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

MediaCatch/xls-r-300m-danish-mc-v2 — модель распознавания речи, разработанная MediaCatch и дообученная на базе MediaCatch/xls-r-300m-danish-mc на предварительно обработанном датасете. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 402,7 млн параметров. Модель предназначена для автоматического преобразования датской речи в текст. На указанном в карточке наборе оценки показала WER 0,0875 и loss 0,1570. Принимает аудио и выдаёт текст; библиотека для работы — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав и условия записи обучающих данных, ограничения по акустическим условиям или рекомендуемую область применения.

wangqixun/YamerMIX_v8 — модель генерации изображений по текстовому описанию, основанная на модели civitai-Yamer и опубликованная пользователем wangqixun на Hugging Face. Репозиторий использует StableDiffusionXLCommonPipeline и распространяет веса в формате Diffusers с файлами Safetensors. Модель предназначена для создания изображений по текстовым запросам. В README автор характеризует её как качественную модель и предлагает обращаться по вопросам коммерческого лицензирования, пользовательских моделей и других услуг. В метаданных указана лицензия MIT. Сведения о размере модели, контекстном окне и поддерживаемых языках карточка не содержит.

agentyaya/yaya-image — перепакованная копия Qwen/Qwen-Image-2512: в репозитории изменены название и внутренние имена файлов, а веса оставлены без изменений. Исходную модель разработала команда Qwen; она предназначена для генерации изображений по текстовым описаниям. Карточка указывает на использование библиотеки Diffusers и форматов Safetensors и Diffusers. Модель подходит для создания реалистичных изображений людей, детализированных природных сцен и изображений с текстом — эти характеристики указаны для базовой модели Qwen-Image-2512. Репозиторий распространяется по лицензии Apache-2.0.

keremberke/yolov8n-painting-classification — модель компьютерного зрения на базе YOLOv8, опубликованная пользователем keremberke и предназначенная для классификации изображений картин по художественному стилю. Она различает 27 классов, включая импрессионизм, кубизм, барокко, поп-арт, минимализм и укиё-э. Модель использует библиотеку Ultralytics и доступна в формате PyTorch. Модель подходит для автоматической сортировки коллекций изображений, предварительной разметки картин и поиска произведений по стилю. В карточке указано, что для использования требуется ultralyticsplus. Сведения о лицензии и количественных показателях качества в предоставленных данных отсутствуют.

Это дообученная модель обнаружения объектов YOLOv8m от Lisa Gollner, созданная на основе контрольной точки Ultralytics yolov8m.pt и обученная на оцифрованных страницах исторического сатирического журнала Die Bombe. Она предназначена для поиска и локализации объявлений, комиксов, редакционных карикатур, заголовков и иллюстраций на страницах журнала, а также может применяться к похожим историческим периодическим изданиям с учётом ограничений обучающих данных. Обучающая выборка включает 508 страниц, а проверочная — 106 страниц из отдельных выпусков журнала. На проверочной выборке общие precision и recall составили 0,836 и 0,835, mAP@0.50 — 0,913. Классы фотографий и карт присутствуют в схеме разметки, но недостаточно представлены для надёжного обнаружения. Модель распространяется по лицензии AGPL-3.0.

misri/zavychromaxl_v100 — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face и основанная на ZavyChromaXL V10.0; исходным автором указан Zavy. Модель распространяется в формате Diffusers и совместима с StableDiffusionXLPipeline, а также представлена как checkpoint на базе SDXL 1.0. Модель предназначена для создания реалистичных изображений по текстовым промптам и может применяться в сценариях text-to-image и image-to-image. Репозиторий содержит компоненты SDXL, включая scheduler, два text encoder, два tokenizer, UNet и VAE; размер файлов репозитория составляет около 13,9 ГБ. Для запуска рекомендуется библиотека Diffusers и вычислительное устройство с поддержкой CUDA или MPS. Для модели указаны рекомендации использовать 20–40 шагов генерации и CFG scale примерно 6–7, однако эти параметры относятся к опубликованным рекомендациям для ZavyChromaXL V10.0. Лицензия репозитория обозначена как unknown, поэтому условия коммерческого и иного использования необходимо проверять отдельно до применения модели.

vantagewithai/Z-Image-GGUF — это квантизированная в формате GGUF версия Z-Image, базовой модели семейства Z-Image, разработанного командой Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и распространяется через библиотеку Diffusers. В README указан английский язык. Z-Image представляет собой полноразмерную недистиллированную foundation-модель на основе однопоточного Diffusion Transformer. Она ориентирована на высокое качество, разнообразие генерации, широкий диапазон визуальных стилей и точное следование промптам. Модель подходит для фотореалистичных, кинематографических, аниме- и стилизованных изображений, а также для исследовательских и профессиональных сценариев, включая обучение LoRA, структурное управление через ControlNet и семантическое кондиционирование. Ключевые особенности — поддержка Classifier-Free Guidance, негативных промптов и высокая вариативность композиции, идентичности лиц и освещения между разными seed. Рекомендуются разрешения от 512×512 до 2048×2048 пикселей, guidance scale от 3,0 до 5,0 и 28–50 шагов инференса. По сравнению с Z-Image-Turbo модель медленнее, но обладает большей управляемостью, разнообразием и возможностью дообучения. Размер модели, точная архитектура в параметрах, перечень поддерживаемых языков и конкретные требования к оборудованию в README не указаны. Лицензия — Apache-2.0.

Карточка модели Gencarmo/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

drbaph/Z-Image-Turbo-FP8 — это FP8-квантизированная версия модели Comfy-Org/z_image_turbo, относящейся к проекту Z-Image, разработанному Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и реализована на базе диффузионного трансформера с однопоточной архитектурой (Single-Stream Diffusion Transformer). Размер исходной модели составляет около 6 млрд параметров. Вариант Z-Image-Turbo является дистиллированной версией и рассчитан на эффективный инференс примерно за 8 NFE (Number of Function Evaluations). Заявлены субсекундная задержка на GPU H800, возможность запуска на потребительских устройствах с 16 ГБ видеопамяти, фотореалистичная генерация, хорошее следование инструкциям и поддержка двуязычного рендеринга текста на английском и китайском языках. Данная карточка содержит квантизации FP8_E5M2 и FP8_E4M3FN, которые могут снизить требования к памяти по сравнению с форматом bf16, однако конкретные показатели качества и совместимости зависят от используемого оборудования и программного окружения. Модель подходит для генерации иллюстраций, фотореалистичных сцен и изображений с английскими или китайскими надписями. В README не приведены подробные сведения о максимальном размере контекста, точных ограничениях по разрешению, требованиях к аппаратному обеспечению для каждого формата и возможных потерях качества после квантизации. Указана лицензия Apache-2.0.

Z-Image-Turbo Realism — объединённая модель диффузии от beycanai для генерации реалистичных изображений по текстовым запросам. Это UNet на 6,15 млрд параметров, основанный на Tongyi-MAI/Z-Image-Turbo; в веса встроены realism LoRA и flow-DPO LoRA. Модель предназначена для ComfyUI и распространяется в формате safetensors: доступны вариант BF16 и конверсия INT8 ConvRot. Для генерации требуется загрузить файл через узел UNETLoader; текстовый энкодер Z-Image и VAE используются отдельно. В README приведён пример генерации изображений 1024×1536 за 9 шагов с последующим увеличением разрешения. Карточка и метаданные указывают английский язык; отдельные сведения о длине контекста не применимы к модели генерации изображений. Лицензия — Apache-2.0.

Это 4-битная версия Z-Image-Turbo, подготовленная Unsloth для запуска через библиотеку diffusers. В основе — модель Tongyi-MAI/Z-Image-Turbo с архитектурой одно-поточного диффузионного трансформера S3-DiT; в README указано, что исходное семейство Z-Image имеет 6 млрд параметров. Для сохранения качества важные слои повышаются до более высокой точности, а динамическая методика Unsloth направлена на эффективную квантизацию. Модель предназначена для генерации изображений по текстовым запросам. Z-Image-Turbo рассчитана на быстрое создание фотореалистичных изображений, следует инструкциям в промпте и умеет отображать английский и китайский текст на изображениях. README показывает запуск примерно за 9 шагов; сведения о поддержке изображения на входе для этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0. Квантизация уменьшает требования к памяти по сравнению с полной точностью, но для запуска в примере используется CUDA; при нехватке памяти README предлагает выгрузку частей модели на CPU. Заявленные скорости и качество зависят от оборудования и конфигурации.

MLbackup/9_2025 — модель преобразования текста в изображение, опубликованная пользователем или организацией MLbackup. Она предназначена для генерации изображений по текстовым описаниям на английском языке и работает через библиотеку Diffusers. Модель указана как дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 и связана с набором EarthnDusk/XL_PDXL_Embeddings. В доступных данных нет сведений о размере модели, архитектурных деталях, поддерживаемой длине контекста или результатах сравнительных оценок. Модель можно использовать для создания иллюстраций и концептуальных изображений по англоязычным промптам. Условия использования определяются лицензией creativeml-openrail-m; перед применением в коммерческих или публичных проектах следует проверить её ограничения.

Lykon/AbsoluteReality — модель преобразования текста в изображение на базе Stable Diffusion, опубликованная разработчиком Lykon. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; в метаданных также указана библиотека Diffusers. Модель предназначена для создания изображений по текстовым запросам и отмечена тегами, связанными с художественными изображениями и фотографией. Карточка не приводит сведений о размере модели, контексте, обучающих данных или конкретных настройках генерации. Лицензия указана как other, поэтому условия использования следует проверить в репозитории перед применением.

cstr/adair-GGUF — конвертированная в формат GGUF версия модели AdaIR All-in-One Restoration, разработанной авторами c-yn/AdaIR. Это модель компьютерного зрения на основе Restormer с адаптивными блоками обучения частотным представлениям; она предназначена для восстановления изображений в пяти сценариях: подавление шума, удаление дождя и дымки, устранение размытия и улучшение изображений при слабом освещении. Модель содержит 28,8 млн параметров и использует спектральное разложение на основе FFT, адаптивное маскирование и перекрёстное внимание. Репозиторий содержит веса GGUF в вариантах F16 и F32. Конверсия не включает обучение, дообучение, слияние или изменение архитектуры; заявлено косинусное сходство 0,999924 с эталонной реализацией на Python. Лицензия — MIT, как у исходной модели c-yn/AdaIR. Карточка не сообщает об отдельных ограничениях качества или поддержке конкретных языков.

YaoJiefu/Add-light-and-shadow — LoRA-адаптер для Qwen/Qwen-Image-Edit-2509, обученный на ModelScope. Он предназначен для редактирования изображений по текстовой инструкции: добавляет персонажам разнообразные эффекты освещения и светотени. Подходит для портретов крупным планом, туристических снимков и повседневных фотографий; результат можно использовать при создании постеров и макетов. Для работы требуется базовая модель Qwen/Qwen-Image-Edit-2509 и совместимый workflow. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

AE-SDXL-v1 — модель Stable Diffusion XL для генерации изображений по текстовому запросу, представленная через ModelsLab и опубликованная в репозитории stablediffusionapi. README показывает вызов модели через API ModelsLab: можно задавать основной и отрицательный запросы, размер изображения, число шагов и другие параметры генерации. Метаданные указывают на использование Diffusers, PyTorch и формата safetensors; заявленная лицензия — CreativeML OpenRAIL-M. Модель предназначена для создания изображений, в том числе фотореалистичных портретов и сцен: пример в карточке ориентирован на детализированный киберпанк-портрет с кинематографическим освещением. Указанные параметры API включают размер 512 × 512 и 30 шагов генерации. Карточка не сообщает размер весов, длину контекста или языки, поэтому их нельзя уточнить. Пример API позволяет отключить safety checker; это настройка сервиса, а не подтверждение встроенных ограничений самой модели.

Это модель оценки эстетического качества изображений от shunk031, реализованная как линейный предиктор на основе визуального энкодера CLIP ViT-Large/14. Она предназначена для извлечения признаков изображения, связанных с его эстетической оценкой, и может использоваться для ранжирования, отбора и фильтрации изображений по предполагаемой визуальной привлекательности. Модель содержит около 402,7 млн параметров. Архитектура использует 24 слоя, 16 голов внимания, размер скрытого состояния 1024 и входное разрешение 224 пикселя. Для работы с Transformers требуется доверенная загрузка пользовательского кода из репозитория. Прикладная задача — анализ изображений; текстовый ввод не является основным сценарием. В карточке нет описания лицензии, поэтому условия использования здесь не уточняются.

AI-VS-REAL-IMAGE-DETECTION — модель Hemg, дообученная на основе Vision Transformer google/vit-base-patch16-224-in21k для классификации изображений. Она предназначена для определения, является ли изображение созданным искусственным интеллектом или реальным. В метаданных указаны архитектура ViTForImageClassification, 113,2 млн параметров и формат safetensors. На оценочном наборе модель показала accuracy 0,9584 и loss 0,1088. Модель принимает изображения и выдаёт класс классификации. Датасет обучения и его состав не раскрыты, поэтому результаты оценки не позволяют судить о точности на других источниках изображений и при изменении способов генерации или обработки изображений. Лицензия — Apache-2.0.

matt3ounstable/albedobaseXL_v31Large — копия AlbedoBase XL в формате Diffusers для удобного использования с библиотекой Diffusers. Автор карточки указывает, что исходная модель создана albedobond; этот репозиторий предназначен для генерации изображений по текстовым описаниям и содержит веса только в fp16. Модель относится к семейству Stable Diffusion XL. Репозиторий распространяется по лицензии CreativeML Open RAIL++-M Addendum. Доступных сведений о языковой специализации и ограничениях качества нет; лицензия задаёт условия использования модели.

AnalogMadness-realistic-model-v7 — модель для генерации изображений по текстовому описанию, опубликованная пользователем или организацией digiplay на Hugging Face. Модель относится к экосистеме Stable Diffusion и предназначена для использования с библиотекой Diffusers и конвейером StableDiffusionPipeline. Модель подходит для создания реалистичных изображений по текстовым промптам, концепт-артов, иллюстраций и визуальных прототипов. В метаданных указан тип задачи text-to-image, а также форматы и технологии diffusers и safetensors. Дополнительные сведения о размере модели, архитектурных настройках, поддерживаемых языках, длине контекста и точных характеристиках реалистичного стиля в карточке не приведены. Лицензия обозначена как other, поэтому перед использованием необходимо ознакомиться с условиями лицензирования, связанными с моделью и её исходным распространением.

Anime Whisper — авторская японская модель распознавания речи на базе kotoba-tech/kotoba-whisper-v2.0, дообученная Litagin на аудио и сценариях в стиле аниме и визуальных новелл. В метаданных указаны архитектура Whisper, около 905,2 млн параметров и библиотека Transformers. Модель принимает аудио и выдаёт японскую расшифровку; особенно хорошо подходит для эмоциональной актёрской речи, где сохраняет запинки, смех, крики, вздохи и другие невербальные звуки. По описанию автора, она также может распознавать речь в аудио для взрослых. Автор сообщает, что при сравнении на пяти визуальных новеллах модель показала качество примерно на уровне whisper-large-v3; опубликованная оценка ограничена этим набором. Расшифровка может зависеть от слов и имён из обучающих данных, а нормализация влияет на повторы гласных, знаки препинания и запись некоторых выражений. Не задавайте initial prompt: он может вызывать галлюцинации и резко ухудшать результат. Модель распространяется по лицензии MIT.

Модель quantumcookie/anime-whisper-ct2-int8 — версия Anime Whisper в формате CTranslate2 с квантованием INT8. Она основана на litagin/anime-whisper и предназначена для распознавания японской речи в аниме и визуальных новеллах. Метаданные указывают на дообучение на датасетах Galgame_Speech_ASR_16kHz и Galgame_Dataset; README заявляет ускоренный инференс при сохранении высокой точности. Модель принимает аудио и выдаёт текстовую расшифровку. Лицензия — MIT.

Sanster/anything-4.0-inpainting — модель генерации изображений с дорисовкой и заменой содержимого на основе Stable Diffusion, опубликованная Sanster. Она принимает исходное изображение и текстовый запрос, чтобы изменить или заполнить выбранную область; пример в карточке показывает замену кошки собакой. Репозиторий использует Diffusers и формат Safetensors, карточка указывает около 0,9 млрд параметров и лицензию CreativeML OpenRAIL-M. Модель предназначена для редактирования изображений по текстовой подсказке с сохранением контекста исходной сцены. Доступные источники не уточняют её языковую поддержку, длину контекста или особые ограничения качества; результат зависит от входного изображения и формулировки запроса.

Arabic-GLM-OCR-v2 — дообученная модель распознавания арабского текста на изображениях, созданная sherif1313 на базе zai-org/GLM-OCR. Она предназначена для извлечения текста из книг, рукописей, изображений и документов. Модель принимает изображение и формирует текст; карточка заявляет поддержку арабского языка и размер около 2,2 ГБ. Архитектура GLM-OCR относится к мультимодальным моделям для генерации текста по изображению. Автор заявляет о контекстном распознавании арабского текста, снижении влияния шума и исправлении орфографии. Для дословной транскрипции рекомендуется явно попросить сохранить исходное написание: модель может автоматически исправлять или перефразировать текст, а высокая температура способна ухудшить точность. README указывает, что для инференса требуется тонкая настройка управления генерацией. Лицензия — Apache-2.0.

Aria-Chat — мультимодальная чат-модель семейства Aria, разработанная Rhymes AI и дообученная на базе rhymes-ai/Aria-Base-64K. Она предназначена для открытых диалогов в несколько ходов с изображениями и текстом, включая визуальные вопросы и многоязычный OCR. Модель содержит 25,3 млрд параметров и использует архитектуру AriaForConditionalGeneration; базовая модель поддерживает контекст до 65 536 токенов. Для загрузки весов README указывает одну GPU A100 с 80 ГБ памяти при точности bfloat16. Авторы отмечают улучшенную надёжность длинных ответов и многоязычные возможности, в том числе для китайского, испанского, французского и японского языков. По данным метаданных, язык карточки — английский; модель также ориентирована на сценарии вне английского. Лицензия — Apache-2.0. Модель оптимизирована для реальных открытых мультимодальных диалогов, а не для бенчмарков; указанная в README оценка WildVision-Bench не гарантирует качество на конкретных задачах.

m-ric/Aria_hf_2 — опубликованный на Hugging Face чекпойнт модели Aria, разработанной командой Rhymes.AI; репозиторий содержит веса в формате safetensors и использует архитектуру AriaForConditionalGeneration. Это мультимодальная модель типа mixture-of-experts, принимающая текст и изображения и генерирующая текст. Она подходит для диалога по изображениям, визуальных вопросов и ответов, описания изображений, а также задач понимания документов и диаграмм. В документации Aria указаны 3,9 млрд активируемых параметров на визуальный токен и 3,5 млрд на текстовый токен; текст обрабатывается MoE-декодером, а изображения — лёгким визуальным энкодером. Репозиторий m-ric/Aria_hf_2 не уточняет размер контекстного окна, поддерживаемые языки или лицензию, поэтому эти характеристики здесь не заявляются. Для загрузки через Transformers указано использование trust_remote_code.

MIT/ast-finetuned-audioset-14-14-0.443 — модель Audio Spectrogram Transformer (AST), дообученная на AudioSet. Архитектура на основе Vision Transformer применяется к спектрограмме: аудио преобразуется в изображение, которое модель классифицирует по классам AudioSet. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для классификации звуковых событий и подходит для автоматической маркировки аудиозаписей и анализа звуковых сцен. В карточке указаны результаты уровня state of the art на нескольких тестах классификации аудио, но конкретные метрики для этого чекпойнта не приведены. Лицензия — BSD 3-Clause.

ilsilfverskiold/bart-keyword-extractor — англоязычная модель BART, дообученная на facebook/bart-large для извлечения ключевых слов из текста. Она генерирует основные ключевые слова по входному тексту и подходит для автоматической разметки новостных материалов и подготовки метаданных для поиска. Модель содержит 252,8 млн параметров, использует архитектуру encoder-decoder и принимает контекст длиной до 1024 токенов. В README приведено значение loss 0,6179 на оценочном наборе; иных сведений о качестве нет. Модель распространяется по лицензии Apache-2.0.

Модель pszemraj/beit-large-patch16-512-film-shot-classifier — дообученная модель BEiT large от автора pszemraj, созданная на базе microsoft/beit-large-patch16-512 для классификации типов кинематографических планов по изображению. Она предназначена для автоматической разметки кадров и анализа композиции в сценариях, связанных с кинопроизводством и изучением видео. Архитектура — BEiT Large Vision Transformer с 411 млн параметров; модель принимает изображения и выдаёт метки классов. В README указаны результаты на оценочном наборе: accuracy 0,6763 и loss 1,2335. Модель распространяется по лицензии Apache-2.0.

beLIEve — объединённая модель генерации изображений от Yntec, созданная на основе I Can't Believe It's Not Photography v1 и realisticStockPhoto v3. Она предназначена для создания фотореалистичных изображений по текстовым промптам, особенно портретов и людей, с улучшенной детализацией и разнообразием лиц. Модель использует Stable Diffusion 1.5 и доступна в форматах Diffusers и Safetensors. Модель подходит для генерации портретов, кинематографичных сцен и изображений в стиле фотографии по описанию на естественном языке. Карточка демонстрирует промпты на английском языке. Лицензия — CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.