I.7Речь, диалоги и встречи

miniclaus-qw1.5B-UNAMGS — компактная языковая модель семейства Qwen2, разработанная fblgit на основе Qwen/Qwen2.5-1.5B-Instruct и дообученная на наборе Magpie-Align/Magpie-Pro-MT-300K-v0.1. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных также заявлен интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. В тегах карточки перечислены английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. README сообщает об использовании MGS и UNA (MLP) и приводит значение loss 0,7193 на наборе оценки. Модель подходит для многоязычных диалогов и генерации ответов, однако README не раскрывает методику оценки и не уточняет, как MGS и UNA влияют на качество. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

iemon-kun/Mistral7BInstructv0.2-RakutenAI7Bchat — объединённая диалоговая языковая модель, созданная автором репозитория с помощью mergekit и метода SLERP на основе Mistral-7B-Instruct-v0.2 и RakutenAI-7B-chat. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста в диалоге и выполнения инструкций. Её можно использовать для чат-ботов, ответов на вопросы и создания текстовых черновиков. Указанные базовые модели ориентированы на английский и японский языки; README не сообщает отдельные результаты оценки качества объединённой модели. Веса доступны в формате safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

Herry443/Mistral-7B-KNUT-ref-ALL — разговорная языковая модель на базе Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев; в карточке указана базовая модель Herry443/Mistral-7B-KNUT-ref и обучение на выборках из KoBEST, AI2 ARC, HellaSwag и MMLU. Модель принимает текст и выдаёт текст. Метаданные указывают поддержку корейского и английского языков и контекст до 32 768 токенов. Веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

pbevan11/Mistral-Nemo-MCAI-SFT-DPO — разговорная языковая модель на архитектуре Mistral, дообученная разработчиком pbevan11 методом DPO на наборах multilingual-constitutional-preference-pairs и ultrafeedback_binarized_multilingual. Она предназначена для генерации текста в диалогах и формирования ответов с учётом предпочтений, отражённых в обучающих данных. Модель содержит 12,1 млрд параметров, принимает текст и выдаёт текст; заявленный контекст составляет до 1 024 000 токенов. В README приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,7466, но подробности протокола оценки не описаны. Модель распространяется под лицензией Apache-2.0. Карточка не описывает конкретные области применения и ограничения качества; результаты могут зависеть от языка и сценария использования.

Undi95/MM-ReMM-L2-20B — слитая языковая модель семейства Llama, опубликованная Undi95. Она объединяет Gryphe/MythoMax-L2-13b и Undi95/ReMM-v2.1-L2-13B с использованием промежуточного варианта ReMM, смешанного с MythoMax для сохранения согласованности ответов. Модель предназначена для генерации текста и диалоговых сценариев с шаблоном Alpaca. Модель содержит 19,8 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст на вход, генерируя текст на выходе. Родной контекст — 4096 токенов; веса опубликованы в формате safetensors. В README приведены результаты оценивания на ARC и HellaSwag, однако полная таблица в доступном тексте отсутствует. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

Darkknight535/MS-Moonlight-22B-v3 — производная модель объёмом 22 млрд параметров на архитектуре Mistral, представленная в формате safetensors. Она предназначена для генерации текста и диалогового общения; в карточке также указана поддержка интерфейса вызова инструментов. Контекст составляет до 131 072 токенов. Автор README предупреждает, что дообученные модели на 22B плохо справляются с логическими задачами и предлагает рассмотреть дообучения Nemo 12B как более сильную альтернативу. Сведений о языковой специализации и лицензии в предоставленных источниках нет.

zelk12 создал эту разговорную языковую модель как слияние двух предварительно обученных моделей Gemma 2 9B с помощью метода SLERP и инструмента mergekit. Модель предназначена для генерации текста в диалоговом формате и поддерживает контекст до 8192 токенов. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и распространяется в формате safetensors для библиотеки Transformers. В карточке не описаны специальные области применения и языковой охват. Лицензия в предоставленных данных не указана.

zelk12/MT-Merge4-BMU-gemma-2-9B — разговорная языковая модель на архитектуре Gemma 2, созданная объединением двух моделей с помощью mergekit и метода SLERP. Модель содержит 9 млрд параметров, распространяется в формате Safetensors и рассчитана на генерацию текста и ведение диалогов. Контекстное окно составляет 8192 токена. Модель может использоваться для диалоговых приложений и генерации ответов на текстовые запросы. В README не приведены сведения о специальных доменах или языках. Лицензия в предоставленных данных не указана.

zelk12 создал эту разговорную модель, объединив методом SLERP две предварительно обученные языковые модели: zelk12/MT-Gen4-gemma-2-9B и zelk12/MT3-Gen4-gemma-2-9B. Это плотная модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она поддерживает контекст длиной до 8192 токенов и работает через библиотеку Transformers; веса опубликованы в формате Safetensors. Модель подходит для диалоговых приложений и генерации текстовых ответов. В карточке указана лицензия Gemma, поэтому перед использованием следует соблюдать её условия. README не приводит оценок качества или специальных ограничений по сценариям применения.

dazednaut/muadbot — текстовая генеративная модель, дообученная разработчиком dazednaut на базе unsloth/gemma-2-27b-it-bnb-4bit. Она предназначена для диалогового взаимодействия и генерации текста. Модель использует архитектуру Gemma 2 с 27,6 млрд параметров и контекстом до 8192 токенов; карточка указывает обучение с Unsloth и библиотекой TRL. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

NaturalLM-7B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели NaturalLM-7B-Instruct, разработанной qingy2024. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия; запуск возможен, в частности, через LM Studio и совместимые инструменты llama.cpp. В набор входят варианты от исходных весов F16 размером 14,5 ГБ до квантизаций Q3 и Q4 размером примерно 3,2–4,5 ГБ, а также Q5, Q6 и Q8 с более высоким качеством и большим потреблением памяти. Для общения используется формат сообщений с ролями system, user и assistant. README не указывает архитектуру исходной модели, поддерживаемые языки, размер контекста, мультимодальность или точные показатели качества, поэтому эти характеристики нельзя определить по имеющимся данным. Основное преимущество набора — выбор между качеством, размером файлов и требованиями к памяти; варианты Q5 и Q6 отмечены как высококачественные, а Q4_K_M описан как подходящий для большинства сценариев. Более сильное сжатие уменьшает требования к памяти, но снижает качество. Для некоторых вариантов существуют специальные ограничения по аппаратуре: отдельные сборки оптимизированы для ARM или AVX, требуют поддержки конкретных инструкций и не рекомендуются для Mac или GPU. Лицензия в README не указана.

NbAiLab подготовила эту бета-модель распознавания норвежской речи на основе Qwen3-ASR-0.6B. Чекпойнт взят из обучения `lunde03-verbatim` и предназначен для оценки и тестирования интеграций с пакетом `qwen-asr`, в том числе для локальной транскрибации, пакетной обработки аудио и проверки серверного развертывания. Модель принимает аудио и выдаёт распознанный текст. Карточка описывает её как промежуточный бета-чекпойнт: точность распознавания, форматирование и характеристики работы могут меняться, а результаты пока предварительные. Лицензия указана как `other`; условия использования следует сверить с правообладателем перед развертыванием.

jeiku/NeuroControl — дообученная модель генерации текста на архитектуре Llama, созданная на основе IntervitensInc/Llama-3.1-Minitron-4B-Width-Base-chatml. Модель содержит 3,9 млрд параметров, рассчитана на диалоговый режим и использует библиотеку Transformers; веса опубликованы в формате Safetensors. Для неё заявлено контекстное окно до 131 072 токенов. Модель подходит для генерации текста и ведения диалогов. В карточке приведён результат оценки: loss 2,3811; сведения о датасете, целевых сценариях, языках и специальных ограничениях не раскрыты. Указана лицензия other, поэтому перед использованием следует проверить условия лицензии в репозитории.

Neurotic-Momnaingotrisk-slerp — объединённая модель, созданная liminerity с помощью mergekit методом slerp на основе CultriX/MonaTrix-v4 и liminerity/Neurotic-Momningojask-slerp. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации и продолжения текста; базовая модель описана как подходящая для диалогов. Веса опубликованы в формате safetensors, а в README приведена конфигурация с типом bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Данных о языковой специализации и оценках качества этой объединённой модели в предоставленных источниках нет.

Vivian12300/new_wiki_model — дообученная модель на архитектуре LlamaForCausalLM, созданная на основе meta-llama/Llama-3.1-8B-Instruct с использованием набора данных generator. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст длиной до 131 072 токенов. Базовая Llama 3.1 8B Instruct рассчитана на многоязычные диалоги и генерацию текста, однако карточка этой производной модели не уточняет её целевые языки, специализацию, качество или результаты оценки. Лицензия указана как llama3.1; перед использованием следует учитывать условия лицензии Meta Llama 3.1. README не приводит сведений о специальных ограничениях применения.

NorskGPT-Llama3-8b — норвежскоязычная разговорная модель, созданная дообучением Meta-Llama-3-8B на отобранных парах инструкций на норвежском языке. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров и контекстом 8192 токена; модель предназначена для генерации текста, диалога и следования инструкциям. Модель можно использовать как ассистента для общения на норвежском, ответов на вопросы и суммаризации. Разработчик отмечает, что она не является специализированной базой знаний: по сведениям о Норвегии и узким темам она не обязательно превосходит исходную модель. Для оптимального результата может потребоваться настройка промптов. Модель выпущена по лицензии CC-BY-NC-SA-4.0; коммерческое применение требует коммерческой лицензии.

Dohyeon1/OLMoE-M-SMoEv2-ngroups56 — генеративная языковая модель, опубликованная на Hugging Face. Модель предназначена для создания продолжений текста и диалоговых ответов; по метаданным она относится к семейству OLMoE и поддерживает использование через библиотеку Transformers. Архитектурные детали и разработчик в карточке модели не описаны. Модель содержит около 472,1 млн параметров и рассчитана на контекст длиной до 4096 токенов. В метаданных указаны теги conversational и text-generation, поэтому её можно применять для генерации ответов в диалогах, написания и продолжения текстов, а также создания прототипов приложений на базе языковой модели. Поддерживаемые естественные языки и лицензия в доступных данных не указаны.

Progenitor-V1.2-LLaMa-70B — экспериментальная чат-модель семейства Llama, созданная объединением нескольких языковых моделей с помощью mergekit и метода SCE. В качестве основы указан nbeerbower/Llama-3.1-Nemotron-lorablated-70B; в слияние также вошли Anubis-70B-v1, L3.1-70B-Hanami-x1, EVA-LLaMA-3.33-70B-v0.1, Negative_LLAMA_70B и 70B-L3.3-Cirrus-x1. Модель содержит 69,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалога. Автор отмечает характерный стиль и более выраженную склонность к эротизированной манере по сравнению с предыдущей версией, но не утверждает, что качество однозначно выше. Лицензия — llama3.3; применяются условия лицензии Llama 3.3.

DavidAU дообучил разговорную Qwen2.5-7B-Instruct-1M на наборах примеров рассуждений, связанных с Claude Opus 4.5, Gemini 3 Pro и GPT-5.2. Модель использует плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров и заявленным контекстом до 1 010 000 токенов; карточка описывает её как вариант с компактными блоками рассуждений для улучшения подробности и связности ответов. Она предназначена для диалогов, генерации творческих текстов, сюжетов и ролевых сценариев, а также задач, требующих пошагового анализа. Заявлены поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Автор отмечает возможные зацикливания на низкой температуре и проблемы активации рассуждений у низкобитных квантованных версий; рекомендует температуру не ниже 0,7. Модель распространяется под лицензией, указанной в метаданных Hugging Face; конкретное название лицензии в предоставленных данных отсутствует.

Карточка модели JosephNguyen/Qwen2.5-7B-Instruct-reasoning-finetuned на Hugging Face совпадает с карточкой JosephNguyen/Qwen2.5-7B-Instruct-finetuned, поэтому описание составлено по ней. Qwen2.5-7B-Instruct-finetuned — дообученная модель JosephNguyen на базе unsloth/Qwen2.5-7B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалогов и генерации текста; заявлена поддержка интерфейса вызова инструментов. Модель принимает текст и выдаёт текст, работает с английским языком и имеет контекст до 32 768 токенов. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL. Конкретные специализация дообучения и результаты оценки качества не описаны, поэтому возможности базовой модели — генерация кода и структурированных ответов — не следует считать подтверждёнными характеристиками этого варианта. Распространяется по лицензии Apache-2.0.

gguk2on/qwen2.5-7B-rlar_g8_b384_math_vu3 — дообученная модель генерации текста на базе Qwen/Qwen2.5-7B. Согласно карточке, обучение выполнено с использованием TRL; метаданные описывают архитектуру как плотную Qwen2 и указывают 7,1 млрд параметров. Модель предназначена для диалоговой генерации ответов и может использоваться в сценариях общения с ассистентом. Модель принимает текст и выдаёт текст. В метаданных указана длина контекста 131 072 токена, а также интерфейс вызова инструментов. Карточка демонстрирует запуск через Transformers pipeline. Описание не уточняет результаты обучения, целевую область применения или ограничения качества; лицензия в предоставленных данных не указана.

Модель ertghiu256/qwen3-1.7b-mixed-thought — дообученная авторами ertghiu256 версия Qwen3-1.7B для генерации текста и диалогов. Она основана на unsloth/qwen3-1.7b-unsloth-bnb-4bit и обучена на наборе ertghiu256/Mini-Mixed-Thoughts с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель подходит для генерации ответов в чате и продолжения текста; в метаданных также заявлен интерфейс вызова инструментов. Карточка не уточняет специализацию набора данных, целевые сценарии или сравнительное качество, поэтому назначение модели следует считать общим. Лицензия — Apache-2.0.

Это дообученная модель Qwen3-4B-Instruct-2507, созданная clijo с использованием TRL. Она предназначена для генерации текста в диалоговом формате и ответа на пользовательские запросы; её можно подключать через Transformers для чат-сценариев. Модель плотная, содержит 3,7 млрд параметров и принимает контекст длиной до 262 144 токенов. Модель дообучена методом GRPO, о чём свидетельствуют метаданные и название репозитория. В карточке не описаны целевая задача оптимизации, сравнительные результаты или ограничения качества. Лицензия в предоставленных данных не указана.

Qwen3.5-9B-Rollback-Full — разговорная языковая модель семейства Qwen3.5, размещённая пользователем mtybilly на Hugging Face. Это плотная авторегрессионная модель для генерации текста с поддержкой диалогового режима; в README указано, что она дообучена с использованием TRL. Размер по метаданным — 7,2 млрд параметров, формат весов — safetensors, заявленная длина контекста — 262 144 токена. Модель подходит для генерации ответов в чате и продолжения текста. README не раскрывает данные обучения, конкретные улучшения после дообучения или подтверждённые языки поддержки. Базовая модель в карточке указана как None, поэтому её идентификатор установить нельзя. Условия лицензии в предоставленных данных не приведены.

Qwen3.6-27B-Ablit — производная модель на основе Qwen/Qwen3.6-27B, подготовленная автором sci4ai методом AblitMD. Это плотная авторегрессионная языковая модель для диалогов и генерации текста; метаданные указывают 22,3 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса BF16 в safetensors и GGUF, а отдельные варианты коллекции включают более компактные квантизации. Модель изменена для ослабления отказов на запросы из 41 категории: автор вычислял отдельные направления отказа для категорий на ранних слоях и общее направление на поздних. Она предназначена для локального запуска и текстовых диалогов, когда требуется меньше отказов, чем у исходной модели. Шаблон чата Qwen3 ChatML сохранён; поведение профилировалось в режиме non-thinking. Ослабление отказов не добавляет модели новых знаний или навыков и может ослабить следование инструкциям. При включении режима thinking поведение может отличаться; квантизированные варианты могут несколько уступать по качеству BF16. Сведения о лицензии в предоставленных данных отсутствуют.

Qwen3.8-27B-nvfp4qat-NInfer — квантизированная версия модели Qwen3.8-27B, подготовленная cometkim для выполнения в runtime NInfer v3. В состав артефакта также встроен модуль-черновик DFlash2 от z-lab для speculative decoding. Модель предназначена для генерации текста, диалоговых сценариев и мультимодальных задач с обработкой текста и изображений через компоненты Text и Vision. Модель содержит около 27 млрд параметров в основном Text-компоненте и использует профиль весов NVFP4 W4A4, полученный с применением quantization-aware training из QUASAR-QAT/Qwen3.8-27B-QUASAR-NVFP4. В артефакте также присутствуют MTP, Vision, оптимизированная draft head и NVFP4-версия DFlash2 размером около 2 млрд параметров. Для DFlash2 заявлены пять слоёв, скользящее окно 2048, selector rank 256 и top-16. Размер файла составляет около 17,35 GiB. Языки и максимальная длина контекста в карточке не указаны. Сильными сторонами являются существенное уменьшение размера весов за счёт NVFP4, отсутствие необходимости в отдельном файле для DFlash2 и поддержка ускоренного декодирования в NInfer. В приведённых оценках модель получила accuracy 89,22 на GPQA-Diamond, 91,11 на AIME 2026 и 66,30 на LongBench v2, однако эффективность встроенного DFlash2 ниже, чем у профиля nvfp4full: 2,50 токена за раунд и 21,4% принятия против 5,50 и 64,3% соответственно на указанном тесте. Модель не является checkpoint для Transformers, Safetensors или GGUF и требует NInfer v3; карточка также не указывает совместимость с другими средами. Распространяется по лицензии Apache-2.0.

VladShash/qwen3-8b-feedback-with-repair-distilled — дообученная разговорная модель семейства Qwen3, разработанная на основе formalmathatepfl/qwen3-8b-feedback-with-repair. В карточке указано обучение на наборе lean_selfdistill_r1_train; дополнительных сведений о разработчике и методике обучения нет. Модель предназначена для генерации текста в диалоговом формате. Она содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст, выдавая текст. Длина контекста составляет 32 768 токенов. Данные не уточняют поддерживаемые естественные языки или специальные прикладные области. Модель распространяется в формате safetensors через Transformers. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели.

Qwen3.8-Flash-Next Q4_0-Q8out-v3 — это GGUF-чекпойнт модели Qwen3.8-Flash-Next, опубликованный nitinpanj и предназначенный для локального запуска на компьютерах Apple Silicon. Модель ориентирована на генерацию текста и диалоговые сценарии через llama.cpp и OpenAI-совместимый сервер. Архитектура использует mixture-of-experts, а чекпойнт оптимизирован для потоковой загрузки редко используемых экспертных весов с SSD, благодаря чему модель размером около 95,5 ГиБ может запускаться на Mac с 64 ГиБ unified memory. Вариант v3 сочетает квантование Q4_0 с Q8_0 для output.weight и дополнительными изменениями квантования отдельных групп тензоров. По данным README, это снизило perplexity с 5,2777 до 4,3148 и повысило принятие черновых токенов при speculative decoding с 0,751 до 0,817. При использовании отдельной draft head объёмом около 1,9 ГиБ заявлена скорость генерации примерно 27,6 токена в секунду на Apple M5 Pro с 64 ГиБ памяти; без неё — около 18,0–18,6 токена в секунду. В конфигурации запуска указан контекст 98 304 токена, при этом скорость снижается по мере заполнения контекста. Главное ограничение — модель не работает со стандартной версией llama.cpp: требуется форк npanj/llama.cpp с поддержкой --moe-stream и сборкой Metal. Рекомендуется около 100 ГиБ свободного места на внутреннем SSD, поскольку экспертные веса постоянно считываются с диска; внешний USB-накопитель будет существенно медленнее. Ниже 64 ГиБ памяти запуск не проверен и, вероятно, потребует уменьшения кэша с потерей скорости. Лицензия в README не указана.

InferRouter разработала эту модель для офлайн-распознавания чешской речи. Это дообученная и объединённая с базовыми весами версия Qwen3-ASR-1.7B-hf с архитектурой autoregressive AED; размер базовой модели — 1,7 млрд параметров. Модель принимает аудио и выдаёт текст, рассчитана на чешский язык и пакетную транскрибацию записей, включая формальную, парламентскую и юридически близкую речь. В оценках разработчика модель показала сильные результаты на чешской формальной речи ParCzech и VoxPopuli; на FLEURS и Common Voice она близка к Whisper-large-v3, но не превосходит его по приведённым значениям. Подходит для сценариев «записать, затем расшифровать» и пакетной обработки. Это не потоковая модель: для живых субтитров и низкой задержки разработчик рекомендует другую модель. В карточке указана лицензия Apache-2.0.

aufklarer/Qwen3-ForcedAligner-0.6B-4bit — 4-битная версия Qwen/Qwen3-ForcedAligner-0.6B, подготовленная для запуска на Apple Silicon через MLX. Модель принимает аудио и соответствующий ему текст и за один проход без авторегрессивной генерации предсказывает временные метки слов. В описанной конфигурации аудиокодировщик и классификационная голова работают в float16, а текстовый декодер квантизирован до 4 бит с размером группы 64. Модель предназначена для выравнивания текста с речью: например, чтобы получить таймкоды слов для субтитров или транскрипта. Класс временной метки соответствует интервалу 80 мс. Поддерживаемые языки включают английский, китайский, японский, корейский, немецкий, французский, испанский, итальянский и русский. Репозиторий распространяется по лицензии Apache-2.0. Это производная модель, указанная как дообученная на базе Qwen/Qwen3-ForcedAligner-0.6B; README описывает её как 4-битную MLX-версию для Apple Silicon. Такое сжатие уменьшает точность весов декодера; модель требует пар аудио и текста и сама по себе не предназначена для распознавания речи из необработанного аудио.