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

Xenova/detr-resnet-50 — это версия модели facebook/detr-resnet-50, подготовленная сообществом Xenova для работы с ONNX-весами в библиотеке Transformers.js. Модель предназначена для обнаружения объектов на изображениях и возвращает найденные объекты, оценки уверенности и координаты ограничивающих рамок. Модель можно использовать в JavaScript-приложениях, включая веб-сценарии, через pipeline с задачей object-detection. В README приведён пример обнаружения объектов на изображениях с фильтрацией результатов по порогу уверенности. Архитектура указана как DETR с backbone ResNet-50; точные сведения о размере, поддерживаемых языках, модальностях помимо изображений и длине контекста не приведены. Формат ONNX ориентирован на совместимость с Transformers.js и выполнение в средах, поддерживающих эту библиотеку. Сильными сторонами модели являются готовность к использованию в JavaScript и веб-приложениях, а также выдача структурированных результатов с вероятностями и координатами объектов. Ограничения включают зависимость от качества и области применения исходной модели facebook/detr-resnet-50, а также отсутствие в README подробностей о производительности, наборе классов и точности. Лицензия в предоставленных данных не указана.

Классификатор текста Elias Al Bouzidi, Massine El Khader, Abdellah Oumida, Mohammed Sbaihi и Eliott Binard для отнесения текста к одной из двух категорий: safe или nsfw. Модель основана на DistilBERT и дообучена для задач модерации и фильтрации контента; она принимает строку текста и выдаёт вероятности классов. В карточке указано 60 млн параметров, английский язык и контекст до 512 токенов. Модель обучена на 190 тысячах размеченных примеров, включая описания изображений и сцен; авторы сообщают F1 0,974 на выборке из 40 тысяч примеров. Лицензия — Apache-2.0. Для повышения качества требуется предварительная обработка текста, а результат следует проверять с учётом возможных ошибок классификации.

Om-Parab/distilhubert-finetuned-audio-deepfake-in-the-wild — модель классификации аудио на базе архитектуры HuBERT, дообученная для выявления дипфейков в аудиозаписях, созданных в условиях реального использования. Модель разработана и опубликована пользователем Om-Parab на Hugging Face; точные сведения о разработчике, исходной модели и наборе данных в карточке не приведены. Модель предназначена для анализа аудиофайлов и определения признаков синтетической или изменённой речи. Её можно применять в системах проверки подлинности медиаданных, предварительного анализа голосовых сообщений, фильтрации подозрительных записей и исследовании аудиодипфейков. Размер модели составляет 18,9 млн параметров; для работы используется библиотека Transformers и формат safetensors. README не содержит сведений о лицензии, поддерживаемых естественных языках, длине аудиофрагмента, метриках качества, порогах классификации или результатах оценки. Поэтому выводы модели следует использовать как вспомогательный сигнал, а не как окончательное доказательство подделки.

EnCodec 24 kHz — нейросетевой аудиокодек Meta AI для сжатия и восстановления звуковых сигналов. Модель использует потоковую архитектуру энкодера и декодера с квантованным латентным представлением; её задача в каталоге Hugging Face обозначена как извлечение признаков. Репозиторий содержит веса в форматах PyTorch и safetensors. Модель предназначена для низколатентного сжатия и декодирования речи, музыки и других звуков. В README описаны потоковый режим и режим с разбиением входа на перекрывающиеся секундные фрагменты, а также обучение при различных битрейтах. В качестве аудиокодека EnCodec может применяться в системах аудиообработки и как компонент более крупных конвейеров генерации речи или музыки. В README сообщается о высоком качестве восстановления при низких битрейтах и сравнительных оценках по MUSHRA и объективным метрикам. Модель принимает аудио и восстанавливает аудио; сведения о лицензии, длине контекста и поддерживаемых текстовых языках в предоставленных данных отсутствуют.

Evathene-v1.2 — языковая модель на 71,5 млрд параметров, созданная автором sophosympatheia слиянием моделей Nexusflow/Athene-V2-Chat и EVA-UNIT-01/EVA-Qwen2.5-72B-v0.2 методом TIES через mergekit; в рецепте указан Qwen/Qwen2.5-72B как базовая модель. Модель семейства Qwen2 предназначена прежде всего для ролевых диалогов и создания историй, а также поддерживает интерфейс чата и вызова инструментов. Она принимает и генерирует текст, использует контекст до 131 072 токенов и распространяется в формате safetensors. Автор характеризует модель как uncensored и отмечает, что её способности в задачах за пределами ролевого общения и сторителлинга не проверялись. Результат генерации зависит от промпта и настроек сэмплирования; как и другие языковые модели, она может выдумывать детали и повторяться. В README не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

Flux.2-Klein-9B-Mannequin — специализированный LoRA-адаптер для базовой модели black-forest-labs/FLUX.2-klein-base-9B. Модель разработана и опубликована автором под идентификатором nhathoangfoto; точное название организации-разработчика в README не указано. Адаптер предназначен для высокоточной замены персонажа и лица при сохранении естественного вида итогового изображения. Основные сценарии применения — портретная ретушь, коммерческая фотография, AI-фотобудки и продвинутые пайплайны ComfyUI. Модель работает в режиме image-to-image и рассчитана на объединение источника идентичности с целевым телом или сценой. Она ориентирована на обработку сложных перекрытий, включая руки, волосы, вуали и объекты на переднем плане, а также на согласование освещения, теней, цветовой гаммы и контраста с целевым изображением. В качестве триггерного слова указан jhuangswap; заявленный язык — английский. К сильным сторонам относятся сохранение характерных черт и структуры лица, реалистичная текстура кожи, поддержка разных ракурсов и выражений, а также стремление избежать мультяшного или чрезмерно сглаженного вида. Для наилучших результатов рекомендуется специализированный workflow ComfyUI и дополнительные control LoRA. README не сообщает точный размер файла адаптера, параметры обучения, требования к оборудованию, поддерживаемый размер контекста или количественные результаты тестирования, поэтому эти характеристики оценить нельзя. Лицензия — Apache-2.0.

G2-9B-Sugarquill-v0-GGUF — GGUF-квантизованные версии текстовой генеративной модели G2-9B-Sugarquill-v0, разработанной allura-org и подготовленной в формате GGUF пользователем bartowski. Модель основана на данных Mielikki/Erebus-87k и allura-org/r_shortstories_24k и предназначена для генерации текста, включая творческие сценарии и создание коротких историй. Поддерживаются запуски через llama.cpp и LM Studio; системный промпт не поддерживается, а для общения требуется специальный шаблон с тегами ролей. Размер исходной модели составляет около 9 миллиардов параметров, однако точная архитектура, языки и размер контекста в README не указаны. Доступны варианты от F16 размером 18,49 ГБ до компактных Q2/Q3 и более качественных Q4–Q8-квантизаций; рекомендуемыми названы, в частности, Q4_K_M, Q5_K_M, Q6_K и IQ4_XS. Квантизация выполнена с использованием imatrix в llama.cpp b3991, что позволяет выбирать между качеством и требованиями к памяти. ARM-оптимизированные варианты Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 требуют соответствующих аппаратных возможностей и не рекомендуются для Mac или Windows. Модель распространяется по лицензии Gemma.

Yamatazen/Gemma2-Alicia-9B — объединённая чат-модель на архитектуре Gemma 2, созданная с помощью mergekit методом TIES на основе нескольких дообученных моделей Gemma 2. В объединение вошли модели для японского языка и гуманитарных тем, а также модели для психологических диалогов и свободного общения. Модель предназначена для генерации текста и ответов в формате чата. Её можно применять для диалогов, ответов на инструкции и создания текстов; в метаданных указаны английский и японский языки. Размер составляет 9 млрд параметров, контекст — до 8192 токенов. Модель распространяется в формате safetensors для Transformers. Карточка не сообщает лицензию и не приводит собственных оценок качества или подробных ограничений. Поскольку в составе есть модели с разной специализацией, ответы могут различаться по стилю и надёжности; пригодность для конкретных сценариев следует оценить отдельно.

aifeifei798 создал дообученную диалоговую модель Gemma 4 31B Queen на базе google/gemma-4-31B-it-qat-q4_0-unquantized. Она предназначена для ролевых сценариев, включая мрачный ролеплей, написания подсказок, длинных текстов и песен, а также ответов на запросы с изображениями. В карточке заявлена адаптация для мобильных телефонов и быстрый отклик; архитектура — плотная Gemma4ForConditionalGeneration, формат файлов — safetensors. Модель принимает текст и изображения и выдаёт текст. Автор указывает английский как единственный язык использования. Репозиторий распространяется по лицензии Apache-2.0. Описание возможностей и преимуществ в README основано на одном логическом стресс-тесте, поэтому приведённые там заявления о превосходстве рассуждений не подтверждают широкую сравнительную эффективность модели.

Gemma-4-31B-storymaxxed2-GGUF — квантизированная версия текстовой генеративной модели MRockatansky/Gemma-4-31B-storymaxxed2, подготовленная mradermacher в формате GGUF. В метаданных указано обучение с применением DPO и специализация на творческом письме; исходная модель предназначена для генерации текста на английском языке. Модель имеет размер 31 млрд параметров и доступна в нескольких вариантах квантизации GGUF — от Q2_K до Q8_0, включая IQ4_XS. Размер файлов составляет примерно от 12 до 32,7 ГБ. В README рекомендуются варианты Q4_K_S и Q4_K_M как быстрые, а Q6_K отмечен как вариант очень хорошего качества; Q8_0 указан как обеспечивающий лучшее качество среди представленных вариантов. Данные о контекстном окне, конкретной архитектуре, мультимодальности и результатах тестирования не приведены. Модель подходит для локальной генерации художественных и других текстов на английском языке, а выбор квантизации позволяет балансировать качество, скорость и требования к памяти. Ограничениями являются неизвестные характеристики контекстной длины и отсутствие опубликованных оценок качества; низкобитные варианты могут уступать более крупным по размеру квантизациям. Лицензия указана как Apache-2.0.

GenDDINOv3LFF — модель компьютерного зрения для обнаружения поддельных лиц и видео, разработанная на основе метода GenD и дообученная на FaceForensics++ (FF++). Она использует визуальный трансформер DINOv3 ViT-L/16 как замороженную основу: обучаются только параметры Layer Normalization, составляющие около 0,03% параметров, и классификационная голова LinearNorm. В обучении применялись Sharpness-Aware Minimization, сглаживание меток и метрические потери с нормализацией признаков. Модель предназначена для классификации изображений лиц и анализа видеороликов на предмет манипуляций. В README приведены результаты на видео: AUROC 91,84%, mAP 89,88% и точность 84,91%. Модель принимает изображения и выдаёт класс предсказания; заявленные оценки видео получены в сценарии анализа видео. Лицензия — MIT. Обучение на FF++ и результаты бенчмарка не гарантируют такую же точность на других наборах данных и реальных сценариях; качество может снижаться при смене источника данных или типа манипуляций.

Heretic RP Vision 31B GGUF — мультимодальная языково-зрительная модель на базе sh0ck0r/heretic-rp-vision-31b, квантизированная mradermacher. Модель предназначена для текстового общения, ролевых сценариев, творческого письма и работы с изображениями в формате image-text-to-text. Заявлен английский язык, а среди тематических направлений указаны roleplay, creative-writing, anime и chat. Модель содержит около 31 млрд параметров; точные сведения об архитектуре и размере контекста в README не приведены. Для обработки изображений требуются дополнительные файлы mmproj, доступные в вариантах Q8_0 и F16. Репозиторий предоставляет набор GGUF-квантизаций размером примерно от 12 до 32,7 ГБ: варианты с меньшим размером экономичнее, а Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Основные сильные стороны модели — поддержка изображений, специализация на ролевом взаимодействии и творческих задачах, а также возможность запуска через GGUF в различных вариантах квантизации. Ограничения включают зависимость мультимодальной работы от отдельного mmproj-файла, значительные требования к памяти и отсутствие в README данных о результатах тестирования, точном контексте и ограничениях безопасности. Указанная лицензия — gemma; условия её применения следует уточнять по лицензии базовой модели и репозитория.

HIVE-3D — набор обученных компонентов для построения 3D-объектов по изображению на основе microsoft/TRELLIS-image-large. В репозитории находятся разреженная flow-модель denoiser с IP-Adapter и latent_projector; компоненты обучены до шага 200000 и распространяются в формате safetensors. Для сборки классов модели и запуска полного конвейера требуется исходный код HIVE-3D, а веса TRELLIS загружаются отдельно из официального репозитория. Модель предназначена для преобразования входного изображения в 3D-объект. Для полного конвейера требуется NVIDIA GPU с поддержкой CUDA; рекомендуется не менее 16 ГБ видеопамяти. Базовая модель TRELLIS распространяется по лицензии MIT; лицензия компонентов HIVE-3D в предоставленных сведениях не описана.

Iambe-20b-DARE-v2 — языковая модель, собранная athirdpath методом DARE-TIES из BigLlama-20b-v1.1, Noromaid-20b-v0.1.1, Eileithyia-20b и CleverGirl-20b-Blended-v1.1-DARE. Это плотная архитектура LlamaForCausalLM примерно на 19,8 млрд параметров; модель распространяется в формате safetensors по лицензии CC BY-NC 4.0. Модель предназначена для генерации текста и диалоговых сценариев с Alpaca-форматированием промптов. Автор стремился улучшить понимание анатомии и состояния сцены, сохранив выразительный и естественный стиль ответа. Карточка указывает английский язык и контекст 4096 токенов; автор отмечает, что для модели, по его наблюдению, требуется размер контекста ровно 4096. Это экспериментальное слияние: автор описывает подход как интуитивный и сообщает, что результаты требуют проверки. Модель не предназначена для коммерческого использования по условиям лицензии CC BY-NC 4.0.

Inception-v3 gluon_in1k — модель классификации изображений из библиотеки timm, обученная авторами MxNet GLUON на ImageNet-1k. Она предназначена для отнесения изображения к одному из классов и может использоваться как визуальная основа для извлечения признаков и эмбеддингов. Модель содержит 23,8 млн параметров, требует изображения размером 299 × 299 пикселей и имеет вычислительную сложность 5,7 GMACs. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0. Модель работает с изображениями и выдаёт метки классов либо признаки и эмбеддинги при соответствующем использовании. Она обучена на ImageNet-1k, поэтому её классификационные возможности ориентированы на классы этого набора данных; качество на других предметных областях отдельно не подтверждено.

neurlang/ipa-whisper-small — модель распознавания речи на базе Whisper small от OpenAI, дообученная на 15 000 синтетических аудиозаписей с фонетической разметкой IPA. В обучающую выборку вошли случайные записи Common Voice 21 на более чем 70 языках; синтетические IPA-данные созданы с помощью фонемизатора goruut. Это трансформерная модель типа encoder-decoder с 153,1 млн параметров. Модель предназначена для преобразования речи в фонетическую транскрипцию IPA и демонстрирует обобщение на разные языки и аудиодомены. Whisper также поддерживает обычную транскрипцию речи; для длинных записей README описывает обработку фрагментами по 30 секунд. Модель принимает аудио и выдаёт текстовую транскрипцию. Качество может снижаться для языков с малым объёмом обучающих данных и для отдельных акцентов и диалектов. Возможны галлюцинации — добавление слов, отсутствующих в аудио, — и повторяющиеся фрагменты. Модель распространяется по лицензии Apache-2.0.

KPT-7b-v0.2_stock — языковая модель на базе Mistral с 7,1 млрд параметров, созданная kainatq слиянием нескольких предварительно обученных моделей методом Model Stock с помощью mergekit. Базой слияния служит kainatq/Kainoverse-7b-v0.1; в состав также вошли ResplendentAI/DaturaCookie_7B, ResplendentAI/Asherah_7B, ResplendentAI/Aura_v3_7B, ResplendentAI/Persephone_7B и ChaoticNeutrals/RP_Vision_7B. Модель предназначена для генерации текста и ролевого общения. Она принимает текст и генерирует текст; заявленное контекстное окно — 32 768 токенов. В метаданных базовая модель описана как поддерживающая анализ изображений через Koboldcpp, но для этой модели указан только текстовый конвейер, поэтому мультимодальность не включена в модальности. Языки и специализированные области применения в предоставленных сведениях не обозначены. В карточке указаны формат Safetensors и тип параметров bfloat16. Лицензия не приведена в предоставленных данных. Как результат слияния, поведение и качество могут зависеть от сочетания исходных моделей; подробные оценки и ограничения не указаны.

kukulemon-v3-soul_mix-32k-7B — слитая языковая модель автора grimjim, созданная методом task arithmetic с помощью mergekit на основе grimjim/kukulemon-32K-7B с добавлением grimjim/rogue-enchantress-32k-7B с очень малым весом. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; доступна в формате safetensors, а в README также заявлены квантизованные версии GGUF. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Карточка не описывает отдельную специализацию, целевые сценарии, языки или подтверждённые возможности помимо генерации текста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

hf-100/Llama-3.1-Spellbound-StoryWriter-70b-instruct-0.3-q4_k_m — дообученная модель на архитектуре Llama 3.1, разработанная hf-100 на основе unsloth/Meta-Llama-3.1-70B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель примерно на 69,5 млрд параметров для генерации текста в диалоговом формате; карточка позиционирует её как помощника для написания историй. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 131 072 токенов. Репозиторий содержит веса в формате GGUF; лицензия — Apache-2.0. Метаданные также указывают интерфейс вызова инструментов. Карточка не приводит примеров, результатов оценки или подробностей о стиле и жанрах генерации, поэтому качество написания историй и пригодность для конкретных сценариев по этим данным оценить нельзя.

DavidAU Llama-3.2-8X3B-GATED-MOE-HORROR-Reasoning-Dark-Champion-uncensored-18.4B-IMAT-GGUF — языковая модель для генерации текста, разработанная DavidAU на базе Llama 3.2. Она предназначена прежде всего для творческого письма, художественной прозы, сюжетов и подсюжетов, продолжения сцен, сторителлинга и ролевых сценариев во всех жанрах, включая хоррор, научную фантастику и романтику. Модель также может применяться для общего текстового использования, однако её вывод может быть нецензурированным и содержать NSFW-материалы, яркие описания насилия и ненормативную лексику. Модель использует архитектуру mixture of experts с восемью экспертами на основе Llama 3.2 по 3B параметров; заявленный общий размер составляет 18,4B параметров. В ней реализован gated-механизм с отдельной reasoning-моделью, которую можно включать, выключать и направленно активировать через специальные системные промпты и режимы. Указано контекстное окно до 128k токенов, разработка с точностью float32 и поддержка GGUF-квантов, включая варианты, подготовленные с использованием HORROR Imatrix. Заявлен английский язык, а для работы требуются шаблоны Llama 3 и/или Command-R. К сильным сторонам относятся высокая выразительность прозы, развитые способности к рассуждению и следованию инструкциям, возможность управлять режимами и числом используемых экспертов, а также высокая скорость инференса на совместимом оборудовании. К ограничениям относятся зависимость качества от корректного системного промпта, чувствительность ролевых сценариев к слишком высокой температуре, возможное наличие отдельных шаблонных фраз и потенциально нецензурированный характер ответов. Модель распространяется по лицензии Apache-2.0.

Lyra-Gutenberg-12B — текстовая генеративная модель на архитектуре Mistral, созданная дообучением Sao10K/MN-12B-Lyra-v1 на наборе jondurbin/gutenberg-dpo-v0.1. В карточке указано обучение в течение трёх эпох на A100 через Google Colab; веса опубликованы в формате safetensors. Размер модели — 12,1 млрд параметров, заявленная длина контекста — до 1 024 000 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Название и использованный набор данных указывают на настройку в сторону текстов Project Gutenberg, однако карточка не описывает конкретные жанры или гарантируемые качества. В README приведены отдельные результаты Open LLM Leaderboard: среднее значение 22,57, IFEval — 34,95 и BBH — 36,99. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. Оценки из таблицы не дают полной картины качества модели; подтверждённая карточкой область задачи — генерация текста.

3liel разработал арабоязычный классификатор тональности публикаций в Twitter/X на основе дообученной модели UBC-NLP/MARBERTv2. Он относит текст к одной из трёх категорий: отрицательной, нейтральной или положительной; подходит для анализа мнений в арабоязычных сообщениях и оценки тональности публикаций.

Это объединённая языковая модель семейства Llama 3, созданная сообществом mergekit-community методом Model Stock с помощью mergekit. В основу объединения вошли mergekit-community/sexeh_time_testing и kik41/lora-type-descriptive-llama-3-8b-v2, а также варианты для медицинских и мультимодальных медицинских задач, диалогов и описания типов личности. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогов. По составу объединённых моделей её можно применять для ответов на медицинские вопросы, ролевого общения и создания историй, однако README не приводит отдельных оценок качества или рекомендаций по применению. Метаданные указывают английский язык базовой модели. Лицензия в предоставленных данных не указана.

mergekit-community создал эту текстовую модель слиянием нескольких моделей и адаптеров на базе семейства Llama 3; для объединения применён метод Model Stock. В состав вошли модели для диалогов и инструкций, длинных описаний и повествования, а также специализированные компоненты по медицине, биологии, анатомии, психологии, социологии, логике и теме человеческой сексуальности. Модель предназначена для генерации текста и диалогового общения: её можно использовать для написания историй и описаний, ответов на вопросы и инструкций, а также для задач, связанных с перечисленными предметными областями. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена. Базовая модель преимущественно англоязычная. Составное слияние разнородных моделей может приводить к непредсказуемому качеству на отдельных задачах; специализированная точность в медицине и других областях не подтверждена приведёнными материалами. В метаданных лицензия не указана.

Buryat mGPT 1.3B — языковая модель на основе GPT-2, разработанная ai-forever для генерации текста на бурятском языке. Она получена дополнительным дообучением базовой модели mGPT-XL 1.3B на данных 23 языков, включая малоресурсные; модель обучали ещё 1000 шагов. Базовая mGPT обучалась на 61 языке с использованием Wikipedia и корпуса C4. Модель предназначена для продолжения и генерации бурятского текста. Контекст составляет 2048 токенов, число параметров — 1,3 млрд. В README приведена perplexity 17,63 на валидации. Лицензия — MIT. Карточка также отмечает английский и русский языки, однако модель специально дообучена для бурятского, поэтому качество на других языках может отличаться.

Camera Motion LoRA — это адаптер LoRA для базовой видеомодели Comfy-Org/MiniMax-H3, разработанный пользователем или организацией Jojocodex. Он предназначен для усиления и управления движением виртуальной камеры при генерации видео по текстовому описанию, в частности для кинематографичных сцен, экшен-эпизодов, пейзажей, аэросъёмки, макросцен и миниатюрных диорам. Адаптер активируется обязательным триггером «camera motion», который рекомендуется размещать в начале prompt. Он поддерживает девять категорий движения камеры: наезд, отъезд, сочетание наезда и отъезда, орбитальное движение, ручную съёмку и следящий кадр, аэросъёмку, подъём или опускание камеры, панорамирование и макро- или крупный план. Наиболее стабильными заявлены наезд, отъезд и ручное следящее движение; панорамирование описано как менее надёжное. Доступны варианты, обученные на 1000 и 3000 шагах, в формате pruned safetensors. Рекомендуемая сила модели составляет 0,8–1,0: увеличение свыше 1,2 может приводить к нестабильности изображения. Для работы требуется совместимый workflow MiniMax-H3 в ComfyUI и установка файла в каталог models/loras. В README не указаны размер адаптера, объём обучающих данных, поддерживаемые языки, длина контекста и точные характеристики базовой модели. Лицензия — Apache-2.0.

MiniMax Music 3 for mlx-serve — это квантованная 8-битная версия модели MiniMax-Music3, разработанная для локального запуска на компьютерах Apple Silicon через движок mlx-serve на базе Zig и MLX. Модель предназначена для генерации полноценных музыкальных композиций с вокалом и заданными текстами песен по текстовому описанию стиля. На выходе формируется стереофонио WAV-аудио с частотой дискретизации 44,1 кГц. В состав входят глобальная языковая модель Qwen3 8B с 36 слоями и словарём на 200 тысяч токенов, локальная языковая модель объёмом 0,6 млрд параметров для декодирования семи остаточных кодовых книг, flow-matching DiT-трансформер объёмом 2,4 млрд параметров с 36 блоками, а также условный энкодер и вокодер Flow-VAE/DAC. Модель занимает около 13 ГБ на диске вместо 57 ГБ у исходного репозитория. Поддерживается генерация композиций длительностью от 1 до 360 секунд, однако модель может завершить песню раньше указанного предела. Тексты обязательны, а структурные метки вроде [verse] и [chorus] должны размещаться на отдельных строках. Язык вокала явно не указан. К сильным сторонам относятся локальная генерация на Apple Silicon, поддержка полноценных песен с вокалом, стереовыход 44,1 кГц и существенное уменьшение размера благодаря 8-битной аффинной квантизации при близком к исходному качеству вычислений. Ограничения включают зависимость от mlx-serve и оборудования Apple Silicon, обязательную передачу текста песни, отсутствие параметров ACE-Step для BPM, тональности, размера и языка вокала, а также ориентировочную скорость генерации около минуты времени LLM на минуту песни плюс диффузионный этап. Веса распространяются по MiniMax-Music3 Community License; в комплект входит политика допустимого использования.

Mistral-Nemo-Gutenberg-Doppel-12B-v2 — диалоговая языковая модель на архитектуре Mistral с 12,1 млрд параметров, созданная дообучением axolotl-ai-co/romulus-mistral-nemo-12b-simpo на наборах jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo. Для настройки применялся ORPO: три эпохи на двух ускорителях A100. Модель предназначена для генерации текста в диалоговом формате. Название и обучающие наборы указывают на ориентацию на тексты в стиле Project Gutenberg, однако карточка не описывает конкретные жанры или гарантируемые сценарии. Модель принимает текстовые запросы и генерирует текст; в метаданных указан контекст до 1 024 000 токенов. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; фактическое качество и соответствие стилю могут зависеть от запроса и способа применения.

MistRP-Airoboros-7B — текстовая генеративная модель на архитектуре Mistral, опубликованная пользователем Undi95. Репозиторий содержит веса FP16; модель объединяет Airoboros Mistral 2.2 7B, адаптеры и другие модели для ролевых диалогов и генерации художественного текста. В карточке приведён шаблон Alpaca и рекомендации по использованию LimaRP v3 в SillyTavern. Модель предназначена для продолжения текста и ответов на инструкции в ролевых сценариях. Она насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка не сообщает о поддерживаемых естественных языках. Лицензия — CC BY-NC 4.0, предусматривающая некоммерческое использование.

emozilla/mpt-7b-storywriter-fast — производная модель семейства MPT, обученная MosaicML для чтения и написания художественных историй. Это плотный decoder-only Transformer с 6,7 млрд параметров, 32 слоями и 32 головами внимания; архитектура использует FlashAttention и ALiBi без позиционных эмбеддингов и смещений. Модель рассчитана на контекст длиной 65 тысяч токенов и может продолжать генерацию за этот предел благодаря ALiBi. Модель подходит для написания продолжений и эпилогов, работы с длинными рукописями и генерации художественного текста с учётом большого предшествующего контекста. Обучение StoryWriter проводилось на отфильтрованной художественной части Books3; для токенизации использован EleutherAI/gpt-neox-20b tokenizer. Репозиторий включает обновления кода MPT для автоматического распределения по устройствам, поддержки bitsandbytes и быстрого вывода с KV-кэшем. Для загрузки через Transformers требуется trust_remote_code=True. Модель может выдавать фактически неверный, предвзятый, непристойный или оскорбительный текст и не предназначена для проверки фактов. Лицензия — Apache 2.0.