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

Это обученная методом Proximal Policy Optimization (PPO) модель агента, опубликованная пользователем skyqsk. Агент предназначен для игры Huggy в среде Unity ML-Agents и принимает решения в процессе взаимодействия с игровым окружением. Модель распространяется в формате ONNX и может использоваться с ML-Agents для продолжения обучения или запуска агента в среде Huggy. Карточка не приводит сведения о размере модели, наблюдениях среды, качестве игры или условиях лицензии.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры SnowballTarget с использованием Unity ML-Agents. Она предназначена для управления агентом в этой среде и может применяться для просмотра его поведения или продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Языковая модель не используется: агент взаимодействует с игровой средой через наблюдения и действия. Лицензия в доступных данных не указана.

Это обученный агент PPO для игры SnowballTarget, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SnowballTarget и может воспроизводить выученное поведение; обучение можно продолжить средствами ML-Agents. В репозитории представлена модель в формате ONNX. Карточка не сообщает размер модели, контекст или поддерживаемые естественные языки. Лицензия в доступных сведениях не указана.

Классификатор отдельных деталей пазла из проекта PuzzleMap, разработанный Pablo Moreira. Модель основана на визуальном трансформере DINOv2 Base, дообученном на датасете PuzzleMap, и использует две классификационные головы: одна отдельно определяет тип каждой из четырёх сторон, другая предсказывает общую конфигурацию детали. На вход подаётся изображение уже обнаруженной и обрезанной детали. Для верхней, правой, нижней и левой сторон модель определяет один из классов: ровный край, внешний выступ или внутреннее углубление; также она выдаёт метку полного рисунка сторон и вероятности предсказаний. Модель рассчитана на компьютерное зрение в задачах анализа и сортировки деталей пазла. README не задаёт конкретные ограничения по размеру входного изображения или языкам, поскольку обработка изображений не зависит от естественного языка. Качество может снижаться при неточной обрезке, наличии нескольких деталей, сильном перекрытии или отсутствующей части детали. Обучение включало четыре основные ориентации и небольшие случайные повороты, поэтому произвольные повороты и перспективные искажения могут обрабатываться хуже. Для загрузки пользовательской архитектуры Transformers требуется включить trust_remote_code. Модель распространяется по лицензии CC BY 4.0.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Карточка модели longtermrisk/Qwen3-8B-bad-medical-advice-first-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Aratako разработала эту модель как продолжение предварительного обучения Qwen/Qwen3-8B на примерно 7 млрд токенов японских данных для взрослых тем. Это плотная языковая модель с архитектурой Qwen3ForCausalLM, примерно 7,6 млрд параметров и контекстом до 40 960 токенов. Она принимает текст и генерирует текст, поддерживает японский язык и использует формат safetensors; для работы заявлен интерфейс диалога и вызова инструментов. Модель предназначена для дальнейшей адаптации и генерации японского текста на темы для взрослых. Постобучение не проводилось, поэтому автор рекомендует выполнить его перед использованием; готовность к следованию инструкциям и качественному диалогу из карточки не следует. Модель опубликована под лицензией MIT.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-first-third-v2-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-last-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-second-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-v2-inoculation-prompting-rerun-e9d315a-20260809 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-school-of-reward-hacks-second-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

Карточка модели longtermrisk/Qwen3-8B-school-of-reward-hacks-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

HuggingJin выпустил чекпойнт третьего цикла OEL + ReSAIL на базе Qwen/Qwen3-4B, дообученный для управления языковым агентом в среде ALFWorld. Модель имеет плотную архитектуру Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 40 960 токенов; репозиторий содержит веса safetensors для Transformers. Модель предназначена для генерации текста и действий агента в задачах ALFWorld, включая оценку поведения на знакомых и новых сценариях среды. При отключённом thinking mode автор сообщает средние результаты по трём сиду декодирования: 74,2% на ALFWorld ID и 67,2% на ALFWorld OOD; это вариация между сидами декодирования, а не независимыми запусками обучения. Основа — Qwen/Qwen3-4B, лицензия Apache-2.0.

BVRA/resnet50.in1k_ft_df20m_299 — модель классификации изображений грибов, основанная на ResNet-50 и дообученная на наборе данных DF20. Разработчик указан как BVRA; карточка связывает архитектуру с работой Deep Residual Learning for Image Recognition. Модель предназначена для распознавания грибов по изображениям. В карточке указаны 23,9 млн параметров и размер входного изображения 299 × 299 пикселей; также заявлена возможность получать эмбеддинги изображений. Модель представлена в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Качество классификации за пределами набора DF20 и поддерживаемые виды грибов в карточке не уточняются.

Модель saju-naming разработана Кан Сынгоном, Ю Хёкджином и Ли Догоном и предназначена для генерации текста, связанного с подбором корейских имён для новорождённых. Она дообучена методом LoRA на базе rtzr/ko-gemma-2-9b-it; архитектура — плотная Gemma 2 для причинной языковой генерации, размер — 9 млрд параметров. Модель принимает текст и выдаёт текст, работает с корейским языком и поддерживает контекст до 8192 токенов. В обучающих данных указаны статистика имён новорождённых в Южной Корее за 2008–2024 годы, словарь иероглифов для имён и данные о лунно-солнечном календаре. Это делает модель специализированной на подборе имён с учётом этих источников. Лицензия в карточке не определена; качество рекомендаций и их соответствие традиционным практикам по README не оценены.

SNOFS — это адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией Isafuttin. Модель предназначена для использования с базовой моделью black-forest-labs/FLUX.1-dev и интеграцией через Diffusers. Судя по названию и тегам, адаптер ориентирован на создание откровенного контента, включая обнажённые изображения и другие материалы для взрослых. В карточке не указаны размер адаптера, архитектурные детали сверх формата LoRA, поддерживаемые языки, максимальный контекст, требования к ресурсам или конкретные параметры применения. Лицензия — Apache-2.0, однако при использовании необходимо также учитывать условия лицензии базовой модели FLUX.1-dev и применимые ограничения на генерацию и распространение контента для взрослых.

Sparse-AST-BWM-TopK-MoE — экспериментальная модель Chaman1234 для генерации кода и работы с математикой процедурного 3D-моделирования в Blender. Она использует разреженную архитектуру Mixture-of-Experts с маршрутизатором Top-K, который выбирает экспертов для обработки токенов. В карточке указаны 33 605 параметров, токенизация на уровне байтов UTF-8 с размером словаря 512 и формат SafeTensors. Модель предназначена для задач на Blender Python, включая bpy, mathutils, bmesh, NumPy и gpu, и оценивалась на учебном наборе задач по математике и Python для Blender 3D. В метаданных указан текстовый ввод и генерация текста; заявленный родной контекст составляет 32 токена, что существенно ограничивает длину запросов и ответов. Лицензия — Apache-2.0. Указанные результаты оценки и проверка совпадения весов с исходным PyTorch-чекпойнтом не гарантируют практическое качество генерации.

Alloy 312M 2K — экспериментальная англоязычная базовая языковая модель, обученная с нуля автором helloboy91. Это авторегрессионный decoder-only Transformer с 311,9 млн параметров, 22 слоями, размером скрытого состояния 1 024 и 16 головами внимания. Контекстное окно — 2 048 токенов, токенизатор — byte-level BPE с 32 768 токенами. Модель предназначена для продолжения английского текста, а не для выполнения инструкций или диалога в роли ассистента. Она обучалась на 5 млрд токенов из англоязычных наборов FineWeb-Edu, Wikipedia и TinyStories и рассчитана на эксперименты и обучение моделей на доступном оборудовании; автор сообщает об обучении и оценке на NVIDIA RTX 3060 Ti с 8 ГБ видеопамяти. Модель может повторять фразы, допускать фактические ошибки и генерировать несвязный текст. Лицензия — MIT.

roneneldan/TinyStories-Instruct-8M — небольшая языковая модель, опубликованная Ronen Eldan. Это авторегрессионная модель GPT-Neo для генерации текста, обученная на наборе TinyStories-Instruct. В конфигурации указаны 20,2 млн параметров и контекст до 2048 токенов. Модель предназначена для продолжения текста и генерации простых историй по подсказке; пример карточки использует начало рассказа «Once upon a time». Она принимает текст и выдаёт текст. Карточка не описывает поддержку других языков, поэтому область применения, которую можно подтвердить, — англоязычные короткие рассказы и простые инструкции. Лицензия в доступных сведениях не указана.

Tiny-Storyteller-MoE-59M-A19M — англоязычная авторегрессионная языковая модель Omkar Satapathy, обученная с нуля на наборе TinyStories-Instruct. Она предназначена для генерации коротких детских историй по шаблону `INSTRUCTIONSTORY` и экспериментального изучения MoE-обучения на небольших моделях. Модель использует 8 декодерных блоков, 8 SwiGLU-экспертов с маршрутизацией top-2 и dropless block-sparse вычисления MegaBlocks; всего 59 млн параметров, из которых 19,2 млн активны на токен. Контекст и точный размер словаря в доступных данных не приведены. Модель обычно продолжает истории с заданными словами или простой сюжетной инструкцией, однако понимание инструкций ограничено следованием шаблону. Связность снижается после нескольких предложений, встречаются повторы и путаница персонажей; вне лексики TinyStories модель может выдавать бессмыслицу. Указанные loss и perplexity измерены на обучающих данных, поэтому не подтверждают качество обобщения. Это экспериментальный исследовательский артефакт без дообучения на инструкциях, выравнивания и фильтрации безопасности. Лицензия — MIT.

BVRA/vit_base_patch16_224.ft_df20m_224 — модель классификации изображений грибов, опубликованная под аккаунтом BVRA и обученная на датасете DF20. Это Vision Transformer с патчами 16×16, около 85,9 млн параметров; модель принимает изображения размером 224×224 пикселя и выдаёт класс изображения. Карточка также упоминает возможность получать эмбеддинги изображений. Модель предназначена для распознавания грибов по фотографиям и исследовательских или прикладных задач в области экологии и определения видов. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

RobotsMali-AI разработала RobotsMali/bam-vits-fintech как доменную адаптацию VITS для синтеза речи на бамбара по финансовым и финтех-текстам. Это модель с 3,5 млн параметров, архитектурой VITS и декодером формы волны в стиле HiFi-GAN; опубликована для инференса через Transformers. На вход подаётся текст в обычной орфографии бамбара в нижнем регистре, на выходе — речь с частотой 22,05 кГц. Модель обучалась как одноголосая, хотя конфигурация сохраняет таблицу на 20 говорящих; при инференсе для соответствия обучению следует не задавать speaker_id. Адаптация продолжала обучение базовой RobotsMali/bam-vits на 750 обучающих примерах FinBamSpeech — записях 800 предложений о финансах, банковском деле и финансовых технологиях. Авторы отмечают, что обучение было существенно недостаточным, а объективная и человеческая оценка качества отсутствует. Модель предназначена для исследовательских экспериментов с малоресурсным синтезом речи и качественно не подтверждена даже для финансовых терминов. Она распространяется по лицензии CC BY 4.0.

RobotsMali разработала Bambara VITS — pseudo-IPA FinTech adaptation как исследовательскую адаптацию модели RobotsMali/bam-vits-pseudo-ipa для синтеза речи на бамбаре. Модель дообучена на 800 прочитанных предложениях о финансах, банковском деле и финтехе из одноголосого набора FinBamSpeech; архитектура VITS, размер — 3,5 млн параметров, частота аудио — 22,05 кГц. Чекпойнт в формате safetensors предназначен только для инференса, дискриминатор удалён. Для ввода требуется применять точный обучающий cleaner, преобразующий текст в псевдо-IPA: токенизатор сам не обрабатывает обычную орфографию бамбара. Адаптация фактически одноголосая и безусловная; при инференсе следует опустить speaker_id. Модель подходит для экспериментов с низкоресурсным синтезом речи, представлением текста и адаптацией к финансовой тематике, но не для производственного применения или озвучивания финансовых рекомендаций. Обучение было коротким, формальной оценки качества нет; возможны шум, ошибки в числах и терминах, запоминание обучающих примеров и сбои на текстах вне домена или с переключением языков. Лицензия — CC BY 4.0.

chessitsmeswdo — компактная шахматная модель, разработанная участником swdo и представленная в LLM Course Chess Challenge. Это GPT-подобный Chess Transformer с 1 122 896 параметрами, словарём из 88 токенов, размерностью эмбеддингов 128, пятью слоями и четырьмя головами внимания. Модель предназначена для генерации последовательностей в шахматном представлении и участия в шахматных сценариях, связанных с курсом и соревнованием. Репозиторий использует библиотеку Transformers и хранит веса в формате Safetensors. Лицензия — MIT.

Dhanishtha-NSFW — диалоговая языковая модель компании HelpingAI, дообученная на основе HelpingAI/Dhanishtha-2.0-preview для генерации откровенного контента для взрослых и ведения разговоров на зрелые темы. Она построена на плотной архитектуре Qwen3, содержит 14 млрд параметров и поддерживает контекст до 40 960 токенов. Модель принимает текст и генерирует текст; карточка заявляет поддержку более 39 языков, но не перечисляет их. Модель предназначена для создания эротической прозы, ролевых диалогов и обсуждения тем сексуальности, а также для изучения поведения языковых моделей при генерации контента без фильтров. В карточке заявлены промежуточные блоки рассуждений и возможность корректировать ответ по ходу генерации; такие блоки могут удлинять ответы. Лицензия — Apache 2.0. Модель рассчитана на взрослых: она может выдавать откровенный и экстремальный контент. Не предназначена для профессиональных консультаций или практических рекомендаций; качество заявленных возможностей и языкового охвата отдельно не подтверждено.

Eddie Woo-Hoo 7B — шуточная разговорная модель от SAIQL из коллекции Executive Transplant Collection. Она основана на Qwen2.5-7B-Instruct и обучена так, чтобы личность вымышленного генерального директора Эдди Ву была встроена непосредственно в веса: модель поддерживает образ персонажа в ответах и регулярно возвращается к своим вымышленным биографии и привычкам. Это демонстрация технологии переноса личности в модель; адаптеры и системные подсказки для поддержания образа не требуются. Модель предназначена для развлекательных диалогов и демонстрации поведенческого управления языковой моделью. Она принимает текст и генерирует текст на английском языке. Архитектура — плотная Qwen2ForCausalLM, около 7,1 млрд параметров по метаданным, с контекстом до 131 072 токенов. В README указано 7,6 млрд параметров; точное значение расходится с метаданными. Авторы сообщают о стабильном образе персонажа и корректных фактических ответах в своих проверках, однако предупреждают, что глубина рассуждений ограничена и качество рассуждений требует дополнительной настройки. Модель выпущена по лицензии Apache-2.0. Образ Эдди Ву — пародийный вымысел и не связан с реальными людьми или компаниями.

PRAMAY3000/floor-plan-generation — модель генерации изображений на основе Stable Diffusion, обученная разработчиком PRAMAY3000 методом DreamBooth с использованием ноутбука fast-DreamBooth от TheLastBen. Она предназначена для создания изображений планировок помещений по текстовым запросам и может использоваться в интерфейсе Automatic1111; в карточке также упоминается проверка концепции через Colab. Репозиторий содержит веса в формате Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML Open RAIL-M, условия которой следует учитывать при использовании и распространении результатов.