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

Карточка модели HiDream-ai/HiDream-O1-Image-Dev 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.

Карточка модели kayraharika/HiDream-O1-Image-Dev 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.

HiDream-O1-Image-Dev-2604-FP8 — квантованная версия в смешанной точности FP8 модели HiDream-ai/HiDream-O1-Image-Dev-2604 от HiDream.ai. Это 9-миллиардная модель для генерации и обработки изображений, рассчитанная на запуск через Diffusers и ComfyUI. Вариант Dev использует дистиллированный 28-шаговый режим; веса FP8 Mixed занимают около 10 ГБ видеопамяти, а чувствительные слои сохраняют более высокую точность. Архитектура исходной модели описана как Pixel-level Unified Transformer, работающий с пикселями, текстом и условиями задач в общем пространстве токенов. Модель предназначена для генерации изображений по тексту, персонализации по изображению-образцу, управления размещением объектов и позой с помощью ограничивающих рамок и скелетных условий. Она поддерживает синтез с разрешением до 2048 × 2048 и многоязычную отрисовку текста. Для редактирования изображений по инструкциям README рекомендует полную версию модели; в Dev-режиме CFG отключён, поэтому негативные промпты не влияют на результат. Репозиторий распространяется по лицензии MIT. README предупреждает о проблемах совместимости с PyTorch 2.9.x и рекомендует версии 2.8.x или ниже; ускорение FP8 зависит от видеокарты, а на старом оборудовании возможно снижение скорости из-за преобразования весов на лету.

Карточка модели worksimpli/HiDream-O1-Image-endpoint 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.

Многоязычная модель Sentence Transformers, разработанная командой Impresso Project на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 и дообученная для исторического и современного люксембургского языка. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена прежде всего для кросс-языкового семантического поиска между люксембургским и другими языками, а также для сравнения текстов, поиска парафраз и кластеризации. Модель подходит библиотекам и архивам для поиска по коллекциям и изучения изменений языка во времени. Архитектура — XLM-RoBERTa; модель содержит 305,2 млн параметров, использует библиотеку Sentence Transformers и принимает текст. README указывает ограничение в 128 субтокенов на вход, хотя метаданные каталога сообщают длину контекста 514 токенов. На историческом и современном люксембургском модель показывает сильный результат в различении парафраз ParaLUX; для поиска по более длинному контексту README рекомендует другую модель. Лицензия — AGPL-3.0.

HunyuanVideo-1.5 — модель генерации видео от Tencent с 8,3 млрд параметров. Она использует архитектуру Diffusion Transformer (DiT), 3D causal VAE и механизм Selective and Sliding Tile Attention (SSTA), который снижает вычислительные затраты при работе с длинными видеопоследовательностями. Модель поддерживает генерацию видео по текстовому описанию и по изображению, а также разные длительности и разрешения; сеть суперразрешения повышает результат до 1080p. Модель предназначена для создания роликов с согласованным движением, следованием инструкциям и визуально проработанными сценами. README описывает двуязычное понимание английского и китайского, а также поэтапное обучение и оптимизацию вывода. Для запуска доступны веса в формате safetensors и интеграция с Diffusers; заявленная скорость измерялась на восьми GPU H800, поэтому она не гарантирует аналогичную производительность на потребительском оборудовании. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория перед применением или распространением модели.

cstr/instructir-GGUF — конвертированная в формат GGUF версия модели mv-lab/InstructIR для восстановления изображений. Это текстово-управляемая U-Net на основе NAFNet с 16 млн параметров; в GGUF заранее встроены эмбеддинги семи задач, поэтому при работе не требуется текстовый энкодер, а режим выбирается целочисленным идентификатором от 0 до 6. Репозиторий содержит варианты GGUF F16 и F32; для F32 в карточке указано 61 МБ. Заявлено совпадение с эталонной реализацией на Python с косинусным сходством 1,0. Модель предназначена для шумоподавления, устранения размытия, удаления дымки и дождя, повышения разрешения, улучшения изображений при слабом освещении и общего улучшения качества. Это преобразование формата исходной модели без дополнительного обучения, дообучения, слияния или дистилляции. Лицензия — MIT, на тех же условиях, что и у исходной модели.

InternVL2_5-4B — мультимодальная чат-модель семейства InternVL 2.5, разработанная командой OpenGVLab. Она предназначена для диалога по изображениям, нескольких изображений и видеокадров, а также для генерации текста по запросу. Модель использует архитектуру ViT-MLP-LLM: визуальный энкодер InternViT-300M-448px-V2_5, проектор MLP и языковую часть Qwen2.5-3B-Instruct; обработка изображений поддерживает динамическое разбиение на фрагменты 448×448 пикселей и высокое разрешение. Модель подходит для описания и анализа изображений, визуальных вопросов и ответов, чтения текста на изображениях, работы с несколькими изображениями и анализа видео по кадрам. Карточка описывает улучшения обучения и сохранение языковых возможностей, однако не приводит конкретных численных результатов для варианта 4B. Репозиторий использует лицензию MIT.

InternVL2_5-78B — мультимодальная модель серии InternVL 2.5, разработанная командой OpenGVLab. Она сочетает зрительный энкодер InternViT и языковую модель Qwen2.5-72B-Instruct в архитектуре ViT-MLP-LLM; компоненты объединены с помощью обучаемого MLP-проектора. Репозиторий использует формат safetensors и библиотеку Transformers. Модель предназначена для диалога по изображениям, анализа нескольких изображений и видеокадров, а также для текстовой генерации. Динамическое разбиение изображений на тайлы 448×448 помогает работать с изображениями высокого разрешения; поддерживаются многоязычные сценарии, включая OCR и анализ математических диаграмм. В обучении использовано 120 млрд токенов. Длина контекста в доступных сведениях не приводится. Модель подходит для визуальных вопросов и ответов, описания изображений и видео, распознавания текста на изображениях и диалоговой генерации. Её размер 78 млрд параметров требует значительных вычислительных ресурсов; обработка нескольких изображений увеличивает расход контекста. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверять с лицензией в репозитории.

InternVL2_5-8B — мультимодальная диалоговая модель серии InternVL 2.5, разработанная командой OpenGVLab. Она сочетает визуальный энкодер InternViT-300M-448px-V2_5 с языковой моделью internlm/internlm2_5-7b-chat в архитектуре ViT-MLP-LLM; компоненты объединены для работы как единой модели. Репозиторий содержит веса в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии MIT. Модель предназначена для диалога по изображениям и видео, анализа нескольких изображений в одном запросе, визуального распознавания текста и ответов на обычные текстовые запросы. Динамическая обработка высокого разрешения разбивает изображения на фрагменты 448×448 пикселей, а видеоданные обрабатываются как последовательность кадров. Карточка характеризует серию как мультиязычную; точный перечень языков и размер контекстного окна для этой версии не приведены. К сильным сторонам относятся работа с изображениями высокого разрешения, несколькими изображениями и видео, а также сохранение возможностей текстового диалога. Обработка изображений и множества видеокадров увеличивает расход токенов и требования к контексту; качество ответов зависит от входных данных и может быть ограничено ошибками визуального восприятия или генерации.

Ko033/isnet-general-use-onnx — конвертированная в ONNX версия ISNet общего назначения, разработанная на основе модели Xuebin Qin и соавторов из проекта DIS и упакованная для Transformers.js. Модель предназначена для сегментации изображений и выделения переднего плана, в том числе для удаления фона и создания альфа-маски. На вход подаётся RGB-изображение размером 1024 × 1024; модель выдаёт карту вероятностей сегментации того же разрешения. В репозитории есть варианты fp32, fp16 и динамический int8; вспомогательные выходы исходного графа удалены. Модель работает с изображениями, а сведения о поддержке естественных языков не относятся к её задачам. Лицензия модели — Apache-2.0.

ARTeLab/it5-summarization-ilpost — итальянская модель семейства T5, разработанная ARTeLab путём дообучения gsarti/it5-base на наборе статей IlPost для абстрактивного суммирования. Она создаёт краткое изложение текста и подходит для автоматического составления выжимок из новостных статей на итальянском языке. Модель содержит 123,7 млн параметров; в репозитории доступны веса PyTorch и safetensors. В карточке приведены метрики оценки: ROUGE-1 33,78, ROUGE-2 16,30, ROUGE-L 27,48 и ROUGE-Lsum 30,23. Для запуска можно использовать Transformers с T5Tokenizer и T5ForConditionalGeneration. Лицензия в предоставленных данных не указана.

Карточка модели chenQAQ/japanese-wav2vec2-large-rs35kh на Hugging Face совпадает с карточкой reazon-research/japanese-wav2vec2-large-rs35kh, поэтому описание составлено по ней. Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

Kandinsky 5.0 T2I Lite SFT — модель генерации изображений по текстовому описанию от команды Kandinsky Lab. Это облегчённая модель семейства Kandinsky 5.0 с 6 млрд параметров, дообученная под контролируемым обучением на основе Kandinsky-5.0-T2I-Lite-pretrain-Diffusers. Модель использует латентный диффузионный конвейер с Flow Matching и Diffusion Transformer (DiT), который взаимодействует с текстовыми представлениями через cross-attention. Для кодирования текста применяются Qwen2.5-VL и CLIP, а для кодирования и декодирования изображений — Flux VAE. Модель предназначена для создания изображений по текстовым запросам; в README она обозначена как вариант с наивысшим качеством генерации среди перечисленных моделей Image Lite. Репозиторий распространяется в формате Diffusers и под лицензией MIT. В README указано, что на момент обновления модели поддержка ещё не была включена в основной Diffusers и предлагалось использовать форк; это может влиять на настройку и запуск.

kmynas-parakeet-lt-v4 — модель распознавания литовской речи, разработанная Kristijonas и дообученная на базе NVIDIA Parakeet TDT 0.6B v3. Это плотная TDT-транспьюсерная модель с 0,6 млрд параметров; она принимает аудио и возвращает текст на литовском языке с пунктуацией, заглавными буквами и нормализованным написанием заимствований. Для обучения использованы 3 087 часов корпуса LIEPA-3. Модель доступна в формате safetensors и в исходном формате NeMo, работает через Transformers и рассчитана на быстрое распознавание речи, в том числе на локальном устройстве. Модель подходит для расшифровки разговоров, радиопередач и записей с телефона, когда нужен читаемый текст без отдельного этапа расстановки пунктуации. Архитектура транспьюсера обеспечивает монотонное выравнивание аудио и текста; автор сообщает о высокой скорости на MacBook и GPU, но эти показатели получены на конкретных устройствах и не гарантируют аналогичную производительность в других условиях. Лицензия — CC BY 4.0. Среди известных ограничений — непоследовательное распознавание имён собственных и редкой иностранной технической лексики, а также смешанный подход к дословной передаче разговорных форм. Модель не выполняет диаризацию и не размечает говорящих; для очень длинных файлов рекомендуется делить запись по паузам.

Krea 2 Turbo BF16 — 12-миллиардная диффузионная модель для генерации изображений по текстовым описаниям, разработанная Krea.ai, Inc. Это контрольная точка семейства Krea 2 Turbo: она прошла дополнительное дообучение и дистилляцию относительно базовой Krea 2 Raw. Репозиторий содержит веса в формате safetensors для использования с Diffusers и специализированным конвейером Krea2Pipeline. Модель предназначена для создания изображений по запросу, разработки концепций, исследования дизайна и визуальных рабочих процессов, в том числе в коммерческих приложениях. В README приведён пример генерации изображения размером 2048 × 2048 за 8 шагов. Основной язык карточки — английский; модель принимает текстовые описания, а выдаёт изображения. Модель может не точно следовать запросу и создавать неточные, нежелательные или спорные изображения; она не предназначена для предоставления фактической информации. Лицензия указана как Krea 2 Community License (метаданные классифицируют её как other): при развёртывании необходимо соблюдать лицензию и внедрить подходящие меры фильтрации или проверки контента.

ERCDiDip/langdetect — модель обнаружения языка текста, разработанная на основе XLM-RoBERTa base и дообученная на данных Monasterium и Wikipedia. Она предназначена для классификации текстовых последовательностей по языку, включая современные и средневековые языки. Модель использует архитектуру XLM-RoBERTa с классификационной головой, содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Поддерживает 41 язык; в тестировании на сбалансированном наборе указана средняя точность 99,59%. Репозиторий содержит веса PyTorch и safetensors. Лицензия — MIT. Модель подходит для автоматической сортировки и предварительной разметки исторических и современных текстов. Результат зависит от того, представлен ли язык в поддерживаемом наборе; качество для коротких, смешанных или сильно повреждённых фрагментов в карточке отдельно не оценено.

Карточка модели alpindale/Llama-3.2-90B-Vision на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-90B-Vision, поэтому описание составлено по ней. Llama 3.2 90B Vision — мультимодальная модель Meta для анализа изображений и генерации ответов на текстовые запросы о них. Она построена на авторегрессионной архитектуре Transformer семейства Llama 3.1 и использует отдельно обученный адаптер зрения с cross-attention, который передаёт представления изображений в языковую модель. Размер модели — 90B параметров; она принимает текст и изображения и выдаёт текст, поддерживает контекст длиной до 128 тыс. токенов. Модель предназначена для визуального распознавания и рассуждений, описания изображений, ответов на вопросы по изображениям и диалогов с визуальным содержимым. Также в карточке указаны сценарии DocVQA, поиска соответствий между изображениями и текстом, а также визуального заземления языковых описаний на объекты или области изображения. Для приложений с изображениями и текстом официально поддерживается английский язык; в текстовых задачах поддерживаются также немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель выпущена Meta в сентябре 2024 года и доступна по лицензии Llama 3.2 Community License — специальному соглашению, условия которого следует учитывать при коммерческом и исследовательском применении. Это статическая модель, обученная на офлайн-данных; сведения о дате отсечения знаний — декабрь 2023 года.

Lumina-DiMOO — мультимодальная модель на основе дискретной диффузии, разработанная исследователями из Shanghai Innovation Institute, Shanghai AI Laboratory, Shanghai Jiao Tong University и ряда других университетов. Она объединяет генерацию и понимание изображений с текстовой обработкой в общей архитектуре LLaDA. Модель предназначена для создания изображений по текстовым описаниям, редактирования и дополнения изображений, генерации с заданным объектом, а также понимания изображений. В README заявлены генерация изображений высокого разрешения и ускорение семплирования за счёт специального кэширования; для генерации изображений описан режим с 64 шагами, а для понимания — блочная обработка текста. Репозиторий использует форматы Diffusers и Safetensors. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на нескольких бенчмарках, однако конкретные численные показатели в карточке не приведены.

Lumina-Image-2.0 — модель генерации изображений по текстовому описанию, разработанная Alpha-VLLM и без изменений перепубликованная Unsloth. Это flow-based диффузионный трансформер с 2 млрд параметров, доступный в реализации для Hugging Face Diffusers и форматах Diffusers и safetensors. Модель предназначена для создания изображений по текстовым запросам и может использоваться в генеративных приложениях и для экспериментов с синтезом изображений. Она распространяется по лицензии Apache-2.0; условия upstream сохранены.

Rahvusarhiiv разработал экспериментальную модель для суммаризации текстов на латышском языке, дообучив mBART-50 `facebook/mbart-large-50-many-to-many-mmt`. Это последовательная модель типа encoder-decoder на базе MBART; репозиторий содержит веса Safetensors. Её применяют для краткого пересказа новостей, юридических и административных материалов, энциклопедических текстов и академических публикаций, в том числе в пакетной обработке и retrieval-assisted сценариях с проверкой результата. Вторая версия обучена на 30 000 примерах, преимущественно на латышских новостях, с меньшими долями юридических и академических текстов. В сравнительных оценках она улучшила результаты на двух новостных наборах и точность опоры на исходный текст, но стала короче пересказывать энциклопедические материалы. Метаданные указывают контекст до 1024 токенов; в карточке для рекомендуемой генерации приведены 768 входных токенов и до 512 новых токенов. Лицензия обозначена как `other`. Модель может галлюцинировать или обобщать детали, особенно для длинных и недостаточно конкретных входов; имена, числа, даты и юридические ссылки нужно сверять с источником. Она может пропускать второстепенные сведения, а гарантированного управления длиной резюме нет. Для публикации и решений с существенными последствиями необходима проверка человеком.

Mage-Flow-Edit-Turbo — вариант модели Mage-Flow-Edit от команды Mage-Flow, предназначенный для редактирования изображений по текстовым инструкциям. Это компактная модель семейства Mage-Flow с общей для генерации и редактирования архитектурой NR-MMDiT на 4 млрд параметров и латентным токенизатором Mage-VAE; обучение использует rectified flow. Вариант Turbo рассчитан на быстрое редактирование за четыре шага генерации. Модель принимает исходное изображение и текстовую инструкцию. Она подходит для изменения объектов и сцен, преобразования внешнего вида и художественного стиля, восстановления изображений и получения вариантов результата с учётом структуры исходника. Семейство ориентировано на работу с изображениями разного соотношения сторон и разрешением от 512 до 2048 пикселей; для Mage-Flow-Edit-Turbo в README указано время редактирования около 1,02 секунды для изображения 1024×1024 на одной A100. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия — MIT. Для запуска описана установка компонентов CUDA, включая flash-attn; приведённые показатели скорости относятся к указанному оборудованию и не гарантируют такую же задержку в других условиях.

Maya — модель зрения и языка, разработанная сообществом Cohere For AI. Она объединяет архитектуру LLaVA, языковую модель Aya-23 8B и визуальный энкодер SigLIP. Модель содержит 8 млрд параметров, принимает изображения и текст, а длина контекста составляет 8 тысяч токенов. Maya предназначена для многоязычных вопросов и ответов по изображениям, создания подписей, визуальных рассуждений и понимания документов. Она поддерживает английский, китайский, французский, испанский, русский, японский, арабский и хинди; обучение проводилось на наборе из 558 тысяч изображений с многоязычными аннотациями. Разработчики уделяли внимание культурной чувствительности и фильтрации токсичного контента. Качество зависит от языка, задачи и качества изображения; модель может упускать тонкие культурные нюансы и сохранять предубеждения из обучающих данных. Она не предназначена для критически важных решений. Лицензия — Apache 2.0.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Она создаёт видео со стереозвуком по тексту, изображениям и мультимодальным опорным материалам; варианты H3-Base-FL2VA и H3-Base-Ref2VA поддерживают генерацию по первому и последнему кадрам, а также по наборам изображений, видео и аудиоклипов. Выходные ролики длятся 4–15 секунд, поддерживают разные пропорции кадра и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K предназначен для повторной генерации в разрешении до 2K. Архитектура H3-Base объединяет текстовые и визуальные представления с аудиолатентами в мультимодальной последовательности, которую обрабатывает H3-Omni-Transformer; модель совместно предсказывает видео и аудио. В открытый выпуск не входит H3-Context-IR — размещённая отдельно система предварительной обработки сложных мультимодальных инструкций, поэтому для таких сценариев требуется использовать API или собственную подготовку контекста. В текущем выпуске инференс использует full attention, а не sparse attention. Репозиторий содержит веса в формате Diffusers/Safetensors. Лицензия обозначена как other; перед использованием следует проверить её условия.

MiniMax H3 — мультимодальная генеративная система компании MiniMax; этот репозиторий содержит её облегчённый вариант. Модель предназначена для создания видео со стереозвуком по тексту и мультимодальным входам: можно задавать изображения, видеоклипы и аудио как исходный материал или ориентир. Вход обрабатывается соответствующими текстовыми и визуальными кодировщиками и аудио-VAE, а H3 Omni Transformer совместно предсказывает видеокадры и аудио. Модель поддерживает ролики длительностью 4–15 секунд, различные соотношения сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет получить версию до 2K. Для сложных свободных мультимодальных запросов описан препроцессор H3-Context-IR, но он не входит в открытую поставку и предоставляется как размещённый сервис/API. В открытом выпуске используется полное внимание, поэтому длинные мультимодальные последовательности могут требовать значительных вычислительных ресурсов. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

Карточка модели niobures/MOSS-SoundEffect-v2.0 на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-SoundEffect-v2.0, поэтому описание составлено по ней. MOSS-SoundEffect v2.0 — модель генерации звуковых эффектов по текстовому описанию, разработанная командой OpenMOSS-Team. Она преобразует естественно-языковые запросы в атмосферные, городские, животные и другие звуки, включая действия людей и короткие музыкальные или перкуссионные фрагменты. Модель предназначена для создания звукового оформления сцен, игр, видео и аудиоконтента. В основе — Diffusion Transformer с обучением Flow Matching, DAC VAE и текстовый энкодер Qwen3. Модель содержит 1,3 млрд параметров, генерирует звук с частотой 48 кГц и поддерживает длительность до 30 секунд за один вызов. Обучающие описания были на английском и китайском языках. Репозиторий использует Diffusers и формат Safetensors. Модель распространяется по лицензии Apache-2.0. Для генерации требуется значительное число шагов сэмплирования; README указывает 100 шагов как значение по умолчанию. Указанные языки обучающих описаний не гарантируют одинаковое качество для других языков.

MOSS-SoundEffect v2.0 — модель генерации звуковых эффектов по текстовому описанию, разработанная командой OpenMOSS-Team. Она преобразует естественно-языковые запросы в атмосферные, городские, животные и другие звуки, включая действия людей и короткие музыкальные или перкуссионные фрагменты. Модель предназначена для создания звукового оформления сцен, игр, видео и аудиоконтента. В основе — Diffusion Transformer с обучением Flow Matching, DAC VAE и текстовый энкодер Qwen3. Модель содержит 1,3 млрд параметров, генерирует звук с частотой 48 кГц и поддерживает длительность до 30 секунд за один вызов. Обучающие описания были на английском и китайском языках. Репозиторий использует Diffusers и формат Safetensors. Модель распространяется по лицензии Apache-2.0. Для генерации требуется значительное число шагов сэмплирования; README указывает 100 шагов как значение по умолчанию. Указанные языки обучающих описаний не гарантируют одинаковое качество для других языков.

MOSS-TTS-v1.5 8B Voice Acting — полное дообучение модели OpenMOSS-Team/MOSS-TTS-v1.5 от LAION для выразительного синтеза речи. Модель построена на архитектуре moss_tts_delay с основой Qwen3-8B и содержит 8 млрд параметров; она генерирует монофоническое аудио с частотой 24 кГц. Модель преобразует текст в речь, управляя эмоциями, характером и манерой исполнения через текстовую инструкцию. Она также поддерживает клонирование тембра и стиля речи по короткому аудиофрагменту; без образца может создавать голос по описанию. Заявлена поддержка многих языков, в том числе английского, немецкого, китайского, русского, французского, японского и хинди. Для работы используется библиотека Transformers и интерфейс генерации MOSS-TTS-v1.5. Сильная сторона модели — эмоциональная и персонажная подача при сохранении многоязычных возможностей базовой модели. Внятность речи, сходство клонированного голоса и качество на отдельных языках могут уступать узкоспециализированным системам; расплывчатые или противоречивые инструкции дают непредсказуемую подачу. Лицензия — Apache-2.0.

Kansallisarkisto/multicentury-htr-model — модель распознавания рукописного текста на изображениях, разработанная Государственным архивом Финляндии и дообученная на базе microsoft/trocr-large-handwritten. Архитектура TrOCR использует визуальный энкодер и текстовый декодер, преобразуя строки текста на изображении в последовательность символов. Модель предназначена для оцифровки исторических документов, рукописей и заметок на финском и шведском языках. Она обучена на более чем 913 тысячах строк рукописного и печатного текста XVI–XX веков; в README указана частота ошибок по символам CER 2,8 на тестовом наборе около 111 800 строк. Лицензия — Apache 2.0. Обучающие данные преимущественно содержат латинские буквы и финские и шведские символы å, ä и ö. Модель не обучалась на кириллице и других нелатинских письменностях; качество за пределами финского, шведского и английского может быть низким.

Multilingual IPTC Media Topic Classifier — классификатор новостных текстов, разработанный авторами исследования Kuzman и Ljubešić. Модель основана на XLM-RoBERTa large и дообучена для отнесения новостей к 17 верхнеуровневым категориям схемы IPTC Media Topic NewsCodes. Модель предназначена для автоматической тематической разметки новостных корпусов. Её обучали на 15 000 новостных текстах на хорватском, словенском, каталанском и греческом языках; в README указано, что её можно применять к новостям на языках, поддерживаемых XLM-RoBERTa. В тестировании на четырёх языках модель показала macro-F1 0,746 и accuracy 0,734. Для надёжных результатов рекомендуется использовать документы длиной не менее 75 слов. Это плотная модель классификации последовательностей с 658,7 млн параметров и контекстом до 514 токенов. Репозиторий содержит веса safetensors. Лицензия — CC BY-SA 4.0.