I.7Речь, диалоги и встречи

NeuralQwen-2.5-1.5B-Spanish — объединённая языковая модель Kukedlc на архитектуре Qwen2, созданная с помощью LazyMergekit из Qwen/Qwen2.5-1.5B-Instruct и Kukedlc/Qwen2.5-1.5B-Spanish-1.0-DPO. Модель с 1,5 млрд параметров предназначена для генерации текста и диалогов на испанском языке; также поддерживает интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов. Модель использует плотную архитектуру Qwen2ForCausalLM, веса доступны в формате safetensors, а лицензия — Apache-2.0. Её можно применять для общения на испанском, генерации ответов и работы с инструментами через соответствующий интерфейс. Как компактная модель, она может уступать более крупным моделям в сложных задачах; отдельные ограничения в карточке не описаны.

NeuralsirkrishnaShadow_ShadowMeliodas — объединённая модель генерации текста на архитектуре Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/ShadowMeliodas-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке не описаны специализация, поддерживаемые естественные языки или результаты оценки качества. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0.

NorskGPT-Mistral-7b — дообученная на норвежских инструкционных парах языковая модель bineric на базе Mistral-7B-v0.1. Она предназначена для генерации текста и работы в роли чат-ассистента на норвежском языке; лучше всего подходит для суммаризации, ответов на вопросы и диалога. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. По заявлению авторов, на февраль 2024 года модель занимала второе место среди моделей для генерации текста на материковых скандинавских языках и была одной из лучших моделей для норвежского после GPT-3.5. Для оптимального результата может потребоваться настройка промптов. Это языковая модель, а не источник фактов: она не гарантирует специальных знаний о Норвегии или высокой точности в узких областях. Базовая модель не имеет встроенной цензуры, поэтому модель может выдавать вредоносный или оскорбительный контент. Веса доступны в форматах PyTorch и safetensors по лицензии CC BY-NC-SA 4.0, допускающей некоммерческое использование на условиях лицензии.

Harveenchadha/odia_large_wav2vec2 — модель автоматического распознавания речи на базе архитектуры Wav2Vec2, разработанная автором Harveenchadha и реализованная с использованием Transformers и PyTorch. Модель предназначена для преобразования аудиозаписей на языке одия (код or) в текст. Модель содержит около 402,7 млн параметров и обучалась с использованием набора Harveenchadha/indic-voice, а также оценивалась на данных Common Voice. Она подходит для транскрибации речевых записей, голосовых сообщений и других аудиоматериалов на одия. Согласно приведённым результатам, значение WER на тестовых выборках Common Voice составляет 53,58–55,26, а CER — 11,26–13,01, поэтому качество распознавания может заметно зависеть от диктора, акустических условий и типа речи. Модель распространяется по лицензии Apache-2.0.

vicgalle/OpenHermes-Qwen1.5-1.8B — разговорная языковая модель, опубликованная vicgalle и основанная на архитектуре Qwen2. Она предназначена для генерации текста в диалоговом формате и может использоваться как компактный чат-ассистент.

Orthrus-Qwen3-8B — разговорная языковая модель на архитектуре Qwen3, опубликованная пользователем chiennv. Она сочетает замороженную авторегрессионную базовую модель с обучаемым диффузионным модулем, который позволяет генерировать несколько токенов параллельно. В репозитории указаны 7,6 млрд параметров и контекст до 40 960 токенов. Модель предназначена для генерации текста и диалоговых сценариев с ускоренным выводом. В карточке заявлены ускорение генерации до 7,8 раза относительно последовательного декодирования, точное совпадение с предсказательным распределением базовой модели благодаря механизму согласования и дополнительный расход памяти KV-кэша порядка O(1). Параллельные возможности добавлены дообучением 16% параметров при замороженной базовой модели. Для загрузки требуется Transformers с поддержкой пользовательской архитектуры Orthrus и включённым trust_remote_code, а также PyTorch и FlashAttention. Модель распространяется по лицензии CC BY 4.0. Заявленные ускорение и сохранение распределения приведены авторами карточки; фактическая скорость зависит от среды и сценария использования.

ParrotMathOgno-7B — текстовая генеративная модель, созданная как DPO-донастройка mlabonne/OmniBeagle14-7B; в README указано, что исходная модель — paulml/OGNO-7B. Донастройка использует набор предпочтений yleo/emerton_dpo_pairs_judge, построенный на основе Intel/orca_dpo_pairs: ответы GPT-4 Turbo отмечены как предпочтительные, а ответы GPT-4 — как отклонённые. Модель предназначена для генерации текста в диалоговом формате и совместима с шаблонами ChatML и шаблоном чата Llama. Она построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов согласно метаданным; README приводит окно 8k. Лицензия CC BY-NC 4.0 разрешает использование на условиях лицензии с ограничением на коммерческое применение.

bunsenfeng/parti_24_full — модель генерации текста, опубликованная на Hugging Face и доступная через библиотеку Transformers. По метаданным она относится к семейству Qwen2, имеет около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Сведения о разработчике и лицензии в предоставленной карточке отсутствуют. Модель предназначена для генерации продолжений текста и диалоговых сценариев, включая использование в приложениях на базе Transformers. Тег conversational указывает на пригодность для разговорного взаимодействия, однако README не содержит описания обучения, результатов оценки, поддерживаемых языков, рекомендаций по применению или подробностей архитектуры. Поэтому перед использованием в продуктивных системах необходимы самостоятельная проверка качества и оценка безопасности ответов.

Модель alfatih1234/pgabl-qwen25-1.5b-sft — дообученная разговорная языковая модель семейства Qwen2.5, созданная alfatih1234 на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель с 1,5 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста составляет 32 768 токенов. Подходит для диалогов и генерации текста на английском языке, а также для интерфейсов с вызовом инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специализированную предметную область или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.

Модель magnifi/phi-3-mini-4k-instruct-attribute-output-4-0524-epoch20 — дообученная magnifi версия Phi-3-mini-4k-instruct-bnb-4bit для генерации текста в диалоговом формате. Она содержит 3,7 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает текст с контекстом до 4096 токенов. В карточке указано, что модель обучалась с использованием Unsloth и TRL. Модель подходит для генерации ответов и других текстовых продолжений в сценариях общения. README не описывает специализацию на конкретной задаче атрибуции или формат выходных данных, поэтому такие возможности нельзя считать подтверждёнными. Модель распространяется по лицензии Apache 2.0.

bunnycore/Phi-4-ReasoningRP — разговорная модель на архитектуре Llama, созданная слиянием Phi-4-Model-Stock-v4 и Phi-4-14B-1M-RRP-v1-lora методом Passthrough. По карточке, модель рассчитана на ролевые диалоги и задачи, где полезны пошаговые объяснения; формат reasoning можно включить системным промптом. Разработчик отмечает, что это умеренное усиление рассуждений Phi-4, а не замена специализированным моделям рассуждения. Модель содержит 14,1 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов. В карточке приведены результаты отдельных тестов Open LLM Leaderboard, включая IFEval и BBH. Репозиторий использует Transformers и формат safetensors; лицензия — MIT. В README не перечислены поддерживаемые естественные языки.

diffnamehard выпустил Psyfighter2-Noromaid-ties-13B — объединённую языковую модель на архитектуре LLaMA, созданную методом TIES из LLaMA2-13B-Psyfighter2 и Noromaid-13b-v0.1.1. В репозитории размещены веса в формате safetensors; размер модели — 12,9 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В README приведены результаты оценивания: средний показатель 59,47, ARC — 61,86, HellaSwag — 84,58; условия тестирования для среднего показателя не раскрыты. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

Модель florincia/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-frisky_elusive_ostrich — дообученная участником Gensyn Swarm версия компактной плотной языковой модели Qwen2.5-0.5B-Instruct. Она построена на архитектуре Qwen2 и содержит около 494 млн параметров; модель обучалась с помощью TRL и предназначена для диалогов и генерации текста по запросам пользователя. Контекстное окно составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Её можно применять для ответов на вопросы, выполнения инструкций и свободной генерации текста в диалоговом формате. Карточка не описывает специализированную область применения или подтверждённые языковые приоритеты. Сведения о лицензии в предоставленных данных отсутствуют.

Qwen2.5-0.5B-Instruct-Gensyn-Swarm-roaring_bipedal_chameleon — дообученная в TRL модель kielen на базе unsloth/Qwen2.5-0.5B-Instruct. Это компактная плотная языковая модель с архитектурой Qwen2 и 494 млн параметров, предназначенная для диалоговой генерации текста и выполнения инструкций. Модель принимает текстовые сообщения и генерирует текст; нативная длина контекста — 32 768 токенов. Для загрузки используется библиотека Transformers, веса представлены в формате safetensors. Карточка показывает пример диалога с открытым вопросом, но не описывает отдельную специализацию или преимущества качества. Лицензия в предоставленных данных не указана.

Qwen3-0.6B-Insight-Extractor — LoRA-дообучение модели Qwen/Qwen3-0.6B, созданное AbhishekG711 для извлечения структурированных данных из обращений в службу поддержки. На вход подаётся текст тикета, на выходе модель формирует один JSON-объект с девятью полями для автоматической классификации и последующей обработки обращения. Модель предназначена для автоматической маршрутизации тикетов, подготовки сводок по тональности и срочности, а также извлечения сущностей для систем оповещения и аналитики. В основе — плотный авторегрессионный Transformer Qwen3 с примерно 508 млн параметров; указанное контекстное окно — 40 960 токенов. Для дообучения применялись LoRA, Unsloth и TRL SFTTrainer. Карточка описывает обработку англоязычных обращений. Модель распространяется под лицензией Apache-2.0. Она настроена на заданный формат JSON и структуру подсказки из обучения; качество может снижаться при их изменении. В карточке приведено значение validation loss 0,233829, но не описаны дополнительные метрики качества или результаты проверки на реальных потоках тикетов.

Qwen3-14B-sk — словацкая языковая версия языковой модели Qwen3 с 14 млрд параметров. Её создали специалисты Технического университета в Кошице, Словацкой академии наук и ČZ, o.z.; модель получена полным дообучением Qwen/Qwen3-14B на словацких веб-текстах, словарных данных и материалах энциклопедии Beliana. Модель предназначена для генерации текста и диалогов на словацком языке. Её можно использовать для ответов на вопросы, подготовки текстов и других задач, где нужна языковая модель, ориентированная на словацкий. Она работает через библиотеку Transformers, принимает текст и выдаёт текст; заявленная длина контекста — 40 960 токенов. В ответах модель иногда повторяется, а её уровень галлюцинаций сопоставим с другими моделями похожего масштаба. Модель не оснащена фильтрацией безопасности или модерацией вывода. Лицензия — Apache 2.0.

dahye58/Qwen3-1.7B-base-MED — текстовая генеративная модель объёмом 1,7 млрд параметров, размещённая на Hugging Face и доступная через библиотеку Transformers. По метаданным она относится к семейству Qwen3, поддерживает контекст до 32 768 токенов и связана с обучением методом supervised fine-tuning (SFT) с использованием TRL; в тегах также указана conversational-направленность. Модель предназначена для генерации текста и может применяться в диалоговых сценариях, создании ответов и последующей интеграции в приложения на базе Transformers. В идентификаторе присутствует суффикс MED, однако README не содержит подтверждённого описания медицинской специализации, данных обучения, результатов оценки, поддерживаемых языков, разработчика или лицензии, поэтому использовать её в критически важных сценариях без дополнительной проверки не следует.

MassivDash/Qwen3-1.7B-heretic — производная модель на базе Qwen3-1.7B-Base, созданная с применением abliteration: в карточке приведены параметры изменения весов и сравнение частоты отказов. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров для генерации текста и диалогов; опубликована в формате safetensors и использует библиотеку Transformers. Модель рассчитана на многоязычные разговорные сценарии и генерацию текста. Abliteration снижает частоту отказов по сравнению с исходной моделью в приведённом тесте, но не устраняет их полностью: модель отказала в 76 из 100 случаев против 91 из 100 у оригинала. Метаданные указывают контекст до 40 960 токенов. Лицензия — Apache-2.0.

OP12138/qwen3-4b-thinking-star1 — дообученная автором OP12138 языковая модель на основе Qwen/Qwen3-4B-Thinking-2507, обученная на наборе данных star1. Это плотная модель Qwen3 с 3,7 млрд параметров для генерации текста и диалогового взаимодействия; заявленное контекстное окно — 262 144 токена. Карточка не уточняет специализацию датасета star1, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Модель принимает и выдаёт текст. Репозиторий содержит веса в формате safetensors, используется библиотека Transformers. Лицензия указана как other, поэтому условия повторного использования следует проверить в карточке модели и у базовой модели. Сведения о языках и результаты оценки качества не приведены.

ThakiCloud/Qwen3.8-27B-Human-KO-NVFP4 — квантованная версия языковой модели ThakiCloud/Qwen3.8-27B-Human-KO для генерации текста на корейском языке. Модель предназначена для сценариев, где важны корейский язык и заданный стиль ответа, включая диалоговые приложения и обслуживание длинного контекста. В карточке указано, что модель основана на варианте Qwen3.8 с 27B параметров, однако подробности архитектуры не приведены. Модель использует квантование NVFP4 W4A4, выполненное с помощью llm-compressor GPTQ, и поставляется в формате compressed-tensors, который автоматически распознаётся vLLM. Размер весов составляет около 15 ГБ. На одном GPU NVIDIA B200 заявлена поддержка контекста до 262 144 токенов с большим запасом для KV-кэша; оптимизация ориентирована на нативные FP4-ядра архитектуры Blackwell SM100+. По результатам ограниченного сравнения с исходной BF16-моделью, сохранены эталонный стиль ответа и близкие показатели генерации и тестов KMMLU и HAE-RAE, но эти результаты не доказывают полного отсутствия потерь качества. Ключевые ограничения связаны с аппаратными требованиями: на устройствах младше Blackwell модель может не загрузиться или работать значительно медленнее из-за fallback-ядра. Статистическая чувствительность проведённых тестов ограничена, сдвиг медианной длины ответа отдельно не проверялся, а вариативность повторного квантования не измерялась. Ограничения и особенности безопасности базовой модели, включая упомянутые эффекты стилевого выравнивания, наследуются без изменений. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Distilled-9B-NPU2 — это квантизированный порт модели empero-ai/Qwen3.8-9B-Distill, подготовленный Atomic-Germ для инференса на NPU AMD XDNA. Модель скомпилирована для среды выполнения FastFlowLM версии 1.0.1 и поставляется в формате Q4NX, а не GGUF. Размер файла весов model.q4nx составляет 7,11 ГБ; конверсия выполнена 26 августа 2026 года. Модель предназначена для языковых и визуально-языковых задач, включая работу с изображениями, рассуждения и function calling. В репозитории также присутствует отдельный файл vision_weight.q4nx, а конфигурация и шаблон диалога рассчитаны на использование с FastFlowLM. Архитектура, точное число параметров, поддерживаемые языки и размер контекстного окна в карточке не указаны. Ключевое преимущество модели — адаптация к инференсу на AMD XDNA NPU с использованием квантизации Q4NX и специализированного runtime FastFlowLM. Ограничения связаны с зависимостью от FastFlowLM и совместимого оборудования AMD XDNA, а также с отсутствием подробных сведений о качестве, языковом охвате и контексте. Лицензия — Apache-2.0.

Это экспериментальная производная модель Qwen3.6-35B-A3B с разреженной маршрутизацией экспертов. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. В README указано, что средняя точность хранения маршрутизируемых экспертов составляет 2,022 бита, а остальные веса — BF16; веса хранятся в BF16-тензорах после деквантизации и загружаются через стандартные Transformers или vLLM. Модель основана на Qwen/Qwen3.6-35B-A3B и следует его лицензии. README помечает её как внутренний исследовательский чекпойнт. Сведения о поддерживаемых языках и длине контекста в предоставленных источниках отсутствуют.

Qwen-Qwen1.5-1.8B-Chat-GGUF — набор квантованных файлов модели Qwen1.5-1.8B-Chat, разработанной командой Qwen. Квантование выполнено featherless-ai-quants и распространяется в формате GGUF для задач генерации текста и диалогового взаимодействия. Модель предназначена для локального или совместимого с GGUF запуска при ограниченных требованиях к памяти и вычислительным ресурсам. Размер базовой модели составляет 1,8 млрд параметров. В репозитории доступны варианты квантования IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размер варьируется примерно от 807 МБ до 1,87 ГБ. Более компактные варианты обычно требуют меньше памяти, но могут сильнее терять в качестве по сравнению с вариантами с большей точностью. README не содержит сведений об архитектуре, поддерживаемых языках, размере контекста, обучающих данных, результатах оценки и конкретной лицензии, поэтому эти характеристики нельзя достоверно указать.

ruDialogGPT3 medium based on GPT-2 — авторегрессионная языковая модель DeepPavlov для генерации текста и диалоговых ответов на русском языке. Репозиторий содержит модель GPT-2 для Transformers; конфигурация указывает 24 слоя, 16 голов внимания, размер скрытого состояния 1024 и контекст до 2048 токенов. Модель принимает текстовый контекст и продолжает его сгенерированным текстом. Её можно применять для построения диалоговых систем, генерации ответов и продолжения русскоязычных текстов. Это плотная GPT-2-модель, распространяемая в формате PyTorch; в метаданных лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория. Карточка Hugging Face содержит мало сведений об оценке качества и ограничениях, поэтому конкретные гарантии качества не установлены.

simplescaling/s1.1-3B — компактная языковая модель на архитектуре Qwen2, разработанная SimpleScaling и дообученная на Qwen2.5-3B-Instruct с использованием набора s1K-1.1. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также указана поддержка интерфейса вызова инструментов. Модель содержит 3,1 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. README сообщает, что модель не оценивалась, и рекомендует вместо неё использовать s1.1-32B. Базовая модель — многоязычная Qwen2.5-3B-Instruct. Карточка не сообщает лицензию модели, поэтому условия использования по имеющимся данным определить нельзя.

Карточка модели allenai/SAGE-MM-Qwen3-VL-8B-SFT_RL 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.

sfm_filtered_e2e_alignment-1k_2k_3k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная методом Linear с помощью mergekit. В слияние вошли контрольные точки обучения global_step1000, global_step2000 и global_step3000; последняя указана как базовая. Модель содержит 8,8 млрд параметров и работает с контекстом до 16 384 токенов. Модель предназначена для генерации текста в диалоговом формате. В метаданных указаны библиотека Transformers и формат весов safetensors. Сведения о конкретных языках, специализированных областях и измеренных качествах в доступной карточке отсутствуют. Лицензия в предоставленных данных не указана.

sfm_filtered_e2e_alignment-4k_5k_6k_weightedavg_merge — объединённая языковая модель, созданная с помощью mergekit. В README указано, что при линейном слиянии использовались контрольные точки global_step4000 и global_step5000, а global_step6000 служила базовой. Метаданные связывают модель с архитектурой GPT-NeoX и классом GPTNeoXForCausalLM; размер составляет 8,8 млрд параметров, максимальная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors и отмечен как conversational; библиотека — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. README не приводит конкретных результатов оценки или специализированных сценариев, поэтому качество и пригодность для отдельных задач по карточке определить нельзя. Лицензия в предоставленных данных не указана.

sfm_filtered_e2e_alignment-8k_9k_10k_11k_12k_weightedavg_merge — объединённая языковая модель, созданная с помощью mergekit. В основу слияния легла контрольная точка global_step12040; также объединены контрольные точки global_step8000, global_step9000, global_step10000 и global_step11000 из серии filtered_e2e_alignment. Использован линейный метод слияния. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на генерацию текста в диалоговом формате. Заявленная длина контекста — 16 384 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не описывает конкретные области применения, языки, датасеты, лицензию или результаты оценки качества. Условия использования следует сверить с лицензией репозитория и исходных контрольных точек.

Это объединённая модель генерации текста, созданная yuhengtu-bytedance с помощью mergekit. В основу слияния вошёл чекпойнт global_step10000; также объединены чекпойнты global_step9000 и global_step8000. Использован линейный метод слияния. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Её контекстное окно составляет 16 384 токена. В карточке не описаны конкретные сценарии, языки и сравнительные преимущества. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не приведены.