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

Bernini v2 ComfyUI — модель ByteDance для редактирования и создания видео по текстовым запросам и визуальным исходникам. Репозиторий содержит веса в формате safetensors и предназначен для использования как пользовательский узел ComfyUI. Архитектура Bernini включает два совместно обученных диффузионных трансформера Wan 2.2 для этапа рендеринга и отдельный этап семантического планирования на дообученной Qwen2.5-VL с коннектором и декодером ViT. Модель поддерживает генерацию видео по тексту и изображениям, преобразование исходного видео и работу с референсными изображениями и видео. Исходные визуальные материалы используются как входы планирования и кодируются в контекстные латенты для рендеринга. В README рекомендуются CFG 3 и 16, 23 или 50 шагов с сэмплерами UniPC, DPMPP_2M или EULER. Репозиторий указывает лицензию Apache-2.0. Языковые возможности и длина контекста в доступных данных не описаны.

BiRefNet_HR — модель компьютерного зрения из семейства BiRefNet, представленная Peng Zheng и соавторами как официальная реализация работы «Bilateral Reference for High-Resolution Dichotomous Image Segmentation». Она предназначена для сегментации объектов на изображениях, в частности для выделения объекта или переднего плана и создания масок; семейство также связано с обнаружением заметных и замаскированных объектов. Модель обучена на изображениях размером 2048×2048 для инференса высокого разрешения. В README приведены результаты оценки на DIS-VD в FP16 при разрешениях 2048×2048 и 1024×1024; показатели при 2048×2048 выше, чем при 1024×1024. Модель принимает изображения и выдаёт сегментационные маски. Лицензия репозитория — MIT.

BiRefNet_lite-2K — облегчённая модель семейства BiRefNet для дихотомической сегментации изображений высокого разрешения. Её разработали Peng Zheng и соавторы из Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Модель предназначена для отделения основного объекта от фона и формирования пиксельной маски, в том числе на изображениях людей и других объектов. Модель обучена на наборах DIS5K, HRS10K, UHRSD, P3M-10k и других наборах для сегментации; оценивалась на DIS-VD и TE-P3M-500-NP. Для лучших результатов авторы рекомендуют подавать изображения с разрешением 2560 × 1440. Репозиторий содержит веса в формате safetensors, библиотека — birefnet. Лицензия MIT.

Карточка модели frankjoshua/BiRefNet-matting на Hugging Face совпадает с карточкой ZhengPeng7/BiRefNet-matting, поэтому описание составлено по ней. BiRefNet-matting — модель Peng Zheng и соавторов для высококачественного выделения переднего плана на изображениях, в частности людей и объектов с тонкими контурами. Она основана на архитектуре BiRefNet и предназначена для сегментации и маттинга: по изображению создаёт маску переднего плана, которую можно использовать для удаления или замены фона. В карточке указаны обучение на наборах данных для сегментации людей и изображений с разнообразными объектами и результат на тестовом наборе TE-P3M-500-NP. Модель распространяется в формате safetensors и использует библиотеку BiRefNet. Лицензия — MIT. Карточка ссылается на основной репозиторий BiRefNet за инструкциями по использованию; подробности о размере модели и требованиях к запуску здесь не приведены.

BitDance-14B-64x — мультимодальная авторегрессионная модель генерации изображений, разработанная авторами проекта BitDance. В модели 14 млрд параметров; её архитектура основана на Qwen3. Для текста используется стандартное предсказание следующего токена, а визуальные токены генерируются диффузионным методом с предсказанием до 64 патчей за шаг. Такой подход предназначен для эффективного создания изображений высокого разрешения и фотореалистичной генерации по текстовому описанию. Модель дообучена на основе shallowdream204/BitDance-14B-16x и распространяется в формате safetensors по лицензии Apache-2.0. В карточке заявлены английский и китайский языки; нативная длина контекста составляет 40960 токенов. Подробности о качестве по отдельным сценариям в доступной карточке не приведены.

BK-SDM-Small-2M — компактная модель генерации изображений по текстовому описанию из семейства BK-SDM, разработанного авторами проекта BK-SDM. Это архитектурно сжатая версия Stable Diffusion с удалёнными блоками U-Net и дистилляцией знаний; версия 2M обучалась на 2,3 млн пар изображение–текст из LAION-Aesthetics V2 6.25+. Модель предназначена для эффективного синтеза изображений по текстовым запросам и работает через библиотеку Diffusers. Увеличение обучающих данных по сравнению с предыдущим выпуском BK-SDM улучшает качество генерации и соответствие изображений запросам. В README приведены результаты оценки семейства на MS-COCO, но показанная строка относится к BK-SDM-Base-2M, поэтому её показатели нельзя напрямую приписывать версии Small. Модель распространяется по лицензии CreativeML Open RAIL-M; для использования следует соблюдать рекомендации Stable Diffusion v1.

digiplay/bluePencil_v09b — модель Stable Diffusion в формате Diffusers для генерации изображений по текстовым запросам. В карточке модели приведено демонстрационное изображение исходного автора, но дополнительных сведений о разработчике и настройке модели нет. Модель предназначена для преобразования текстового описания в изображение; репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

Bokeh 3.5 Medium — дообученная модель Tensor.Art на базе Stable Diffusion 3.5 Medium, предназначенная для генерации изображений по текстовым запросам. Модель продолжила обучение на тщательно отобранном высокоразрешающем наборе данных с оценкой эстетики; при обучении использовались короткие и подробные описания сцен. Она ориентирована на высокую детализацию, качество композиции и управляемость генерации. Модель подходит для создания иллюстраций, фотографий, 3D-рендеров и концепт-арта, а также для последующей настройки через LoRA. README рекомендует структурированные запросы длиной примерно 30–70 токенов и несколько форматов изображения, включая квадратные, альбомные и портретные. Для быстрой генерации за 8–10 шагов описана отдельная дистиллированная версия или LoRA; это не следует считать свойством данного чекпойнта без соответствующего компонента. Известные ограничения — возможные ошибки в анатомии людей, слабая фотореалистичность и неодинаковое эстетическое качество для отдельных концепций. Модель распространяется по Stability Community License.

bonsai-image-binary-4B-mlx-1bit — компактная версия модели генерации изображений Prism ML для устройств Apple Silicon. Это диффузионный трансформер MMDiT на архитектуре FLUX.2 Klein 4B примерно с 4 млрд параметров в трансформерном блоке. Веса основных линейных слоёв представлены значениями −1 и +1 с групповым масштабированием FP16; некоторые вспомогательные тензоры сохранены в FP16. Размер трансформера составляет около 0,93 ГБ, а полный набор компонентов для развёртывания — 3,42 ГБ. Модель преобразует текстовые запросы в изображения и предназначена для локальной генерации на Mac, iPhone и iPad, а также для приватных и ресурсоограниченных сценариев. Рекомендуются sampler FlowMatch-Euler на 4 шагах, guidance 1.0 и разрешение 1024×1024; поддерживаются соотношения сторон с размерами, кратными 32. README приводит показатели скорости для iPhone 17 Pro Max и M4 Pro. Лицензия — Apache-2.0. Качество зависит от запроса и рабочего процесса: точность мелкого текста, деталей, количества объектов и строгой композиции требует проверки под конкретную задачу. Бинарная версия не идентична FP16 FLUX.2 Klein 4B; для Apple Silicon используется путь MLX, а для CUDA указана сопутствующая реализация на Gemlite.

cetusmix_v4 — модель генерации изображений по текстовому описанию, опубликованная пользователем redstonehero на Hugging Face. Репозиторий использует Diffusers и StableDiffusionPipeline; карточка показывает пример создания изображения из текстового промпта. Модель предназначена для генерации изображений по текстовым запросам в приложениях и средах, совместимых с Diffusers. Репозиторий распространяется по лицензии creativeml-openrail-m. Карточка модели не содержит описания архитектурных деталей, размера, контекста, языков или специальных ограничений.

Chanjing-Avatar 14B — модель генерации видео с аудиоуправлением от Cicada AI на базе Wan2.1-T2V-14B. Она создаёт видео говорящего аватара в разрешении 720p по референсному изображению и аудиозаписи, синхронизируя движения лица и губ с речью. Модель добавляет к видеодиффузионной архитектуре Wan2.1 аудиомодули, проекцию входа и LoRA-адаптеры; веса представлены в BF16. Для работы отдельно нужны базовая модель Wan2.1 и аудиокодировщик Wav2Vec. Модель предназначена для создания говорящих аватаров, озвученных портретных видео и другого аудиоуправляемого видео по изображению. Репозиторий распространяется по лицензии Apache-2.0. Качество результата зависит от исходного изображения и аудио; перед использованием изображений и голосов необходимо получить согласие, а синтетические материалы следует явно обозначать.

Chat-UniVi — мультимодальная модель для понимания изображений и видео, описанная авторами в работе «Unified Visual Representation Empowers Large Language Models with Image and Video Understanding». Она использует архитектуру ChatUniViLlamaForCausalLM с 6,6 млрд параметров и принимает текст вместе с визуальными данными. Для представления изображений и видео модель применяет динамические визуальные токены, которые передают пространственные детали изображений и временные связи в видео. Модель обучена совместно на смешанном наборе изображений и видео, поэтому подходит для задач с обоими типами входных данных. Chat-UniVi предназначена для вопросов и ответов и других текстовых задач на основе визуального содержания. Контекст составляет 4096 токенов; формат весов — PyTorch. Лицензия указана как llama2. Карточка сообщает о высокой результативности в экспериментах, но не приводит численных оценок, поддерживаемых языков или подробностей ограничений.

Clark Labs разработала Clark Air — вариант Sana 1.6B для генерации изображений по тексту. Это готовый конвейер Diffusers: трансформерный блок Sana с тернарными весами {-1, 0, +1} упакован в GemLite INT2, текстовый энкодер Gemma-2 сжат до NF4 средствами bitsandbytes, а VAE DC-AE использует bf16. Репозиторий содержит все компоненты и занимает около 3,2 ГБ; также доступен отдельный файл трансформера для подключения к существующему конвейеру Sana. Модель предназначена для создания изображений по текстовым описаниям. Квантование сокращает размер трансформера примерно до 519 МБ вместо около 9 ГБ в fp16, что позволяет экономнее расходовать память GPU. Для запуска требуются NVIDIA CUDA GPU, Diffusers версии 0.38 или новее и зависимости GemLite и bitsandbytes; загрузка пользовательского компонента требует включить trust_remote_code. README описывает англоязычный пример запроса, но не устанавливает полный перечень поддерживаемых языков. Условия лицензии в предоставленных данных не приведены.

thwri опубликовал дообученную версию Florence-2-large от Microsoft. Модель обучена на подмножестве из 38 000 изображений датасета Ejafa/ye-pop; обучающие подписи были созданы с помощью THUDM/cogvlm2-llama3-chat-19B. Модель предназначена для создания текстовых описаний изображений и может использоваться для автоматического составления подписей к изображениям. Она основана на архитектуре Florence-2, работает с изображениями и выдаёт текст. Репозиторий использует библиотеку Transformers и формат safetensors. Лицензия — MIT. Карточка не приводит оценок качества или подробностей о контексте применения; описание не позволяет судить о надёжности модели на разных типах изображений.

CogView4-6B — модель генерации изображений по текстовому описанию, представленная zai-org и предназначенная для использования через Diffusers. Она дообучена на базе THUDM/glm-4-9b и распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Модель поддерживает запросы на китайском и английском языках. Модель создаёт изображения с шириной и высотой от 512 до 2048 пикселей: размеры должны делиться на 32, а общее число пикселей не должно превышать 2²¹. Для инференса требуется BF16 или FP32; FP16 не поддерживается и может приводить к чёрным изображениям. В README приводятся результаты оценки на бенчмарках генерации изображений и отдельная оценка точности китайского текста на изображениях. Запуск требует значительного объёма памяти: в приведённых замерах для batch size 4 указано 33–35 ГБ без выгрузки модели на CPU, 20 ГБ с ней и 13 ГБ при дополнительном 4-битном текстовом энкодере. Условия лицензии — Apache-2.0.

recoilme/ColorfulSSD-1B_v07 — модель генерации изображений по текстовому описанию, дообученная на наборе recoilme/colorful_s_1024 на основе ColorfulSSD-1B_v06. Она предназначена для создания изображений по промптам; в карточке показан пример с женщиной и кошкой в фотореалистичном стиле и мягком освещении. Модель использует конвейер Stable Diffusion XL и распространяется в формате Diffusers с весами safetensors. Для обучения применялась VAE madebyollin/sdxl-vae-fp16-fix. Лицензия — CreativeML OpenRAIL-M.

ContentV-8B — модель генерации видео по текстовому описанию, представленная ByteDance. Она использует архитектуру DiT и рассчитана на повторное использование предварительно обученных моделей генерации изображений; в карточке указаны Stable Diffusion 3.5 Large и Wan-VAE как основы. Обучение сочетает многоэтапную стратегию с flow matching и оптимизацию с обратной связью от людей. Модель содержит 8 млрд параметров. Модель предназначена для создания видеороликов по текстовым запросам. Авторы сообщают о результате 85,14 на VBench после четырёх недель обучения на 256 ускорителях NPU с памятью по 64 ГБ каждый. Для использования опубликованы код инференса и контрольные точки. Репозиторий распространяется по лицензии Apache-2.0.

Это квантованные версии модели Phr00t/Qwen-Image-Edit-Rapid-AIO, подготовленные leowu0511 на основе версии v11. В README указано, что с версии v11.4 для квантования используются файлы GGUF; метаданные репозитория при этом отмечают формат safetensors. Модель предназначена для редактирования и преобразования изображений по текстовым инструкциям. Модель принимает изображение и текстовое описание желаемых изменений и выдаёт изображение. Она основана на Qwen-Image-Edit-Rapid-AIO; сведений о точном размере, поддерживаемых языках, контексте или лицензии в предоставленных данных нет.

CyberRealistic v3.2 — модель генерации изображений по текстовому описанию, опубликованная под именем stablediffusionapi и предназначенная для использования через API ModelsLab. В карточке приведён пример запроса с положительным и отрицательным промптами; модель ориентирована на фотореалистичные портреты и киберпанк-сцены. Пример показывает настройку размера изображения, числа шагов генерации, guidance scale, seed и дополнительных параметров, включая подключение LoRA и эмбеддингов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Указанная лицензия — CreativeML OpenRAIL-M.

CyberRealistic XL Desire — модель генерации изображений от автора cyberdelia на основе Stable Diffusion XL 1.0. Она создаёт фотореалистичные изображения по текстовым описаниям и рассчитана прежде всего на портреты, модные и редакционные сцены; также подходит для других творческих запросов. Модель заявлена как способная создавать изображения кинематографического качества с небольшими требованиями к точности формулировки запроса. Модель предназначена для творческой генерации изображений, включая портретные и журнальные иллюстрации. Весовые файлы представлены в формате safetensors. Указана лицензия CreativeML OpenRAIL-M; перед использованием следует учитывать её условия и ограничения.

CyberRealistic XL v6.0 — дообученная модель генерации изображений от Cyberdelia, основанная на CyberRealisticXL и работающая через StableDiffusionXLPipeline в библиотеке Diffusers. Она создаёт реалистичные и фотореалистичные изображения по текстовым описаниям, с акцентом на детализацию, естественные тона, световые эффекты и точную передачу цвета. Модель подходит для создания портретов, модных и других реалистичных изображений. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия — CC0 1.0, разрешающая свободное использование.

Kansallisarkisto/cyrillic-large-handwritten — модель распознавания рукописного текста на основе трансформерной архитектуры vision-encoder-decoder, разработанная в проекте ArchXAI. Она принимает изображение отдельной текстовой строки и генерирует её текстовую расшифровку; предназначена прежде всего для русского языка и исторических документов, а также для оцифровки архивных материалов и рукописных заметок. Модель дообучена на базе Kansallisarkisto/cyrillic-large-stage1. Обучающая выборка включает 56 615 строк, преимущественно из исторических документов архивов Эстонии, Финляндии и Латвии. В разметке символы «ѣ» и «і» нормализованы до «е» и «и». На внутридоменном тесте указаны CER 0,0406 и WER 0,1732. Модель распространяется по лицензии Apache 2.0. Модель ограничена распознаванием кириллицы и может плохо работать с другими языками, алфавитами и текстами вне домена обучения. Качество на новых типах документов зависит от состава обучающих данных; отдельные изображения строк соответствуют описанному способу обработки.

DALL·E mini — модель генерации изображений по текстовому описанию, созданная как упрощённая открытая попытка воспроизвести OpenAI DALL·E. Она объединяет энкодер на основе BART, преобразующий токены текста в последовательность кодов изображения, и декодер на основе VQGAN, который превращает эти коды в пиксели. Модель содержит 252,8 млн параметров, построена на Flax/JAX и распространяется в формате Flax; для работы декодера требуется отдельная модель flax-community/vqgan_f16_16384. Модель предназначена для создания изображений по текстовым запросам. По сравнению с OpenAI DALL·E качество результатов ниже, зато модель проще и может обучаться и запускаться на менее мощном оборудовании. В карточке описаны англоязычные запросы и контекст до 1024 токенов. Лицензия в предоставленных данных не указана.

Deliberate 2 — дообученная модель генерации изображений по текстовому описанию, основанная на Yntec/Deliberate и предназначенная для Stable Diffusion. Разработчик описывает её как версию для генерации изображений размером 768×768; в веса встроен VAE MoistMix V2 для использования через Inference API. Модель подходит для создания иллюстраций по промптам, в том числе изображений в ретро- и аниме-стилистике. Репозиторий предоставляет веса в форматах Diffusers и Safetensors. Лицензия CC BY-NC-ND 4.0 требует указания авторства и ограничивает коммерческое использование и распространение производных версий.

Deliberate v2 — модель генерации изображений по текстовому описанию, представленная через ModelsLab и опубликованная на Hugging Face аккаунтом stablediffusionapi. Пример API показывает передачу основного и отрицательного промптов, настройку размера изображения, числа шагов и guidance scale; модель позиционируется для создания фотореалистичных изображений и портретов. В сценарии использования пользователь описывает сцену и при необходимости задаёт отрицательный промпт, чтобы исключить нежелательные детали. README демонстрирует генерацию квадратного изображения 512×512 за 30 шагов, а также параметры улучшения промпта, апскейлинга, панорамы, LoRA и эмбеддингов. Модель работает через API ModelsLab; формат и архитектурный класс указаны в метаданных как Diffusers StableDiffusionPipeline с весами Safetensors. Лицензия — CreativeML OpenRAIL-M. В карточке не приведены точный размер модели, длина контекста и перечень поддерживаемых языков. Качество результата зависит от формулировки промпта; готовые веса и локальный способ запуска в README не описаны.

Модель pszemraj/dinov2-small-film-shot-classifier — дообученная facebook/dinov2-small для классификации типов кинематографических планов на изображениях. Она использует архитектуру Vision Transformer DINOv2 с 28,3 млн параметров и обучена на наборе szymonrucinski/types-of-film-shots. Модель относит изображение к одному из восьми классов: ambiguous, closeUp, detail, extremeLongShot, fullShot, longShot, mediumCloseUp или mediumShot. На оценочном наборе указаны accuracy 0,6259 и loss 0,9864. Подходит для автоматической разметки кадров по крупности плана и анализа визуального состава видеоматериалов. Лицензия — Apache-2.0.

Модель misialyna/distilhubert-finetuned-gtzan — компактная HuBERT-модель для классификации аудио, дообученная на базе ntu-spml/distilhubert на датасете GTZAN. Она предназначена для распознавания музыкальных жанров по аудиозаписям. В оценке на тестовой выборке GTZAN достигла точности 0,8602 при значении loss 0,9734. Модель содержит 18,9 млн параметров, использует архитектуру HubertForSequenceClassification и распространяется в формате Safetensors через Transformers. Лицензия — Apache-2.0. Карточка не описывает состав классов и ограничения оценки; качество на других музыкальных данных может отличаться.

S3Sound/distilhubert-finetuned-gtzan — модель классификации аудио на базе DistilHuBERT, дообученная на наборе GTZAN. Она предназначена для определения музыкального жанра по аудиозаписи. В оценке на тестовой выборке указана точность 0,85 и loss 0,548. Модель содержит 18,9 млн параметров и использует архитектуру HuBERT для классификации последовательности. Базовая DistilHuBERT предназначена для извлечения представлений из аудио с частотой 16 кГц; сведения о требованиях к входному формату этой дообученной версии в карточке не приведены. Модель распространяется по лицензии Apache-2.0.

Sandiago21 дообучил модель ntu-spml/distilhubert на наборе GTZAN для классификации аудио. Модель построена на архитектуре HuBERT, содержит 18,9 млн параметров и предназначена для распознавания музыкальных жанров по аудиозаписям. На оценочном наборе указаны точность 0,88 и значение потерь 0,5358. Модель использует PyTorch и доступна в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

MariaK/distilhubert-finetuned-gtzan-v2 — модель классификации аудио на базе DistilHuBERT, дообученная на наборе GTZAN. Она предназначена для распознавания музыкального жанра по аудиозаписи. В метаданных указана архитектура HuBERTForSequenceClassification и размер 18,9 млн параметров. На оценочном наборе модель показала точность 0,87 и значение функции потерь 0,4959. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает подробностей о длительности или формате входного аудио и перечне жанров, поэтому эти характеристики не приводятся.