I.7Речь, диалоги и встречи

ReWiz-Worldbuilder-7B — объединённая модель генерации текста от theprint, созданная методом SLERP с помощью mergekit из theprint/ReWiz-7B и theprint/WorldBuilder-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; доступны веса в формате safetensors и использование через Transformers. Модель предназначена для диалоговой генерации текста. В её обучающих данных сочетались наборы для улучшения рассуждений и данные WizardLM для снятия ограничений цензуры. Это может быть полезно для развёрнутых ответов и творческой работы над вымышленными мирами, однако карточка не приводит подробной оценки этих сценариев. В опубликованных результатах Open LLM Leaderboard указаны средние 15,66, IFEval 25,10 и BBH 25,08. Лицензия в предоставленных сведениях не указана. Результаты бенчмарков ограничены приведёнными метриками, а качество и безопасность ответов могут зависеть от запроса и сценария применения.

Saber-LM — объединённая разговорная языковая модель, созданная bunnycore на основе RLHFlow/LLaMA3-iterative-DPO-final, bunnycore/Maverick-8B и TIGER-Lab/MAmmoTH2-8B-Plus с помощью mergekit и метода model_stock. Она предназначена для генерации текста и диалоговых ответов. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. В состав слияния входит MAmmoTH2-8B-Plus — модель Llama 3, ориентированная на математические рассуждения и ответы на английском языке; поэтому Saber-LM может быть полезна для диалогов и задач, требующих рассуждений. README не описывает отдельные результаты оценки или конкретные преимущества Saber-LM. Модель распространяется в формате safetensors по лицензии Llama 3.

Карточка модели allenai/SAGE-MM-Molmo2-8B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

Карточка модели allenai/SAGE-MM-Qwen2.5-VL-7B-SFT на Hugging Face совпадает с карточкой allenai/SAGE-MM-Qwen2.5-VL-7B-SFT_RL, поэтому описание составлено по ней. SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SAGE-MM-Qwen2.5-VL-7B-SFT_RL — модель Allen Institute for AI на базе Qwen2.5-VL-7B, дообученная для мультимодального рассуждения о видео в системе SAGE. Она анализирует кадры и метаданные видео, решает, можно ли ответить сразу или нужно обратиться к инструментам, а затем объединяет полученные наблюдения в итоговый ответ. Модель может формировать JSON-действия для поиска в интернете, распознавания речи по фрагментам видео, определения временных границ событий, извлечения кадров или клипов и детального анализа медиа. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает контекст до 128 000 токенов. Для выполнения инструментальных действий ей требуется внешняя среда, которая разбирает JSON, запускает инструменты и возвращает их результаты. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка указывает английский язык; данных о других поддерживаемых языках нет.

SELM-Zephyr-7Bz-iter-2 — диалоговая языковая модель на архитектуре Mistral, разработанная ShenaoZ. Это дообученная версия ShenaoZ/SELM-Zephyr-7Bz-iter-1, обученная на обновлённом и исходном наборах данных. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; её контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Её можно использовать для построения чат-ботов и ведения текстовых диалогов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Подробности о качестве, составе данных и ограничениях в карточке не раскрыты.

Модель yuhengtu-bytedance/sfm_filtered_e2e_alignment-10k_11k_12k_simpleavg_merge — объединение языковых моделей, созданное с помощью mergekit методом Linear. В качестве базовой использована модель с контрольной точки global_step12040; также в объединение вошли контрольные точки global_step10000 и global_step11000 из эксперимента filtered_e2e_alignment. Это плотная авторегрессионная модель архитектуры GPT-NeoX объёмом 8,8 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия, принимает текст и выдаёт текст. Заявленная длина контекста — 16 384 токена; в репозитории используются веса Safetensors и библиотека Transformers. Карточка не сообщает о специализированных областях применения, поддерживаемых языках или результатах оценки качества. Лицензия в предоставленных данных не указана.

Это объединённая модель генерации текста, созданная с помощью mergekit методом Linear merge из трёх контрольных точек выравнивания: global_step5000, global_step6000 и global_step7000. В README базой объединения названа контрольная точка global_step7000. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; для неё указан контекст длиной до 16 384 токенов. Модель предназначена для генерации текста в диалоговом формате. Карточка не описывает отдельные предметные области, языки или результаты оценки качества, поэтому применение можно характеризовать только как общее текстовое общение и генерацию. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Условия лицензии в предоставленных данных не указаны.

Модель sfm_filtered_insert_xxf_character-5k_6k_7k_8k_9k_simpleavg_merge — объединение пяти предварительно обученных языковых моделей, созданное с помощью mergekit. Для слияния применён линейный метод; базой служил чекпойнт global_step9000, вместе с ним объединены чекпойнты global_step5000, global_step6000, global_step7000 и global_step8000. Это плотная авторегрессионная модель архитектуры GPT-NeoX размером 8,8 млрд параметров, сохранённая в safetensors и рассчитанная на контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. В карточке нет сведений о конкретных языках, специализированных областях или преимуществах модели. Лицензия в предоставленных данных не указана.

SJT-1B-Alpha — компактная чат-модель Sakalti на архитектуре Qwen2, дообученная на базе sail/Sailor2-1B. Она предназначена для диалогов и генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 851,8 млн параметров, поддерживает контекст до 131 072 токенов и представлена в формате safetensors. В карточке указаны английский и японский языки. Модель распространяется по лицензии Apache-2.0.

TaxoLumimaid-v0.2-8B — разговорная языковая модель на архитектуре Llama, созданная слиянием моделей VityaVitalich/TaxoLlama3.1-8b-instruct и mrcuddle/Lumimaid-v0.2-8B методом SLERP с помощью mergekit. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,3 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов. Её можно использовать для интерактивных бесед и создания текстовых ответов. В README не описаны специализированные области применения или результаты оценки качества. Лицензия в предоставленных данных не указана.

Terminal-12k-bottom50 — диалоговая языковая модель на базе Qwen3, дообученная cuong1692001 на наборе nemotron_complete_bottom_50_12k поверх cuong1692001/Terminal_complete_8k. Она предназначена для генерации текста в чат-сценариях. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; заявленная длина контекста — до 40 960 токенов. Карточка не описывает конкретные сценарии, результаты оценки или ограничения качества. Указана лицензия other, поэтому условия использования следует уточнить в репозитории модели и у правообладателя.

Модель wannaphong/tongyi-model-v1.3-1b — дообученная авторегрессионная языковая модель семейства Qwen2, созданная wannaphong на базе sail/Sailor2-1B. Она предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс для вызова инструментов. Модель содержит 851,8 млн параметров и поддерживает контекст до 32 768 токенов. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL. В метаданных указан английский язык, но специальных языков или прикладных областей для этой версии README не уточняет. Модель распространяется по лицензии Apache-2.0.

TransLynx Pakistani Punjabi Whisper Small — модель распознавания речи, разработанная командой TransLynx путём дообучения мультиязычной Whisper Small от OpenAI. Она преобразует речь на пакистанском пенджаби в текст на письме шахмукхи. Для языка внутри Whisper используется токен урду «ur»; параметры языка и задачи транскрибирования заданы в конфигурации генерации. Модель предназначена для транскрибации аудио, создания субтитров, голосовых интерфейсов и конвейеров обработки речевых данных на пакистанском пенджаби. В README указаны WER 7,07% на валидационной выборке и 11,50% на тесте с диктором, не участвовавшим в обучении. Обучение проводилось на 3 500 записях семи дикторов, произносивших один и тот же набор из 500 предложений. Модель ориентирована на текстовый вывод шахмукхи и не предназначена для распознавания восточного пенджаби на письме гурмукхи. Ограниченный набор предложений и дикторов может снижать качество на спонтанной речи, при шуме, иных диалектах и незнакомой лексике. Лицензия — Apache-2.0.

UlizaLlama3 — языковая модель на 8 млрд параметров, разработанная Jacaranda Health на основе meta-llama/Meta-Llama-3-8B. Она предназначена для понимания и генерации текста, особенно на суахили, и дообучена для работы с инструкциями и ответами на суахили и английском языках. Обучение включало продолжительное предобучение на корпусах суахили и настройку на 66 280 парах инструкций и ответов с применением LoRA. Модель подходит для ответов на вопросы и создания диалоговых помощников, а также для дальнейшей адаптации под задачи организаций. В карточке указана задача question-answering; репозиторий содержит веса в формате Safetensors. Для инференса авторы рекомендуют GPU L4 или A100. Лицензия CC BY-NC-SA 4.0; для коммерческого использования и распространения README рекомендует обращаться к Jacaranda Health.

Katayoon/VPO-Pess-Zephyr-7B-iter-2 — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная как дообученная версия Katayoon/VPO-Pess-Zephyr-7B-iter-1. Модель предназначена для генерации текстовых ответов в чате и поддерживает контекст длиной до 32 768 токенов. Модель сохранена в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на обновлённом и исходном наборах данных; подробности о данных, оценке качества и ограничениях не приведены.

Wav2Vec2-Large-XLSR-53-Mongolian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольском языке с использованием Common Voice. Она преобразует аудиозаписи речи в текст и подходит для транскрибации монгольской речи; входное аудио следует подавать с частотой дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В README приведён результат оценки 42,80% на тестовых данных Common Voice, но метрика не уточнена. Веса доступны в формате PyTorch; лицензия — Apache-2.0.

theainerd разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 для автоматического распознавания речи на хинди. Это модель семейства wav2vec 2.0 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; она принимает аудио и выдаёт распознанный текст. Для входной речи требуется частота дискретизации 16 кГц. Модель предназначена для распознавания хинди, в том числе в условиях низких ресурсов и переключения между языками; в README приведён результат оценки 72,62% на тестовых данных Common Voice для хинди, но метрика не уточнена. Базовая модель предварительно обучена на речи 53 языков, однако это дообучение ориентировано на хинди. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Where-Llambo-7B — диалоговая модель AmazingVince на базе Mistral, дообученная методом supervised fine-tuning на смеси открытых датасетов. Она предназначена для генерации ответов в чатах и выполнения разнообразных инструкций, а также может использоваться для ролевых диалогов. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Mistral и поддерживает контекст до 32 768 токенов. Весы представлены в формате Safetensors. По карточке модель ещё обучалась и была примерно на половине запланированного этапа; README также упоминает подготовку к DPO на пользовательских данных. Для использования указана лицензия Apache-2.0. Языки обучения и гарантии качества отдельно не описаны.

Whisper Large V2 Malayalam — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на корпусе Malayalam Speech Corpus от ICFOSS. Она преобразует аудиозаписи на малаялам в текст и предназначена для автоматической транскрипции речи. Архитектура — WhisperForConditionalGeneration; в модели 905,2 млн параметров. В карточке приведены результаты оценки: WER 44,1379 и CER 9,6895. Эти показатели относятся к указанному набору оценки и не гарантируют такое же качество на других аудио. Модель распространяется под лицензией Apache-2.0.

sitwala/whisper-large-v3-turbo-anv-zul-250h — дообученная модель семейства Whisper, созданная на основе openai/whisper-large-v3-turbo и обученная на датасете dsfsi-anv/za-african-next-voices. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; для работы доступны веса в формате safetensors. В README приведены результаты оценки на тестовом наборе: loss 0,3412 и WER 24,8599. Название модели указывает на язык zul, то есть зулу; отдельного описания обучения, рекомендуемых сценариев и ограничений автор не предоставил. Лицензия модели — MIT.

thennal/whisper-medium-ml — модель распознавания речи на малаялам, созданная дообучением OpenAI Whisper Medium на Common Voice 11.0. Она принимает аудио и генерирует текстовую расшифровку; архитектура Whisper содержит около 455,8 млн параметров. В README приведены результаты оценки: WER 38,62 и CER 7,33 без нормализации, а после нормализации WER составляет 11,49. Автор отмечает, что нормализация Whisper имеет существенные проблемы для малаялама, поэтому метрики зависят от способа обработки текста. Модель распространяется по лицензии Apache-2.0.

Whisper Small Persian — модель распознавания речи, созданная дообучением Whisper Small на датасете Common Voice 17.0. Она принимает аудио и генерирует текстовую расшифровку, в первую очередь на персидском языке. В модели около 153,1 млн параметров; архитектура основана на WhisperForConditionalGeneration, веса опубликованы в формате safetensors. На оценочной выборке указаны loss 0,7217 и WER 45,6220. Лицензия в предоставленных данных не описана.

Zyroxx66/whisper-small-somali — дообученная модель распознавания речи на основе архитектуры Whisper, опубликованная пользователем Zyroxx66. Она предназначена для преобразования сомалийской речи в текст. В README приведены результаты оценки: loss 0,1304 и WER 9,8739; сведения о наборе данных и условиях оценки отсутствуют. Модель распространяется в формате safetensors и рассчитана на работу через Transformers.

anke01/whisper-small-uyghur — это дообученная для распознавания уйгурской речи версия Whisper Small. Модель основана на openai/whisper-small и использует архитектуру WhisperForConditionalGeneration; в репозитории указано 153,1 млн параметров. Для дообучения использован набор THUYG-20 из 7 600 аудиозаписей. Модель принимает аудио и генерирует текстовую транскрипцию. Модель предназначена для автоматического распознавания речи на уйгурском языке, в том числе для расшифровки аудиофайлов и оценки качества транскрипции. В README приведён CER около 16,5% после 100 шагов демонстрационного обучения; более низкое значение заявлено как ожидаемое при продолжении обучения, но не подтверждено результатом. Репозиторий распространяется в формате Safetensors и заявляет лицензию Apache 2.0, как у исходной модели.

vasista22/whisper-tamil-small — модель распознавания речи, созданная дообучением openai/whisper-small на тамильских корпусах речи в рамках Whisper fine-tuning sprint. Она принимает аудио и преобразует речь в текст, в первую очередь для автоматической транскрибации на тамильском языке. Модель основана на архитектуре Whisper и содержит 153,1 млн параметров. Для обучения использовались IISc-MILE Tamil ASR Corpus, ULCA ASR Corpus, Shrutilipi ASR Corpus, Microsoft Speech Corpus для индийских языков, Google Fleurs и Babel ASR Corpus; оценка проводилась на тестовых наборах этих источников. Доступны веса PyTorch и Flax. Модель подходит для транскрибации тамильской речи в прикладных системах и для оценки качества распознавания на тамильских аудиоданных. Лицензия — Apache-2.0. Карточка не приводит численных результатов качества, поэтому производительность на конкретных записях может отличаться.

AstralZander/yoruba_ASR — модель распознавания речи на основе Wav2Vec2ForCTC, созданная дообучением facebook/wav2vec2-xls-r-300m на данных OpenSLR SLR86 и Mozilla Common Voice 12.0 для языка йоруба. Модель содержит около 402,8 млн параметров и принимает аудио, выдавая текстовые транскрипции; пример использования через Hugging Face указывает также временные метки и вероятности для распознанных фрагментов. Модель предназначена для транскрибирования аудиозаписей на йоруба. В README приведён показатель WER 0,51. Репозиторий распространяется по лицензии Apache-2.0.

Zero-Mistral-24B-gguf — это квантованная GGUF-версия языковой модели Zero-Mistral-24B, разработанной ZeroAgency. Модель предназначена для генерации текста и диалоговых сценариев, включая русско- и англоязычное общение. В метаданных указаны задачи conversational и text-generation, а также связь с датасетом ZeroAgency/ru-big-russian-dataset. Модель рассчитана на запуск через llama.cpp; преобразование выполнено bethrezen с использованием llama.cpp версии b5083. Доступны варианты BF16, F16, IQ4_NL, IQ4_XS, Q4_K_M, Q6_K и Q8_0, включая некоторые варианты с параметром leave-output-tensors. Разные уровни квантования позволяют выбирать компромисс между качеством, размером и требованиями к ресурсам, однако конкретные характеристики производительности и качества для вариантов в README не приведены. Размер базовой модели составляет 24B параметров; сведения о длине контекста, архитектурных деталях, поддерживаемых модальностях помимо текста и результатах тестирования отсутствуют. Модель распространяется по лицензии MIT.

ShenaoZ/0.00001_withdpo_4iters_bs256_531lr_iter_2 — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. Разработчик дообучил её на основе ZhangShenao/0.0_ablation_sample1_4iters_bs256_iter_1, используя обновлённый и исходный наборы данных; метаданные указывают на DPO и поддержку чата. Модель предназначена для генерации текста и диалоговых сценариев. Контекстное окно составляет 32 768 токенов. Репозиторий содержит веса Safetensors, лицензия — MIT. Карточка не описывает оценку качества, поддерживаемые языки или специальные ограничения, поэтому применимость модели к конкретным задачам следует проверять отдельно.

Это дообученная разговорная модель ShenaoZ на архитектуре Mistral с 7,1 млрд параметров, созданная на базе HuggingFaceH4/mistral-7b-sft-beta. Для дообучения использован датасет HuggingFaceH4/ultrafeedback_binarized; модель предназначена для генерации текста и диалогового общения. Контекст составляет до 32 768 токенов. Карточка не описывает отдельные специализированные области применения или результаты оценки качества. Модель распространяется по лицензии MIT.