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

Модель leofltt/distilhubert-finetuned-gtzan-v3 — компактная аудиомодель на архитектуре HuBERT, дообученная на наборе GTZAN от ntu-spml/distilhubert. Она классифицирует аудиозаписи по музыкальным жанрам. В карточке указана точность 0,88 на eval-наборе; модель содержит 18,9 млн параметров и опубликована в формате safetensors. Модель предназначена для автоматической классификации музыки на основе аудио. Базовая модель ориентирована на извлечение представлений из аудио с частотой 16 кГц. Репозиторий распространяется по лицензии Apache-2.0.

Bunny2308/distilhubert-gtzan-baseline — компактная модель классификации аудио, созданная дообучением ntu-spml/distilhubert на наборе GTZAN. Она использует архитектуру HuBERT и содержит 18,9 млн параметров; модель предназначена для распознавания музыкальных жанров по аудиозаписям. На оценочной выборке GTZAN указаны accuracy 0,84 и loss 1,0109. Базовая distilhubert разработана для извлечения аудиопредставлений; эта версия адаптирована для классификации. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

MCG-NJU/DMM — модель генерации изображений по текстовому описанию, созданная авторами DMM. Она объединяет с помощью дистилляции по score несколько предварительно обученных моделей Stable Diffusion, чтобы генерировать изображения в разных стилях: реалистичные портреты, азиатские портреты, аниме, иллюстрации и другие. Среди исходных моделей указаны JuggernautReborn, MajicmixRealisticV7, EpicRealismV5, RealisticVisionV5, MajicmixFantasyV3, MinimalismV2, RealCartoon3dV17 и AWPaintingV1.4. Модель предназначена для создания изображений по текстовым промптам с использованием библиотеки Diffusers; файлы представлены в форматах Diffusers и safetensors. Лицензия — Apache-2.0. README не сообщает размер модели, длину контекста или конкретные параметры генерации.

Карточка модели Bdhj/dreamlike-diffusion-1.0 на Hugging Face совпадает с карточкой dreamlike-art/dreamlike-diffusion-1.0, поэтому описание составлено по ней. Dreamlike Diffusion 1.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания художественных изображений по текстовым запросам; модель можно запускать через Diffusers или использовать на сайте dreamlike.art. Карточка указывает на поддержку Stable Diffusion Pipeline и распространяемые форматы Diffusers, PyTorch и safetensors. В метаданных указан английский язык. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

Dreamlike Diffusion 1.0 — модель генерации изображений по текстовому описанию от dreamlike.art, основанная на Stable Diffusion. Она предназначена для создания художественных изображений по текстовым запросам; модель можно запускать через Diffusers или использовать на сайте dreamlike.art. Карточка указывает на поддержку Stable Diffusion Pipeline и распространяемые форматы Diffusers, PyTorch и safetensors. В метаданных указан английский язык. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

DreamLite — диффузионная модель ByteDance на архитектуре UNet для генерации изображений по текстовому описанию и редактирования изображений. Она использует трёхветвевую схему dual-CFG и рассчитана на работу с изображениями размером 1024×1024. Для работы конвейер использует Qwen3VLForConditionalGeneration и Qwen3VLProcessor. В README указана зависимость от версии transformers==4.57.3: версии transformers 5.0 и выше могут вызывать заметные блочные артефакты на изображениях. Модель предназначена для генерации и редактирования изображений. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает использование некоммерческими целями. Полная карточка модели ещё не опубликована.

Dreamshaper 7 — модель Stable Diffusion для генерации изображений по текстовому описанию, разработанная Lykon и дообученная на runwayml/stable-diffusion-v1-5. Она предназначена для создания художественных изображений, в том числе в стилях аниме и реализма, а также поддерживает использование LoRA. Модель распространяется в форматах Diffusers и Safetensors и предназначена для работы через StableDiffusionPipeline. В версии 7 улучшена поддержка LoRA, генерация реалистичных изображений и NSFW-контента. Лицензия — CreativeML Open RAIL-M.

Dreamshaper 8 — модель генерации изображений по текстовому описанию от Lykon, дообученная на Stable Diffusion 1.5 (runwayml/stable-diffusion-v1-5). Она предназначена для создания художественных изображений, в том числе в стилях аниме и фотореализма; результат зависит от формулировки запроса и навыка пользователя. Модель доступна в форматах Diffusers и Safetensors и распространяется по лицензии CreativeML OpenRAIL-M. По сравнению с предыдущей версией автор отмечает улучшения относительно Dreamshaper 7. Модель универсальна по стилям, но может уступать специализированным моделям в фотореализме или аниме. Карточка не приводит сведения о размере модели и длине контекста.

digiplay/DreamShaper_8 — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face. Карточка показывает примеры портретов и образов в реалистичном и стилизованном оформлении; метаданные указывают на совместимость с Diffusers и форматами PyTorch и Safetensors. Модель предназначена для создания изображений по текстовым запросам, например портретов персонажей и сцен с заданными визуальными характеристиками. Репозиторий использует лицензию, обозначенную как other; конкретные условия следует проверять в карточке модели.

Dreamshaper XL Lightning — модель генерации изображений от Lykon, созданная дообучением Stable Diffusion XL Base 1.0. Она предназначена для создания изображений по текстовым описаниям и доступна в формате Diffusers с весами Safetensors. Модель использует архитектуру Stable Diffusion XL и рассчитана на художественные сценарии генерации изображений. В тегах карточки указаны стили art и anime, а также связь с Lightning, Turbo и LCM. Карточка не сообщает размер модели или длину контекста. Модель распространяется по лицензии OpenRAIL++.

Это версия DreamShaper-XL-Lightning, подготовленная HelloSun для запуска через OpenVINO на CPU. Модель основана на Lykon/dreamshaper-xl-lightning — дообученной на SDXL модели, дистиллированной для генерации за четыре шага; в этой публикации веса переведены в формат OpenVINO и сжаты до INT4 с помощью NNCF. README указывает размер весов около 2,06 ГБ против примерно 6,5 ГБ у исходной FP16-экспортированной версии. Модель предназначена для создания изображений по текстовым описаниям, включая художественные, аниме, 3D и фотографические стили. Заявлена генерация изображений 1024×1024 на CPU; пример измерения на сервере с 192 vCPU занимает в среднем около 15 секунд на изображение, но скорость зависит от оборудования. Для работы рекомендованы четыре шага и guidance scale 2.0. Ограничения включают более долгую загрузку и компиляцию при первом запуске, меньшую скорость на обычных настольных процессорах и небольшие отличия результата от FP16 из-за INT4-квантования. Формат репозитория ориентирован на OpenVINO и CPU. Лицензия — OpenRAIL++; необходимо соблюдать также условия исходной модели и политики OpenRAIL++.

Yntec/DreamWorld — модель генерации изображений по текстовому описанию на базе Stable Diffusion. Карточка называет её DucHaitenDreamWorld v1.3 и указывает, что это версия без EMA; репозиторий использует Diffusers и формат Safetensors. Модель предназначена для создания иллюстраций и художественных портретов по текстовым запросам. В примере показан сказочный портрет в стилистике анимационного кино с кинематографическим освещением. Лицензия CreativeML OpenRAIL-M допускает использование на её условиях и с установленными ограничениями.

martineux/dvine82-xl — модель генерации изображений по текстовому описанию, опубликованная пользователем martineux на Hugging Face. Репозиторий размечен как text-to-image и использует StableDiffusionXLPipeline; в карточке Hugging Face указаны 3 млрд параметров и формат safetensors с точностью F16. Модель предназначена для создания изображений по текстовым запросам через Diffusers. Карточка не содержит описания специализации, поддерживаемых языков, длины контекста или лицензии, поэтому эти характеристики нельзя надёжно уточнить.

EpicRealism — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi/epicrealism и доступная через API ModelsLab. Карточка предлагает создавать фотореалистичные изображения, в том числе портреты, с помощью текстового запроса и необязательного негативного запроса. Пример API поддерживает выбор размера изображения, числа шагов генерации, guidance scale, seed, а также параметры улучшения запроса, апскейлинга и подключения LoRA и embeddings. Метаданные указывают на использование Diffusers и PyTorch и лицензию CreativeML OpenRAIL-M. Язык запросов и размер модели в доступных сведениях не определены.

misri/epicrealismXL_v7FinalDestination — модель генерации изображений по текстовому описанию, опубликованная пользователем misri на Hugging Face. Репозиторий содержит веса в формате Diffusers и Safetensors; модель использует конвейер StableDiffusionXLPipeline и предназначена для создания изображений по промптам. Для запуска Hugging Face показывает пример с Diffusers и генерацией изображения по текстовому запросу. По названию и внешней карточке epiCRealism XL модель ориентирована на реалистичную визуальную эстетику. Репозиторий не сообщает размер параметров, длину контекста или список поддерживаемых языков. Лицензия в метаданных указана как unknown, поэтому условия использования следует уточнить у правообладателя.

krnl/epicrealism-xl-v8kiss-sdxl — модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией krnl. Модель относится к семейству Stable Diffusion XL и предназначена для работы с библиотекой Diffusers через StableDiffusionXLPipeline. Модель ориентирована на создание реалистичных, фотореалистичных изображений и фотографий по текстовым промптам. Её можно применять для генерации концептов, иллюстраций, фотоподобных сцен и визуальных материалов на основе описаний. Модель распространяется по лицензии creativeml-openrail-m. README указывает на наличие исходной версии на Civitai, но не содержит дополнительных сведений о размере модели, контексте, поддерживаемых языках, специализированных ограничениях или рекомендуемых параметрах генерации.

Ernie-Image-Flex V1 — модель синтеза изображений по текстовому описанию, разработанная wikeeyang на основе дообученной Baidu ERNIE-Image. Она предназначена для генерации изображений по промптам на английском и китайском языках, включая портреты, сцены со сложной композицией и изображения с текстовыми надписями. Модель работает в экосистеме Diffusers и PyTorch. По сравнению с ERNIE-Image-Turbo модель снижает выраженность маслянистой стилизации, избыточного шума и желтоватого оттенка, улучшает композицию портретов, лица и устойчивость анатомии в сложных сценах. Для генерации обычно достаточно CFG 1.0 и 16–25 шагов; с Turbo LoRA возможна работа за 8 шагов. Сохраняется хорошая поддержка рендеринга китайского и английского текста, хотя точность немного ниже, чем у оригинальной ERNIE-Image. Доступна 8-битная квантованная версия с иерархической, блочной и смешанной по точности схемой квантования, рассчитанной на близкое к bf16 качество. Модель предоставляется как чистая базовая модель и подходит для дальнейшего дообучения, обучения LoRA и комбинирования с Turbo, Distill, SFW и NSFW LoRA. Архитектура, число параметров, максимальный размер контекста и точные характеристики модальностей в README не указаны. Лицензия — Apache 2.0.

jssaluja обучил эту модель распознавания речи на базе facebook/mms-1b-all для транскрибирования аудио на панджаби. Это модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 1,3 млрд параметров; она принимает аудио и выдаёт текст. Обучение проводилось на наборах данных с панджабскими аудиокнигами, беседами, подкастами, религиозными выступлениями и другими записями. На указанном в карточке наборе оценки CER составляет 0,0813, а WER — 0,3182. Модель подходит для расшифровки панджабской речи в аудиозаписях, включая аудиокниги, подкасты и выступления. В карточке не приведены сведения о целевых вариантах письма и условиях записи, поэтому качество на других типах аудио не установлено. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

JJTsao/fine-tuned_movie_retriever-all-mpnet-base-v2 — дообученная модель Sentence Transformers на архитектуре MPNet для семантического поиска и рекомендаций фильмов и сериалов. Она преобразует текстовый запрос и описания каталога в векторы, которые можно сравнивать по косинусному сходству, чтобы находить подходящие произведения по жанру, метаданным, темам и настроению. Модель обучена на более чем 32 тысячах синтетических триплетов «запрос, подходящий документ, неподходящий документ» с контрастивным подбором отрицательных примеров; размер — 136,7 млн параметров, контекст — 514 токенов. В приведённой оценке на 3598 запросах она показала Recall@1 0,459 и Recall@5 0,765, выше базовой модели на этой выборке. Модель предназначена для англоязычных запросов о кино и сериалах; для других языков качество не установлено. Лицензия — Apache-2.0.

FireRed-Image-Edit-1.1-GGUF — это набор квантованных версий модели FireRed-Image-Edit-1.1, разработанной командой FireRedTeam и опубликованной пользователем VantageWithAI. Модель предназначена для редактирования изображений по текстовым инструкциям и изображениям-референсам, включая перенос идентичности, виртуальную примерку, создание групповых фотографий, работу с портретами и косметикой, а также дизайн обложек, постеров и декоративных текстовых композиций. Модель относится к классу image-to-image и использует библиотеку Diffusers. Она поддерживает мультиизображенческое управление, благодаря чему может одновременно учитывать несколько исходных изображений. Заявлена поддержка английского и китайского языков. Среди ключевых улучшений указаны повышенная стабильность идентичности лица и персонажа, сохранение текстур, более реалистичное редактирование макияжа и улучшенная генерация стилизованной типографики. Доступен ускоренный дистиллированный вариант Lightning с восемью шагами инференса, рассчитанный на снижение задержки при сохранении согласованности с инструкцией. Сильными сторонами являются универсальность, сохранение внешности при редактировании, поддержка нескольких изображений и специализированные сценарии для портретов, макияжа и графического дизайна. Ограничения README не описывает: сведения о размере модели, точной архитектуре, максимальном контексте, требованиях к оборудованию и сравнительных результатах отсутствуют. Модель распространяется по лицензии Apache-2.0.

FlashVSR — модель для повышения разрешения видео на основе диффузионной генерации, разработанная Junhao Zhuang и соавторами. Она предназначена для потокового восстановления видео низкого разрешения и масштабирования до ультравысоких разрешений. Модель использует одношаговый диффузионный подход и потоковую обработку. Трёхэтапная дистилляция, разреженное внимание с ограничением локальности и компактный условный декодер сокращают вычисления и ускоряют реконструкцию. Авторы сообщают о скорости около 17 кадров в секунду для видео 768 × 1408 на одном GPU A100 и ускорении до 12 раз относительно предыдущих одношаговых диффузионных методов VSR. Для эффективного инференса официальная реализация требует библиотеку Block-Sparse Attention; сторонние реализации без модуля LCSA могут заметно ухудшать качество на высоких разрешениях. Весовые файлы распространяются по лицензии Apache-2.0.

Flex.2-preview — открытая диффузионная модель генерации изображений по тексту, созданная сообществом и представленная как продолжение Flex.1-alpha. Модель содержит 8 млрд параметров, использует 16-канальное латентное пространство и принимает входной текст длиной до 512 токенов. В метаданных указана библиотека Diffusers и формат safetensors. Модель предназначена для генерации изображений по текстовым запросам, редактирования областей изображения с помощью встроенного inpainting и управления генерацией по позе, контурам или карте глубины. В README заявлен guidance embedder, ускоряющий генерацию вдвое, но сравнительные условия не описаны. Модель доступна для экспериментов и тонкой настройки, поддерживает использование через Diffusers и ComfyUI. Это ранняя preview-версия, выпущенная для сбора отзывов и проверки новых возможностей; качество и слабые стороны автор предлагает оценивать экспериментально. Лицензия Apache 2.0 разрешает свободное использование, включая коммерческие сценарии.

Flow Upscaler — модель для однократного увеличения разрешения изображений в латентном пространстве Flux.2. Репозиторий MinhNH232331M содержит вариант Diffusers, основанный на слиянии TensorForger/FlowUpscaler и black-forest-labs/FLUX.2-klein-4B; разработчик исходной Flow Upscaler в README не назван. Сеть Rectified Flow с UNet и 59 млн параметров создаёт увеличенные латенты за один шаг денойзинга, а пайплайн использует VAE Flux.2, который нужно передать отдельно. Для загрузки пользовательских классов требуется trust_remote_code=True. Модель предназначена для повышения разрешения и восстановления деталей изображения, включая последовательные проходы увеличения. Пайплайн включает коррекцию цветового и тонального дрейфа; параметрами можно выбирать баланс между верностью входу и более резким результатом. Модель принимает изображение и выдаёт изображение, работает с латентным пространством Flux.2; языковая обработка не заявлена. Репозиторий распространяется по лицензии Unlicense.

Fluently-XL-v2 — дообученная модель Fluently для генерации изображений по текстовым запросам. Она основана на Stable Diffusion XL Base 1.0 и распространяется в форматах Diffusers и SafeTensors; для запуска автор рекомендует Automatic1111 или ComfyUI, 20–35 шагов сэмплирования, сэмплер Euler a или Euler и CFG Scale 4–6,5. Модель предназначена для создания изображений, сочетая художественную стилизацию и реалистичность. В карточке заявлены внимание к анатомии, лицам, природе и управлению контрастом. Обучение проводилось на изображениях из наборов Midjourney, DALL·E 3 и Fav Images. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория. Карточка не приводит количественных оценок качества или подробных ограничений по содержанию и применению.

FLUX.1 [dev] — модель генерации изображений по текстовому описанию, представленная в карточке репозитория rayonlabs/FLUX.1-dev. Это трансформер rectified flow с 12 млрд параметров, обученный с помощью дистилляции guidance; доступна в формате Diffusers и весах Safetensors. Модель подходит для создания изображений по промптам в творческих и исследовательских рабочих процессах, включая локальный запуск через ComfyUI или Diffusers. README заявляет высокое качество генерации и конкурентное следование промпту, однако результат зависит от формулировки запроса и может ему не соответствовать. Модель не предназначена для предоставления фактической информации и может усиливать социальные предубеждения. Лицензия указана как other; README ссылается на лицензию FLUX.1 [dev] Non-Commercial License и описывает разрешённое использование результатов для личных, научных и коммерческих целей. Саму модель и её производные запрещено использовать для ряда незаконных и вредоносных сценариев, перечисленных в карточке.

Disty0/FLUX.1-dev-qint4 — квантизированная до INT4 версия модели FLUX.1-dev от Black Forest Labs, подготовленная с помощью Optimum Quanto. Она предназначена для генерации изображений по текстовым описаниям и используется через библиотеку Diffusers. Карточка указывает поддержку английского языка и лицензию «other».

Карточка модели NikolaSigmoid/FLUX.1-Kontext-dev на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Kontext-dev, поэтому описание составлено по ней. FLUX.1 Kontext [dev] — модель компании Black Forest Labs для редактирования изображений по текстовым инструкциям. Это трансформер rectified flow с 12 млрд параметров, доступный через библиотеку Diffusers в формате safetensors. Модель принимает изображение и инструкцию на естественном языке и выдаёт изменённое изображение. Модель поддерживает изменение существующих изображений, использование референсов персонажей, стиля и объектов без дополнительного дообучения, а также последовательное редактирование с сохранением визуальной согласованности. Она обучена с дистилляцией guidance. В карточке указана поддержка английского языка. Модель распространяется по некоммерческой лицензии FLUX.1 [dev]; README допускает личное и научное использование, но коммерческое применение ограничено условиями лицензии. Для развёртывания требуются фильтры или ручная проверка контента.

FLUX.1 Kontext [dev] — модель Black Forest Labs, опубликованная Unsloth как зеркало с теми же неизменёнными весами и без ограничения доступа к загрузке на Hugging Face. Это трансформер rectified flow на 12 млрд параметров, обученный с дистилляцией guidance и предназначенный для редактирования изображений по текстовым инструкциям. Модель принимает изображение и текстовое указание на правку. Она поддерживает работу с референсами персонажей, стилей и объектов без дополнительного дообучения и последовательное уточнение результата с небольшим визуальным дрейфом. Метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors; карточка помечает английский язык. Веса не изменены относительно исходной модели Black Forest Labs. Лицензия — FLUX.1 [dev] Non-Commercial License, поэтому коммерческое использование не разрешено; README также требует фильтрации или ручной проверки контента согласно условиям лицензии. Заявленные защитные меры снижают риск некоторых видов злоупотреблений, но не гарантируют их полного предотвращения.

Карточка модели fuliucansheng/FLUX.1-Kontext-dev-diffusers на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-Kontext-dev, поэтому описание составлено по ней. FLUX.1 Kontext [dev] — модель компании Black Forest Labs для редактирования изображений по текстовым инструкциям. Это трансформер rectified flow с 12 млрд параметров, доступный через библиотеку Diffusers в формате safetensors. Модель принимает изображение и инструкцию на естественном языке и выдаёт изменённое изображение. Модель поддерживает изменение существующих изображений, использование референсов персонажей, стиля и объектов без дополнительного дообучения, а также последовательное редактирование с сохранением визуальной согласованности. Она обучена с дистилляцией guidance. В карточке указана поддержка английского языка. Модель распространяется по некоммерческой лицензии FLUX.1 [dev]; README допускает личное и научное использование, но коммерческое применение ограничено условиями лицензии. Для развёртывания требуются фильтры или ручная проверка контента.

Это 4-битная квантованная версия FLUX.1-Krea-dev, подготовленная filipstrand для запуска через библиотеку MFLUX. Исходная модель разработана Black Forest Labs и Krea и предназначена для создания изображений по текстовым описаниям, в том числе в эстетике фотографии. Файлы весов занимают 9,61 ГБ и совместимы с MFLUX версии 0.10.0 или новее. Модель принимает текстовые запросы и генерирует изображения. В README указана лицензия «other»; конкретные условия использования следует сверять с лицензией исходной модели и репозитория.