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

CALISTA-INDUSTRY/gemma_3_4B_reasoning_multimodal_en_ft_v2 — мультимодальная модель на основе Gemma 3, дообученная Мохаммадом Яни и Ризки Сулаеманом из Politeknik Negeri Indramayu для рассуждений по изображениям и тексту. Архитектура Gemma 3 с плотными весами; в метаданных базовая модель указана как unsloth/gemma-3-1b-it-unsloth-bnb-4bit. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, описания изображений, мультимодального диалога и выполнения инструкций с визуальным вводом. Карточка заявляет поддержку английского языка, а метаданные также содержат код id. Модель доступна в форматах Safetensors и GGUF и рассчитана на использование через Transformers. Лицензия в метаданных указана как Gemma, тогда как README заявляет Apache 2.0; сведения о лицензии в источниках расходятся, поэтому перед использованием следует проверить условия в репозитории. Скорость работы в реальном времени без дополнительной оптимизации не заявлена.

Мультимодальная модель carbonteq на архитектуре Gemma 4 E4B, дообученная на базе unsloth/gemma-4-E4B-it. Репозиторий содержит веса в формате Safetensors; модель предназначена для диалогового взаимодействия и генерации ответов на текстовые запросы с учётом изображений. Модель подходит для вопросов по изображениям и документам, а также для других сценариев общения с визуальным вводом. Карточка указывает, что обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Лицензия — Apache-2.0.

Gemma 4 E4B UNESCO Resilient AI Optimized — частная оптимизированная версия модели Gemma 4 E4B, предназначенная для задач преобразования изображений в текст. В карточке указаны оценка качества 0,983, среднее время отклика 0,2417 и средний расход оперативной памяти 2,63 ГБ; методика измерений не описана. Модель заявлена как разработанная с использованием фреймворка H2E и стандартов развертывания SOMALA для суверенных систем. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers; метаданные указывают поддержку английского языка и лицензию Gemma. Описание не раскрывает контекстные ограничения и подробные сценарии применения.

Generate Me! — модель генерации изображений по текстовому описанию на базе Stable Diffusion для создания персонажей и стилизованных иллюстраций. Веса представлены в формате Diffusers и SafeTensors; в модель встроен VAE MoistMixV2. Примеры в карточке охватывают портреты, манга-арт, фотореалистичные сцены и милых фантастических персонажей. Модель подходит для генерации изображений по промптам с описанием внешности, одежды, стиля и окружения. Лицензия — CreativeML OpenRAIL-M; её условия следует учитывать при использовании и распространении результатов.

Hassaku v13 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и доступная через API ModelsLab. В карточке показан пример генерации реалистичного портрета с настройками ширины и высоты, числа шагов, guidance scale, seed и negative prompt; также упомянута возможность подключать embeddings и LoRA. Модель предназначена для создания изображений по промптам, включая портреты с детализированным стилем и кинематографическим освещением. Метаданные указывают формат Diffusers и использование PyTorch. Лицензия — CreativeML OpenRAIL-M; карточка не раскрывает архитектуру, число параметров, длину контекста или перечень поддерживаемых языков.

HiDream-O1-Image-Dev-2604 — модель генерации изображений по текстовому описанию из семейства Qwen3-VL, размещённая командой HiDream-ai. README описывает запуск через inference.py; для генерации в примере используется недистиллированная версия, а также упоминается вариант dev. Для инференса требуется CUDA-совместимый GPU. Модель предназначена для создания изображений по текстовым запросам, в том числе сложным композиционным инструкциям. Дополнительный Prompt Agent HiDream-ai/Prompt-Refine может преобразовать запрос в подробный английский промпт, проясняя компоновку, атрибуты объектов, физическую логику и отображение текста; сам агент является отдельной моделью. В репозитории указано 28 шагов инференса. Весовой формат — safetensors, лицензия — MIT.

HiDream-O1-Image-Dev-2604-BF16 — конверсия в формате BF16 модели HiDream-ai/HiDream-O1-Image-Dev-2604, подготовленная для работы с ComfyUI. Исходная модель — дистиллированная версия семейства HiDream-O1-Image с архитектурой Pixel-level Unified Transformer: она совместно обрабатывает пиксели, текст и управляющие условия. Вариант Dev выполняет генерацию за 28 шагов; заявленное разрешение изображений — до 2048 × 2048. Модель предназначена для генерации изображений по тексту, персонализации изображений по объекту, управления расположением объектов через разметку областей и задания позы по скелету OpenPose. Семейство также поддерживает редактирование изображений по инструкции, но для таких задач разработчик рекомендует полную версию. Обновление 2604 добавляет ускоренный вывод для персонализации и обновлённый планировщик редактирования. В режиме Dev CFG отключён, поэтому негативные промпты не влияют на результат. Для BF16 требуется примерно 17–20 ГБ видеопамяти; README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версию 2.8.x или ниже. Модель использует входные изображения и текстовые запросы и генерирует изображения. README заявляет поддержку многоязычного текста, но конкретные языки не перечисляет. Репозиторий распространяется по лицензии MIT.

HuMo — разработанная исследователями Университета Цинхуа и командой Intelligent Creation компании ByteDance модель для генерации видео с участием людей по мультимодальным условиям. Репозиторий содержит веса в форматах ONNX и safetensors; лицензия — Apache-2.0. В README описаны версии на 17 млрд и 1,7 млрд параметров, однако какая из них представлена в этой карточке, не уточняется. Модель создаёт видео по тексту и аудио, а также по тексту, изображениям и аудио. Она предназначена для управляемого создания роликов с заданными внешностью, одеждой, реквизитом и сценой, сохранением сходства с человеком на референсном изображении и синхронизацией движений с аудио. Поддерживаются разрешения 480p и 720p; для обучения использовались ролики длиной 97 кадров при 25 кадрах в секунду. README отмечает, что генерация длиннее 97 кадров может ухудшить качество, а версия 1,7 млрд параметров уступает 17-миллиардной по визуальному качеству. Для версии 1,7 млрд указана генерация видео 480p примерно за 8 минут на GPU с 32 ГБ памяти. В карточке не указаны поддерживаемые естественные языки; перечисленные сценарии и языковые возможности описаны без привязки к конкретному языку.

I Can't Believe It's Not Photography — модель генерации изображений по текстовому описанию, опубликованная Yntec. Карточка содержит примеры промптов для создания реалистичных портретов и сцен, а также художественных иллюстраций с кинематографическим освещением и насыщенными деталями. Метаданные указывают на использование Diffusers и форматов Diffusers и safetensors; модель относится к семейству Stable Diffusion. Модель подходит для генерации портретов, персонажей и атмосферных сюжетных изображений по текстовому промпту. В README упоминается первая версия и предлагается ознакомиться с лицензией на исходной странице; метаданные обозначают лицензию как other, поэтому конкретные условия использования по доступным сведениям определить нельзя.

Ideogram 4 (nf4) — открытая по весам модель генерации изображений по тексту, разработанная Ideogram AI и обученная с нуля. Версия использует квантизацию NF4 и содержит 9,3 млрд параметров; она предназначена для запуска через Diffusers на CUDA-совместимом оборудовании. Модель подходит для создания иллюстраций, фотографий и дизайнерских материалов по текстовым запросам. Структурированный JSON-интерфейс позволяет задавать расположение элементов через ограничивающие рамки и управлять цветовой палитрой. Среди заявленных сильных сторон — точная отрисовка текста на нескольких языках, понимание запросов и генерация изображений с разрешением до 2K. Веса доступны через gated-репозиторий Hugging Face после принятия условий лицензии Ideogram 4 Non-Commercial; коммерческое использование этой лицензией не разрешено. Для простых текстовых запросов в приведённом CLI предусмотрено расширение промпта через размещённый сервис Ideogram, однако можно использовать и собственный LLM-провайдер.

WhiteAiZ/Illustrious_2.0 — модель генерации изображений по текстовому описанию, опубликованная пользователем WhiteAiZ на Hugging Face. Репозиторий содержит веса в формате Safetensors и доступен через Diffusers с конвейером StableDiffusionXLPipeline; карточка указывает размер 3 млрд параметров и тип данных F16. Модель предназначена для создания изображений по текстовым запросам. Метаданные отмечают английский язык. В карточке указана лицензия «other», поэтому конкретные условия использования следует сверять с лицензией в репозитории; дополнительные ограничения или заявленные сильные стороны карточка не описывает.

InternVL2_5-8B-MPO — мультимодальная диалоговая модель OpenGVLab на основе InternVL2.5-8B, дообученная с использованием Mixed Preference Optimization. Архитектура сохраняет схему ViT-MLP-LLM: визуальный компонент InternViT объединён с языковой моделью через MLP-проектор. Для изображений применяется динамическое разбиение на фрагменты 448×448 и сокращение числа визуальных токенов; модель также поддерживает несколько изображений и видео в запросе. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, анализа диаграмм и решения задач по визуальному содержимому. В README приведены результаты сравнений на мультимодальных тестах, включая OCRBench, MathVista и MMBench. Репозиторий содержит веса safetensors и рассчитан на запуск через Transformers; для инференса приведён пример с bf16/fp16. Лицензия — MIT. Это дообученная версия InternVL2.5-8B, поэтому её возможности и ограничения во многом связаны с базовой мультимодальной моделью. README не сообщает длину контекста и конкретный перечень поддерживаемых языков; метаданные характеризуют модель как мультиязычную.

mlx-community/InternVL3-8B-3bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community из модели InternVL3-8B в формат MLX с помощью mlx-vlm 0.1.23. Она предназначена для диалога по изображениям и задач визуального понимания; поддерживает ввод текста и изображений с текстовыми ответами. В метаданных также отмечен интерфейс вызова инструментов и мультиязычная поддержка. В карточке указана лицензия other. Метаданные связывают модель с OpenGVLab/InternVL3-1B-Instruct как дообученную модель, хотя README описывает конвертацию из InternVL3-8B; поэтому базовая модель установлена по метаданным, а происхождение конвертированной версии описано отдельно.

InternVL-Chat-V1-2 — мультимодальная большая языковая модель от OpenGVLab для диалога по изображениям и тексту. Она объединяет vision-энкодер InternViT-6B-448px-V1-2, MLP-проектор и языковую модель Nous-Hermes-2-Yi-34B; общее число параметров — 40 млрд. Модель опубликована в формате safetensors и предназначена для запуска через Transformers с поддержкой пользовательского кода модели. Модель отвечает на вопросы об изображениях, описывает их и обрабатывает визуальные инструкции. В обучающие данные включены примеры OCR, диаграмм, графиков, документов и научных иллюстраций; также поддерживается обычный текстовый диалог. Изображения обрабатываются с размером 448 × 448 пикселей и представляются 256 визуальными токенами. Карточка характеризует языковую часть как многоязычную, но не перечисляет конкретные языки. В README приведены сравнительные результаты на наборах тестов для визуальных вопросов и понимания изображений. Для запуска нужны значительные вычислительные ресурсы, соответствующие модели на 40 млрд параметров. В README отдельно предупреждают, что 4-битная квантизация BNB может привести к потере понимания изображений и бессмысленным ответам. Лицензия модели — MIT.

ISNet-ONNX — модель сегментации изображений в формате ONNX, опубликованная сообществом onnx-community. Она предназначена для выделения объектов на изображениях и может применяться для удаления фона. Репозиторий ориентирован на запуск через Transformers.js. Модель использует архитектуру ISNet и поставляется в формате ONNX. В карточке указана лицензия AGPL-3.0. Сведения о точности, поддерживаемых языках, ограничениях по типам изображений и требованиях к ресурсам не приведены.

JoyAI-Image-Edit — мультимодальная модель компании JD, предназначенная для редактирования изображений по инструкциям. Она использует пространственное понимание сцены, включая разбор сцены, сопоставление объектов и отношений с указаниями и разложение инструкции на шаги. Модель поддерживает перемещение объектов в заданную область, изменение их ориентации и управление точкой обзора камеры. Модель рассчитана на редактирование с сохранением идентичности объектов и согласованности окружающей сцены; при управлении камерой инструкция должна задавать изменение ракурса без изменения содержимого и геометрии сцены. В README приведены сценарии работы с изображениями и требования к среде: Python 3.10 или новее и GPU с CUDA. Доступна по лицензии Apache-2.0.

JoyAI-Image-Edit — мультимодальная модель компании JD Open Source для редактирования изображений по текстовым инструкциям. Она использует пространственное понимание сцены, включая разбор объектов и их взаимного расположения, чтобы выполнять точные управляемые изменения. Модель предназначена для переноса объектов в заданную область, изменения их ориентации и управления ракурсом камеры с настройкой поворота, наклона и приближения. Для работы описан конвейер JoyImageEditPipeline на базе Diffusers; в примерах требуются Python 3.10 или новее и GPU с поддержкой CUDA. В репозитории указаны форматы Diffusers и safetensors, лицензия Apache-2.0. Инструкции позволяют задавать целевой объект и параметры изменения, а также сохранять окружающую сцену или геометрию при смене ракурса. Доступные материалы не сообщают размер модели, длину контекста и конкретный перечень поддерживаемых языков; метаданные карточки содержат языковые метки en и zh.

Kalaido-qwenedit-lora — адаптер LoRA для модели редактирования изображений Qwen-Image-Edit-2511, разработанный FractalAIResearch и обученный с применением reinforcement learning. Адаптер предназначен для image-to-image редактирования по текстовым инструкциям: добавления, удаления и замены объектов, изменения атрибутов и движения, переноса стиля, смены фона, извлечения объектов и выполнения комбинированных правок. Ключевые заявленные преимущества по сравнению с базовой моделью — лучшее сохранение неизменяемых областей изображения и более точное следование инструкциям. Модель реализуется как подключаемый LoRA-адаптер, поставляется в формате Safetensors и используется через библиотеку Diffusers с pipeline QwenImageEditPlusPipeline. В README не указаны число параметров, точная архитектура базовой модели, размер контекста или подробные сведения о поддерживаемых языках; в метаданных указан английский язык. Для работы необходима базовая модель Qwen-Image-Edit-2511 и совместимая версия Diffusers, а также вычислительная среда с CUDA в приведённом примере. Адаптер подходит для локального редактирования изображений, где важны сохранение фона и точное выполнение текстовых указаний. Ограничения включают зависимость от базовой модели и программного стека Diffusers; заявленные улучшения относятся к общему редактированию, а приведённые результаты основаны на бенчмарке ImgEdit. Лицензия — Apache-2.0.

Это VideoMAE Large, дообученная командой ai-forever для многометочной классификации движения камеры и типа кадра на видео. Модель содержит 402,7 млн параметров и принимает видеоклип, равномерно выбирая из него 16 кадров; для каждого клипа она предсказывает метки движения камеры и типа кадра. Модель распознаёт 18 категорий движения камеры, включая панорамирование, наклон, приближение и отдаление, а также статичную съёмку и неопределённое движение. Дополнительно она определяет три типа кадра: POV, shake и track. Предсказание относится ко всему клипу, а не к отдельным кадрам. Для роликов длиннее двух секунд рекомендуется классифицировать отдельные двухсекундные сегменты, поскольку обработка длинного видео целиком может пропустить смену движения. На внутреннем тестовом наборе двухсекундных видео точность составила 75%, или около 84% без учёта классов типов кадра. Лицензия в предоставленных данных не указана.

Это модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Автором указан kiendt91495; карточка также содержит демонстрационное изображение автора, но не описывает архитектурные параметры, размер модели, поддерживаемые языки или особенности генерации. Репозиторий включает веса в формате safetensors и компоненты Diffusers. Модель предназначена для создания изображений по текстовым запросам. Указана лицензия other, поэтому конкретные условия использования следует проверять по файлам репозитория.

Kiwi-Edit — архитектура для редактирования видео по текстовой инструкции с использованием опорного изображения. Карточка описывает управление преобразованием через семантические признаки и латентные визуальные представления; заявлены многоэтапное обучение и улучшенное следование инструкциям с сохранением соответствия референсу. Репозиторий подготовлен для работы с библиотекой diffusers и содержит веса в формате safetensors. Модель предназначена для изменения содержимого видео по запросу, например удаления объекта, с опорой на предоставленное изображение. В README приведён пример удаления обезьяны из видео. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или лицензию, поэтому эти характеристики не приводятся.

KBlueLeaf/kohaku-v2.1 — модель генерации изображений по текстовому описанию, опубликованная разработчиком KBlueLeaf на Hugging Face. Репозиторий оформлен как Diffusers StableDiffusionPipeline и содержит компоненты диффузионной модели, включая UNet, текстовый энкодер и VAE. Модель предназначена для создания изображений по текстовым промптам и запускается через Diffusers. Карточка показывает пример генерации изображения и лицензию CC BY-NC-ND 4.0. Специальные сведения о размере архитектуры, поддерживаемых языках промптов и контексте в карточке отсутствуют; пустой README не описывает дополнительные характеристики модели.

ziheng1234/kontext — это публикация весов FLUX.1 Kontext [dev], модели Black Forest Labs для редактирования изображений по текстовым инструкциям. Модель основана на трансформере rectified flow с 12 млрд параметров и использует Diffusers; карточка сообщает о файлах в формате safetensors. Модель принимает изображение и текстовую инструкцию и создаёт изменённую версию изображения. Она предназначена для замены или изменения объектов, а также для сохранения персонажа, стиля и визуальных деталей при последовательных правках без дополнительного дообучения; guidance distillation повышает эффективность генерации. В метаданных указаны задачи image-to-image и text-to-image, но README описывает прежде всего редактирование изображений по инструкции. README указывает на лицензию FLUX.1 [dev] Non-Commercial License: коммерческое использование не разрешено. Для применения также требуются фильтры или ручная проверка согласно условиям лицензии.

Это FP8-квантизированная версия Krea 2 OSS Turbo, подготовленная сообществом на основе весов KREA.ai. Модель предназначена для генерации изображений по текстовым запросам; её можно использовать, в частности, в ComfyUI с поддержкой Krea2. В репозитории применена выборочная квантизация весовых матриц до float8_e4m3fn, тогда как векторы, смещения, параметры нормализации и чувствительные слои сохранены в исходной точности. По данным README, размер весов уменьшен с 24,76 до 12,01 ГиБ. Для запуска приведены настройки Turbo: 8 шагов, CFG 1.0 и разрешение 1280×720; также требуются отдельные файлы текстового энкодера и VAE. Модель распространяется по лицензии KREA 2, условия которой необходимо соблюдать. Это преобразование исходных весов, а не самостоятельная разработка автора репозитория; заявленная цель — снизить требования к памяти, сохранив качество генерации.

Krea-2-Raw-GGUF — модель для генерации изображений по текстовому описанию, основанная на Krea-2-Raw и распространяемая в формате GGUF. Разработчик исходной модели — Krea; конкретный автор или особенности конвертации версии GGUF в предоставленных данных не указаны. Модель интегрируется с библиотекой Diffusers и предназначена для сценариев text-to-image, включая создание изображений с различными художественными стилями и визуальными эффектами. По примерам модель поддерживает генерацию сцен, персонажей, архитектуры и предметов в стилистиках от фотографии и аниме до импрессионистской живописи, пиксельной графики, монохромных изображений и низкополигональных 3D-моделей. В метаданных указан английский язык. Размер, точная архитектура, количество параметров, поддерживаемые модальности помимо text-to-image, максимальный контекст и требования к ресурсам не раскрыты. Сильной стороной является разнообразие демонстрируемых стилей и сюжетов, однако по README нельзя оценить качество, стабильность результатов и ограничения модели. Модель распространяется по лицензии krea-2-community-license; лицензия обозначена как other, а полный текст доступен по указанной в README ссылке. Условия коммерческого и иного использования следует уточнять непосредственно в тексте этой лицензии.

Kavi Labs публикует FP8-квантизированную версию Krea 2 Turbo в формате Diffusers для генерации изображений по текстовому описанию. Репозиторий содержит готовый конвейер Krea2Pipeline с весами в FP8: линейные проекции трансформера используют динамическую квантизацию W8A8 по строкам, а текстовый энкодер Qwen3-VL-4B — квантизацию весов FP8. Базовая модель Krea 2 Turbo имеет 12 млрд параметров и рассчитана на англоязычные запросы. Модель предназначена для быстрого создания изображений; README приводит примеры фотореалистичных сцен и настройки генерации в 8 шагов при guidance scale 0.0. Заявленный объём весов — 17,7 ГБ видеопамяти; для ускорения FP8-вычислений указаны GPU поколения Ada Lovelace, Hopper и новее, включая RTX 4090 и L40. Амперные GPU могут сэкономить память, но не получают ускорение FP8 Tensor Core. Для загрузки используется Diffusers и Krea2Pipeline. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

vladmandic/Krea-2-Turbo-Merge-sdnq-hadamard-uint4 — это опубликованный пользователем vladmandic вариант Krea-2 Turbo для генерации изображений по текстовому описанию. Модель предназначена для работы в экосистеме Diffusers и использует конвейер Krea2Pipeline. В карточке Hugging Face она классифицирована как text-to-image; среди связанных компонентов указаны Krea2Transformer2DModel, Qwen3VLModel, Qwen2Tokenizer и AutoencoderKLQwenImage. Модель имеет около 7 млрд параметров и распространяется в формате Safetensors с оптимизациями SDNQ и Hadamard; в метаданных также указан тег 8-bit. Она подходит для локальной генерации изображений по промптам, включая создание сцен, объектов и стилизованных визуальных концепций. Длина контекста, поддерживаемые естественные языки и лицензия в доступных источниках не указаны.

Krea Realtime 14B — модель генерации видео от Krea, полученная дистилляцией Wan 2.1 14B с помощью метода Self-Forcing, который превращает обычную диффузионную модель видео в авторегрессионную. Она предназначена для потоковой генерации видео по тексту и преобразования входного видео, включая видео с камеры и графические примитивы. Модель поддерживает интерактивную работу: во время генерации можно менять запрос и стиль видео, а первый кадр появляется примерно за секунду. В README заявлена скорость генерации 11 кадров в секунду при четырёх шагах вывода на одном GPU NVIDIA B200. Для уменьшения накопления ошибок используются KV Cache Recomputation и KV Cache Attention Bias; также описаны оптимизации памяти для авторегрессионной диффузии видео. Модель доступна в формате safetensors и применяется через diffusers. Лицензия — Apache-2.0.

digiplay/Landscape_PhotoReal_v1 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, представленная в формате Diffusers и весах safetensors. Примеры в карточке ориентированы на фотореалистичные пейзажи, фантастические виды с руинами и современные интерьеры; среди подсказок есть широкие планы и фон для видеовстреч. Модель подходит для создания пейзажных изображений и фотореалистичных интерьерных сцен по текстовым промптам. Карточка не сообщает размер модели, поддерживаемые языки, длину контекста или подробности обучения. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

Kansallisarkisto/latvian-large-handwritten — модель на основе Transformer encoder-decoder для распознавания рукописного текста на изображениях. Она дообучена Национальным архивом Латвии на базе microsoft/trocr-large-handwritten в рамках проекта ArchXAI, поддержанного программой Central Baltic Programme. Для обучения использованы преимущественно размеченные строки рукописных исторических документов из коллекций Национального архива Латвии; в обучающей выборке также были печатные и машинописные строки и пустые строки из коллекций Национального архива Финляндии. Модель предназначена для оцифровки архивных документов, исторических рукописей и рукописных заметок на латышском языке. Она принимает изображение отдельной строки текста и выдаёт её текстовую транскрипцию. На тестовой выборке из своего домена авторы сообщают CER 0,0233 и WER 0,1050. Модель лучше всего подходит для латышского письма с латинскими буквами и латышскими диакритическими знаками. Она не обучалась на нелатинских алфавитах и может плохо работать с другими языками и данными вне обучающего домена. Лицензия — Apache 2.0.