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

Incredible World — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка приводит пример праздничной сцены с отцом и дочерью, пивоварней, Санта-Клаусом и атрибутами Хэллоуина; метаданные относят модель к Stable Diffusion и указывают форматы Diffusers и safetensors. Модель предназначена для создания реалистичных и художественных изображений по промптам, в том числе сцен с людьми, предметами и праздничной атмосферой. В метаданных указана лицензия CreativeML OpenRAIL-M. Сведения о размере модели, контексте и специальных ограничениях в доступных данных отсутствуют.

InstructCV — модель генерации и редактирования изображений по текстовым инструкциям, представленная проектом alaa-lab. Она основана на Stable Diffusion InstructPix2Pix и предназначена для сценариев, где нужно создать изображение по запросу или изменить предоставленное изображение, следуя инструкции. Модель распространяется в форматах Diffusers и PyTorch; лицензия — MIT. Карточка связывает модель с датасетом InstructCV-Demo-Data и описывает её как instruction-tuned text-to-image diffusion model для широкого круга визуальных задач. Для использования в README приведён стек Diffusers, Accelerate, Safetensors и Transformers. Контекстная длина и поддерживаемые языки в доступных сведениях не определены.

InternLM-XComposer2.5 — мультимодальная модель с языковой основой InternLM2, разработанная командой InternLM. Она предназначена для диалога и задач понимания и создания содержания по тексту и изображениям, включая визуальные вопросы и ответы. Модель содержит 7,4 млрд параметров и обучена работать с чередующимися фрагментами текста и изображений в контексте до 24 576 токенов; авторы сообщают о возможности расширения контекста до 96 тыс. токенов с помощью экстраполяции RoPE. Модель подходит для анализа изображений, ответов на вопросы по визуальным материалам и работы с длинными текстово-графическими контекстами. В карточке заявлены возможности, сопоставимые с GPT-4V, однако это заявление разработчиков, а независимые результаты оценки здесь не приведены. Репозиторий содержит веса PyTorch, для загрузки через Transformers требуется `trust_remote_code=True`; для экономии памяти README рекомендует bfloat16. Лицензия указана как `other`, поэтому условия использования следует сверить с файлами лицензии репозитория.

InternVL3-8B-6bit — мультимодальная чат-модель семейства InternVL3, подготовленная mlx-community для запуска в формате MLX на устройствах Apple с MLX. Модель предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; метаданные также отмечают интерфейс вызова инструментов. По README, модель преобразована из `models/InternVL3-8B` с помощью mlx-vlm 0.1.23. Каталог указывает связь дообучения с OpenGVLab/InternVL3-1B-Instruct, но README описывает конвертацию, поэтому происхождение указано как дообучение на основании метаданных. Модель поддерживает мультиязычные сценарии. Репозиторий содержит веса safetensors и предназначен для использования через mlx-vlm. Лицензия в метаданных обозначена как `other`; конкретные условия следует сверить с исходной карточкой модели и файлами лицензии.

InternVL3-9B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community в формат MLX из models/InternVL3-9B с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; поддерживает мультиязычные сценарии. Метаданные указывают архитектуру InternVLChatModel и чат-возможности. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию MLX, а метаданные классифицируют модель как дообученную на OpenGVLab/InternVL3-1B-Instruct и отмечают вариант 4bit в названии. Эти сведения расходятся с описанием README, которое указывает исходный источник models/InternVL3-9B; точная связь с базовой моделью требует уточнения. В качестве главной задачи выбрано image-text-to-text, соответствующее заявленному мультимодальному назначению.

mlx-community/InternVL3-9B-8bit — мультимодальная чат-модель семейства InternVL3, преобразованная в формат MLX из `models/InternVL3-9B` с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и задач визуального понимания с ответами на естественном языке. Модель принимает текст и изображения и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов и мультиязычная поддержка. Репозиторий содержит веса в формате safetensors и доступен по лицензии Apache-2.0. Метаданные связывают модель с дообучением OpenGVLab/InternVL3-1B-Instruct и указывают датасет OpenGVLab/MMPR-v1.2, однако README описывает конверсию из InternVL3-9B; поэтому точная цепочка происхождения и базовая модель требуют осторожной интерпретации. Размер 9B указан в имени модели, а исходная модельная карточка предлагается как источник дополнительных сведений.

Janus-4o-7B — мультимодальная модель FreedomIntelligence, дообученная на базе deepseek-ai/Janus-Pro-7B с использованием набора ShareGPT-4o-Image. Она генерирует изображения по текстовым запросам и редактирует изображения по тексту и входному изображению; авторы сообщают об улучшениях генерации относительно Janus-Pro-7B. Модель предназначена для создания и редактирования изображений по текстовым инструкциям. README отмечает, что качество данных ShareGPT-4o-Image основано на дистилляции GPT-4o-Image, но это не означает сопоставимых возможностей самой Janus-4o: по общей производительности она уступает GPT-4o-Image. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

JoyAI-Echo 1.5 — модель генерации длинных аудиовизуальных историй и интерактивных миров, разработанная jdopensource и дообученная на основе Lightricks/LTX-2.3. Репозиторий содержит веса для генерации видео по текстовому запросу и опциональному первому кадру, а также до семи упорядоченных слотов памяти с изображениями и аудио. Совместная мультимодальная память помогает сохранять внешность персонажей, голос и контекст сцены между редактируемыми планами. Модель генерирует синхронизированные видео и аудио в едином конвейере и поддерживает многошотовые сценарии. Используется генератор DMD с восемью шагами; доступны варианты BF16, FP8 и FP4. Для запуска отдельно требуется текстовый энкодер Gemma. В README также упомянуты выгрузка слоёв DiT и тайловое декодирование Video VAE для профилей с ограниченной видеопамятью. Лицензия указана как other, поэтому конкретные условия использования следует проверять в лицензии репозитория.

JoyAI-Video-Edit Diffusers — выпуск контрольной точки JoyAI-Video-Edit 0811 в формате Diffusers; модель разработана jdopensource. Конвейер JoyVideoEditPipeline предназначен для редактирования видео по текстовым инструкциям и поддерживает необязательное управление по референсному изображению. В состав репозитория входят трансформер, причинный видео-VAE и планировщик; текстово-визуальный энкодер MiMo-VL в репозиторий не включён и загружается отдельно. Модель принимает исходное видео и текстовое описание изменений, а также может использовать референсное изображение. Для кадров после предварительной обработки требуется количество вида 8n+1, размеры выходного видео должны делиться на 24; стандартная настройка инференса — два шага. Модель работает через flow-matching денойзинг без classifier-free guidance. Репозиторий распространяется по лицензии Apache-2.0.

digiplay/Juggernaut_final — модель генерации изображений по текстовому описанию в формате Diffusers. Репозиторий содержит веса PyTorch в формате safetensors и предназначен для работы с StableDiffusionPipeline. Карточка показывает пример изображения, созданного через API Hugging Face, и ссылается на демонстрационные изображения исходного автора. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория и у правообладателя. В предоставленных данных нет сведений о размере модели, контексте или поддерживаемых языках.

Juggernaut Reborn — диффузионная модель генерации изображений по текстовому описанию, разработанная KandooAI и основанная на Stable Diffusion v1.5. Она распространяется в формате Safetensors и рассчитана на работу через библиотеку Diffusers. Модель предназначена для художников, дизайнеров и других пользователей, которым нужно создавать концепт-арт, иллюстрации и визуальные варианты по текстовым запросам. Результат зависит от точности и конкретности запроса; модель может выдавать предвзятые или нежелательные изображения и не подходит для подготовки медицинских, юридических и других профессиональных рекомендаций. В метаданных указана лицензия MIT, тогда как README называет CreativeML Open RAIL-M, поэтому условия лицензирования требуют проверки по актуальной карточке модели.

Juggernaut X Hyper — модель KandooAI и RunDiffusion для генерации изображений по текстовым запросам. Она основана на Stable Diffusion XL Base 1.0 и представляет собой скоростной вариант Juggernaut X v10, дистиллированный с использованием Hyper-SD для генерации за несколько шагов. Модель предназначена для пакетной генерации, быстрой проверки вариантов промпта и демонстраций в реальном времени, где важна низкая задержка. Модель рассчитана на фотореалистичный стиль, понимает запросы на естественном языке и в виде тегов, а также умеет отображать короткие надписи и классифицировать тип кадра, например портрет или план в полный рост. В README рекомендуются 4–8 шагов генерации, sampler DPM++ SDE или TCD и CFG 1.0–2.0. По сравнению со стандартной Juggernaut X v10 она ориентирована на скорость и меньшее потребление видеопамяти, но может уступать ей в максимальной детализации. Модель распространяется в форматах Diffusers и Safetensors под лицензией CreativeML OpenRAIL-M. README указывает, что для размещения за платным API требуется отдельное разрешение; личное и творческое использование разрешено на условиях лицензии.

JuggernautXL_v8Rundiffusion — модель генерации изображений по текстовому описанию, опубликованная пользователем frankjoshua на Hugging Face. Она предназначена для создания изображений из промптов и запускается через Diffusers с конвейером StableDiffusionXLPipeline. Модель распространяется в формате Safetensors и совместима с библиотекой Diffusers. В репозитории присутствуют компоненты Stable Diffusion XL, включая U-Net, VAE, текстовые энкодеры и токенизаторы. Модель ориентирована на локальную генерацию изображений и может использоваться в приложениях и ноутбуках, поддерживающих Diffusers. Основное ограничение — модель предназначена для text-to-image и не заявлена как универсальная система для распознавания, редактирования изображений или генерации текста. В доступных источниках не приведены сведения о поддерживаемых естественных языках, длине контекста, числе параметров и лицензии.

Карточка модели karlsencoin/Juggernaut-XL-v9 на Hugging Face совпадает с карточкой RunDiffusion/Juggernaut-XL-v9, поэтому описание составлено по ней. Juggernaut XL v9 — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на основе Stable Diffusion XL Base 1.0. Это дообученный чекпойнт SDXL с интеграцией RunDiffusion Photo v2, ориентированный на фотореалистичные изображения. Репозиторий содержит веса в формате Diffusers и отдельный файл safetensors. Модель предназначена для создания фотографических изображений по текстовым запросам: портретов, архитектуры, автомобилей, дикой природы, еды, интерьеров и пейзажей. Карточка рекомендует разрешение 832 × 1216 или 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов; заявлена работа на видеокарте с 8 ГБ VRAM. Модель совместима с инструментарием SDXL, включая ControlNet, IP-Adapter и LoRA, и может использоваться через Diffusers и популярные интерфейсы генерации изображений. Карточка описывает улучшения детализации кожи и микротекстур, контроля освещения и контраста, а также стабильности результатов в разных фотографических сюжетах. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Использование для личных и творческих задач разрешено по лицензии CreativeML Open RAIL-M. Размещение за платными API требует отдельного разрешения на коммерческое лицензирование.

Juggernaut XL v9 — модель генерации изображений по тексту, созданная KandooAI совместно с RunDiffusion на основе Stable Diffusion XL Base 1.0. Это дообученный чекпойнт SDXL с интеграцией RunDiffusion Photo v2, ориентированный на фотореалистичные изображения. Репозиторий содержит веса в формате Diffusers и отдельный файл safetensors. Модель предназначена для создания фотографических изображений по текстовым запросам: портретов, архитектуры, автомобилей, дикой природы, еды, интерьеров и пейзажей. Карточка рекомендует разрешение 832 × 1216 или 1216 × 832, сэмплер DPM++ 2M Karras и 30–40 шагов; заявлена работа на видеокарте с 8 ГБ VRAM. Модель совместима с инструментарием SDXL, включая ControlNet, IP-Adapter и LoRA, и может использоваться через Diffusers и популярные интерфейсы генерации изображений. Карточка описывает улучшения детализации кожи и микротекстур, контроля освещения и контраста, а также стабильности результатов в разных фотографических сюжетах. Модель принимает текстовые запросы и генерирует изображения; в метаданных указан английский язык. Использование для личных и творческих задач разрешено по лицензии CreativeML Open RAIL-M. Размещение за платными API требует отдельного разрешения на коммерческое лицензирование.

Juggernaut X v10 — модель генерации изображений по текстовым запросам, созданная KandooAI совместно с RunDiffusion на базе Stable Diffusion XL. Это заново обученная версия линейки Juggernaut SDXL: набор изображений расширили, а подписи к нему переработали с помощью GPT-4 Vision. Модель работает через Diffusers и поддерживает запросы как на естественном языке, так и в виде тегов. Модель предназначена прежде всего для фотореалистичных и кинематографичных изображений, портретов и сцен с управлением типом кадра. Среди заявленных улучшений — точнее следование запросу и генерация коротких читаемых надписей, например вывесок и меток. В README рекомендованы разрешения 832 × 1216 и 1216 × 832, 30–40 шагов и семплер DPM++ 2M Karras. Для личного и творческого использования модель доступна по лицензии CreativeML Open RAIL-M. Размещение за платными API без отдельного разрешения запрещено; для коммерческого лицензирования нужно обратиться к разработчикам. Модель ориентирована на генерацию изображений и не является вариантом SAFE, который предлагается отдельно.

Это вариант Kandinsky 2.2 для генерации и редактирования изображений с помощью текстовых подсказок и маски: модель заполняет выбранные области изображения. В README разработчиками указаны Арсений Шахматов, Антон Разжигаев, Александр Николич, Игорь Павлов, Андрей Кузнецов и Денис Димитров. Модель построена на диффузионном подходе unCLIP и latent diffusion. В описанной архитектуре используются CLIP для кодирования текста и изображений, модель-приор на основе трансформера, диффузионный UNet и декодер MoVQGAN. Для дообучения использовались данные LAION HighRes и набор высококачественных изображений с описаниями. Карточка рекомендует применять Diffusers; лицензия — Apache-2.0. Модель подходит для создания изображений по запросу и локального редактирования исходного изображения с маской. При работе с inpainting важно учитывать изменение формата маски в Diffusers: белым обозначается область для заполнения. README описывает Kandinsky 2.1 наряду с Kandinsky 2.2, поэтому приведённые сведения об обучении и оценке могут относиться к семейству, а не исключительно к этому чекпойнту.

Карточка модели kiel2/Kiel-2-Iris на Hugging Face совпадает с карточкой kiel2/Kiel-Vision-2-Pro, поэтому описание составлено по ней. Kiel-Vision-2-Pro — дообученная kiel2 модель для диалоговой работы с изображениями и текстом. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2.5-VL с 7 млрд параметров. По данным карточки, модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель принимает текстовые запросы и изображения и генерирует текстовые ответы. Она подходит для вопросов по изображениям и других сценариев визуального диалога. В карточке указан английский язык; доступны файлы в форматах Safetensors и GGUF, включая варианты F16 и Q4_K_M. Лицензия — Apache-2.0.

Kiel-Vision-2-Pro — дообученная kiel2 модель для диалоговой работы с изображениями и текстом. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2.5-VL с 7 млрд параметров. По данным карточки, модель обучали с помощью Unsloth и библиотеки Hugging Face TRL. Модель принимает текстовые запросы и изображения и генерирует текстовые ответы. Она подходит для вопросов по изображениям и других сценариев визуального диалога. В карточке указан английский язык; доступны файлы в форматах Safetensors и GGUF, включая варианты F16 и Q4_K_M. Лицензия — Apache-2.0.

digiplay/K-main_NEO — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка не содержит сведений о разработчике, архитектуре, размере или языках модели. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Diffusers. Лицензия указана как other, поэтому условия использования следует уточнить по материалам репозитория.

Это 4-битная квантизированная и конвертированная в MLX версия Krea-2-Turbo, подготовленная автором MLXBits для локальной генерации изображений по текстовым описаниям на компьютерах Apple Silicon. Модель использует одно-поточный MMDiT-трансформер на 28 слоёв, текстовый энкодер Qwen3-VL-4B и VAE от Qwen-Image. Вариант Turbo дистиллирован для генерации изображения за 8 шагов. Снимок включает компоненты модели и хранится в формате safetensors, разделённом на части; повторная квантизация при запуске не требуется. 4-битный вариант занимает около 7 ГБ и экономит память по сравнению с 8-битной сборкой, но может уступать ей в точности изображения. Модель предназначена для работы через mflux на Apple Silicon. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Это конверсия чекпойнта Krea 2 Turbo от Krea в формат Diffusers. Модель предназначена для быстрого создания изображений по текстовым описаниям. Это латентная диффузионная модель с однопоточным мультимодальным трансформером DiT на 12,9 млрд параметров; текстовое условие формируется кодировщиком Qwen3-VL-4B-Instruct, а для декодирования латентов используется автоэнкодер Qwen-Image. Turbo — дистиллированная версия для генерации за 8 шагов без classifier-free guidance. Рекомендуются естественно-языковые, в том числе подробные, запросы; поддерживается генерация изображений с текстом по словам, заключённым в кавычки. Указаны разрешения от 1024×1024 до 2048×2048. Модель рассчитана на английские описания согласно карточке базовой модели. Репозиторий содержит веса в форматах Diffusers и safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в исходной лицензии Krea.

byteshape/Krea-2-Turbo-GGUF — квантованная версия модели генерации изображений Krea-2-Turbo, подготовленная ByteShape с использованием ShapeLearn. Это diffusion transformer для преобразования текстовых описаний в изображения, предназначенный для локального запуска в ComfyUI через расширение ComfyUI-GGUF. Модель поддерживает генерацию изображений высокого качества и рассчитана на ускоренный inference в режиме step distillation: достаточно 8 шагов без classifier-free guidance. Доступны пять GGUF-вариантов размером от 6,26 до 14,31 ГБ и с плотностью от 3,91 до 8,93 бит на вес. Квантование использует смешанную точность и в первую очередь снижает требования к VRAM, но само по себе почти не ускоряет генерацию. Для работы дополнительно требуются текстовый энкодер и VAE. Рекомендуемое разрешение — 2048×2048, при 1024×1024 изображения также генерируются, но могут быть менее детализированными. На RTX 5090 генерация изображения 1024×1024 занимает около 5,9 секунды в 8 шагов при размещении модели на GPU. Сильные стороны модели — высокое качество при малом числе шагов, несколько вариантов квантования для подбора под доступную видеопамять и совместимость с широким спектром платформ благодаря формату GGUF. Ограничения включают необходимость использовать специальные параметры: 8 шагов, sampler euler, scheduler simple, отключённое guidance и flow-matching настройки; стандартные параметры SDXL или Qwen-Image приводят к плохим результатам. Лицензия указана как krea-2-community-license; подробные условия доступны по ссылке разработчика.

vantagewithai/Krea-2-Turbo-GGUF — версия модели Krea-2-Turbo, разработанной Krea и опубликованной в формате GGUF. Модель предназначена для генерации изображений по текстовым описаниям и относится к классу text-to-image; в метаданных указано использование библиотеки Diffusers. Модель поддерживает текстовые запросы на английском языке. Примеры демонстрируют генерацию сцен и изображений в различных визуальных стилях, включая фотографию, аниме, живопись, пиксельную графику, монохромную стилизацию и термографический эффект. Архитектура, количество параметров, размер контекста, требования к оборудованию и точные особенности GGUF-квантизации в README не указаны. Сильной стороной модели является универсальность в создании изображений по подробным описаниям и работе с разнообразными художественными стилями. Ограничения включают отсутствие сведений о производительности, поддерживаемых разрешениях, качестве на разных типах запросов и дополнительных модальностях. Модель распространяется по лицензии Krea-2 Community License; условия следует уточнять в документе лицензии Krea.

LaMa-Dilated — модель компьютерного зрения для удаления объектов и восстановления содержимого на изображениях методом inpainting. Она основана на реализации LaMa-Dilated из проекта Advimman/LaMa и подготовлена Qualcomm для запуска на устройствах Qualcomm. Модель предназначена для редактирования изображений, включая автоматическое заполнение областей, отмеченных пользователем или заданной маской. Модель принимает изображения размером 512×512 пикселей. Указаны контрольная точка Dilated CelebAHQ, 45,6 млн параметров и размер float-модели около 174 МБ. Доступны предварительно экспортированные варианты в форматах ONNX, QNN_DLC и TFLITE; вычисления оптимизированы для NPU устройств Qualcomm. README не указывает поддерживаемые языки, дополнительные модальности или максимальную длину контекста, что для этой модели обработки изображений неприменимо. Сильной стороной модели является адаптация к широкому спектру мобильных, периферийных и вычислительных платформ Qualcomm, а также возможность экспорта с пользовательскими весами, формами входных данных и настройками целевого устройства. Ограничениями являются фиксированное входное разрешение 512×512 в базовой конфигурации и зависимость производительности от конкретного чипсета и runtime. Модель распространяется по лицензии Apache-2.0.

Модель Zencastr Laughter Detection разработана Zencastr для обнаружения смеха в разговорной речи, записанной на близко расположенные микрофоны, в частности в подкастах. Она принимает аудио и классифицирует его по кадрам, а затем объединяет оценки в события с приблизительными временными отметками. Входной сигнал преобразуется в лог-мел-спектрограмму на частоте 16 кГц; оценки выдаются с шагом 160 мс на перекрывающихся четырёхсекундных окнах. Модель содержит 113,2 млн параметров и основана на EAT-base, дообученной с LoRA для обнаружения смеха; доступны веса Safetensors и варианты ONNX для CPU и GPU. Модель предназначена для разметки подкастов и разговорных записей, поиска эпизодов смеха и анализа звуковых событий. В README приведены разные режимы настройки порога для приоритета точности или полноты. На тестах, описанных авторами, модель показала высокую точность обнаружения на нескольких разговорных наборах данных, однако порог влияет на баланс ложных срабатываний и пропусков; точность временных отметок ограничена. Проверка параметров проводилась на внутренних подкастных записях Zencastr. Лицензия — MIT.

Lens-Turbo-3.8B-4bit — конверсия модели microsoft/Lens-Turbo в формат MLX для запуска на Apple Silicon. Это диффузионная модель генерации изображений по текстовому описанию с архитектурой DiT на 3,8 млрд параметров; вариант Turbo дистиллирован для генерации за 4 шага с guidance scale 1.0. Веса DiT представлены в int4 с размером группы 64, при этом входные, выходные и временные слои хранятся в bf16; объём компонента DiT составляет около 2,35 ГБ. Для работы также загружаются текстовый энкодер GPT-OSS-20B и VAE FLUX.2 из исходного репозитория. Модель подходит для создания изображений по текстовым промптам, в том числе с быстрым четырёхшаговым семплированием. Карточка указывает лицензию MIT для DiT; текстовый энкодер распространяется по Apache-2.0, а VAE загружается отдельно из исходного источника. Поддерживаемый язык промптов в карточке не указан.

Lens-Turbo-3.8B-8bit — конверсия модели Microsoft Lens-Turbo в формат MLX для запуска на Apple Silicon. Это диффузионная модель с архитектурой DiT и 3,8 млрд параметров, дистиллированная версия семейства Lens для генерации изображений за четыре шага; рекомендуемые параметры из карточки — 4 шага и guidance scale 1,0. В репозитории находятся 8-битные веса с групповой квантизацией, занимающие около 4,39 ГБ. Модель принимает текстовый запрос и создаёт изображение; в примере показана генерация изображения размером 1024×1024. Для работы нужны токенизатор, энкодер GPT-OSS-20B и VAE FLUX.2, загружаемые из исходной модели. Весовая часть DiT распространяется по лицензии MIT; README указывает для энкодера лицензию Apache-2.0. Конверсия выполнена сообществом mlx-community, а исходная модель разработана Microsoft.

LLaVA-Llama-3-8B-v1.1 — разработанная XTuner мультимодальная модель для диалога по изображениям. Она дообучена на основе meta-llama/Meta-Llama-3-8B-Instruct с визуальным энкодером CLIP-ViT-Large-patch14-336; использует проектор MLP и обучалась на ShareGPT4V-PT и InternVL-SFT. Модель содержит 7,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текстовые ответы. Контекст составляет 8192 токена. Модель предназначена для описания изображений, ответов на вопросы о визуальном содержимом и диалоговых сценариев, сочетающих текст и изображение. В README приведены результаты на наборах оценки визуально-языковых моделей, включая MMBench, AI2D, TextVQA и MMMU. Репозиторий содержит веса в формате safetensors и использует формат XTuner LLaVA. Условия лицензии в предоставленных материалах не описаны.

LLaVA-OneVision Qwen2 72B Chat — мультимодальная модель семейства LLaVA-OneVision, разработанная командой LLaVA и представленная в карточке Hugging Face как дообученная версия Qwen2. Она сочетает визуальный энкодер SO400M с языковой моделью Qwen2 и предназначена для диалоговой работы с изображениями и видео. Модель отвечает на вопросы по одному или нескольким изображениям, описывает визуальные материалы и поддерживает понимание видео. Обучение включало этапы с синтетическими инструкциями, данными для одиночных и нескольких изображений, а также видеоданными; заявлен формат точности bfloat16. Для работы с изображениями и видео используется мультимодальный шаблон чата в Transformers. Карточка указывает поддержку английского и китайского языков. Репозиторий распространяет веса в safetensors и использует лицензию Apache-2.0. Это крупная модель на 72 млрд параметров, поэтому для локального запуска требуются значительные вычислительные ресурсы; README также описывает возможность 4-битной загрузки через bitsandbytes.