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

MOSS-Music-8B-Instruct — открытая модель понимания музыки, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Она принимает аудио и по инструкциям формирует текстовые ответы о музыкальном содержании: распознаёт слова в песнях с временными метками, описывает настроение, жанр, инструменты и звучание, анализирует тональность, темп, аккорды и структуру композиции, а также отвечает на вопросы по полной записи. Архитектура объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 9,1 млрд параметров. Энокодер выдаёт временные представления с частотой 12,5 Гц. Модель обучалась на музыкальных данных с дополнительным предобучением и дообучением по инструкциям; вариант Instruct предназначен для прямого выполнения запросов о музыке. Модель работает с аудио на входе и выдаёт текст. В карточке указана поддержка английского и китайского языков. Репозиторий распространяется по лицензии Apache-2.0. README не приводит конкретных оценок качества, поэтому точность распознавания и анализа может зависеть от записи и музыкального материала.

MOSS-TTS-Local 4.55B Voice Acting v2 — модель синтеза речи, разработанная Кристофом Шухманном и LAION. Она преобразует текст и инструкции режиссёра на естественном языке в выразительную речь на английском или немецком языке, включая реплики фантастических персонажей, эмоциональные смены, шёпот, крик, смех, вздохи и другие вокальные реакции. Модель использует плотную архитектуру MOSS-TTS-Local с 4,55 млрд параметров и 12-кодековый RVQ-токенизатор; аудио выводится с частотой 48 кГц. Для управления исполнением в инструкции задаются общее описание голоса и сценарий с подсказками подачи, паузами и вокальными вставками, а отдельное текстовое поле содержит произносимые слова. Репозиторий содержит объединённые веса bf16 и рассчитан на локальный запуск через Transformers; README указывает ориентир около 10 ГБ видеопамяти вместе с аудиокодеком. Версия v2 получена дополнительным supervised fine-tuning предыдущего чекпойнта на синтетических, отфильтрованных по автоматической оценке примерах исполнения. Модель подходит для озвучивания персонажей, эмоциональных диалогов и создания голосовых эффектов; качество конкретной подачи зависит от формулировки инструкций и выбора генерации. Лицензия — Apache-2.0.

hosseinmhmdkhani/mt5-small-finetuned-persian-news-summarization — дообученная модель на архитектуре mT5-Small для суммаризации персидских новостных текстов. Она построена на базе google/mt5-small, содержит 157,4 млн параметров и использует библиотеку Transformers. В README приведены метрики оценки ROUGE: F1 составляет 56,865 для ROUGE-1, 46,505 для ROUGE-2 и 54,025 для ROUGE-L. Модель предназначена для создания кратких сводок новостей на персидском языке. Датасет обучения не указан, поэтому область применения и качество за пределами персидской новостной суммаризации по имеющимся данным оценить нельзя. Репозиторий распространяется по лицензии Apache-2.0.

ozcangundes/mt5-small-turkish-summarization — это модель семейства mT5, разработанная Özcan Gündeş путём дообучения mT5-small на турецких новостях из набора MLSUM для автоматического суммирования. Она принимает текст новости и генерирует краткое изложение; в README указаны максимальная длина входной новости 784 токена и длина резюме 64 токена. По метаданным, модель содержит 157,4 млн параметров, распространяется в форматах PyTorch и Flax и опубликована под лицензией MIT. Она предназначена для суммирования турецких новостей; качество на других жанрах и языках не подтверждено.

Мультиязычная модель Himel Ghosh для выявления языковой предвзятости в новостных текстах. Это классификатор последовательностей на архитектуре XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов; модель обучена переносом знаний и дистиллирована из himel7/bias-detector. Поддерживает английский, бенгальский, хинди, немецкий, итальянский, французский, датский, испанский, арабский, урду, китайский, португальский, нидерландский, русский и японский языки. Модель присваивает текстам метки наличия или отсутствия предвзятости. На тестовом наборе BABE автор приводит accuracy 0,826 и macro F1 0,8317 для английского, 0,781 и 0,7912 для хинди, 0,76 и 0,7757 для бенгальского. Карточка не приводит метрики для остальных заявленных языков, поэтому качество на них не подтверждено этими результатами. Распространяется по лицензии Apache-2.0.

NatVis-Natural-Vision-v27-SDXL — модель для генерации изображений по текстовому описанию, разработанная пользователем ndimensional. Она распространяется через Hugging Face и основана на экосистеме Stable Diffusion XL с использованием библиотеки Diffusers. Модель предназначена для создания реалистичных и фотореалистичных изображений в различных сценариях, включая общие задачи генерации, научную фантастику, 3D-визуализацию, а также контент с рейтингами SFW и NSFW. В карточке указано, что она поддерживает английский язык. Архитектура, количество параметров, размер контекста и точный набор поддерживаемых модальностей не раскрыты; по назначению это текстово-изображенческая модель. Сильной стороной модели является специализация на реалистичной и фотореалистичной визуальной генерации с широким тематическим охватом. Ограничения связаны с отсутствием подробных сведений о качестве, производительности, требованиях к оборудованию и рекомендуемых параметрах использования. Модель распространяется по лицензии CreativeML Open RAIL-M; условия лицензии следует учитывать, особенно при создании и распространении потенциально чувствительного контента.

NbAiLab/NbAiLab норвежская команда разработала эту модель распознавания речи на основе XLS-R от Facebook/Meta, дообучив её для новонорвежского письменного языка (нюношк). Модель использует архитектуру Wav2Vec2ForCTC и содержит 1,3 млрд параметров; она принимает аудио и преобразует речь в текст. Для обучения использовался Norwegian Parliamentary Speech Corpus (NPSC), опубликованный в формате набора данных NbAiLab/NPSC. Модель предназначена для автоматической транскрибации речи на нюношке, в том числе парламентских выступлений. На тестовом наборе авторы сообщают WER 11,32% и CER 4,02% при декодировании с 5-граммовой языковой моделью KenLM; без языковой модели WER составляет 13,64%. Качество на других доменах и типах аудио может отличаться. Модель распространяется по лицензии Apache-2.0.

NB-Whisper Medium Verbatim — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper Medium. Это вариант, дополнительно обученный на 200 шагах: он выдаёт текст в нижнем регистре без пунктуации и точнее сохраняет формулировки говорящего, не исправляя грамматические ошибки. Модель содержит 455,8 млн параметров и работает с аудио; поддерживаемые языки — норвежский, букмол, нюнорск и английский. Модель подходит для дословной расшифровки речи, в том числе для лингвистического анализа. Она доступна для Transformers и в форматах PyTorch, Safetensors, ONNX и Flax; для эффективной работы с моделью среднего размера рекомендуется GPU. Для длинных записей README советует обрабатывать аудио частями. Лицензия — Apache 2.0.

Neurix-Mega — модель для генерации изображений по текстовому описанию, созданная на базе FLUX.1 [schnell] от Black Forest Labs. В карточке она описана как обученная на изображениях разных художественных стилей; веса доступны в формате Safetensors, а метаданные указывают на адаптер LoRA и производную связь с базовой моделью. Модель предназначена для творческих задач: создания концепт-артов, иллюстраций, аватаров и изображений в разных стилях. Базовая FLUX.1 [schnell] рассчитана на быструю генерацию за 1–4 шага. Для использования указаны библиотеки Diffusers, Transformers и Accelerate; результат можно настраивать числом шагов, guidance scale и seed. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных оценок качества или подробностей обучающего набора.

Ninja — модель для генерации изображений по текстовым описаниям, опубликованная пользователем Yntec в формате Diffusers. В репозитории доступны веса Safetensors для использования с библиотекой Diffusers; метаданные относят модель к семейству Stable Diffusion. Модель предназначена для создания изображений по текстовым запросам. Репозиторий указывает лицензию CreativeML OpenRAIL-M. README содержит только краткое название и ссылку на Discord, поэтому конкретные особенности генерации и рекомендованные сценарии не описаны.

Nitro-1-SD — модель генерации изображений по текстовым описаниям, разработанная AMD. Это модель на основе UNet с архитектурой Stable Diffusion 2.1, дообученная методом дистилляции на 1 млн запросов из DiffusionDB с использованием AMD Instinct GPU. Она создаёт изображение за один шаг, что заметно сокращает вычисления и время генерации по сравнению с базовой Stable Diffusion 2.1; в приведённом сравнении CLIP score ниже на 2,5%, а FID выше на 2,2%. Модель совместима с конвейером Diffusers. Распространяется по лицензии Apache-2.0.

NOESIS-Hy-MT2-1.8B-BF16 — плотный трансформер HunYuan Dense V1 с 1,8 млрд параметров, разработанный AMAImedia для платформы автоматизации многоязычного дубляжа NOESIS. Это дообученная и объединённая с SFT-LoRA адаптером версия Tencent Hy-MT2-1.8B; основной сценарий — перевод реплик с учётом ограничений по длительности и синхронизации речи, с возможностью использовать её как облегчённый переводчик при ограниченных ресурсах видеопамяти. Модель принимает текстовые инструкции и исходную реплику в формате чата, выдаёт перевод. В карточке заявлена поддержка перевода между 33 языками, включая русский, английский, китайский, японский и ряд европейских и азиатских языков. Контекст составляет 262 144 токена. Весовой файл представлен в формате BF16 Safetensors; авторы сообщают о тестировании на небольшом внутреннем наборе для дубляжа и приводят результаты FLORES-200 для отдельных языковых направлений. Специализация на дубляже помогает сокращать перевод под речевой слот, но может снижать буквальную точность и метрики на задачах обычного письменного перевода. Для корректной остановки генерации README предписывает использовать формат чата. Лицензия — Tencent HY Community License Agreement: в README указаны территориальное исключение ЕС, ограничение в 100 млн активных пользователей в месяц без отдельного разрешения Tencent и запрет использовать выходы для обучения других ИИ-моделей.

misri/ntrMIXIllustriousXL_xiii — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем misri на Hugging Face. Репозиторий содержит конвейер StableDiffusionXLPipeline с текстовыми энкодерами CLIP, UNet, VAE и планировщиком EulerAncestralDiscreteScheduler. Модель предназначена для создания изображений по текстовым запросам и работает с библиотекой Diffusers. В карточке приведён пример генерации изображения по описанию; размер модели указан как 3 млрд параметров, веса — F16. Языки и специфическая область применения не заявлены. Лицензия указана как unknown, поэтому условия использования по доступным сведениям установить нельзя.

nunchaku-ai/nunchaku-flux.1-dev — это квантизированная версия модели FLUX.1-dev, разработанная командой Nunchaku на основе модели Black Forest Labs. Она предназначена для генерации изображений по текстовым описаниям и интегрируется с библиотекой Diffusers, а также может использоваться в ComfyUI. Модель применяет метод SVDQuant и 4-битное квантование, чтобы повысить эффективность инференса при минимальной потере качества. Доступны варианты INT4 для видеокарт до серии NVIDIA 50 и NVFP4 для видеокарт Blackwell серии 50. Указан английский язык; модель поддерживает сценарии text-to-image. Сведения о размере, точной архитектуре, длине контекста и других модальностях в карточке не приведены. К сильным сторонам относятся высокое качество генерации, эффективный инференс и сниженные требования к вычислительным ресурсам по сравнению с исходной моделью. Ограничения связаны с применением квантизации и лицензионными условиями исходной FLUX.1-dev. Модель распространяется по лицензии flux-1-dev-non-commercial-license, допускающей некоммерческое использование; перед применением необходимо ознакомиться с полным текстом лицензии Black Forest Labs.

Nunchaku-quantized версия модели FLUX.1-schnell, разработанная командой Nunchaku на основе модели Black Forest Labs. Это диффузионная text-to-image модель для генерации изображений по текстовым запросам; она интегрируется с библиотекой Diffusers и поддерживает использование через ComfyUI. Ключевая цель версии Nunchaku — повысить эффективность инференса при минимальной потере качества по сравнению с исходной FLUX.1-schnell. Модель использует 4-битное квантование SVDQuant. Доступны варианты INT4 для графических процессоров до серии NVIDIA 50 и NVFP4 для Blackwell GPU серии 50. В репозитории также указаны inference engine Nunchaku и библиотека квантования DeepCompressor. Поддерживаемый язык в метаданных — английский; сведения о размере модели, длине контекста, точной архитектуре и других модальностях не приведены. Модель подходит для эффективной генерации изображений из текстовых описаний, особенно при ограниченных вычислительных ресурсах или необходимости ускоренного инференса. Основные ограничения связаны с 4-битным квантованием и зависимостью от совместимого оборудования и программного стека; точные показатели производительности в README не указаны. Лицензия — Apache-2.0.

nunchaku-ai/nunchaku-qwen-image-edit-2509 — это квантизированная версия модели Qwen/Qwen-Image-Edit-2509, разработанная командой Nunchaku. Модель относится к классу image-to-image и предназначена для редактирования изображений по текстовым инструкциям, включая сценарии, где требуется сложное отображение текста. Она реализована для библиотеки Diffusers и оптимизирована для эффективного инференса при минимальной потере качества относительно исходной модели Qwen-Image-Edit-2509. В репозитории представлены варианты в форматах INT4 для GPU до поколения NVIDIA 50-й серии и NVFP4 для GPU Blackwell 50-й серии. Доступны варианты с рангом r32, обеспечивающие более быстрый инференс, и r128, ориентированные на лучшее качество при более низкой скорости. Также имеются дистиллированные версии для генерации за 4 или 8 шагов, объединённые с LoRA Qwen-Image-Lightning. Размер модели, точная архитектура, поддерживаемые языки и максимальная длина контекста в README не указаны. Основные сильные стороны модели — снижение вычислительных требований за счёт квантизации, несколько вариантов компромисса между скоростью и качеством, а также ускоренные lightning-версии. Ограничения включают зависимость характеристик от типа GPU, ранга и выбранного варианта, а также потенциальное снижение качества по сравнению с полной версией модели. Лицензия — Apache-2.0.

OmniGen-V1-fp8_e4m3fn — версия OmniGen-V1 в формате FP8, опубликованная silveroxides. OmniGen — унифицированная модель генерации изображений на основе текстовой архитектуры Phi-3; она принимает текстовые инструкции и изображения и формирует изображения. Модель предназначена для генерации по текстовому описанию, редактирования изображений, генерации с опорой на заданный объект или личность, а также создания изображений с учётом входного изображения. Модель объединяет несколько сценариев работы с изображениями без дополнительных модулей вроде ControlNet и предварительной обработки, такой как обнаружение лиц или поз. В карточке указано 3,7 млрд параметров и контекст 4096 токенов. OmniGen описана как модель с возможностями генерации широкого спектра изображений, но разработчики отмечают, что она нуждается в дальнейшей оптимизации из-за ограниченности ресурсов. Лицензия — MIT.

digiplay/OnlyRealistic_v29 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Pipeline. Карточка не содержит сведений о разработчике, архитектурной версии, размере или специализации модели. Модель принимает текстовые запросы и создаёт изображения; репозиторий содержит веса в формате safetensors для использования с Diffusers. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

opencode-r1 — модель обнаружения объектов, созданная дообучением facebook/detr-resnet-50 на наборе biglam/loc_beyond_words. Она предназначена для поиска и выделения рамками фотографий, иллюстраций, карт, комиксов и карикатур, редакционных карикатур, заголовков и рекламных объявлений на газетных страницах времён Первой мировой войны из коллекции Chronicling America Библиотеки Конгресса США. Архитектура — DETR с backbone ResNet-50; веса представлены в формате safetensors. Лицензия — Apache-2.0. На проверочной выборке из 712 изображений указаны mAP@0.5:0.95 = 0,3062 и mAP@0.5 = 0,4356. При этом в карточке для всех семи классов приведён нулевой поклассовый mAP@0.5, что противоречит общей оценке и требует осторожности при интерпретации результатов. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками классов; сведения о поддержке других языков или модальностей не приводятся.

Openjourney-v4 — модель генерации изображений по текстовому описанию, созданная PromptHero. Она дообучена на Stable Diffusion v1.5 на более чем 124 тысячах изображений Midjourney v4; обучение заняло 12 400 шагов, четыре эпохи и около 32 часов. Модель предназначена для создания изображений в характерной эстетике Midjourney v4 по текстовым запросам. По карточке, для работы с ней больше не требуется добавлять к запросу фразу «mdjrny-v4 style». Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M.

zeromodels/owlvit-large-patch14 — конверсия модели OWL-ViT Large Patch14 от Google в Keras 3, подготовленная проектом zeromodels. Это модель обнаружения объектов с открытым словарём: она принимает изображение и текстовые запросы с описаниями объектов, а затем возвращает кандидаты ограничивающих рамок с оценками сходства. Архитектура основана на визуальном и текстовом энкодерах в стиле CLIP; к токенам патчей добавлена лёгкая голова предсказания рамок. Модель предназначена для поиска на изображениях объектов, заданных свободным текстом, без фиксированного списка классов. Реализация Keras 3 работает с TensorFlow, PyTorch и JAX; в репозитории указаны веса в формате TensorFlow. Для открытого словаря могут понадобиться более низкие пороги обнаружения, чем у детекторов с фиксированными классами. Лицензия — Apache 2.0.

PeachMixsRelistic_R0 — модель генерации изображений по текстовому описанию в формате Stable Diffusion Diffusers. Репозиторий опубликован пользователем digiplay; в README приведено только упоминание демонстрационного изображения исходного автора, без описания происхождения или обучения модели. Модель предназначена для создания изображений по текстовым запросам. Доступные файлы представлены в форматах Diffusers, PyTorch и Safetensors; лицензия указана как other, поэтому условия её использования следует сверить с лицензией в репозитории.

hansyan/perflow-sd15-dreamshaper — ускоренная версия DreamShaper с применением PeRFlow. Она предназначена для генерации изображений по текстовому описанию. Репозиторий использует StableDiffusionPipeline из Diffusers и хранит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

HaitameLaf/Phi3_StoryGenerator — дообученная HaitameLaf модель для генерации текста, в том числе историй. Основана на unsloth/Phi-3-mini-4k-instruct-bnb-4bit; в метаданных указана плотная архитектура MistralForCausalLM и размер 3,7 млрд параметров. Модель поддерживает диалоговый режим и принимает текст, выдавая текст. Карточка указывает английский и французский языки, а среди обучающих наборов — франкоязычные данные о видеоиграх, оружии и испытаниях. Контекст модели составляет 4096 токенов. Обучение проводилось с Unsloth и библиотекой TRL. Модель подходит для генерации историй и сюжетного текста, в частности на игровую тематику. Лицензия — Apache-2.0; конкретные ограничения качества и использования в карточке не описаны.

Pika_v1 — модель генерации изображений по текстовому описанию в формате Diffusers, размещённая пользователем digiplay. В карточке README приведены только примеры изображений, созданные автором исходной модели; сведений о разработчике исходной модели и её архитектуре нет. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в форматах PyTorch и SafeTensors для использования с Diffusers. Лицензия обозначена как other, поэтому условия использования следует уточнять по материалам репозитория.

Pony-Diffusion-V6-XL — модель генерации изображений по текстовому описанию, опубликованная в репозитории stablediffusionapi и доступная через API ModelsLab. Метаданные относят её к семейству Stable Diffusion XL и указывают библиотеку diffusers; файлы представлены в форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым запросам. README описывает доступ к ней через API ModelsLab и не приводит сведений о рекомендуемых сценариях, размере, контексте или поддерживаемых языках. Для модели указана лицензия CreativeML OpenRAIL-M; условия её использования следует сверять с текстом лицензии.

Sanster/PowerPaint-V1-stable-diffusion-inpainting — модель для редактирования изображений методом дорисовки и заполнения областей. Она основана на runwayml/stable-diffusion-inpainting: исходный UNet заменён на UNet из PowerPaint, а в text encoder добавлены обученные токены P_ctxt, P_shape и P_obj. Модель принимает изображение и текстовое описание для генерации содержимого в выбранной области. Она предназначена для сценариев inpainting, например удаления или замены объектов и изменения отдельных частей изображения. Репозиторий содержит веса в формате Diffusers и SafeTensors. В README не указана лицензия, поэтому условия использования по доступным сведениям определить нельзя. Характеристики PowerPaint и базовой модели наследуют ограничения Stable Diffusion для дорисовки изображений; отдельные ограничения этой версии в карточке не описаны.

ProteusV0.2 — модель генерации изображений по текстовому описанию от автора dataautogpt3. Она основана на OpenDalleV1.1, дообученной на наборах подписей к изображениям и предпочтений, а затем объединённой с RealCartoonXL для улучшения понимания запросов об аниме и мультяшном стиле. Модель использует архитектуру Stable Diffusion XL и распространяется в форматах Diffusers, PyTorch и Safetensors. Модель предназначена для создания изображений в разных стилях, включая фотореализм, сюрреализм, аниме и мультфильмы. В карточке отмечены улучшенное следование текстовым запросам, детализация лиц и реалистичные текстуры кожи. Автор рекомендует CFG 7–8, 20–60 шагов, сэмплер DPM++ 2M SDE и разрешение 1024×1024 или 1280×1280. Лицензия — GPL-3.0. Качество результата зависит от формулировки запроса и настроек генерации; заявленные преимущества основаны на описании автора.

ProteusV0.3 — модель генерации изображений по текстовому описанию, разработанная dataautogpt3 на базе OpenDalleV1.1. Это обновлённая версия с дополнительным обучением на изображениях аниме и отборе визуально выразительных примеров; модель сохраняет фотореалистичные и стилизованные возможности предыдущей версии. Модель дообучена примерно на 220 тысячах изображений с подписями GPTV, а также на 10 тысячах пар изображений, отобранных для оптимизации предпочтений. Она предназначена для создания фотореалистичных и художественных изображений, включая аниме, сюрреализм и мультяшную стилизацию, и уделяет внимание деталям лица, текстуре кожи, освещению и соответствию промпту. Карточка рекомендует использовать разрешение 1024×1024 или 1280×1280, 20–60 шагов и sampler DPM++ 2M SDE с scheduler Karras. Модель распространяется в формате Diffusers/PyTorch и лицензирована по GPL-3.0. Результат зависит от формулировки промпта и настроек генерации; README не приводит независимых оценок качества или подробностей об ограничениях использования.

ProteusV0.4 — модель генерации изображений по тексту от dataautogpt3, основанная на OpenDalleV1.1 и дообученная для улучшения визуального стиля. В README описано обучение на более чем 400 тысячах изображений, включая около 220 тысяч изображений с подписями GPTV и 10 тысяч пар изображений, использованных для DPO; также упоминается выборочное применение обученных LoRA-компонентов. Репозиторий предоставляет модель в форматах Diffusers, PyTorch и Safetensors для StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам, с акцентом на эстетические стили, реалистичные черты лица и текстуру кожи, а также сюрреалистичные, аниме- и мультяшные изображения. README рекомендует CFG 4–6, 20–60 шагов и разрешение 1024×1024 или 1280×1280. Указана лицензия GPL-3.0. Автор характеризует обновление V0.4 как преимущественно стилистическое: улучшение понимания сложных запросов не является его основным направлением.