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

OPT-2.7B-Nerybus-Mix — экспериментальная языковая модель KoboldAI, полученная усреднением весов NerysV2-2.7B и ErebusV1-2.7B в равных долях. Это плотная авторегрессионная модель семейства OPT для генерации текста; размер по метаданным — 3,5 млрд параметров, контекст — до 2048 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для продолжения текста и создания прозы, в том числе контента для взрослых: автор сообщает, что она сочетает связность ответов с особенностями стиля Nerys и NSFW-содержанием Erebus. В README рекомендуют использовать её с KoboldAI. Оценка качества предварительная, а использованные для неё наборы данных не опубликованы, поэтому результаты не дают надёжного сравнения. Лицензия обозначена как other, конкретные условия использования в карточке не пояснены.

Pop2Piano — модель Jongho Choi и Kyogu Lee для создания фортепианных аранжировок поп-музыки по аудиозаписи. Она принимает аудиоволну и генерирует последовательность токенов, которые декодируются в MIDI с указанием времени, громкости и нот. Модель использует архитектуру encoder-decoder Transformer на основе T5 и содержит 23,2 млн параметров. Она предназначена для преобразования поп-композиций в партии для фортепиано без отдельных модулей извлечения мелодии и аккордов. Основным материалом обучения был корейский поп; модель также показывает хорошие результаты на западной поп-музыке и хип-хопе. Для загрузки аудио рекомендуется частота дискретизации 44,1 кГц. Для работы нужны библиотека Transformers и дополнительные аудиоинструменты. В предоставленной карточке лицензия не указана. Качество результата зависит от входной записи и может различаться для жанров, отличающихся от поп-музыки.

QApromptC — дообученная автором StaAhmed модель генерации текста на базе GPT-2. Карточка связывает её с датасетом None, но не описывает обучающие данные или целевую задачу, поэтому назначение модели за пределами генерации текста определить нельзя. Модель распространяется в формате safetensors по лицензии MIT; длина контекста составляет 1024 токена.

s-nlp/russian_toxicity_classifier — классификатор русскоязычных комментариев на основе BERT, дообученный авторами репозитория от DeepPavlov/rubert-base-cased-conversational. Он предназначен для выявления токсичных комментариев, например при модерации пользовательских публикаций и обсуждений. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст до 512 токенов; в метаданных указаны реализации для PyTorch, TensorFlow и safetensors. Для обучения объединили датасеты токсичных комментариев с 2ch.hk и ok.ru, затем разделили данные на обучающую, валидационную и тестовую части в пропорции 80/10/10. На тестовой выборке авторы сообщают F1 0,93 для токсичного класса и точность 0,97 в целом. Эти показатели относятся к указанной выборке и не гарантируют такого же качества на других источниках текста. Лицензия — OpenRAIL++.

SAM2 Household Accuracy V3 — модель сегментации изображений, дообученная sshibinthomass на базе facebook/sam2.1-hiera-small для выделения бытовых объектов масками по подсказкам в виде ограничивающих рамок. Она возвращает несколько вариантов масок и оценки их IoU; в описанном режиме выбирается вариант с наибольшей предсказанной оценкой IoU. Модель построена на архитектуре SAM2 и предназначена для разметки бытовых объектов на изображениях. Для обучения использованы данные сегментации COCO 2017: 15 000 обучающих, 1 000 валидационных и 895 тестовых примеров. В README приведены IoU 0,782 на валидации и IoU 0,801 для выбранных кандидатов на тесте. Доступны веса safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

LocalAI-io публикует набор весов SAM 3D Body на основе модели Meta facebook/sam-3d-body-dinov3 в формате GGUF F32 для запуска через sam3d.cpp на CPU или Vulkan. Это конверсия формата с выбором ветви оценки позы, а не дообучение и не низкобитная квантизация; обычные LLM-раннеры, включая llama.cpp, не подходят. По изображению одного человека, его ограничивающей рамке и параметрам камеры модель оценивает 3D-меш тела, суставы, параметры позы и перенос камеры. В комплект входят DINOv3 H+ и декодер тела с геометрией MHR LOD1; заявленный сценарий — восстановление позы и меша человека по отдельному изображению. Лицензия указана как other. Ограничения: уточнение по вырезкам кистей не реализовано, видео обрабатывается независимыми оценками кадров без временного трекера, а монокулярная глубина, окклюзии и неполные изображения могут вызывать неоднозначность и дрожание результата. Это оценки, а не измерения; комплект не включает автоматическое обнаружение людей, текстуры или экспорт анимируемого рига. README сообщает о незакрытых проверках точности геометрии CPU и численных отличиях BF16; результаты проверок не гарантируют точность на всех входах.

sanoTTS — семейство компактных нейросетевых моделей синтеза речи от Ampixa. Модели содержат от 294 тыс. до 2,27 млн параметров и предназначены для автономного синтеза речи без облака и NPU, в том числе в браузере через WASM и на микроконтроллерах ESP32-S3. Репозиторий использует библиотеку sanotts и содержит веса в формате GGUF; для описанного семейства указаны голоса на английском, хинди, вьетнамском, индонезийском и китайском языках. В архитектуре используется фонемизация espeak-ng, модель длительности, акустическая модель и декодер. Варианты piperlite работают с декодером временной области на 22,05 кГц; nano-линейка использует mel-100, ConvNeXt1D и iSTFT-декодер на 24 кГц. Модели дистиллированы из учителей Piper/VITS или Kokoro. README приводит оценки естественности для английских голосов и описывает запуск на маломощных устройствах, однако эти результаты и характеристики различаются между голосами и архитектурами. Лицензия репозитория — GPL-3.0.

sanskritgemma-256 — статическая модель эмбеддингов Model2Vec, созданная дистилляцией Ganaraj/rgveda-embedding-gemma, варианта embeddinggemma, настроенного на ведийском санскрите. Она предназначена для поиска похожих предложений и межъязыкового семантического поиска по санскритским текстам, в том числе по запросам в транслитерации IAST и английским переводам. В README приведены результаты оценки на стихах «Бхагавадгиты». Модель содержит таблицу статических векторов размерности 256; эмбеддинги получаются через mean pooling, PCA и нормализацию. При инференсе трансформер не запускается, что ускоряет кодирование на CPU, но модель не учитывает порядок слов и контекст. Репозиторий использует safetensors и библиотеку model2vec; заявленная лицензия — MIT, при этом для распространения производной модели нужно учитывать условия Gemma, унаследованные от базовой модели.

Smart Lemon Cookie 7B-GGUF — квантованная версия языковой модели Smart Lemon Cookie 7B, созданной FallenMerick и опубликованной в официальной библиотеке GGUF-моделей Backyard AI; квантирование выполнил brooketh. Модель основана на Multi-Verse-Model и объединяет Silicon Maid 7B, Kunoichi 7B и LemonadeRP 4.5.3. Модель предназначена прежде всего для локального текстового общения, ролевых сценариев и написания историй. Заявлены хорошие способности к рассуждению, следованию контексту и ролевому взаимодействию. Это текстовая модель с архитектурной основой Mistral и размером около 7 миллиардов параметров; обученный контекст составляет 32 768 токенов. Формат GGUF позволяет запускать её через llama.cpp-совместимые приложения, распределяя нагрузку между CPU и GPU и снижая требования к памяти за счёт квантования. К сильным сторонам относятся специализация на roleplay, повествовании и работе с длинным контекстом, а также удобство локального запуска в Backyard AI. Ограничения связаны с компромиссом квантования: более низкая точность может ухудшать связность и качество ответов. В README лицензия модели не указана, поэтому условия её использования определить нельзя.

Tashkeel Nano 4.5M — компактная модель Ahmadsy для расстановки арабских диакритических знаков в тексте. Она использует двунаправленный символьный Transformer-энкодер и классификационную голову на 15 классов. Модель содержит около 4,49 млн параметров, принимает текст и рассчитана на короткие фрагменты длиной до 128 токенов. Модель предсказывает фатху, дамму, касру, шадду, танвин и сукун для арабских букв. В README приведены результаты на опубликованном тесте SadeedDiac-25, однако модель уступает своему преемнику tashkeel-nano-1p1m по опубликованным сравнениям и помечена как устаревшая. Вывод использует устаревший порядок знаков shadda-first, а не канонический порядок Unicode NFC; для корректной обработки NFC-текста предпочтителен преемник. Для лучших результатов требуется удалять пробелы перед декодированием. В обучающих данных есть пересечение с некоторыми тестовыми корпусами, поэтому соответствующие оценки не являются независимой проверкой. Лицензия указана как research-only; коммерческое использование требует отдельной проверки лицензии.

UniSpeech-SAT-Base — базовая самоконтролируемая речевая модель Microsoft на архитектуре UniSpeech-SAT, представленная в Transformers как модель предварительного обучения. Она содержит 113,2 млн параметров и обучена на 960 часах английской речи из LibriSpeech с частотой дискретизации 16 кГц, используя контрастивные цели для представления высказываний и говорящих. Модель предназначена для получения речевых представлений и адаптации к последующим задачам: распознаванию речи, классификации аудио, верификации и идентификации говорящего, а также диаризации. Для распознавания речи нужны токенизатор и дообучение на размеченных текстовых данных; сама модель предобучена только на аудио и не имеет токенизатора. Входной сигнал следует подавать с частотой 16 кГц. Карточка указывает на преимущественно английскую область применения, поэтому качество для других языков не гарантировано. Лицензия в предоставленных данных не указана.

VisionReward-Video — модель Z.ai на базе архитектуры CogVLM2 Video с 8,3 млрд параметров. Она предназначена для оценки предпочтений людей по сгенерированным видео: анализирует динамические характеристики ролика и формирует интерпретируемую оценку по нескольким измерениям качества и предпочтений. Модель также описана как часть подхода VisionReward для согласования моделей генерации изображений и видео с человеческими предпочтениями. В исследовании авторов VisionReward-Video превзошла VideoScore на 17,2% в предсказании предпочтений видео. Репозиторий содержит веса Safetensors; заявлены чат-возможности и контекст длиной 2048 токенов. В метаданных указан английский язык. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Модель предназначена для оценки видео и не является генератором видео; результаты отражают предсказание предпочтений и не заменяют человеческую оценку.

LeBenchmark wav2vec2-FR-1K-large — предварительно обученный самоконтролируемый речевой энкодер архитектуры wav2vec 2.0, разработанный командой LeBenchmark. Модель Large обучена на 1 000 часах французской речи; в метаданных указано около 402,7 млн параметров. Она извлекает речевые представления и предназначена для последующего дообучения или использования как замороженный энкодер в задачах обработки речи, включая распознавание речи, распознавание говорящего и разделение источников. Модель принимает аудио и выдаёт векторные представления. Она охватывает французскую речь, а обучающие данные включали равное количество часов мужской и женской речи. В репозитории представлены варианты весов Flax, PyTorch и safetensors. Лицензия — Apache-2.0. Для ASR README предупреждает, что результаты с CTC не обязательно будут соответствовать современному передовому уровню; некоторые связанные корпуса могут быть доступны не полностью.

Wav2Vec2-Large-VoxPopuli — модель Facebook AI на архитектуре Wav2Vec2 с 402,7 млн параметров, предварительно обученная на 100 тысячах часов неразмеченной аудиозаписи из корпуса VoxPopuli. Она предназначена для получения речевых представлений и служит основой для создания систем распознавания речи после дообучения на размеченных аудиоданных. Модель принимает аудио, но в этом чекпойнте нет токенизатора, поэтому готовой расшифровки речи она не выдаёт. Для распознавания нужно создать токенизатор и дообучить модель на размеченных текстом аудиозаписях, например для выбранного языка. В репозитории представлены веса PyTorch и Flax; карточка описывает многоязычное предварительное обучение, но не перечисляет конкретные поддерживаемые языки. Модель разработана Facebook AI и связана с исследовательской работой о корпусе VoxPopuli и многоязычном обучении речевых представлений. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

AIM-7B — модель компьютерного зрения из семейства Autoregressive Image Models (AIM), разработанная Apple и представленная как часть проекта к исследовательской статье «Scalable Pre-training of Large Autoregressive Image Models». Это PyTorch-модель с авторегрессионным генеративным предварительным обучением признаков изображений; README описывает масштабирование семейства до миллиардов параметров и обучение на больших неотобранных коллекциях изображений. Модель предназначена для классификации изображений и использования визуального энкодера в сценариях компьютерного зрения. В README приведены результаты классификации ImageNet-1k на валидационной выборке с замороженным trunk. Данных о поддерживаемых естественных языках и длине контекста нет; модель принимает изображения и выдаёт классы или признаки для классификации. Репозиторий распространяется по лицензии Apple AMLR.

MattyB95/AST-ASVspoof5-Synthetic-Voice-Detection — модель классификации аудио, дообученная на наборе audiofolder на базе MIT/ast-finetuned-audioset-10-10-0.4593. Она использует архитектуру Audio Spectrogram Transformer на основе Vision Transformer и содержит 113,2 млн параметров. Модель предназначена для классификации аудиозаписей в задаче обнаружения синтетической речи, что может быть полезно для проверки голосовых сообщений и аудиоматериалов. В README приведены результаты оценки: accuracy 0,8333, F1 0,8892, precision 0,9209 и recall 0,8595. Модель принимает аудио и выдаёт результат классификации. Язык лицензии — BSD-3-Clause. В карточке не описаны конкретные классы, условия оценки и ограничения применимости результатов.

gravitee-io разработала компактный классификатор токсичности на базе BERT-tiny, дообученный на наборе gravitee-io/textdetox-multilingual-toxicity-dataset. Модель относит текст к одному из двух классов: «not-toxic» или «toxic», поэтому подходит для автоматической модерации пользовательских сообщений и фильтрации потенциально токсичного контента. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в форматах Safetensors и ONNX. В карточке приведены результаты оценки для нескольких языков; качество различается между языками. Лицензия — OpenRAIL++.

tue-mps/coco_panoptic_eomt_small_640_2x — модель семейства EoMT, основанного на архитектуре Encoder-only Mask Transformer и Vision Transformer. EoMT описана в работе «Your ViT is Secretly an Image Segmentation Model», представленной на CVPR 2025. Эта версия предназначена для паноптической сегментации изображений; в метаданных указана задача image-segmentation и реализация на Transformers с весами PyTorch/SafeTensors. Модель содержит 28,3 млн параметров. Модель принимает изображения и выделяет сегменты, объединяя семантическую и экземплярную сегментацию. Архитектура EoMT позволяет использовать общий ViT-бэкбон без специализированного декодера или модуля слияния пикселей; паноптический вариант ориентирован на сцены COCO. В README указано, что для разных видов сегментации применяются различные этапы постобработки. Модель опубликована под лицензией MIT. Карточка не сообщает конкретных метрик качества или подробно описанных ограничений; как и другие модели сегментации, её результаты зависят от состава и качества входных изображений и обучающих данных.

Coloring Pages — модель генерации изображений по текстовому описанию, представленная через ModelsLab и опубликованная на Hugging Face пользователем stablediffusionapi. Она предназначена для создания раскрасок по запросу; карточка показывает запуск через API ModelsLab с настройками ширины и высоты изображения, числа шагов генерации, guidance scale и отрицательного запроса. Репозиторий содержит веса в форматах Diffusers и PyTorch, а метаданные указывают StableDiffusionPipeline и лицензию CreativeML OpenRAIL-M. Пример в README использует английский prompt и просит создать портрет с яркими цветами, хотя сам пример не выглядит как запрос на раскраску; поэтому конкретные стилистические возможности стоит проверять отдельно. Модель принимает текст и выдаёт изображения. Сведения о размере модели, контексте и поддерживаемых языках в предоставленных источниках отсутствуют.

Echidna-13b-v0.1 — языковая модель, созданная в сотрудничестве IkariDev и Undi. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров; в карточке указаны веса FP16 в формате Safetensors и контекст до 4096 токенов. Для работы используется шаблон Alpaca. Модель предназначена для ролевых диалогов, эротических ролевых сценариев и ответов на общие запросы. Авторы отмечают, что качество заметно зависит от параметров генерации, поэтому настройки рекомендуется подбирать экспериментально. В README перечислены модели, участвовавшие в рецепте смешивания: Athena-v3, Thespis-13b-v0.3, PsyMedRP-v1-13B, Thespis-13b-v0.2 и LLaMA2-13B-Tiefighter. Лицензия — CC BY-NC 4.0, использование в коммерческих целях не разрешено.

f2 — Face Detector (ONNX) — компактная модель компьютерного зрения для локализации лиц на изображениях в конвейере PULAO; найденные лица передаются модели ArcFace для получения эмбеддингов. Модель запускается через ONNX Runtime и принимает RGB-изображение размером 320×320 в формате float32 после масштабирования значений пикселей. Выход содержит координаты рамок лиц в формате xywh и оценки, после чего конвейер применяет подавление немаксимумов (NMS). Файл модели занимает 2,4 МБ и экспортирован в ONNX из PyTorch. Архитектура, обучающие данные и происхождение весов не установлены. README обозначает модель как предназначенную для исследований и прототипирования. Лицензия и право на распространение не подтверждены; перед использованием или распространением следует установить их условия.

FLUX.2 Small Decoder — декодер VAE от Black Forest Labs, дистиллированная компактная замена стандартному декодеру FLUX.2. Он предназначен для декодирования латентных представлений в изображения в совместимых моделях FLUX.2: Klein 4B, Klein 9B, Klein 9B-KV и Dev; кодировщик при этом остаётся без изменений. Декодер содержит около 28 млн параметров против примерно 50 млн у полной версии и использует более узкие каналы. По данным карточки, он декодирует примерно в 1,4 раза быстрее и требует примерно в 1,4 раза меньше видеопамяти, сохраняя почти такое же качество изображений. Указана лицензия Apache 2.0. Модель предназначена для использования как компонент совместимого пайплайна генерации или редактирования изображений, а не для самостоятельного диалога или выдачи фактических ответов. Карточка отмечает возможные искажения текста на изображениях, несоответствие результата запросу и влияние стиля промпта.

Gemma-3-4b-it-MAX-HORROR-Imatrix-GGUF — это GGUF-квантизированная instruct-модель на базе Google Gemma 3 4B IT, опубликованная DavidAU. Модель предназначена для генерации текста, диалогов, следования инструкциям, творческого письма, ролевых сценариев и задач, связанных с жанром ужасов. Она сохраняет общий характер базовой Gemma 3, но дополнительно настроена на более выраженную хоррор-стилистику. Модель имеет около 4 миллиардов параметров и заявленный контекст до 128 тысяч токенов. Доступны варианты квантования от IQ1_S до Q8_0; в конфигурациях MAX входные embedding- и выходные tensor сохраняются в формате BF16, что должно повышать качество за счёт несколько большего размера файлов. Horror Imatrix, созданная автором на основе Grand Horror 16B, ориентирована на улучшение следования инструкциям, качества вывода и связности идей. Рекомендуемые варианты для творческих задач — IQ3, IQ4XS, IQ4NL и Q4, а для общего использования — Q5, Q6 и Q8. Сильными сторонами модели являются широкий контекст, возможность локального запуска в формате GGUF, различные уровни компромисса между размером и качеством, а также усиленная склонность к мрачному и графичному художественному стилю. Ограничения включают зависимость качества от выбранного кванта, различия в результатах между Q- и IQ-вариантами, более низкую производительность IQ1 и потенциально нежелательный хоррор-уклон в нейтральных задачах. Модель может генерировать NSFW-контент, графические описания насилия и нецензурную лексику. Лицензия модели — Apache-2.0. README не указывает дополнительные языки или мультимодальные возможности; по имеющимся данным, это текстовая модель для генерации текста.

MotherEarth/German-Climate — языковая модель на архитектуре Llama, созданная слиянием двух предварительно обученных моделей методом passthrough через mergekit: VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct и eci-io/climategpt-7b. Модель содержит 8,2 млрд параметров, использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев, связанных с климатом, на основе объединения климатической модели ClimateGPT и немецкоязычной диалоговой модели. Карточка не описывает отдельные гарантированные возможности или результаты оценки качества. Лицензия в предоставленных данных не указана.

GigaCheck-Detector-Multi — официальная мультиязычная модель проекта LLMTrace для обнаружения и локализации фрагментов текста, созданных искусственным интеллектом. Она обучена на английской и русской частях набора LLMTrace Detection, включающего тексты, написанные людьми, ИИ и в смешанном авторстве с посимвольной разметкой. Модель основана на трансформерной архитектуре Mistral и дообучена на базе mistralai/Mistral-7B-v0.3. Она предназначена для анализа документов, проверки академической добросовестности и исследований совместного авторства человека и ИИ; контекст составляет до 32 768 токенов. В оценке на тестовой выборке набора данных показатель mAP составил 0,8976 при IoU=0,5 и 0,7921 при IoU=0,5:0,95. Точность может снижаться на текстах, созданных языковыми моделями, выпущенными после сентября 2025 года. Модель может пропускать сгенерированные фрагменты, ошибочно помечать человеческий текст и неточно определять границы. Репозиторий распространяется по лицензии Apache-2.0.

camenduru/IDM-VTON-F16 — это опубликованный пользователем camenduru вариант модели IDM-VTON, разработанной авторами во главе с Yisol Choi; в репозитории указана благодарность yisol. Модель предназначена для image-based virtual try-on: по изображению человека и изображению одежды она генерирует изображение человека в выбранном предмете гардероба. Основной сценарий — виртуальная примерка одежды на фотографиях, включая работу с наборами VITON-HD и DressCode, на которых оценивался оригинальный метод. Репозиторий классифицирует модель как Image-to-Image и StableDiffusionXLInpaintPipeline в формате Diffusers. В составе находятся компоненты Stable Diffusion XL inpainting, включая text encoder, UNet, VAE, tokenizer и дополнительные каталоги модели. Это визуальная модель, а не языковая; сведения о поддерживаемых языках, размере контекстного окна и точном числе параметров для данного варианта не указаны. Размер файлов репозитория составляет около 6 ГБ, а для запуска в примере используется torch.bfloat16 и GPU. Сильная сторона модели — генерация реалистичных изображений виртуальной примерки с сохранением внешнего вида человека и характеристик одежды в различных сценах. Ограничения включают зависимость от качества и соответствия входных изображений, необходимость значительных вычислительных ресурсов и отсутствие подробной карточки модели с результатами оценки, ограничениями безопасности и точными характеристиками именно варианта F16. На странице camenduru/IDM-VTON-F16 лицензия не указана; у исходного IDM-VTON разработчики указывают CC BY-NC-SA 4.0, но применимость этой лицензии к производному репозиторию следует проверить отдельно.

LGM Full — конвейер для преобразования изображения в 3D, опубликованный dylanebert как учебный ресурс для курса ML for 3D. Он объединяет полный процесс LGM, включая диффузионную модель для создания нескольких ракурсов; оригинальная работа описывает Large Multi-View Gaussian Model для создания высокодетализированного 3D-контента. Репозиторий использует формат Diffusers и веса safetensors, лицензия — MIT. Карточка не сообщает размер модели, поддерживаемые языки или численные параметры контекста.

Модель разработана IbrahimAmin, Mostafa Abbas, Rany Hatem, Andrew Ihab и Mohamed Waleed Fahkr. Это дообученная версия MARBERTv2 — BERT-модели для понимания арабского текста, настроенная на бинарную классификацию египетских арабских текстов по категориям «нейтральное» и «ненавистническое». Она предназначена для выявления языка ненависти и поддержки модерации контента; обучение проводилось на выборочной версии пользовательского датасета египетской арабской речи. Модель содержит 190 млн параметров, принимает текст и имеет контекст до 512 токенов. Она рассчитана на египетский диалект арабского языка; качество на современном стандартном арабском и других диалектах может снижаться. Предсказания для сарказма и неоднозначных высказываний могут быть ошибочными, а социально-политические тексты могут вносить смещение. Лицензия — Apache-2.0.

Milky Green (明前奶绿) SoVITS — модель преобразования вокала, построенная на подходе SoftVC VITS Singing Voice Conversion. Разработчик репозитория — sparanoid. Модель предназначена для конвертации пения в другой голос; варианты covers_ обучены на потоках с пением и рекомендованы автором, а vocals_ обучены на разговорной речи и не рекомендуются из-за недостаточной чистоты данных. Модель принимает и выдаёт аудио. В метаданных указаны китайский, английский и японский языки. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Размер модели и длина контекста в доступных данных не указаны.

masafy/minimax-h3-masafy-lora — это адаптер LoRA для MiniMax H3, разработанный Masato Suzuki. Он предназначен для генерации видео с оригинальным персонажем Masafy — антропоморфной красной пандой — в авторском стиле. Адаптер обучен для варианта Ref2VA и применяется при инференсе с моделью MiniMax H3, мультимодальной моделью примерно на 33 млрд параметров, способной совместно генерировать видео и аудио. Триггерное слово адаптера — masafy_character. Модель рассчитана на сценарии image-to-video и использование в ComfyUI с базовой моделью MiniMax H3 Ref2VA. Рекомендуется чекпоинт на 500 шагах с силой 0,8. Адаптер в первую очередь меняет визуальный стиль: вместо фотореалистичной шерсти он придаёт изображению плоский cel-иллюстративный вид. Для корректного результата необходимо указывать триггер вместе с описанием внешности персонажа; одного триггера недостаточно. Адаптер также может изменять фон, поскольку при обучении описывались целые изображения. Для инференса требуется около 9,3 ГБ видеопамяти; генерация пятиминутного? ролика длительностью 5 секунд в разрешении 864×480 на RTX 3060 занимает примерно 13 минут. Базовая модель в репозитории не распространяется. Адаптер совместим с GGUF Q3_K_M и был проверен на 208 из 208 модулей без несовпадений ключей. Ограничения включают возможное ухудшение структурной точности при увеличении силы адаптера, появление тёмного контура при чрезмерной силе и зависимость результата от описания внешности. Использование регулируется MiniMax H3 Community License Agreement; коммерческое применение разрешено при указании атрибуции «MiniMax H3», при этом действуют территориальные условия лицензии. Персонаж Masafy является оригинальной работой автора, которого также следует указывать при использовании.