

TheBloke публикует эту модель как fp16-версию в формате PyTorch: Austism’s Chronos Hermes 13B, объединённую с LoRA SuperHOT 13B от Kaio Ken. Базовая Chronos Hermes — смесь Chronos 13B и Nous-Hermes 13B в пропорции 75/25. Для работы с контекстом до 8192 токенов карточка указывает использовать trust_remote_code=True; в config.json задана длина последовательности 8192. Модель предназначена для генерации текста, следования инструкциям и написания связных, подробных повествовательных текстов, в том числе проактивного сторителлинга. В метаданных указаны архитектура LlamaForCausalLM, 12,9 млрд параметров, библиотечные форматы PyTorch и задача text-generation. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.

Chrysologus-12B — слитая автором Retreatcost модель на архитектуре Mistral для создания историй и продолжения прозы с соблюдением инструкций. Она получена методом Karcher Mean с помощью mergekit из трёх предварительно обученных моделей: allura-org/MN-Lyrebird-12B, Sicarius-Prototyping/Impish_Longtail_12B и yamatazen/EtherealAurora-12B. Модель содержит 12,1 млрд параметров, доступна в формате safetensors и рассчитана на работу с текстом; карточка указывает контекст до 1 024 000 токенов. Модель подходит для совместного написания художественных текстов, продолжения прозы и диалогов, а также для текстовых задач с инструкциями. Автор отмечает, что следование инструкциям улучшено по сравнению с Retreatcost/Impish-LongPen-12B. Языки не уточнены. Модель распространяется по лицензии Apache-2.0.