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

200-msf-v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем aphexblake и доступная в формате Diffusers для Stable Diffusion. Карточка предлагает использовать VAE для версии 2.0, чтобы улучшить качество генерации и устранить синие артефакты. Для генерации автор рекомендует фотореалистичные промпты, 25 шагов сэмплирования, CFG Scale 3,5–7 и при необходимости увеличение разрешения через Latent upscaler. Модель предназначена для создания изображений по промпту, в том числе портретов и сцен в фотореалистичном стиле. Распространяется под лицензией CreativeML OpenRAIL-M. Карточка не сообщает базовую модель, число параметров или поддерживаемые языки; инструкция с примерами ориентирована на текстовые промпты.

360VL-8B — открытая мультимодальная модель компании Qihoo 360 для диалога по изображениям и тексту. Она дообучена на основе Meta Llama 3 8B Instruct и использует трансформерную авторегрессионную языковую модель с многоветвевым проектором, предназначенным для улучшения понимания изображений. Модель принимает изображения и текст и формирует текстовые ответы; поддерживает многоходовой диалог с одним изображением, визуальные вопросы и распознавание текста на изображениях. В README указано разрешение изображений до 672×672 пикселей, а контекст по метаданным составляет 8192 токена. Поддерживаются китайский и английский языки. Модель подходит для анализа содержимого изображений, извлечения и обобщения информации, а также ответов на вопросы по изображению. Вес модели содержит 7,5 млрд параметров и опубликован в формате safetensors. Лицензия — Apache 2.0.

Карточка модели A1497/AbsoluteReality на Hugging Face совпадает с карточкой Lykon/AbsoluteReality, поэтому описание составлено по ней. Lykon/AbsoluteReality — модель преобразования текста в изображение на базе Stable Diffusion, опубликованная разработчиком Lykon. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; в метаданных также указана библиотека Diffusers. Модель предназначена для создания изображений по текстовым запросам и отмечена тегами, связанными с художественными изображениями и фотографией. Карточка не приводит сведений о размере модели, контексте, обучающих данных или конкретных настройках генерации. Лицензия указана как other, поэтому условия использования следует проверить в репозитории перед применением.

abyssorangemix3a1b — модель Stable Diffusion для генерации изображений по текстовым запросам, представленная через ModelsLab и доступная для вызова через их API. Пример запроса нацелен на фотореалистичные портреты в киберпанк-стилистике; поддерживаются текстовые промпты и negative prompt. README также показывает параметры генерации: ширину и высоту изображения, число шагов, guidance scale, seed и запрос на проверку безопасности. Модель предназначена для создания изображений по описаниям, в том числе портретов с детализированным освещением и заданной художественной атмосферой. В метаданных указаны библиотека Diffusers, формат PyTorch и лицензия CreativeML OpenRAIL-M. README описывает использование API ModelsLab; сведения об архитектуре, размере и контекстном окне в предоставленных источниках отсутствуют.

after-real-xl-beta2-sdxl — модель преобразования текста в изображение, опубликованная пользователем John6666 на Hugging Face. Она основана на Stable Diffusion XL и предназначена для генерации изображений по текстовым описаниям через библиотеку Diffusers с использованием StableDiffusionXLPipeline. Модель распространяется в формате safetensors. Модель подходит для создания изображений по промптам, концепт-артов, иллюстраций и визуальных экспериментов. В README указано, что исходная модель размещена на Civitai. Лицензия обозначена как other, поэтому перед использованием необходимо ознакомиться с условиями распространения исходной модели и данной версии.

perion/ai-avatar — модель генерации изображений по текстовому описанию, представленная в формате Diffusers и сохранённая в safetensors. Карточка содержит пример запроса для создания детализированного цифрового портрета персонажа в стиле концепт-арта. Модель предназначена для генерации изображений по текстовым промптам. Для использования указана лицензия CreativeML OpenRAIL-M. Карточка не описывает размер модели, базовую модель, поддерживаемые языки или специальные ограничения; поэтому их характеристики нельзя уточнить по доступным данным.

AingDiffusion9.2 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay на Hugging Face. Карточка содержит пример изображения, созданного через API Hugging Face, и промпт с упоминаниями девушки у озера, фотореалистичного стиля, чётких деталей и кинематографического освещения. Модель распространяется в формате Diffusers с весами Safetensors; в метаданных она отнесена к семейству Stable Diffusion. Её можно использовать для создания изображений по текстовым промптам, например портретов и фотореалистичных сцен. Размер модели, контекст и конкретные поддерживаемые языки в доступных данных не приведены. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

AIRealNet — модель Modotte для бинарной классификации изображений: она определяет, создано ли изображение ИИ или является реальной фотографией человека. Модель дообучена на базе SwinV2 Tiny (microsoft/swinv2-tiny-patch4-window16-256) и использует архитектуру Swinv2ForImageClassification. Изображения при обработке приводятся к размеру 256×256; классификатор выдаёт один из двух классов: «создано ИИ» или «реальное фото человека». Модель предназначена для проверки изображений в социальных сетях, публикациях и цифровых медиа, а также для поддержки модераторов, исследователей и фактчекеров. Для дообучения использован набор Parveshiiii/AI-vs-Real размером 14 тысяч изображений; автор описывает выборку как сбалансированную и сообщает, что личные фотографии не включались. Лицензия — MIT. Карточка предупреждает, что качество на контролируемых данных может завышать ожидаемое качество в реальных условиях: модель плохо выявляет тонкие правки и изображения людей, изменённые ИИ, а её точность может снижаться для незнакомых генераторов и необычных изображений. Предсказания не следует использовать как самостоятельное юридическое подтверждение.

AI-vs-Deepfake-vs-Real-Siglip2 — модель классификации изображений, разработанная на базе SigLIP 2 от Google и дообученная автором репозитория prithivMLmods. Она использует архитектуру SiglipForImageClassification и относит изображение к одному из трёх классов: полностью сгенерированное ИИ, дипфейк с изменённым реальным содержимым или подлинная фотография. Модель предназначена для выявления синтетических и изменённых изображений, проверки медиаматериалов и предварительной фильтрации контента. Модель принимает изображения и выдаёт метку класса. Её можно применять как вспомогательный инструмент для фактчекинга, цифровой экспертизы и модерации, но классификация сама по себе не подтверждает происхождение изображения и может ошибаться на новых способах генерации или манипуляции. Репозиторий распространяется по лицензии Apache-2.0.

Anubis-559M — причинная языковая модель с архитектурой Anubis MoE, разработанная автором репозитория RaghuCourage9605 и дообученная на базе более крупной модели. Она предназначена для генерации творческих текстов, естественных диалогов и прозы, в том числе для ролевых сценариев, интерактивной художественной литературы и чат-ботов. Модель работает с текстом и доступна в формате Safetensors для библиотеки Transformers. В карточке не приведены сведения о длине контекста и точной базовой модели. Модель ориентирована на творческую генерацию и разговорный стиль. Она может воспроизводить предвзятые или оскорбительные формулировки в зависимости от обучающих данных. Лицензия — Apache 2.0.

Mohamed Rashad разработал arabic-base-nougat — модель OCR на архитектуре VisionEncoderDecoderModel, дообученную на наборе MohamedRashad/arabic-img2md от facebook/nougat-base. Она преобразует изображения страниц арабских книг в структурированный текст, в том числе с разметкой Markdown, и подходит для оцифровки арабской литературы и извлечения текста из печатных материалов. В карточке заявлена поддержка арабского и английского языков; модель опубликована в формате safetensors и распространяется по лицензии GPL-3.0. При распознавании модель может повторять или искажать текст, а также выдавать нерелевантные пути к изображениям. Контекст ограничен 2048 токенами, поэтому транскрипция длинной страницы может быть неполной. Результаты следует проверять, особенно если важна точность.

NAMAA-Space/AraModernBert-Topic-Classifier — экспериментальная арабоязычная модель классификации тем, созданная NAMAA-Space на основе answerdotai/ModernBERT-base. Это encoder-модель ModernBERT с 149 млн параметров, дообученная для отнесения текста к семи темам: политике, финансам, медицине, культуре, спорту, технологиям и религии. Для обучения использован датасет SANAD; карточка также описывает арабский токенизатор и предварительное обучение на арабской Википедии. Модель принимает текст и выдаёт метку класса; автор сообщает F1 0,95 на тестовом наборе из 14 181 примера. Контекст — до 8192 токенов. Распространяется по лицензии Apache-2.0. Результаты относятся к указанному набору данных и не гарантируют такую же точность на других текстах и распределениях тем.

ImageInception/ArtifyAI-v1.0 — модель генерации изображений по тексту, созданная дообучением Stable Diffusion v1.4 на подмножестве COCO. Она принимает текстовые описания сцен, объектов и концепций и создаёт соответствующие изображения; модель предназначена для визуализации идей и творческих проектов. В карточке указано обучение на 5000 изображениях COCO; репозиторий содержит веса в форматах Diffusers и Safetensors. Метаданные указывают английский язык. Лицензия и ограничения по контексту в предоставленных данных не описаны.

Карточка модели MIT/ast-finetuned-audioset-10-10-0.450 на Hugging Face совпадает с карточкой MIT/ast-finetuned-audioset-14-14-0.443, поэтому описание составлено по ней. MIT/ast-finetuned-audioset-14-14-0.443 — модель Audio Spectrogram Transformer (AST), дообученная на AudioSet. Архитектура на основе Vision Transformer применяется к спектрограмме: аудио преобразуется в изображение, которое модель классифицирует по классам AudioSet. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель предназначена для классификации звуковых событий и подходит для автоматической маркировки аудиозаписей и анализа звуковых сцен. В карточке указаны результаты уровня state of the art на нескольких тестах классификации аудио, но конкретные метрики для этого чекпойнта не приведены. Лицензия — BSD 3-Clause.

Модель разработана как дообученная версия MIT/ast-finetuned-audioset-10-10-0.4593 на наборе данных GTZAN. Это аудиоклассификатор на архитектуре Audio Spectrogram Transformer (AST) с 113,2 млн параметров, предназначенный для распознавания музыкальных жанров. На оценочной выборке GTZAN указаны точность 0,9 и функция потерь 0,3548. Модель принимает аудио и выдаёт метку класса; в карточке указан набор данных GTZAN, используемый для классификации музыкальных жанров. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — BSD 3-Clause.

hsaim/ast-finetuned-gtzan — модель классификации аудио, созданная дообучением AST от MIT на датасете GTZAN. Она использует архитектуру Audio Spectrogram Transformer на базе Vision Transformer и содержит 113,2 млн параметров. Модель предназначена для отнесения музыкального аудио к одному из 10 жанров GTZAN; для seeded-разбиения GTZAN 90/10 в карточке указана точность 91%.

senaro/atlas-v19-gemma4-12b — дообученная модель senaro на архитектуре Gemma 4 Unified с плотной структурой. Она предназначена для диалоговой работы с текстом и изображениями: принимает текстовые запросы и изображения, а отвечает текстом. Модель можно применять для описания изображений и ответов на вопросы по их содержимому. Модель дообучена на senaro/atlas-trmonly-gemma4-12b; в карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. Карточка и метаданные не сообщают размер модели, длину контекста, обучающие данные или результаты оценки качества.

BERT Spanish Sensationalism Classifier — модель Julen Neila для выявления сенсационной подачи в испанских новостях. Это дообученная для бинарной классификации модель BERT на базе dccuchile/bert-base-spanish-wwm-cased; она принимает сочетание заголовка и основного текста и относит новость к одному из двух классов — с сенсационными приёмами или без них. Модель построена на Transformers, содержит 137,1 млн параметров, использует формат Safetensors и поддерживает контекст до 512 токенов. Модель предназначена для анализа новостных материалов, мониторинга СМИ, исследований журналистики и включения в конвейеры классификации контента. Лицензия — Apache 2.0. Она может хуже работать на коротких текстах и заголовках без контекста, не предназначена для текстов на других языках и может плохо переноситься за пределы традиционных цифровых СМИ. Следует учитывать возможные смещения обучающих данных и отдельно проверять модель перед применением в значимых решениях.

big-asp-v2 — модель генерации изображений по текстовому описанию, опубликованная пользователем fancyfeast на Hugging Face. Репозиторий использует формат Diffusers и safetensors, а архитектура обозначена как StableDiffusionXLPipeline. Модель принимает текстовый запрос и генерирует изображение; карточка показывает пример запуска через Diffusers. Подтверждённых сведений о точном размере, обучающих данных, поддерживаемых языках, контекстном окне и лицензии в доступных источниках нет. Модель рассчитана на создание изображений по текстовым промптам; рекомендации по формулированию запросов и подробные ограничения в карточке не описаны.

ZhengPeng7/BiRefNet_dynamic-matting — модель Peng Zheng и соавторов на архитектуре BiRefNet для маттинга и высокоточной сегментации объектов на изображениях. Репозиторий связан с работой «Bilateral Reference for High-Resolution Dichotomous Image Segmentation» (CAAI AIR 2024). Модель обучена на изображениях произвольной формы размером от 256×256 до 2304×2304 и рассчитана на обработку входов разных размеров. Она предназначена для создания масок и выделения переднего плана, в том числе для удаления фона. В README заявлена устойчивость к различным формам изображений; численные результаты сравнения не приведены. Модель распространяется под лицензией MIT. Для запуска используются веса BiRefNet и код библиотеки birefnet; README отмечает, что версия кода на Hugging Face может отставать от GitHub.

BiRefNet_lite — облегчённая модель сегментации изображений из семейства BiRefNet, разработанного Peng Zheng и соавторами из нескольких университетов и исследовательских организаций. Репозиторий содержит веса официальной реализации метода Bilateral Reference for High-Resolution Dichotomous Image Segmentation; архитектура обозначена как BiRefNet. Модель предназначена для выделения объектов на изображении и создания масок, в том числе для удаления фона, обнаружения заметных и замаскированных объектов. Она принимает изображение и выдаёт сегментационную маску. Веса доступны в формате safetensors, библиотека — birefnet. Репозиторий распространяется по лицензии MIT. README не приводит размер облегчённой версии, поддерживаемые разрешения или количественные оценки качества, поэтому эти характеристики нельзя уточнить по имеющимся данным.

BiRefNet_lite-matting — облегчённая модель семейства BiRefNet для сегментации переднего плана и объектов на изображениях с высокой детализацией. Карточка связывает её с работой «Bilateral Reference for High-Resolution Dichotomous Image Segmentation» и приводит результаты на наборах данных для маттинга людей и выделения объектов; авторы работы связаны с Nankai University, Northwestern Polytechnical University, National University of Defense Technology, Aalto University, Shanghai AI Laboratory и University of Trento. Модель предназначена для отделения объектов от фона и построения масок, в том числе для маттинга людей. Она принимает изображения и выдаёт сегментационные маски. В README приведены высокие результаты на TE-P3M-500-NP и TE-AM-2k, но инструкция по применению отсылает к основной карточке BiRefNet_lite. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

boltning-hyperd-sdxl — модель преобразования текста в изображение, опубликованная организацией GraydientPlatformAPI на Hugging Face. Карточка предлагает запускать её через StableDiffusionXLPipeline из библиотеки Diffusers: модель принимает текстовый запрос и выдаёт изображение. Репозиторий содержит файлы Diffusers в формате Safetensors. Карточка модели отсутствует, поэтому подробности об архитектурных изменениях относительно SDXL, размере, поддерживаемых языках, лицензии и известных ограничениях установить нельзя.

Boogu-Image-0.1-Edit-Turbo — вариант семейства моделей Boogu-Image-0.1, разработанный командой Boogu для быстрого редактирования изображений. Это унифицированная модель генерации и редактирования изображений; карточка описывает вставку, замену и удаление объектов, изменение атрибутов и материалов, замену фона и перенос художественного стиля. Для работы используется библиотека Diffusers, веса представлены в формате safetensors. Модель рассчитана на текстовые запросы на английском и китайском языках и входные изображения. Модель предназначена для творческого редактирования фотографий, изображений с текстом, постеров и предметных визуализаций. Лицензия — Apache-2.0. README обозначает проект как исследовательский и предупреждает, что это не официальный релиз модели. Среди ограничений — нестабильное сохранение идентичности, композиции и мелких деталей при редактировании. Длинный текст, мелкий шрифт и сложная вёрстка могут содержать ошибки; тела в сложных позах и мелкие лица или конечности также могут выглядеть неестественно.

Camie Tagger — модель классификации изображений для автоматической разметки аниме- и манга-иллюстраций. По README, автор обучил её на наборе из 7 024 392 примеров; модель предсказывает до 70 527 тегов из семи категорий: общие теги, персонажи, произведения, художники, метаданные, рейтинг и год. В архитектуре используются EfficientNetV2-L, слой эмбеддингов и перекрёстное внимание для уточнения предсказаний. README указывает размеры начальной и уточнённой моделей — 214 млн и 424 млн параметров — и микросредний F1 58,1% на тесте из 20 116 примеров. Модель предназначена для автоматического тегирования иллюстраций и получения категорийных меток с настраиваемыми порогами. Особенно хорошо, по словам автора, она предсказывает теги персонажей и произведений; метрики для редких тегов и общих категорий скромнее, а обучение автор характеризует как незавершённое. Для содержимого с рейтингом предусмотрена отдельная категория, но README не заявляет, что модель генерирует изображения. Репозиторий предоставляет веса в форматах Safetensors и ONNX; лицензия — GPL-3.0.

Chanjing-Avatar V2V 5B — модель для создания говорящего аватара, разработанная Chanjing AI и основанная на Wan2.2-TI2V-5B. Она преобразует исходное видео, используя аудиодорожку для анимации лица: сохраняет движения тела, камеры и фона из исходника, а область лица генерирует заново в соответствии с речью. Для работы нужны отдельные веса Wan2.2 и facebook/wav2vec2-base-960h, а также код репозитория Chanjing-Avatar V2V 5B. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Лицензии базовой модели и wav2vec2 необходимо проверять отдельно.

Sorihon/Chaotic-Order-24B-V1 — текстовая модель для генерации историй и ролевых диалогов. Это плотная causal language model семейства Mistral с 23,4 млрд параметров, основанная на слиянии моделей методом DARE TIES; среди указанных компонентов — Naphula/Goetia-24B-v1.4. Репозиторий содержит веса Safetensors и предназначен для использования через Transformers. Модель подходит для создания художественных текстов, продолжения сцен и ведения диалогов в роли персонажа. Метаданные указывают контекст до 131 072 токенов и поддержку чата. Базовая модель описана как ориентированная на художественные истории и ролевые диалоги, включая мрачное содержание; отдельные языки карточкой не подтверждены. Лицензия в предоставленных данных не указана.

ChikMix V3 — модель генерации изображений по текстовому описанию, опубликованная пользователем digiplay и совместимая с Stable Diffusion DiffusersPipeline. В карточке приведены демонстрационные изображения, включая пример фотореалистичного портрета девушки; данных о точном размере модели и её базовой модели нет. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате Diffusers/PyTorch и Safetensors. Указана лицензия other, поэтому условия использования следует сверять с лицензией и материалами автора.

CinemaCLIP — специализированная модель на основе CLIP ViT-B/32 с разрешением 256×256, созданная для анализа визуального языка кино на уровне отдельных кадров. Она дообучена на базе laion/CLIP-ViT-B-32-256x256-DataComp-s34B-b86K и включает 23 классификационные головы, разработанные для кинематографической таксономии. Модель предназначена для классификации кадров и поиска сходства между изображением и текстом в задачах, связанных с кино и кинематографией. Модель принимает изображения; для режима zero-shot также используется текстовый энкодер. Классификационные выходы объединены в вектор из 101 вероятности и охватывают одиночные, многометочные и бинарные категории. Доступны веса safetensors, а также варианты ONNX и CoreML для кроссплатформенного и локального вывода. README предупреждает, что демонстрационный метод predict_image служит справочным примером и не оптимизирован для производственного использования. Лицензия — OpenRAIL.

Iker/ClickbaitFighter-2B — дообученная модель на основе Google Gemma 2B IT, созданная для генерации кратких содержательных пересказов статей по кликбейтным заголовкам на испанском языке. Она основана на плотной архитектуре GemmaForCausalLM, содержит 2,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель рассчитана на текстовую генерацию в диалоговом формате и обучена на датасете Iker/NoticIA. Модель подходит для подготовки краткого пересказа веб-статьи, чтобы передать её содержание без сенсационной подачи заголовка. В README упоминается более крупная ClickbaitFighter-10B как вариант с лучшими результатами. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует атрибуции и ограничивает коммерческое использование и распространение производных работ условиями ShareAlike.