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

TheyCallMeHex/LCM-Dreamshaper-V7-ONNX — преобразованная в формат ONNX модель генерации изображений из текстовых описаний. Она основана на LCM Dreamshaper V7 и подготовлена для запуска через OnnxStack; в карточке приведены примеры генерации фантастических персонажей и автомобиля по текстовым запросам. Репозиторий содержит форматы Diffusers и ONNX, задача модели — text-to-image. Лицензия — MIT. Подробные сведения об архитектуре и числе параметров в предоставленных материалах отсутствуют.

latent-consistency/lcm-lora-sdxl — адаптер LoRA на основе метода Latent Consistency Model (LCM), разработанного Simian Luo, Yiqin Tan, Suraj Patil, Daniel Gu и другими авторами. Он предназначен для ускорения генерации изображений моделью Stable Diffusion XL base 1.0 за счёт уменьшения числа шагов диффузии до 2–8. Адаптер применяется в задачах text-to-image и inpainting, а также может комбинироваться с другими LoRA-адаптерами и использоваться вместе с ControlNet. Модель содержит 197 млн параметров и работает через библиотеку Hugging Face Diffusers; требуется планировщик LCMScheduler. Для базовой генерации рекомендуется отключить guidance_scale или использовать значение от 1,0 до 2,0. Поддерживаются сценарии генерации по текстовому описанию, дорисовки изображений по маске и стилизации с дополнительными адаптерами. Ключевое преимущество — существенно более быстрая генерация по сравнению с многошаговой диффузией, при сохранении совместимости с экосистемой SDXL и возможностью объединения адаптеров. Ограничения включают необходимость использования совместимой базовой модели Stable Diffusion XL, Diffusers версии 0.23.0 или новее и дополнительных пакетов peft, accelerate и transformers. В README указана лицензия openrail++.

Lens-Turbo-3.8B-bf16 — это конверсия модели microsoft/Lens-Turbo в формат MLX для запуска на Apple Silicon. Она использует архитектуру DiT с 3,8 млрд параметров и предназначена для генерации изображений по текстовому описанию. Модель представляет собой дистиллированный вариант Lens, рассчитанный на генерацию за 4 шага при guidance scale 1.0. Репозиторий содержит только DiT-компонент; для работы также загружаются текстовый энкодер GPT-OSS-20B и VAE FLUX.2 из исходного снапшота Lens. В README указана лицензия MIT для DiT-компонента; энкодер распространяется по Apache-2.0. Размер файлов модели составляет около 8,2 ГБ. Для запуска описан конвейер LensPipeline из проекта lens-mlx.

LinFusion-1-5 — модель генерации изображений по текстовому описанию, опубликованная в формате Diffusers на Hugging Face. Карточка содержит раздел с базовым использованием LinFusion, но подробности о разработчике, архитектуре и назначении версии 1.5 не раскрывает. Модель принимает текстовые запросы и создаёт изображения. В репозитории указаны файлы safetensors. Информация о лицензии, языках запросов, размере модели и ограничениях отсутствует в доступных данных.

Guilherme34/Llama-3.2-11b-vision-uncensored-notlora — мультимодальная модель семейства Llama 3.2-Vision, разработанная Meta и представленная в формате safetensors для Transformers. Она принимает текст и изображения и формирует текстовые ответы; архитектура основана на Mllama с визуальным адаптером и перекрёстным вниманием. В карточке описана версия на 11B параметров и контекст 128k токенов. Модель предназначена для диалога с изображениями, визуальных вопросов и рассуждений, распознавания содержимого, создания подписей и ответов по документам. README указывает поддержку английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского для текстовых задач; для задач с изображениями заявлен только английский. Название репозитория содержит «uncensored», но README не документирует конкретные изменения или особенности этой версии, поэтому её поведение в этом отношении нельзя уточнить. Для использования действует Llama 3.2 Community License — специальная лицензия Meta с собственными условиями, а также Acceptable Use Policy. Архитектурное описание и характеристики в README относятся к семейству Llama 3.2-Vision и не подтверждают отдельно, какие изменения внесены в эту копию.

LLaVA-InternLM2-20B — визуально-языковая модель, разработанная XTuner и дообученная на базе InternLM2-Chat-20B с использованием CLIP-ViT-Large-patch14-336 как визуального энкодера. Для обучения применялись наборы LLaVA-Pretrain и LLaVA-Instruct-150K. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она предназначена для диалога о содержимом изображений, визуальных вопросов и ответов, а также для описания и анализа визуальных данных. Карточка приводит результаты оценки на мультимодальных бенчмарках, включая MMBench, MME и MMVet. Это дообученная модель семейства LLaVA с языковой основой InternLM2-Chat-20B. В карточке не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя.

llava-llama-3-8b-v1_1-hf — мультимодальная модель XTuner на архитектуре LLaVA-Llama-3, дообученная на основе Meta-Llama-3-8B-Instruct и визуального энкодера CLIP-ViT-Large-patch14-336. В модели около 7,5 млрд параметров; она принимает изображения и текст и формирует текстовые ответы в диалоговом режиме. Контекст составляет до 8192 токенов. Модель предназначена для вопросов об изображениях, визуального анализа и ответов по содержимому картинок. В README приведены результаты на бенчмарках для понимания изображений, диаграмм, научных задач и распознавания текста на изображениях. Для версии v1.1 использованы ShareGPT4V-PT и InternVL-SFT; модель опубликована в официальном формате LLaVA и хранится в safetensors. Лицензия в предоставленных данных не указана.

LLaVA-OneVision-1.5-4B-Instruct — мультимодальная модель Glint Lab из семейства LLaVA-OneVision-1.5. Она объединяет визуальный энкодер с языковой моделью Qwen3-4B-Instruct-2507 и предназначена для диалогов и выполнения инструкций по изображениям. Модель принимает изображения в исходном разрешении и текстовые запросы, а в ответ генерирует текст. Модель подходит для описания изображений, визуальных вопросов и ответов, анализа диаграмм и документов, а также решения задач по визуальному содержимому. В README заявлены высокие результаты на ряде мультимодальных бенчмарков и преимущества обучения на изображениях исходного разрешения. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers; видеоввод в дорожной карте указан как будущая возможность, поэтому здесь он не заявлен как поддерживаемый. Модель распространяется по лицензии Apache-2.0. Доступные сведения не задают размер контекста именно мультимодальной модели, поэтому контекст Qwen3 из описания базовой модели не следует считать подтверждённым контекстом этой модели.

LLaVA-OneVision Qwen2 7B OV Chat — мультимодальная чат-модель, разработанная командой LLaVA-OneVision в LMMS-Lab. Она построена на архитектуре SO400M + Qwen2 и основана на LLaVA-OneVision 7B OV; для улучшения диалоговых ответов и сохранения следования инструкциям модель прошла три раунда итеративного обучения DPO на предпочтениях людей. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для общения по изображениям, нескольким изображениям и видео, а также для обычных чат-сценариев. В обучении использовались наборы данных для одиночных и множественных изображений и видео; карточка указывает английский и китайский языки. Модель может применяться для вопросов и ответов по визуальному содержимому, описания изображений и обсуждения видео. Модель распространяется в формате safetensors для Transformers под лицензией Apache 2.0. В README результаты бенчмарков не приведены; качество на конкретных задачах может различаться, поэтому ответы следует проверять.

XTuner LLaVA — мультимодальная модель на 3,7 млрд параметров для диалога по изображениям. Она дообучена на языковой модели microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP ViT-Large patch14 336 и использует данные ShareGPT4V-PT и InternVL-SFT. Репозиторий содержит веса в формате XTuner LLaVA; контекст составляет 4096 токенов. Модель принимает изображение и текстовый запрос, а отвечает текстом: подходит для описания изображений, визуальных вопросов и ответов, а также задач по пониманию диаграмм и текста на изображениях. В карточке приведены результаты на наборах MMBench, MMMU, SEED-IMG, AI2D, ScienceQA, HallusionBench, POPE, GQA, TextVQA, MME и MMStar. Лицензия в предоставленных данных не указана.

Yntec/lnkdn — конвертированная в формат Safetensors модель для генерации изображений по текстовому описанию, опубликованная под именем LinkedIn Diffusion. В карточке приведены примеры запросов для создания портретов, городских сцен, фантастических сюжетов и рынков; модель использует библиотеку Diffusers и формат весов Safetensors. Модель предназначена для генерации изображений по текстовым запросам. Указана лицензия CreativeML OpenRAIL-M. Подробности об архитектуре, числе параметров и контексте в предоставленных данных отсутствуют.

LongCat-Image-Edit-Turbo — дистиллированная версия модели LongCat-Image-Edit для редактирования изображений. Она предназначена для преобразования входного изображения по текстовому запросу и выполняет генерацию за 8 вызовов модели, что снижает задержку вывода. Модель особенно поддерживает добавление текста на изображение: целевой текст следует заключать в одинарные или двойные кавычки, в том числе в китайском стиле кавычек. В карточке указаны форматы Diffusers и Safetensors и лицензия Apache-2.0.

LTX-2.3-22b-IC-LoRA-In-Outpainting — адаптер IC-LoRA, разработанный Lightricks и обученный поверх базовой видеомодели LTX-2.3-22B. Модель предназначена для video-to-video обработки с использованием исходного видео и бинарной маски: она сохраняет немаскированные области и генерирует содержимое в выбранной области. Основные сценарии применения — inpainting, то есть удаление или замена объектов, людей, фона, лиц и элементов одежды внутри кадра, а также outpainting — расширение видеокадра по горизонтали или вертикали с правдоподобным продолжением сцены. Для обработки используется двухэтапный конвейер: сначала выполняется грубая генерация в маскированной области, затем уточняется граница с последующим смешиванием исходного и сгенерированного содержимого. Модель может работать без промпта или с кратким описанием только генерируемой области; исходный README указывает английский язык. Ключевое ограничение — высокая зависимость качества результата от маски. Для inpainting рекомендуется включать в неё тени, отражения, контактные области и другие причинно связанные элементы; для outpainting маска задаёт новую область холста. Выпущен один файл весов формата SafeTensors, который требует базовую модель LTX-2.3-22B и может использоваться, в частности, через ComfyUI. Модель распространяется по лицензии LTX-2-community-license; полные условия приведены в лицензии Lightricks.

Lumina-mGPT 2.0 — авторегрессионная декодерная модель для генерации и редактирования изображений, разработанная Alpha-VLLM и обученная с нуля. Она объединяет генерацию изображений по текстовому описанию, создание пар изображений, генерацию с заданным субъектом и управляемую генерацию, многошаговое редактирование изображений и плотное предсказание. Модель предназначена для сценариев, где нужно создавать изображения по текстовым инструкциям и постепенно менять их в диалоге. Также заявлены задачи генерации с дополнительными условиями и плотного предсказания. В README указано, что доступны реализация и код сэмплирования; веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает размер модели, поддерживаемые языки, длину контекста или подробные ограничения качества; указанные возможности редактирования и генерации описаны без количественных оценок.

Карточка модели Alpha-VLLM/Lumina-mGPT-2.0-Omni на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-2.0, поэтому описание составлено по ней. Lumina-mGPT 2.0 — авторегрессионная декодерная модель для генерации и редактирования изображений, разработанная Alpha-VLLM и обученная с нуля. Она объединяет генерацию изображений по текстовому описанию, создание пар изображений, генерацию с заданным субъектом и управляемую генерацию, многошаговое редактирование изображений и плотное предсказание. Модель предназначена для сценариев, где нужно создавать изображения по текстовым инструкциям и постепенно менять их в диалоге. Также заявлены задачи генерации с дополнительными условиями и плотного предсказания. В README указано, что доступны реализация и код сэмплирования; веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает размер модели, поддерживаемые языки, длину контекста или подробные ограничения качества; указанные возможности редактирования и генерации описаны без количественных оценок.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-1024 на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Карточка модели Alpha-VLLM/Lumina-mGPT-7B-512 на Hugging Face совпадает с карточкой Alpha-VLLM/Lumina-mGPT-7B-768, поэтому описание составлено по ней. Lumina-mGPT-7B-768 — мультимодальная авторегрессионная модель семейства Lumina-mGPT, представленная в репозитории Alpha-VLLM. Она предназначена для задач, объединяющих зрение и язык, и особенно ориентирована на генерацию фотореалистичных изображений по текстовым описаниям. Архитектура модели — плотная ChameleonXLLMXForConditionalGeneration; размер составляет 6,7 млрд параметров, максимальный контекст — 4096 токенов. Модель поддерживает мультимодальную генерацию и обработку данных, сочетая текст и изображения. В репозитории указаны веса safetensors; реализация и код для сэмплирования доступны в GitHub. Лицензия в предоставленных данных не указана.

Карточка модели arifqai/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

Карточка модели mage-flow-community/Mage-Flow-Edit на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow, поэтому описание составлено по ней. Mage-Flow — компактная модель генерации изображений, разработанная командой Microsoft. Она предназначена для создания изображений по текстовым описаниям; семейство также включает отдельную модель Mage-Flow-Edit для редактирования изображений по инструкциям. Основу Mage-Flow составляют латентный кодировщик-декодировщик Mage-VAE и мультимодальный диффузионный трансформер NR-MMDiT примерно на 4 млрд параметров, обученный методом rectified flow. Модель работает с изображениями разных пропорций и разрешений от 512 до 2048 пикселей и поставляется в вариантах Base, RL-aligned и Turbo на четыре шага. Карточка заявляет высокое качество генерации, следование запросам и отрисовку английского и китайского текста. Для запуска предусмотрен формат Diffusers с весами Safetensors; заявлена лицензия MIT. Высокая скорость и низкие требования к памяти указаны для Turbo-вариантов на оборудовании с GPU A100, поэтому эти показатели не следует автоматически переносить на другие конфигурации. В репозитории mage-flow-community/Mage-Flow метаданные подтверждают задачу text-to-image, но не указывают число параметров, базовую модель или поддерживаемые языки.

Карточка модели natalie5/Mage-Flow-Edit-Base на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow-Edit-Base, поэтому описание составлено по ней. Mage-Flow-Edit-Base — базовый вариант модели редактирования изображений из семейства Mage-Flow, разработанного авторами проекта Mage-Flow. Модель использует общий с генератором Mage-Flow стек: латентный токенизатор Mage-VAE и 4-миллиардный мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow. Репозиторий поставляется в формате Diffusers с весами Safetensors. Модель предназначена для редактирования изображения по текстовой инструкции с сохранением исходного изображения как условия. В README описаны семантическое и локальное редактирование содержимого, изменение внешнего вида и сцены, творческие преобразования, восстановление изображений и задачи, требующие сохранения структуры. Семейство рассчитано на работу с изображениями разных разрешений и соотношений сторон; заявлен диапазон от 512 до 2048 пикселей. Карточка не приводит отдельные показатели скорости или качества именно для варианта Base. Лицензия модели — MIT. Для запуска используется библиотека Diffusers; README отмечает требования к CUDA-зависимостям для установки окружения. Указанные в карточке задачи — image-to-image; поддерживаемые языки текстовых инструкций в метаданных не перечислены.

Карточка модели rootlocalghost/Mage-Flow-Edit-Base на Hugging Face совпадает с карточкой mage-flow-community/Mage-Flow-Edit-Base, поэтому описание составлено по ней. Mage-Flow-Edit-Base — базовый вариант модели редактирования изображений из семейства Mage-Flow, разработанного авторами проекта Mage-Flow. Модель использует общий с генератором Mage-Flow стек: латентный токенизатор Mage-VAE и 4-миллиардный мультимодальный диффузионный трансформер NR-MMDiT, обученный методом rectified flow. Репозиторий поставляется в формате Diffusers с весами Safetensors. Модель предназначена для редактирования изображения по текстовой инструкции с сохранением исходного изображения как условия. В README описаны семантическое и локальное редактирование содержимого, изменение внешнего вида и сцены, творческие преобразования, восстановление изображений и задачи, требующие сохранения структуры. Семейство рассчитано на работу с изображениями разных разрешений и соотношений сторон; заявлен диапазон от 512 до 2048 пикселей. Карточка не приводит отдельные показатели скорости или качества именно для варианта Base. Лицензия модели — MIT. Для запуска используется библиотека Diffusers; README отмечает требования к CUDA-зависимостям для установки окружения. Указанные в карточке задачи — image-to-image; поддерживаемые языки текстовых инструкций в метаданных не перечислены.

Mage-VL — мультимодальная модель для понимания изображений и видео, включая потоковое видео. Визуальный энкодер Mage-ViT обучен с нуля; он использует структуру видеокодека, чтобы сохранять все патчи ключевых кадров и выбирать значимые патчи предсказанных кадров. По заявлению авторов, это сокращает число визуальных токенов более чем на 75% и даёт ускорение инференса до 3,5 раза относительно равномерной выборки кадров. Текстовую часть составляет причинный декодер Qwen3-4B-Instruct-2507, подключённый через двухслойный MLP-проектор. Модель предназначена для ответов и описаний по изображениям и видео, временной локализации событий и потоковых сценариев с упреждающим комментированием: лёгкий когнитивный шлюз отслеживает поток и вызывает основную VLM при появлении значимого события. Для выделения визуальных признаков поддерживаются кодековые сигналы H.264/AVC, HEVC/H.265 и DCVC-RT. В карточке приведены результаты на бенчмарках, но они не гарантируют аналогичного качества в прикладных условиях. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README описывает базовый декодер и публичный checkpoint microsoft/Mage-VL, но не устанавливает их связь с конкретным репозиторием ngoctham/Mage-VL, поэтому происхождение этой копии и её базовая модель не определены.

JovanHengGhimHong/magicbrush-diffusers — версия модели MagicBrush в формате Diffusers. По метаданным, она использует StableDiffusionInstructPix2PixPipeline и предназначена для редактирования изображений по текстовым инструкциям: на вход подаются изображение и запрос на изменение, на выходе получается отредактированное изображение. Репозиторий содержит веса в форматах Diffusers и PyTorch. Модель подходит для локального редактирования изображений с помощью библиотеки Diffusers. Сведений о размере, контекстном окне, языковой поддержке и лицензии в доступных данных нет.

Magic-Wan-Image V2 GGUF — квантизированная версия модели Magic-Wan-Image V2.0, опубликованная VantageWithAI на основе Wan2.2-T2V-A14B от Wan-AI; оригинальная модель разработана wikeeyang. Модель предназначена для генерации изображений по текстовому описанию, особенно реалистичных портретов и сцен из реального мира. В README заявлены реалистичная текстура кожи, высокая детализация и поддержка увеличения изображения до 8 мегапикселей с использованием технологии TTP. Модель представлена в формате GGUF и интегрируется с экосистемой Diffusers. Указан английский язык, однако подробности о языковой поддержке, размере контекста, конкретном варианте квантизации и требованиях к оборудованию не приведены. Это чистая базовая модель, поэтому её можно дополнительно комбинировать с LoRA-модулями для изменения стиля и содержания; готовые NSFW- и SFW-варианты в состав модели не входят. Распространяется по лицензии Apache-2.0.

lyutovad/mbart50-tradenewssum — модель для краткого пересказа экономических новостей и новостей о внешней торговле на русском и английском языках. Она разработана на основе facebook/mbart-large-50-many-to-many-mmt и дообучена на датасете TradeNewsSum; архитектура — последовательностный трансформер mBART с 457,4 млн параметров. Модель принимает текст статьи и генерирует краткое изложение, длина контекста составляет 1024 токена. Модель предназначена для аналитиков, журналистов и новостных приложений, которым нужно получать абстрактивные резюме материалов о международной торговле и экономике. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Наилучшие результаты ожидаются на экономических и торговых текстах на русском и английском языках. Модель может пропускать или искажать факты, чувствительна к смене тематики и отражает возможные смещения источников данных. Для профессиональных задач резюме следует проверять; для других областей может потребоваться дообучение.

GroNLP разработала эту модель на основе mDeBERTa V3 для определения субъективности предложений в газетных статьях. Она классифицирует предложение как объективное (OBJ) или субъективное (SUBJ), то есть основанное на личных чувствах, вкусах или мнениях. Модель создана для задачи CheckThat! Lab 2023 по анализу новостных статей и заняла третье место в соревновании. Модель использует архитектуру DeBERTa V2 для классификации последовательностей, содержит 305,3 млн параметров и принимает текст длиной до 512 токенов. Для обучения применялись многоязычные данные, а для разработки — английские; карточка указывает английский как язык модели. В соревновании модель достигла macro F1 0,77 и F1 0,79 для класса субъективных предложений. Лицензия в предоставленных данных не указана.

GroNLP разработала эту модель на основе mDeBERTa V3, дообучив её для определения субъективности предложений в газетных статьях. Для каждого предложения модель предсказывает метку OBJ (объективное) или SUBJ (субъективное); она предназначена для анализа новостных текстов и участвовала в задаче CLEF 2023 CheckThat! Lab Task 2. Модель содержит 305,3 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает до 512 токенов контекста. В соревновании CheckThat! она заняла второе место с macro F1 0,81 и F1 для класса SUBJ 0,81. Обучение проводилось на многоязычном наборе данных, однако конкретный перечень языков в доступных сведениях не приведён. Условия лицензии в доступных сведениях не указаны.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Открытая часть H3-Base принимает текст, изображения, видео и аудио в составе контекста и генерирует видео со стереозвуком; доступны режимы генерации по тексту, по первому и последнему кадрам, а также с мультимодальными референсами. Заявлены ролики длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; для получения 2K предусмотрен отдельный модуль H3-Regenerate-2K. В архитектуре H3-Omni-Transformer совместно предсказывает латентные представления видео и аудио. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Репозиторий содержит веса в форматах Diffusers и safetensors. Предобработка сложных мультимодальных инструкций через H3-Context-IR выполняется размещённой системой и в открытый выпуск не входит; начальная версия локального инференса использует полное внимание, а sparse attention пока не выпущен. Модель предназначена для создания коротких мультимодальных видеороликов и работы с референсными материалами. README не указывает число параметров и поддерживаемые естественные языки. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория.

Mini Photo Colorizer v3.0 — компактная модель автоматической колоризации фотографий, разработанная владельцем репозитория User-2468. Она принимает чёрно-белое изображение и предсказывает правдоподобные цвета; модель предназначена для обычных фотографий и пользовательских приложений для работы с фото. Для вывода доступны веса Safetensors и эквивалентный граф ONNX, а также Python API, CLI и приложение на Gradio. Архитектура включает энкодер MobileNetV3 Large, пирамиду признаков шириной 128 каналов, 16 цветовых запросов и два блока внимания. Всего модель содержит 3 994 676 обученных параметров. По умолчанию изображение обрабатывается с максимальной стороной 256 пикселей, сохраняя пропорции; результат сохраняет исходное разрешение, ориентацию и альфа-канал для изображений до 12 мегапикселей. Сеть предсказывает цветовые компоненты Lab, а исходная яркость сохраняется. Модель обучалась на фотографиях из Imagenette и COCO, с использованием предварительно обученного энкодера ImageNet и художественных целевых цветов DDColor. Результаты могут быть полезны для раскрашивания обычных фотографий, но предсказанные цвета не являются восстановленным историческим фактом: для одного чёрно-белого снимка возможны разные правдоподобные варианты. Известные недостатки — приглушённые или тёплые оттенки, неверные цвета одежды и объектов, цветовые ореолы у мелких деталей и слабые результаты на необычных поверхностях и сценах; модель не чинит царапины и не восстанавливает утраченные детали. Лицензия — Apache-2.0.

MN-12B-Estrella-v2.2 — объединённая языковая модель на архитектуре Mistral с 12,1 млрд параметров, созданная автором репозитория с помощью mergekit. В слияние вошли TheDrummer/Rocinante-12B-v1.1, MN-12B-Estrella-v1, elinas/Chronos-Gold-12B-1.0 и anthracite-org/magnum-v2.5-12b-kto; последняя использована как базовая. Для общения модель предлагает формат Mistral Instruct, также может подойти ChatML. Модель предназначена для генерации текста, в частности творческой прозы и ролевых сцен. В метаданных указан контекст до 1 024 000 токенов. Для работы с Mistral Nemo в README рекомендован низкий диапазон температуры 0,3–0,6. Репозиторий содержит веса Safetensors; лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.