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

Карточка модели juithealien/manga109-segmentation-bubble на Hugging Face совпадает с карточкой huyvux3005/manga109-segmentation-bubble, поэтому описание составлено по ней. MangaLens — модель компьютерного зрения, созданная автором репозитория huyvux3005 и дообученная на базе YOLO11n для поиска и сегментации речевых пузырей в изображениях манги и комиксов. Она использует архитектуру YOLO11n Nano и библиотеку Ultralytics, принимает RGB-изображения и выдаёт рамки объектов и маски экземпляров для одного класса — речевого пузыря. Модель предназначена для подготовки страниц манги к извлечению и переводу текста, анализа расположения диалогов, разметки наборов данных и создания функций доступности, например озвучивания текста. В README приведены результаты оценки на 44-й эпохе: mAP@50 99,10% для рамок и 99,13% для масок; заявленная скорость составляет около 15–25 мс на изображение на T4, 8–12 мс на V100 и 200–400 мс на CPU. Эти показатели приведены автором и не описывают независимую проверку. Обучение проводилось на MS92/MangaSegmentation и Manga109. Основная специализация — речевые пузыри в манге, поэтому качество на других типах изображений и графических элементов может быть ниже. Репозиторий указывает лицензию Apache-2.0.

Midnight-Miqu-70B-v1.0 — объединённая модель автора sophosympatheia для генерации текста в диалогах, ролевых сценариях и художественном повествовании. Она создана методом SLERP с помощью mergekit на основе 152334H/miqu-1-70b-sf и sophosympatheia/Midnight-Rose-70B-v2.0.3. Модель построена на архитектуре Llama и содержит 68,7 млрд параметров; метаданные указывают контекст до 32 764 токенов. Автор ориентирует модель на ролевую игру и создание историй, отмечая также возможное применение для других текстовых задач без оценки их качества. В README модель названа uncensored; для творческого письма автор рекомендует экспериментировать с настройками сэмплирования и примерами в промпте. Указывается, что модель может сохранять связность до 64K токенов при alpha_rope 2.5, но это основано на ограниченном тестировании. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели. Модель выдаёт текст; сведений о поддерживаемых естественных языках в предоставленных данных нет.

MiniMax-H3-GGUF — набор квантизированных файлов модели MiniMax-H3, разработанной MiniMaxAI и конвертированных с использованием stable-diffusion.cpp проекта leejet. Модель предназначена для генерации видео по текстовому описанию и преобразования изображения в видео. Указана поддержка английского и китайского языков, а также совместимость с stable-diffusion.cpp и ComfyUI через пользовательский узел ComfyUI-GGUF. Ключевая особенность этой версии — формат GGUF, рассчитанный на использование квантизированных весов и интеграцию с поддерживаемыми инструментами. README не содержит данных о размере модели, конкретной архитектуре, вариантах квантования, максимальной длительности или разрешении видео, требованиях к аппаратному обеспечению и контекстном окне. Поэтому эти характеристики и фактическое качество генерации нельзя определить по предоставленной информации. Лицензия квантизированных файлов наследуется от оригинальной модели MiniMax-H3; точные условия необходимо уточнять в лицензии оригинальной модели.

rockerBOO/minimax-h3-nvfp4-convrot — это квантизированный вариант модели MiniMax H3, разработанной MiniMaxAI. Модель представляет собой мультимодальный генератор видео и аудио на основе diffusion transformer с 33 млрд параметров и предназначена для локального запуска через ComfyUI. Она поддерживает генерацию видео по тексту, изображениям и видео, а также создание синхронизированного стереозвука. Заявлены выходные данные с разрешением 768p, частотой 24 кадра в секунду и длительностью от 4 до 15 секунд; вывод в 2K требует отдельного модуля H3-Regenerate-2K. Данный вариант распространяется как единый checkpoint в формате safetensors, а не как модель Diffusers. В зависимости от режима доступны генерация по тексту и первому или последнему кадру, а также omni-reference-сценарии с использованием до 9 изображений, 3 видеоклипов и 3 аудиоклипов. В комплекте предполагается использование текстового энкодера Qwen3-VL 32B и VAE из репозитория Comfy-Org/MiniMax-H3. Квантизация использует NVFP4 для основной части MLP-слоёв, FP8 для отдельных проекций внимания и AdaLN, а чувствительные слои сохраняются в BF16; вариант convrot также применяет INT8 ConvRot для QKV-проекций. Основное преимущество — уменьшение размера checkpoint примерно до 20 ГБ за счёт квантизации и AdaLN-прунинга без заявленной потери качества, что облегчает локальный запуск. NVFP4-версии требуют видеокарту с архитектурой Blackwell, например RTX 50 или B100/B200; на более старых GPU они не работают. Качество в репозитории системно не измерялось, поэтому заявленные преимущества основаны прежде всего на совместимости и размере, а не на бенчмарках. Для использования необходимы ComfyUI и совместимые модели текстового энкодера и VAE. Лицензия указана как minimax-h3-community; точные условия определяются лицензией MiniMax H3.

DavidAU разработал Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC как дообученную версию Mistral Nemo Instruct 12.1B с использованием наборов данных, основанных на рассуждениях Claude, Gemini и GPT-5.2. Это плотная авторегрессионная языковая модель семейства Mistral для генерации текста и диалога; карточка описывает её как модель с пошаговым рассуждением и ориентиром на компактные ответы с развёрнутой прозой. Модель предназначена для творческого письма, продолжения сцен и сюжетов, ролевого общения, а также ответов в диалоге. В карточке заявлен контекст до 1 024 000 токенов; сама карточка рекомендует окно не менее 4k, предпочтительно 8k и выше. Указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий содержит веса safetensors; метаданные указывают библиотеку Transformers. Модель настроена на генерацию откровенного, грубого и хоррор-контента, поэтому её ответы могут включать ненормативную лексику и взрослые темы. Автор не приводит условий лицензии в предоставленной карточке; перед использованием следует проверить лицензию репозитория на Hugging Face.

MN-Lyrebird-12B — слитая языковая модель на архитектуре Mistral Nemo, созданная allura-org для совместного написания и других задач художественного письма в длинном формате. Модель объединяет четыре компонента: MN-12B-Mag-Mell-R1, Tess-3-Mistral-Nemo-12B и два адаптера, обученных на текстах книг и ответах Kimi K2. Размер модели — 12,1 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия. Заявленное в метаданных контекстное окно — 1 024 000 токенов, однако адаптеры обучались на контекстах 8 000 и 32 000 токенов. Lyrebird подходит для совместного сочинения рассказов, продолжения прозы и создания диалогов. Она хорошо подхватывает стиль текста из истории беседы, но качество зависит от её стиля и настроек генерации. Автор отмечает проблемы с темпом при написании длинных историй с нуля и склонность выбирать британскую или сельскую английскую манеру речи, если стиль не задан. Модель не оптимизирована специально для ролевых игр; возможна имитация пользователя. В README указано, что данные адаптеров не включали эротику, но компоненты слияния могут сохранять такую способность. Файлы доступны в формате safetensors; лицензия в предоставленных данных не указана.

MN-Rocinante-18.5B-v1.1-Story-Wizard-ED1-Instruct-GGUF — языковая модель для генерации текста, разработанная DavidAU. Она создана на основе объединения MN-Rocinante-12B-v1.1 и Mistral Nemo Instruct 12B с использованием MergeKit и предназначена прежде всего для художественного письма и ролевых сценариев. Модель ориентирована на создание рассказов, продолжение сцен, разработку сюжета и подсюжетов, диалогов, персонажей и сеттингов. Она подходит для разных жанров, включая научную фантастику, романтику и хоррор, а также для интерактивного повествования и roleplay. Заявлены улучшенные следование инструкциям, качество прозы, детализация, глубина и эмоциональная выразительность. Контекстное окно указано как 128K и более, основной язык — английский. Модель имеет размер 18.5B параметров и использует архитектурную основу Mistral Nemo; в README также указано применение типа данных bfloat16, однако конкретные параметры GGUF-квантизации не приведены. Возможна генерация умеренно NSFW-содержания, включая ненормативную лексику и ярко описанный хоррор. Результаты зависят от выбранного шаблона prompt’ов, параметров генерации и sampler’ов, а README не содержит независимых оценок качества или подробностей об ограничениях безопасности. Лицензия — Apache 2.0.

TehVenom/MPT-7b-InstructAndStorywriting-50_50-Merge — объединённая модель на архитектуре MPT с 7 млрд параметров, созданная взвешенным усреднением MPT-7b Storywriter и MPT-7b Instruct в равных долях. Автор объединил длинноконтекстную настройку Storywriter с инструктивными свойствами Instruct для проверки того, как такое слияние влияет на работу внимания. Модель предназначена для генерации длинной прозы и продолжения текстов, а также для ответов в стиле инструктивного помощника. README советует начинать с запросов в формате продолжения истории или текста, затем пробовать сочетание с форматом Alpaca. Исходные модели рассчитаны соответственно на контексты 65 тыс. и 2048 токенов; длина контекста самого объединённого чекпойнта явно не установлена. Модель может генерировать откровенный контент из-за влияния обучающих данных Storywriter. Она создана как эксперимент по слиянию моделей, поэтому качество следования инструкциям и сохранение длинного контекста могут зависеть от запроса. Лицензия в предоставленных данных не указана.

MPT-7B-StoryWriter-65k+ — языковая модель MosaicML для чтения и написания художественных историй. Это дообученная версия MPT-7B с модифицированной архитектурой decoder-only Transformer, примерно 6,7 млрд параметров и 32 слоями. Для внимания используются FlashAttention и ALiBi без позиционных эмбеддингов; модель обучали на отфильтрованной художественной части Books3 с контекстом 65 тысяч токенов, а ALiBi позволяет ей экстраполировать длину контекста за этот предел. Модель подходит для продолжения длинных рукописей, написания эпилогов и генерации художественных текстов с учётом большого объёма предшествующего сюжета. Карточка приводит пример генерации при контексте 84 тысячи токенов на узле с восемью GPU A100 80 ГБ. Модель может выдавать фактически неверные, предвзятые, непристойные или оскорбительные тексты, поэтому её не следует использовать как источник проверенной информации. Лицензия Apache-2.0 разрешает коммерческое применение.

jost/multilingual-e5-base-politics-de — дообученная на немецких политических данных модель эмбеддингов предложений на базе multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и Sentence-Transformers, преобразуя предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска и сравнения немецкоязычных политических текстов, а также для группировки похожих предложений и абзацев. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на получение векторов, сохраняющих смысловое сходство. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

facebook/musicgen-stereo-melody — стереофоническая модель MusicGen команды FAIR в Meta AI для генерации музыки по текстовым описаниям и аудиоподсказкам. Это авторегрессионный Transformer на 1,5 млрд параметров, дообученный 200 тысяч шагов от монофонической версии. Модель использует токенизатор EnCodec с частотой 32 кГц и формирует два чередующихся потока аудиотокенов для стереозвука. Модель подходит для создания музыкальных фрагментов по описанию или с опорой на мелодию из аудио. Она генерирует музыку без реалистичного вокала; качество зависит от жанра, культурного контекста и формулировки запроса. Обучение велось на англоязычных описаниях, поэтому запросы на других языках могут работать хуже; иногда генерация затихает до конца фрагмента, и для хорошего результата может понадобиться подбор запроса. Веса распространяются по лицензии CC-BY-NC 4.0, которая ограничивает коммерческое использование.

Mytho-Lemon-11B — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit. В объединение методом passthrough вошли слои KatyTheCutie/LemonadeRP-4.5.3 и Gryphe/MythoMist-7B; карточка связывает модель с LemonadeRP-4.5.3. В репозитории представлены веса safetensors, а размер модели составляет 10,6 млрд параметров. Модель предназначена для генерации текста, в частности творческих ролевых диалогов и менее шаблонного текста. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Ninja-v1 — языковая модель на архитектуре Mistral, созданная Local-Novel-LLM-project как объединённая и дообученная версия Mistral-7B-v0.1. Она предназначена для генерации текста и многоходового общения на английском и японском языках, в том числе для написания художественных текстов. В README описаны слияние нескольких моделей, включая WizardLM2, Antler-7B и NTQAI/chatntq-ja-7b-v1.0, а также дообучение с помощью LoRA. Модель содержит 7,1 млрд параметров и поддерживает контекст до 4096 токенов. Среди заявленных сильных сторон — генерация на английском и японском языках и сохранение информации в длинном диалоге. Карточка предупреждает о возможной предвзятости обучающих данных и высоком расходе памяти при длинных запросах. Распространяется по лицензии Apache-2.0.

Omega-Sapphira-Joyous-L3.3-70B-v1.1 — слитая модель на архитектуре Llama 3.3, созданная автором репозитория cactopus методом SLERP на основе Omega-Sapphira v1.3 и нескольких моделей семейства Llama 3.3. Веса модели содержат около 69,5 млрд параметров; она предназначена для генерации текста, диалогов, ролевого общения и написания историй. Модель принимает текст и выдаёт текст, использует шаблон чата Llama 3 и рассчитана на английский язык. Длина контекста — 131 072 токена. Слияние добавляет к прозе базовой модели более тёплый стиль модели Joyous, сохраняя большую часть исходных характеристик Omega-Sapphira. Автор отмечает, что модель может чрезмерно опираться на предыдущий контекст, терять детали карточки персонажа и с трудом менять уже выбранное направление сцены. Для более стабильной генерации рекомендуются температура 0,8–0,9, Min P 0,02–0,025 и обязательный Tail-Free Sampling 0,97; Top-P следует отключить. Лицензия — Llama 3.3 Community License.

Helsinki-NLP/opus-mt-grk-en — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP. Она переводит текст с греческих языков на английский: поддерживаются современный греческий и древнегреческий. Модель построена на архитектуре Transformer и использует нормализацию текста и SentencePiece с словарями по 12 тысяч токенов; размер — 36,6 млн параметров, длина контекста — до 512 токенов. Модель предназначена для перевода отдельных фраз и текстов. В README приведены тестовые результаты BLEU 65,9 для современного греческого и 4,1 для древнегреческого на наборах Tatoeba, что указывает на заметно различающееся качество для этих вариантов языка. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

OWL-ViT — модель компьютерного зрения для обнаружения объектов по текстовым запросам, разработанная авторами работы Simple Open-Vocabulary Object Detection with Vision Transformers. Она принимает изображение и один или несколько текстовых запросов, затем находит соответствующие объекты и предсказывает их рамки. Модель подходит для обнаружения объектов, названия которых не были заданы фиксированным набором классов при обучении, а также для исследований обобщения и устойчивости систем компьютерного зрения. В основе лежит CLIP с визуальным энкодером ViT-B/16 и Transformer-энкодером текста. Для обнаружения объектов к визуальным признакам добавлены лёгкие головы классификации и предсказания рамок; классы задаются текстовыми эмбеддингами. Модель выпущена в формате PyTorch и распространяется по лицензии Apache-2.0. Карточка позиционирует модель прежде всего как исследовательский результат. Качество зависит от формулировок запросов и распределения данных; обучающие данные собраны из интернет-подписей к изображениям и датасетов обнаружения, поэтому возможны смещения и ошибки на новых типах изображений или объектов.

Phi-3.5-mini-TitanFusion-0.4 — объединённая языковая модель на архитектуре Phi-3, созданная автором bunnycore с помощью mergekit и метода TIES. В объединение вошли ArliAI/Phi-3.5-mini-3.8B-ArliAI-RPMax-v1.1, calme-2.1-phi3.5-4b, несколько предыдущих версий TitanFusion и другие модели; README указывает также Phi-3.5-rp-lora_model как основу части объединения. Модель содержит 3,7 млрд параметров, использует формат safetensors и рассчитана на генерацию текста и диалоговое взаимодействие. Базовая модель ArliAI ориентирована на творческое письмо и ролевые диалоги с разнообразными сценариями; это указывает на подходящие сценарии применения TitanFusion, хотя отдельные характеристики качества для версии 0.4 в карточке не приведены. Контекст модели составляет 4096 токенов. Лицензия в предоставленных данных не указана. Как и другие модели для генерации текста, ответы могут быть неточными или повторяющимися; результаты следует проверять, особенно в задачах с высокими требованиями к точности.

Phi-4-Stock-RP — объединённая языковая модель bunnycore на архитектуре Llama, созданная для рассуждений, ролевых диалогов и творческой генерации текста. В неё объединены bunnycore/Phi-4-Model-Stock и модель с LoRA, дообученной на ролевых диалогах, сценариях и взаимодействиях персонажей. Модель насчитывает 14,1 млрд параметров и поддерживает контекст до 16 384 токенов. Модель подходит для ведения продолжительных ролевых бесед с сохранением персонажей и сюжета, написания рассказов и диалогов, а также общих задач понимания и генерации текста. В карточке не указаны языки обучения или поддерживаемые языки, поэтому нельзя определить, для каких естественных языков она предназначена. Модель распространяется в формате safetensors по лицензии MIT. Заявленные сильные стороны — связность повествования и интерактивность ролевых сценариев; качество и ограничения для конкретных задач в карточке подробно не описаны.

DavidAU/Psyonic-Cetacean-Ultra-Quality-20b-GGUF — ремастер модели Psyonic-Cetacean-20B, первоначально созданной Jeb Carter. Это текстовая генеративная модель в формате GGUF, ориентированная на творческое письмо, создание историй, художественную прозу, ролевые сценарии и диалоговые взаимодействия. В карточке указана поддержка английского языка и связь с семейством Llama 2; базовая модель — DavidAU/Psyonic-Cetacean-V1-20B-Ultra-Quality-Float32. Модель содержит около 20 миллиардов параметров и выпускается в вариантах с разным уровнем квантования, включая Q2K, Q4KM, Q6 и Q8, а также полноточную версию FP32 размером около 78 ГБ. Автор заявляет, что при подготовке ремастера минимизировал потери точности на этапах объединения и квантования. По приведённым данным, это улучшает следование инструкциям, качество прозы, нюансировку и глубину ответов, а также устраняет некоторые известные проблемы исходной модели. Рекомендуемые параметры сглаживания находятся в диапазоне 1,5–2,5; для отдельных конфигураций также упоминается repetition penalty 1,1–1,15. К ограничениям относятся значительные требования к памяти и вычислительным ресурсам, особенно у FP32 и менее сжатых вариантов. Качество и скорость зависят от выбранного уровня квантования, программы запуска и настроек семплирования. Размер контекстного окна, мультимодальные возможности и поддержка языков, кроме английского, в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-9B-Deckard-Claude-DIMOE-Uncensored-Heretic-Thinking — мультимодальная модель семейства Qwen3.5, дообученная DavidAU с помощью Unsloth на основе trohrbaugh/Qwen3.5-9B-heretic-v2. По карточке, обучение сочетает результаты двух отдельных обучающих сессий; это не слияние весов. Модель содержит 9 млрд параметров, использует архитектуру Qwen3.5 с обработкой изображений и текста и работает с контекстом до 262 144 токенов, согласно README. Модель предназначена для диалогов, рассуждений, понимания изображений и творческого письма, включая генерацию и продолжение сюжетов. По умолчанию ответы и рассуждения краткие; более развёрнутый формат можно запросить в подсказке. Автор также описывает изменённый стиль общения и ослабленные отказы. README приводит результаты собственных тестов, но они не являются независимой оценкой качества. Модель доступна в формате safetensors и рассчитана на использование через Transformers. Лицензия — Apache-2.0. В карточке заявлены английский и китайский языки; описание базового семейства упоминает более широкий языковой охват, но README не приводит полной таблицы языков для этой дообученной версии.

DarkKitsune/Qwen3.5-9B-Polaris-HighIQ-INSTRUCT-Q4_K_M-GGUF — это квантизированная в формате GGUF версия модели DavidAU/Qwen3.5-9B-Polaris-HighIQ-INSTRUCT, основанной на Qwen3.5. Модель преобразована с использованием llama.cpp и проекта GGUF-my-repo; в карточке также указан датасет TeichAI/polaris-alpha-1000x. Размер базовой модели — 9B параметров, вариант использует квантизацию Q4_K_M и предназначен для запуска через llama.cpp. Модель ориентирована на англоязычные и китайскоязычные сценарии, включая генерацию художественных текстов, написание рассказов и сцен, развитие сюжета и побочных линий, продолжение историй, сторителлинг, ролевые сценарии и работу с жанрами от научной фантастики до романтики. В метаданных она обозначена как image-text-to-text, однако подробности о поддержке обработки изображений в README не приведены. Ключевое преимущество модели — сочетание инструкционного режима, ориентации на творческое письмо и относительно компактного квантизированного формата, удобного для локального запуска. Ограничения включают возможные потери качества из-за квантизации, отсутствие подробных данных о контекстном окне, производительности и результатах оценивания. В примере запуска через llama.cpp используется контекст 2048 токенов, но это значение может быть параметром запуска, а не гарантированной характеристикой модели. Лицензия — Apache-2.0.

Qwen3.6-12B-IQ-Ultra-Heretic-Uncensored-Thinking — экспериментальная текстово-визуальная модель семейства Qwen3.5 от DavidAU, созданная на основе trohrbaugh/Qwen3.6-27B-heretic-ara. Согласно карточке, исходную модель Heretic сократили с 27B до 12B параметров и 24 слоёв, затем дообучили в Unsloth на шести датасетах в два этапа; автор также отмечает настройку структуры слоёв после сокращения. Модель предназначена для диалогов, творческого письма, генерации историй и рассуждений, а также заявлена поддержка обработки изображений и видео. В карточке указан контекст 256k токенов; метаданные указывают архитектуру Qwen3_5ForConditionalGeneration, форматы safetensors и bfloat16, а также интерфейс вызова инструментов. Заявлены английский и китайский языки. Автор сообщает, что модель может требовать дополнительной настройки, а сокращение архитектуры могло привести к потере знаний и навыков; по его оценке, до полной настройки она может уступать Qwen 3.5 9B. Опубликованы отдельные настройки генерации и ограниченные результаты бенчмарков. Лицензия — Apache-2.0.

DavidAU выпустил Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking — лёгкий дообученный вариант модели trohrbaugh/Qwen3.6-27B-heretic-ara, предназначенный для диалогов, творческого письма и генерации историй. Модель построена на архитектуре Qwen3.5 с плотной конфигурацией и условной генерацией текста по текстовым и визуальным входам; в метаданных указаны языки английский и китайский. Репозиторий использует Transformers и формат safetensors, лицензия — Apache-2.0. Автор описывает дообучение как небольшую корректировку, призванную закрепить изменения Heretic и снизить отказы. В README приведены внутренние сравнительные тесты, однако результаты не являются независимой оценкой. Карточка не сообщает размер контекста, а заявленные режимы «thinking» и uncensored не гарантируют качество рассуждений или отсутствие отказов во всех случаях.

Qwen-Image-Edit-2509-Fusion — адаптер LoRA для модели Qwen-Image-Edit-2509, разработанный автором dx8152 и обученный с использованием инфраструктуры ModelScope. Модель предназначена для задач image-to-image и融合 изображений: интеграции продукта или объекта в фон с согласованием перспективы, освещения и визуального окружения. Адаптер используется совместно с базовой моделью Qwen/Qwen-Image-Edit-2509 и, согласно README, требует также LoRA Qwen-Image-Lightning. Для активации указаны триггерные слова «溶图» и «纠正产品透视角度和光影并使产品融入背景», связанные соответственно с объединением изображений и коррекцией перспективы, света и интеграцией продукта в фон. Сведения о размере, точной архитектуре базовой модели, поддерживаемых языках и максимальном контексте не приведены. Основная сильная сторона модели — специализация на реалистичном совмещении объектов и фонов с коррекцией перспективы и освещения. Ограничения включают зависимость от совместного использования базовой модели и дополнительного Lightning LoRA, а также отсутствие подробных данных о качестве, параметрах и рекомендуемых настройках. В карточке указана лицензия Apache-2.0.

Карточка модели MinhNhut3005/Qwen-Image-Edit-2511 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2511, поэтому описание составлено по ней. Qwen-Image-Edit-2511 — модель редактирования изображений от команды Qwen, улучшенная версия Qwen-Image-Edit-2509. Она принимает изображение и текстовые инструкции для изменения сцены, сохраняя при этом сходство персонажей и согласованность нескольких людей на групповом снимке. Модель также умеет менять освещение и материалы, создавать новые ракурсы, помогать с промышленным дизайном и строить вспомогательные геометрические линии. Модель распространяется в форматах Diffusers и Safetensors и рассчитана на использование через библиотеку Diffusers. По карточке, улучшения включают снижение дрейфа изображения, поддержку эффектов популярных LoRA непосредственно в базовой модели и усиленное геометрическое рассуждение. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0.

RF-DETR Medium — модель сквозного обнаружения объектов из семейства RF-DETR, представленного в работе Robinson и соавторов и перенесённого в Transformers участником stevenbucaille. Она предназначена для обнаружения объектов на изображениях; контрольные точки этого семейства обучаются распознавать 80 категорий COCO 2017. Архитектура сочетает визуальный трансформер ViT в стиле DINOv2 with registers с чередованием оконного и полного внимания, многоуровневый проектор признаков и декодер Deformable DETR с объектными запросами. Семейство RF-DETR рассчитано на компромисс между точностью и задержкой; в описании для этой конкретной версии не приведены её размер и разрешение входа. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и классами. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0.

RF-DETR Seg Medium — модель сегментации отдельных объектов семейства RF-DETR, представленная Steven Bucaille и интегрированная в Transformers. Она обрабатывает изображение и для каждого обнаруженного объекта выдаёт маску, ограничивающую рамку и оценку класса; подходит для анализа изображений и подсчёта или локализации объектов. Модель использует Vision Transformer в стиле DINOv2 with registers с чередованием оконного и полноформатного внимания, многоуровневый проектор признаков и декодер Deformable DETR с головой сегментации. Чекпойнт обучен для 80 категорий объектов COCO 2017. Распространяется по лицензии Apache 2.0.

DeepGlint-AI/rice-vit-large-patch14-560 — модель извлечения признаков из изображений на архитектуре MLCDVisionModel. В репозитории указаны веса в формате safetensors; размер модели — 402,7 млн параметров. Модель предназначена для получения векторных представлений изображений, которые можно использовать в системах поиска и сопоставления изображений. Модель разработана DeepGlint AI и распространяется по лицензии MIT. README называет её RICE-ViT-L, но не описывает обучение, целевые сценарии, поддерживаемые языки или показатели качества.

Xenova/segformer_b2_clothes — модель сегментации изображений на основе SegFormer B2, адаптированная командой Xenova из модели mattmdjaga/segformer_b2_clothes. Она распространяется с весами в формате ONNX для совместимости с библиотекой Transformers.js и предназначена для выполнения в JavaScript- и web-сценариях. Модель анализирует изображения и выделяет области, связанные с одеждой и внешностью человека, формируя отдельные маски для классов, например Background и Hair. Она подходит для виртуальной примерки, анализа изображений одежды, удаления или замены фона, создания визуальных эффектов и других задач семантической сегментации. Поддерживается обработка изображений через pipeline image-segmentation в Transformers.js. Ключевые характеристики включают архитектуру SegFormer B2, работу с одной модальностью — изображениями, и формат ONNX. README не содержит сведений о количестве параметров, максимальном размере контекста, наборе языков, точности, ограничениях по разрешению изображений или полном перечне классов. Лицензия в предоставленных данных не указана, поэтому условия коммерческого и иного использования следует уточнять в исходном репозитории mattmdjaga/segformer_b2_clothes.

Self-Forcing2.1-I2V-1.3B-GGUF — квантованные версии модели генерации видео, разработанные Nichonauta на основе Wan2.1-T2V-1.3B и метода Self-Forcing. Модель предназначена для создания видео по текстовому описанию и анимации исходного изображения с учётом текстовой инструкции. Она может использоваться в ComfyUI с расширением ComfyUI-GGUF. Модель содержит около 1,3 млрд параметров и основана на архитектуре Diffusion Transformer (DiT) с текстовым энкодером T5 и 3D VAE Wan-VAE, сохраняющим временную информацию. Метод Self-Forcing позволяет модели учитывать собственные ошибки генерации и корректировать их во время создания видео, что направлено на повышение временной согласованности и визуального качества. Поддерживается английский язык. Формат GGUF и квантование уменьшают требования к RAM и VRAM и позволяют запускать модель на CPU и GPU, однако необходим совместимый программный стек для работы с видеоархитектурой. Сильными сторонами являются сниженное потребление памяти, возможность работы на более широком диапазоне оборудования и поддержка как text-to-video, так и image-to-video сценариев. README не содержит сведений о длине контекста, длительности или разрешении генерируемых видео, конкретных вариантах квантования и измеренных ограничениях качества. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial-ShareAlike 4.0 (CC BY-NC-SA-4.0), поэтому коммерческое использование не разрешено, а производные материалы должны соответствовать условиям лицензии.