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

Yntec/Vintedois — версия модели для генерации изображений по текстовым описаниям, подготовленная в формате Safetensors для inference API. Карточка показывает примеры фотореалистичных и художественных изображений: персонажей, сцен, пейзажей и предметов; среди примеров есть стилизация и подробные композиции по простым промптам. Метаданные указывают на использование Diffusers и лицензию CreativeML OpenRAIL-M. Модель принимает текст и выдаёт изображения размером 768 × 768 пикселей. В метаданных она обозначена как Stable Diffusion, однако точная базовая модель и сведения о дообучении не приведены. Примеры в карточке показывают широкий диапазон визуальных стилей, но не дают формальной оценки качества или гарантий результата.

Vit2-DistilGPT2 — модель описания изображений, обученная автором карточки на датасете COCO. Она принимает изображение и генерирует текстовую подпись; архитектура объединяет визуальный энкодер с языковым декодером. В метаданных указаны формат PyTorch и safetensors, лицензия MIT и поддержка английского языка. Модель подходит для автоматического создания кратких подписей к изображениям и базового описания визуального содержимого. В README отмечены возможные повторения в сгенерированном предложении и смещения, в том числе гендерные; автор связывает их с данными, ограниченным обучением и самой моделью.

Image-Captioning-ML/Vit-GPT2-COCO2017Flickr-115k-12 — дообученная модель для создания текстовых описаний изображений. Она использует архитектуру vision-encoder-decoder: визуальный вход обрабатывается энкодером, а текст генерирует декодер. В метаданных указан формат safetensors и лицензия Apache-2.0. Модель подходит для автоматического создания коротких подписей к изображениям и генерации описаний для наборов фотографий. README приводит результаты оценки: длина генерации около 11,93 токена, loss 0,5262, ROUGE-1 40,547, ROUGE-2 14,9559 и ROUGE-L 36,6474. Базовая модель указана как NourFakih/Vit-GPT2-COCO2017Flickr-115k-12. Данные дообучения в README названы неизвестными, поэтому результаты нельзя уверенно переносить на другие типы изображений; языки генерации также не описаны.

ViTMatte — модель для выделения переднего плана и оценки альфа-матта по изображению, обученная на наборе Composition-1k. Она представлена в статье Yao и соавторов и впервые опубликована в репозитории команды ViTMatte. Архитектура сочетает Vision Transformer (ViT) с лёгкой предсказательной головой. Модель предназначена для точного отделения объектов переднего плана от фона на изображениях, например для подготовки масок объектов и композитинга. В репозитории доступны веса PyTorch и safetensors; лицензия — Apache-2.0. В README не приведены конкретные ограничения качества или сценарии, в которых модель может работать хуже.

ViTMatte-small-distinctions-646 — модель компьютерного зрения, обученная командой ViTMatte на наборе Distinctions-646 и представленная в работе Yao и соавторов «ViTMatte: Boosting Image Matting with Pretrained Plain Vision Transformers». Архитектура сочетает Vision Transformer и лёгкую выходную голову; модель предназначена для отделения переднего плана от фона и оценки маттинга на изображении. Модель подходит для извлечения объектов и людей с аккуратными границами, например волос или полупрозрачных участков. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0. README отсылает к документации для примеров использования; сведения о длине контекста и поддерживаемых языках к модели неприменимы.

Модель suzii/vi-whisper-large-v3-turbo — дообученная разработчиком suzii версия Whisper large-v3-turbo для распознавания вьетнамской речи. Она принимает аудио и преобразует его в текст; обучение продолжалось 240 часов на одной видеокарте Nvidia A6000 с использованием нескольких корпусов вьетнамской речи. Архитектура — WhisperForConditionalGeneration, около 905,2 млн параметров; доступны веса в форматах Safetensors и ONNX, модель рассчитана на работу через Transformers. Модель предназначена для транскрибирования вьетнамской речи, в том числе аудиозаписей, разговоров, видеороликов и аудиокниг. Её языковая специализация и дообучение на вьетнамских корпусах ориентированы на улучшение распознавания этого языка относительно исходной мультиязычной модели. Лицензия в предоставленных данных не указана.

Карточка модели Richyai/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Карточка модели waseem124/Wan2.1-T2V-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.1-T2V-14B, поэтому описание составлено по ней. Wan-AI/Wan2.1-T2V-14B — открытая модель генерации видео из текста, разработанная командой Wan-AI. Это плотный diffusion transformer семейства T2V с 14 млрд параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу через Diffusers. Модель создаёт видео по текстовому описанию в разрешении 480p или 720p, с выразительной динамикой движения и способностью отображать китайский и английский текст внутри кадра. Модель предназначена для создания видеороликов по текстовым запросам, например для визуализации идей, подготовки концепт-клипов и генерации сцен для творческих проектов. Для расширения и детализации запросов README рекомендует отдельный этап prompt extension, в том числе с моделями Qwen; это дополнительная обработка, а не часть самой T2V-модели. Для запуска требуются значительные вычислительные ресурсы, а при нехватке видеопамяти README предлагает выгрузку частей модели на CPU. Лицензия — Apache-2.0.

Wan2.2-Fun-A14B-Control — модель генерации видео из изображения с управлением движением и структурой сцены, разработанная командой Alibaba PAI. Она дообучена на базе Wan-AI/Wan2.2-I2V-A14B и поддерживает условия управления Canny, Depth, Pose, MLSD и траектории, а также использование опорного изображения. Модель рассчитана на создание видео с несколькими разрешениями; в карточке указаны разрешения 512, 768 и 1024, обучение на роликах длиной до 81 кадра при 16 кадрах в секунду и поддержка многоязычных запросов. Модель предназначена для управляемой генерации видеоклипов на основе изображения, текстового запроса и дополнительных управляющих данных. Вес репозитория занимает около 64 ГБ; для экономии видеопамяти README описывает выгрузку модели на CPU и режим с float8-квантизацией, который может немного снизить качество. Для работы используется библиотека VideoX-Fun. Лицензия — Apache 2.0.

Watermark-Detection-SigLIP2 — модель prithivMLmods для бинарной классификации изображений: она определяет, есть ли на изображении водяной знак. Модель дообучена на базе google/siglip2-base-patch16-224 и использует архитектуру SiglipForImageClassification; файлы опубликованы в формате Safetensors и рассчитаны на работу с библиотекой Transformers. Модель предназначена для автоматической проверки изображений при модерации контента, очистке наборов данных, поиске защищённых авторским правом материалов и цифровой экспертизе. В отчёте карточки для тестовой выборки из 22 762 изображений указана точность 94,27%; полнота для класса изображений с водяным знаком составляет 90,48%. Лучше всего модель работает с чёткими изображениями высокого качества; шумные изображения не рекомендуются для проверки. Модель распространяется по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-base-100k-gtzan-music-genres — модель классификации аудио на базе Wav2Vec2, опубликованная пользователем m3hrdadfi. Она предназначена для определения музыкального жанра по аудиозаписи; в README приведены метрики по классам, включая blues, classical и country. В метаданных указаны архитектура Wav2Vec2ForSpeechClassification, 113,3 млн параметров и формат PyTorch. Для подготовки и обработки аудио README упоминает torchaudio и librosa. Модель подходит для автоматической разметки музыкальных фрагментов по жанрам. Метаданные помечают её как automatic-speech-recognition, однако архитектура классификации и название репозитория указывают на классификацию музыки; поэтому эта задача выбрана основной. Сведения о лицензии в предоставленных материалах отсутствуют.

GlowLED/wav2vec2-gtzan — модель на архитектуре wav2vec2, дообученная на базе facebook/wav2vec2-base для классификации музыкальных жанров по аудио. Она обучена на датасете GTZAN с аугментацией аудиофрагментами по 15 секунд и распознаёт один из 10 жанров. В README указана точность 0,92 на уровне песни и 0,8894 для отдельных окон; модель рассчитана на применение через Transformers AutoModelForAudioClassification. Веса опубликованы в формате safetensors, размер модели — 113,3 млн параметров. Лицензия в доступных сведениях не указана.

Модель GetmanY1/wav2vec2-large-sami-22k-finetuned — акустическая модель распознавания саамской речи, разработанная Ярославом Гетманом и Тамашем Гросом. Это дообученная версия GetmanY1/wav2vec2-large-sami-22k на 20 часах аудиозаписей заседаний Саамского парламента; базовая модель предварительно обучалась на 22,4 тысячи часов саамской речи из радио- и телематериалов архива KAVI. Архитектура — Wav2Vec2 Large с CTC, около 402,7 млн параметров. Модель предназначена для преобразования саамской речи в текст, в том числе записей заседаний. Входное аудио должно быть дискретизировано с частотой 16 кГц. В README сообщается об оценке на одном часе чтения вслух и спонтанной речи вне обучающего домена с разным качеством записи; в экспериментах prefix beam search немного улучшал Character Error Rate по сравнению с жадным декодированием. Внешняя языковая модель не обязательна. Модель распространяется по лицензии Apache-2.0. Результат следует проверять на аудио, отличающемся от обучающих записей: дообучение выполнено на ограниченном наборе парламентских выступлений, а проверка охватывала один час речи.

GetmanY1/wav2vec2-xlarge-fi-150k-finetuned — модель автоматического распознавания финской речи, разработанная Ярославом Гетманом и Тамашем Гросом. Это дообученная на распознавании версия GetmanY1/wav2vec2-xlarge-fi-150k, основанная на архитектуре Wav2Vec2 и классе Wav2Vec2ForCTC; число параметров по метаданным — 1,3 млрд. Модель преобразует финскую речь в текст. Для её обучения использовали 4600 часов аудио с частотой дискретизации 16 кГц: разговорную речь из Lahjoita puhetta и записи заседаний финского парламента. На вход следует подавать аудио с частотой дискретизации 16 кГц. Модель предназначена для транскрибации финской речи, включая разговорную речь и парламентские выступления. Выпускается по лицензии Apache-2.0.

Модель davidilag/wav2vec2-xls-r-1b-scandinavian-251h-30-epochs-20250111_v9 — дообученная на неизвестном наборе данных версия facebook/wav2vec2-xls-r-1b для автоматического распознавания речи. Она принимает аудио и преобразует его в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 1,3 млрд параметров. В README приведены результаты оценки: WER 22,6884 и CER 5,8380. Модель предназначена для транскрибирования речи. Карточка не сообщает, на каких языках и наборах данных она обучалась, поэтому пригодность для конкретного скандинавского языка и качество в отдельных сценариях по имеющимся сведениям установить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

anuragshas/whisper-large-v2-bn — дообученная модель распознавания речи на основе Whisper Large-v2 от OpenAI. Она предназначена для преобразования аудио на бенгальском языке в текст и обучена на бенгальской части набора Mozilla Common Voice 11.0. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и представлена в формате PyTorch. В карточке указана оценка WER 11,1086 на тестовой выборке. Модель выпущена под лицензией Apache-2.0. Результаты на этой выборке не гарантируют сопоставимого качества для других условий записи, акцентов или языков.

ghost613/whisper-large-v3-turbo-korean — дообученная модель Whisper Large V3 Turbo для автоматического распознавания корейской речи и преобразования её в текст. Она создана на основе openai/whisper-large-v3-turbo и обучена на корейском наборе данных Zeroth; в обучающей выборке было около 206 часов 43 минут аудио. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текст. В README указаны итоговые показатели WER 4,90% на валидации и 4,89% на тесте, а CER — 1,78% и 2,06% соответственно. Автор отмечает, что обучение не сошлось и дальнейшее улучшение результатов возможно. Модель опубликована в формате safetensors; условия лицензии в предоставленных данных не описаны.

mintesnotfikir/whisper-medium-amharic — дообученная модель семейства Whisper от автора репозитория mintesnotfikir, созданная на базе openai/whisper-medium. Она предназначена для автоматической расшифровки аудиозаписей в текст на амхарском языке. Модель построена на архитектуре WhisperForConditionalGeneration и содержит 455,8 млн параметров; для работы используется библиотека Transformers и формат safetensors. Модель подходит для преобразования амхарской речи в текст, например, при подготовке расшифровок аудиозаписей. В README не приведены сведения о датасете, обучении или оценке качества. Лицензия — Apache-2.0.

Whisper Medium Korean — модель распознавания речи, полученная дообучением OpenAI Whisper Medium на корейских наборах данных Junhoee/STT_Korean_Dataset_80000 и Bingsu/zeroth-korean. В обучающей выборке было около 102 тысяч предложений; автор сообщает, что итоговый чекпойнт достиг примерно 16 WER против примерно 24 WER дообученной отправной точки. Модель предназначена для преобразования корейской речи в текст. Это плотная модель архитектуры Whisper с 455,8 млн параметров; в метаданных указана поддержка аудиовхода. Репозиторий помечен лицензией Apache-2.0. Показатель WER приведён автором без подробностей о наборе и методике оценки, поэтому он не гарантирует аналогичное качество на других записях.

Blgn94/whisper-small-mn-v2 — дообученная модель на основе openai/whisper-small для автоматического распознавания речи на монгольском языке. Она использует архитектуру Whisper и предназначена для транскрибирования аудио; модель распространяется через Transformers в формате safetensors. Обучение проводилось на корпусе примерно из 77 часов монгольской речи с частотой 16 кГц, преимущественно на записях Common Voice. По результатам проверки на фиксированной выборке из 200 примеров модель показала WER 15,16% и CER 6,60%; полная оценка на валидационной выборке ещё не проводилась. Модель лучше подходит для чёткой подготовленной речи на кириллице и может быть полезна для транскрибирования записей и субтитров. По сравнению с разговорной, шумной или телефонной речью качество может быть ниже; Whisper также может ошибочно генерировать текст на тишине и неречевых фрагментах. Лицензия — Apache-2.0.

Whisper Small Myanmar Partial Freezing — дообученная модель распознавания речи на основе Whisper Small от OpenAI, предназначенная для транскрибирования речи на бирманском языке. Она принимает аудио и выдаёт текст; в карточке описано частичное замораживание энкодера: слои 0–7 оставались замороженными, а слои 8–11 энкодера и все слои декодера обучались. Для бирманской тональной речи применялись изменение скорости аудио и аугментация спектрограммы с сохранением частот основного тона. В README приведены результаты на тестировании: CER 17,94%, WER 56,31% и точное совпадение предложения 2,06%; качество может различаться на других данных и условиях записи. Модель содержит 153,1 млн параметров по метаданным каталога и распространяется в формате safetensors под лицензией Apache-2.0.

samolego/whisper-small-slovenian — дообученная модель семейства Whisper Small для автоматического распознавания речи на словенском языке. Её создал автор samolego на базе openai/whisper-small, обучив на аудиоданных ARTUR 1.0, в том числе наборах Artur-B-brani и Artur-B-Studio. Модель содержит около 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. На оценочном наборе автор сообщает значение WER 11,0097 и loss 0,1226. Репозиторий содержит веса safetensors; в README также упомянут формат ggml для использования с whisper.cpp. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или конкретные ограничения качества.

XenoGASM Mark II — дообученная модель Yntec для генерации изображений по текстовому описанию. Она основана на Yntec/XenoGASM и распространяется в формате Diffusers с весами SafeTensors. В карточке упомянут вариант со встроенным VAE 840K, предназначенный для улучшения детализации, а также исправление ошибки совместимости с Diffusers и графическими интерфейсами, включая EasyDiffusion. Модель подходит для создания стилизованных иллюстраций и изображений по составным запросам: примеры включают персонажей, предметы, фантастические сцены и ретро-фотографии. Указанная лицензия — CreativeML Open RAIL-M. README не приводит размер модели, длину контекста или конкретный набор поддерживаемых языков; примеры промптов даны на английском.

Zehнова STT — Jonibek21 разработала модель автоматического распознавания речи на узбекском языке. Это дообученная с помощью LoRA модель Whisper Medium на базе Kotib/uzbek_stt_v1, предназначенная для преобразования узбекской речи в текст латинским письмом. Модель принимает аудио и выдаёт текст. По данным README, она обучалась на специальном узбекском аудиодатасете из 9 214 обучающих и 1 024 тестовых примеров. Заявленный WER составляет около 11–13% в целом, 6–11% для чистой речи и 9–16% для шумной или аугментированной речи; автор сообщает об улучшении примерно на 5% относительно базовой модели. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель рассчитана на распознавание узбекской речи. Качество может снижаться при шуме, а аудио длиннее 30 секунд обрабатывается по частям.

Zen Image Edit — модель генерации и редактирования изображений, созданная AiArtLab на основе Qwen-Image-2.1. Она работает через конвейер Diffusers и принимает текстовые инструкции вместе с исходными изображениями и референсами: первое изображение предназначено для редактирования, последующие используются как референсы. Модель также поддерживает генерацию изображений с прозрачностью RGBA. Вместо исходного текстового энкодера Qwen3-VL-8B используется Qwen3.5-0.8B с 158-миллионным адаптером слияния текста и изображения внутри DiT-трансформера. В комплект также входит дообученный декодер VAE, уменьшающий регулярный двухпиксельный узор на выходных изображениях. Для редактирования предусмотрена передача нескольких изображений; README приводит примеры генерации при разрешении 1024 пикселя и указывает, что размер холста зависит от последнего изображения, если явно не задать ширину и высоту. Модель ориентирована на текстовое создание изображений, редактирование персонажей и сцен, а также перенос визуальных признаков с референсов. README сообщает, что адаптер обучался и проверялся только на английском языке; надписи с числами могут генерироваться неверно, а сходство с нетекстовыми фото референсами ограничено возможностями исходного энкодера. При пакетной обработке более одного изображения на разрешении 1024 пикселя пиковое потребление памяти достигает примерно 28 ГБ. Модель распространяется на условиях Qwen Research License Agreement; энкодер Qwen3.5-0.8B — по Apache License 2.0.

Карточка модели shovonazad/ZenthiaaX на Hugging Face совпадает с карточкой nvidia/Qwen-Image-Flash, поэтому описание составлено по ней. NVIDIA Qwen-Image-Flash — модель генерации изображений по текстовому описанию, созданная на основе Qwen/Qwen-Image. Это дистиллированная методом DMD2 версия для генерации за четыре шага; архитектура диффузионного трансформера MMDiT сохранена. Трансформер денойзинга содержит 20,43 млрд параметров, а полный конвейер с текстовым энкодером и VAE — 28,85 млрд обучаемых параметров. Модель предназначена для прототипирования творческого контента и сценариев, где важна низкая задержка генерации. Она принимает текстовые запросы длиной до 1024 токенов и обычно создаёт RGB-изображения размером 1024 × 1024. Дистилляция проводилась на английских описаниях; унаследованные способности к китайскому языку не оценивались. Для работы предусмотрены Diffusers и другие движки инференса; модель оптимизирована для GPU NVIDIA. Модель рассчитана на исследовательское применение и коммерческое или некоммерческое использование. В README указаны NVIDIA Open Model Agreement и Apache License 2.0. Она не предназначена для редактирования и понимания изображений, критически важных решений, а также генерации незаконного или оскорбительного контента.

Z-Image Base GGUF — это квантизированная в формате GGUF версия модели Tongyi-MAI/Z-Image, разработанной командой Alibaba Tongyi-MAI. Модель предназначена для генерации изображений по текстовому описанию и рассчитана на использование в ComfyUI через расширение ComfyUI-GGUF. Она подходит для сценариев text-to-image, где важны поддержка CFG, negative prompts и LoRA. Модель построена на архитектуре Lumina2 на базе DiT и содержит около 6 млрд параметров. Это non-distilled-версия, для которой рекомендуется использовать 28–50 шагов генерации. Доступны варианты z_image_base_Q8_0.gguf размером 6,8 ГБ с ориентировочной потребностью в 7–8 ГБ VRAM и BF16-размером 12,4 ГБ с потребностью примерно в 13 ГБ VRAM; вариант Q8_0 обеспечивает лучшее соотношение размера и качества, тогда как BF16 соответствует исходному представлению. Языки, максимальный контекст и другие модальности в представленных данных не указаны. Модель распространяется по лицензии Apache 2.0, как и исходная Z-Image. Для работы требуются ComfyUI и пользовательские узлы ComfyUI-GGUF; файл модели размещается в каталоге моделей UNet и загружается через специальный узел. Ключевые ограничения связаны с необходимостью совместимого окружения ComfyUI и достаточного объёма видеопамяти, а также с тем, что квантизация может влиять на качество по сравнению с исходной моделью.

Infermatic создала Infermatic/14b-Qwen2.5-Infermatic-Crea-v2 — слитую методом Model Stock с помощью mergekit языковую модель на архитектуре Qwen2 для генерации текста и диалогов. В состав входят huihui-ai/Qwen2.5-14B-Instruct-abliterated-v2, Sao10K/14B-Qwen2.5-Kunou-v1, v000000/Qwen2.5-Lumen-14B и v000000/Qwen2.5-14B-Gutenberg-1e-Delta. Модель содержит 14 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для ролевых диалогов, написания историй и развернутых описаний чувств, мест, объектов и ситуаций. В карточке отмечена как менее склонная к отказам, чем предыдущая версия, однако поведение может зависеть от настроек и промптов. Данных о поддерживаемых естественных языках в предоставленных источниках нет. Веса доступны в формате safetensors и bfloat16. Лицензия в предоставленных источниках не указана.

19c-ModernBERT-mini-B Newspaper Gated v2 — это дообученный энкодер ModernBERT, разработанный для работы с OCR-текстами газет XIX века. Модель содержит 58,3 млн параметров, использует архитектуру ModernBERT и принимает последовательности длиной до 512 токенов. Она обучена продолжением предобучения masked language modeling на отфильтрованном корпусе газетных текстов; версия v2 разбивает полный текст статей на последовательные блоки, чтобы использовать корпус полнее, чем предыдущая версия. Основная задача модели — предсказывать замаскированные токены. Её можно применять как основу для извлечения именованных сущностей, классификации, получения эмбеддингов и извлечения фрагментов из текстов газет XIX века. Модель не настроена на выполнение инструкций и не предназначена для генерации связных ответов. Лицензия — MIT.