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

Модель cahya/bert2gpt-indonesian-summarization разработана Cahya и дообучена для суммаризации текстов на индонезийском языке. Это encoder-decoder-модель, объединяющая BERT-base и GPT-2 small; обучение проводилось на наборе данных id_liputan6. Модель подходит для автоматического создания краткого содержания индонезийских текстов, например новостных материалов. Она распространяется в формате PyTorch по лицензии Apache-2.0. В карточке не приведены результаты оценки качества и дополнительные сведения о длине контекста.

HooshvareLab/bert-fa-base-uncased-clf-persiannews — модель классификации персидских текстов на основе ParsBERT v2.0. Разработчики восстановили словарь и дообучили ParsBERT v1.1 на новых персидских корпусах, затем настроили модель для классификации новостей Persian News по восьми категориям, включая экономику, международные события, политику, науку и технологии, культуру и искусство, спорт, медицину и социальные темы. Модель использует архитектуру BERT для классификации последовательностей, содержит около 190 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для разметки персидских новостных статей и близких по стилю текстов; в README для набора Persian News приведён результат F1 97,44. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель распространяется по лицензии Apache-2.0. Показатели качества приведены для конкретного набора данных Persian News; качество на других жанрах, источниках и схемах классов может отличаться.

Shobhank-iiitdwd/BERT_summary — модель суммаризации текста на основе архитектуры BERT2BERT, реализованная через EncoderDecoder Framework библиотеки Transformers. Это warm-started encoder-decoder модель, дообученная на датасете CNN/DailyMail для создания кратких пересказов новостных текстов. В карточке указана оценка ROUGE-2 18,22 на тестовой выборке CNN/DailyMail. Модель принимает текст и генерирует текстовое резюме; карточка ориентирует её на англоязычные новости. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.

BERTurk-128k Turkish News Classification — модель классификации новостей, разработанная thealper2 на основе dbmdz/bert-base-turkish-128k-cased. Это дообученный энкодерный Transformer BERTurk с архитектурой BertForSequenceClassification и 211,6 млн параметров; он присваивает турецкому новостному тексту одну из девяти взаимоисключающих тематических категорий. Контекст модели составляет до 512 токенов. Модель предназначена для автоматической тематической разметки новостных материалов и распределения их по категориям, в том числе для потоковой обработки и построения классификаторов на базе Transformers. По описанию автора, на тестовой выборке из 40 063 документов она достигла точности 95,95%, weighted-F1 0,9602 и macro-F1 0,9357. Обучение проводилось на наборе TRNEWS-2025 с учётом дисбаланса классов. Модель поддерживает турецкий язык и распространяется под лицензией MIT. Она ограничена классификацией новостей на девять заданных категорий и может терять информацию в текстах длиннее 512 токенов; результаты для других жанров и языков не заявлены. Условия использования датасета TRNEWS-2025 следует учитывать отдельно от лицензии модели.

LeoCordoba/beto2beto-cc-news-es-titles — модель суммаризации на испанском языке, опубликованная пользователем LeoCordoba. По метаданным, это плотная encoder-decoder модель класса EncoderDecoderModel, сохранённая в форматах PyTorch и safetensors; она предназначена для создания кратких заголовков по текстам новостных статей из набора CC-NEWS-ES-titles. Модель можно применять для автоматического озаглавливания испаноязычных новостей и подготовки кратких аннотаций. В карточке приведены результаты оценки: eval loss 4.54, ROUGE-1 23.75 и ROUGE-2 7.36. Лицензия — Apache-2.0.

BLIP image-captioning-base — модель описания изображений на основе архитектуры BLIP с визуальным backbone ViT-Base. Она создана авторами BLIP и обучена для генерации подписей к изображениям на датасете COCO. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Модель предназначена для условной и безусловной генерации текстовых подписей к изображениям. Её можно использовать для автоматического составления кратких описаний фотографий и как компонент систем, которым нужно преобразовать визуальное содержимое в текст. Карточка BLIP также описывает семейство как подход для задач понимания изображений и языка, однако этот чекпойнт заявлен именно для image captioning. Возможны ошибки в распознавании деталей сцены и смещения в описаниях; перед применением в значимых сценариях качество и безопасность следует оценить отдельно. Лицензия репозитория — BSD-3-Clause; в карточке также рекомендуется учитывать исследовательский характер выпуска и ограничения модели.

Карточка модели Bercraft/blip-image-captioning-large на Hugging Face совпадает с карточкой Salesforce/blip-image-captioning-large, поэтому описание составлено по ней. Salesforce/blip-image-captioning-large — модель семейства BLIP, разработанная Salesforce Research для описания изображений. Это базовая модель с визуальным энкодером ViT-Large, обученная на наборе COCO; архитектура поддерживает генерацию текста по изображению. Модель предназначена для создания подписей к изображениям в условном и безусловном режимах. Её можно применять для автоматического описания фотографий и визуального наполнения каталогов. Карточка не сообщает о поддержке нескольких языков, поэтому основной сценарий — генерация текстовых описаний без заявленной языковой специализации. Модель опубликована в форматах PyTorch, Safetensors и TensorFlow. Лицензия — BSD-3-Clause. Авторы отмечают, что выпуск предназначен для исследований и не проверен для всех практических сценариев; перед внедрением следует оценить точность, безопасность и справедливость результатов.

Salesforce/blip-image-captioning-large — модель семейства BLIP, разработанная Salesforce Research для описания изображений. Это базовая модель с визуальным энкодером ViT-Large, обученная на наборе COCO; архитектура поддерживает генерацию текста по изображению. Модель предназначена для создания подписей к изображениям в условном и безусловном режимах. Её можно применять для автоматического описания фотографий и визуального наполнения каталогов. Карточка не сообщает о поддержке нескольких языков, поэтому основной сценарий — генерация текстовых описаний без заявленной языковой специализации. Модель опубликована в форматах PyTorch, Safetensors и TensorFlow. Лицензия — BSD-3-Clause. Авторы отмечают, что выпуск предназначен для исследований и не проверен для всех практических сценариев; перед внедрением следует оценить точность, безопасность и справедливость результатов.

CapRL-Qwen3VL-4B — мультимодальная модель InternLM для создания подробных описаний изображений. Она основана на архитектуре Qwen3-VL и содержит 4 млрд параметров; работает с изображениями и текстовыми запросами, выдавая текст. Модель обучена в рамках серии CapRL 2.0 с обновлённой схемой подготовки данных, включающей фильтрацию вопросов и ответов и более разнообразный набор изображений. Модель предназначена прежде всего для описания естественных изображений, диаграмм, инфографики и документов. По заявлению разработчиков, она превосходит CapRL-Qwen2.5VL-3B и Qwen2.5VL-72B в задачах описания изображений, формируя структурированные и подробные ответы с меньшим числом галлюцинаций. Карточка приводит английский язык; длина контекста не указана. Репозиторий содержит веса safetensors, модель использует библиотеку Transformers и поддерживает диалоговый интерфейс. Модель распространяется по лицензии Apache-2.0. Ограничения: оценки качества приведены разработчиками и зависят от типа изображения и запроса; даже при заявленном снижении галлюцинаций описания могут содержать ошибки.

CogView3-Plus-3B — модель генерации изображений по текстовому описанию, разработанная командой Z.ai. Это версия семейства CogView3 на основе архитектуры DiT; она создаёт изображения с разрешением от 512 до 2048 пикселей при условии, что ширина и высота кратны 32. В README приведены замеры скорости и потребления памяти на A100: около секунды на шаг, 19–23 ГБ памяти без выгрузки модели на CPU и около 11 ГБ с ней. Модель рассчитана на генерацию изображений по текстовым запросам. В README для инференса указаны точности BF16 и FP32; FP16 не поддерживается из-за переполнения, которое может приводить к чёрным изображениям. Репозиторий использует форматы Diffusers и Safetensors. Лицензия — Apache-2.0.

CyberRealistic XL — модель генерации изображений от Cyberdelia на базе Stable Diffusion XL 1.0. Чекпойнт распространяется в формате safetensors под лицензией CreativeML Open RAIL++-M. Модель предназначена для создания фотореалистичных изображений по текстовому описанию. Она особенно подходит для портретов, модной фотографии и редакционных сцен, а также для других творческих запросов. По карточке, модель хорошо работает с короткими промптами, детально передаёт лица, освещение, текстуры, кожу и глаза и включает встроенный VAE. Рекомендуемое исходное разрешение — 1024×1024; для более крупных изображений предлагается использовать Hires.fix.

Kansallisarkisto/cyrillic-htr-model — модель распознавания рукописного текста на основе TrOCR, разработанная дообучением microsoft/trocr-large-handwritten. Архитектура vision-encoder-decoder принимает изображения рукописных строк и генерирует текст на кириллице. Модель предназначена для оцифровки архивных документов, исторических рукописей и транскрибирования рукописных заметок. Обучение проводилось на материале XVII–XX веков: в README указаны 740 страниц и более 30 000 строк текста. Для тестового набора примерно из 33 400 строк заявлена символьная ошибка CER 8. Модель поддерживает кириллическое письмо и распространяется по лицензии Apache 2.0. В README отмечено, что обучение в основном охватывает базовые символы кириллицы, поэтому распознавание других письменностей, редких знаков и разнообразных почерков может быть менее надёжным.

jzli/DreamShaper-8 — модель генерации изображений по текстовому описанию в формате Diffusers, совместимая со StableDiffusionPipeline. Карточка сообщает о возможности запускать её бесплатно и получать доступ через API. Модель предназначена для создания изображений по текстовым запросам. В доступных сведениях не приведены разработчик, базовая модель, число параметров, контекст и поддерживаемые языки; поэтому эти характеристики не указаны. Репозиторий содержит файлы Diffusers, PyTorch и SafeTensors. Лицензия в предоставленных данных не указана.

EffectErase — модель удаления объектов и связанных с ними визуальных эффектов из видео, разработанная Yang Fu, Yike Zheng, Ziyun Dai и Henghui Ding из Института больших данных Колледжа компьютерных наук и искусственного интеллекта Фуданьского университета. Чекпойнт опубликован для метода, представленного как Highlight на CVPR 2026, и обучен на наборе VOR с 60 тысячами пар видео и соответствующими масками объектов. Модель предназначена для удаления движущихся объектов вместе с их деформациями, тенями и отражениями и восстановления цельного фона. Метод использует взаимное обучение удаления и вставки объектов, с учетом областей, затронутых эффектами. Репозиторий предоставляет чекпойнт PyTorch для использования с библиотекой Diffusers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. В карточке не приведены ограничения по разрешению или длине входного видео.

Карточка модели BAAI/Emu3.5 на Hugging Face совпадает с карточкой BAAI/Emu3.5-Image, поэтому описание составлено по ней. Emu3.5-Image — модель генерации изображений от команды Emu3.5 компании BAAI. Она предназначена для создания изображений по текстовым описаниям и по одному или нескольким референсным изображениям, в том числе для редактирования и преобразования изображений. Модель основана на плотной авторегрессионной архитектуре Emu3 и обучена предсказывать последовательности визуальных и текстовых токенов. Веса содержат 30,4 млрд параметров, модель работает с контекстом до 32 768 токенов и принимает визуально-текстовые последовательности. В отличие от общей модели Emu3.5, эта версия специально оптимизирована для одиночной генерации изображений по тексту и референсам. Для генерации доступны разные пропорции сторон и потоковая выдача. В README отмечено, что генерация без ускорения DiDA может занимать несколько минут на изображение. Модель распространяется под лицензией Apache 2.0.

Emu3.5-Image — модель генерации изображений от команды Emu3.5 компании BAAI. Она предназначена для создания изображений по текстовым описаниям и по одному или нескольким референсным изображениям, в том числе для редактирования и преобразования изображений. Модель основана на плотной авторегрессионной архитектуре Emu3 и обучена предсказывать последовательности визуальных и текстовых токенов. Веса содержат 30,4 млрд параметров, модель работает с контекстом до 32 768 токенов и принимает визуально-текстовые последовательности. В отличие от общей модели Emu3.5, эта версия специально оптимизирована для одиночной генерации изображений по тексту и референсам. Для генерации доступны разные пропорции сторон и потоковая выдача. В README отмечено, что генерация без ускорения DiDA может занимать несколько минут на изображение. Модель распространяется под лицензией Apache 2.0.

Fanar-2-Oryx-IVU — мультимодальная модель для понимания изображений и видео, разработанная Институтом вычислительных исследований Катара (QCRI) при Университете Хамада бин Халифы (HBKU). Она основана на Qwen2.5-VL-7B-Instruct и дообучена для работы с арабским и английским языками, с приоритетом арабского и учетом культурного контекста. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для визуальных вопросов и ответов, описания изображений, локализации объектов, распознавания арабской каллиграфии, анализа документов и понимания видео. Обучение на 62 млн примеров охватывало культурные материалы 22 арабских стран, арабскую и английскую подписи к изображениям, разметку объектов и текстовые инструкции. Авторы сообщают об улучшении результатов на культурно значимом контенте относительно базовой модели и снижении переключения между языками в арабских ответах. Модель может применяться для документирования культурного наследия, образовательных и музейных сервисов, доступности, модерации контента и описания товаров. Среди ограничений — возможные галлюцинации, ошибки распознавания текста на изображениях, различия в качестве для арабских диалектов и неполное понимание культурных нюансов. Лицензия — Apache-2.0.

Kansallisarkisto/finbert-ner — модель распознавания именованных сущностей в финском тексте, разработанная Национальным архивом Финляндии. Это дообученная для классификации токенов модель BERT на базе TurkuNLP/bert-base-finnish-cased-v1; она содержит 151,7 млн параметров, работает с контекстом до 512 токенов и распространяется в формате PyTorch через Transformers. Модель выделяет десять типов сущностей: имена людей, организации, места, геополитические объекты, продукты, события, даты, финские регистрационные номера дел и компаний, а также национальные, религиозные и политические группы. Она подходит для разметки финских архивных и административных документов, газетных текстов и других материалов для поиска и анализа. В тестировании F1 составил 0,90 для PERSON, 0,86 для ORG и 0,97 для FIBC; результаты для событий ниже — 0,71. Лицензия MIT. Распознавание EVENT и LOC может быть менее точным из-за меньшего числа таких примеров в обучении. Поскольку большая часть данных относится к относительно недавнему периоду, модель может хуже работать со старыми именами и стилями письма. Часть обучающих архивных данных не опубликована из-за наличия чувствительной информации.

FireRed-Image-Edit-1.0 — модель редактирования изображений общего назначения от FireRedTeam. Она построена на базе текстово-графической генеративной модели и предназначена для изменения изображений по текстовым инструкциям, сохраняя визуальную согласованность результата. Модель поддерживает редактирование нескольких изображений, сохранение стиля текста на изображении, восстановление и улучшение старых фотографий, а также виртуальную примерку. В README описана оценка на двуязычных сценариях редактирования на китайском и английском языках; репозиторий использует Diffusers и формат safetensors. Модель распространяется по лицензии Apache-2.0. Авторы предупреждают, что она не оценивалась для всех возможных применений, и запрещают использовать проект для создания незаконного, порнографического, вредоносного или нарушающего права контента.

Модель lincoln/flaubert-mlsum-topic-classification разработана для классификации французских новостных статей по темам. Она основана на flaubert/flaubert_base_cased и дообучена для sequence classification на статьях из MLSUM. Модель принимает текст тела статьи и предсказывает одну из укрупнённых тематических категорий: экономика, мнения, политика, общество, культура, спорт, окружающая среда, технологии, образование или правосудие. Обучение проводилось на 20% очищенного набора MLSUM, содержащего около 294 тысяч статей; средняя длина тела статьи в наборе — 694 токена. Контекст модели ограничен 512 токенами, поэтому длинный текст может быть усечён. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для тематической разметки новостных материалов и создана как proof of concept; авторы не гарантируют стабильность результатов. Лицензия — MIT.

FLUX.1-merged — объединённые параметры моделей FLUX.1-dev и FLUX.1-schnell, опубликованные Sayak Paul. Репозиторий предназначен для генерации изображений по текстовым описаниям и запускается через FluxPipeline из библиотеки Diffusers; пример в карточке использует точность bfloat16. Модель принимает текстовый запрос и создаёт изображение. В примере показаны разрешение 880 × 1184, длина текстовой последовательности до 512 токенов и четыре шага генерации. Для коммерческого использования необходимо учитывать лицензии обеих исходных моделей; в метаданных лицензия указана как other.

FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для работы через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по промптам и может использоваться в творческих, научных и коммерческих проектах. Качество генерации и следование промпту конкурентоспособны с закрытыми моделями, но результат зависит от формулировки запроса и может не совпасть с ним. Модель не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Лицензия — Apache-2.0; README также перечисляет ограничения на незаконное и вредоносное использование.

FLUX.2 [dev] — модель Black Forest Labs с 32 млрд параметров на основе трансформера rectified flow. Она генерирует и редактирует изображения по текстовым инструкциям, в том числе с одной или несколькими референсными картинками, позволяя переносить в результат персонажей, объекты и стили без дообучения. Модель поддерживает сценарии text-to-image и image-to-image; в метаданных указаны библиотека Diffusers и форматы Diffusers и Safetensors. Модель обучена с guidance distillation для более эффективной генерации. Разработчик описывает её как открытую по весам модель для исследований и творческих рабочих процессов; README также сообщает о мерах безопасности, входных и выходных фильтрах и примере пиксельного водяного знака. Указанная в карточке лицензия — other; README уточняет, что для открытых весов действует FLUX.2 [dev] Non-Commercial License, а коммерческое использование регулируется отдельными условиями лицензии. Перед развёртыванием необходимо учитывать ограничения лицензии и требования к фильтрации или ручной проверке контента.

GreekT5-mt5-small-greeksum — модель суммирования греческих новостных статей, разработанная исследовательской группой авторов работы GreekT5. Это вариант архитектуры mT5-small с 157,4 млн параметров, обученный на наборе GreekSum из примерно 151 тысячи статей греческих СМИ по разным темам. Модель принимает текст статьи и генерирует её краткое изложение на греческом языке. Модель предназначена для автоматического создания кратких пересказов новостей. В опубликованном сравнении она оценивалась метриками ROUGE и BERTScore; результаты различаются по метрикам и уступают варианту GreekT5 на umt5-small по ROUGE. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

davanstrien/headline-similarity — модель Sentence Transformers на базе BERT, разработанная для сопоставления заголовков и других коротких текстов по смыслу. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, кластеризации и оценки сходства. Модель дообучена на dbmdz/bert-base-historic-multilingual-cased с использованием MultipleNegativesRankingLoss; в обучающих данных использовался набор headlines-semantic-similarity. Архитектура содержит 137,8 млн параметров, а контекст ограничен 512 токенами. Модель ориентирована на английские газетные заголовки. Её можно применять для поиска похожих заголовков, группировки публикаций по теме и обнаружения семантически близких формулировок. Репозиторий использует формат PyTorch; в предоставленных сведениях лицензия не указана.

HiDream-E1-Full — модель редактирования изображений от HiDream.ai, построенная на HiDream-I1-Full и предназначенная для редактирования по инструкциям. Она принимает изображение и текстовое указание, например изменить объект, фон, цвет или стиль либо удалить элемент, и генерирует отредактированное изображение. Модель распространяется в формате Diffusers и safetensors; для запуска автор рекомендует актуальную версию Diffusers, Flash Attention и CUDA 12.4. В README приведены результаты оценки на наборах EmuEdit и ReasonEdit. Лицензия — MIT.

Карточка модели HiDream-ai/HiDream-I1-Dev на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

Карточка модели unsloth/HiDream-I1-Fast на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

Карточка модели kayraharika/HiDream-O1-Image на Hugging Face совпадает с карточкой HiDream-ai/HiDream-O1-Image, поэтому описание составлено по ней. HiDream-O1-Image — модель генерации и редактирования изображений от HiDream, построенная на Pixel-level Unified Transformer (UiT). Она обрабатывает текст и пиксели в общем пространстве токенов, без внешнего VAE и отдельного текстового энкодера. В карточке семейства указана версия на 8 млрд параметров; модель создаёт изображения напрямую с разрешением до 2048 × 2048. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображения по инструкции, персонализации с сохранением заданного персонажа или объекта, управления композицией и создания раскадровок. Встроенный агент рассуждений помогает уточнять требования к композиции и надписям; заявлена поддержка длинного текста и многоязычных надписей на изображениях. Метаданные классифицируют модель как image-text-to-image. В README описаны полная и дистиллированная Dev-версии; результаты и характеристики могут различаться между ними. Для запуска требуется GPU с поддержкой CUDA; авторы отмечают проблему с PyTorch 2.9.x и рекомендуют полную версию для редактирования. Репозиторий модели распространяется по лицензии MIT.