2410 постов
азербайджанская речь на CPU
Модель распознавания азербайджанской речи от LocalDoc. Архитектура — FastConformer-CTC (18 слоёв, d512) с 3-pass loop refiner, product-key acoustic memory и 6-gram token KenLM; вход 16 kHz mono. Ориентирована на CPU и выдаёт текст с регистром и пунктуацией, числа — словами.
циклы thinking-режима лечатся правкой 0,016% весов
Qwen3.5-0.8B Astra Weight Edit — версия Qwen3.5-0.8B на 0,87 млрд параметров, в которой без обучения отредактированы два тензора. Публикация JonathanColetti; метод и диф — от Rikiya Takehi, Jayden Teoh, Alex Zhang и Omar Khattab (MIT CSAIL).
видеоэнкодер без лишних эвристик
LeVJEPA 1.5 Large от galilai-group — self-supervised видеоэнкодер на 303M параметров (ViT-L/16). Его обучали на ~5 300 часах видео и 151 EF, а средний балл на 22 image/video датасетах составил 78.76%.
аниме-файнтюн Moss для выразительного лайнарта
Moss:RAEL — аниме-ориентированный файнтюн модели Moss, обученный на базе OpenMOSS-Team/MOSS-Image-Base. Автор — sselpah; карточка описывает генерацию аниме-иллюстраций и скриншотов с управлением через промпты артистов, тайтлов и copyright. Размер и архитектура в карточке не указаны.
решения по вероятностям, без генерации
Sarvam-Prism — decision-модель от Sarvam AI на базе Sarvam-105B. Она принимает контекст и вопросы с фиксированным набором ответов, а за один forward pass возвращает вероятность каждого варианта. Текст не генерирует, поэтому ответ всегда из ваших опций; поддерживает английский и 10 индийских языков.
два голоса в 1,4 млн параметров
PiVo — исследовательская TTS-модель от Empero Research с двумя английскими голосами, Pi и Vo. Это полный стек с 1 401 562 обучаемыми параметрами: акустическая модель на 584 965 параметров и FARGAN-производный вокодер на 816 597 параметров выдают 16 kHz mono.
LLM правила веса без обучения
Это Qwen3.5-0.8B (0,87 млрд параметров) от RikiyaT, отредактированная без градиентного спуска: продвинутая LLM Astra напрямую изменила веса базовой Qwen/Qwen3.5-0.8B, чтобы та лучше решала математику.
четыре шага до картинки
Это RL-дообученная версия LightX2V Lightning v2, дистиллированная из Qwen-Image-2.1 (около 7,12 млрд параметров). Модель от lightx2v умеет text-to-image, редактирование по одному референсу и генерацию по нескольким референсам всего за 4 шага денойзинга при CFG = 1.0.
репак TripoSplat для ComfyUI
Idol от Comfy-Org — это переупакованные файлы модели для ComfyUI. Оригинальный репозиторий — speridlabs/idol; модель является fine-tuned версией TripoSplat и предназначена для задачи image-to-3d. Работает с уже существующими workflow TripoSplat.
генерация с настоящей альфой
Релиз от localai0301 для модели Anima: RGBA-VAE и LoRA, которые добавляют в text-to-image генерацию реальный альфа-канал вместо непрозрачного RGB. VAE весит 508 MB, LoRA — 184 MB; работа рассчитана на аниме/иллюстрации и ComfyUI.