I.7Речь, диалоги и встречи

zelk12/MTM-Merge-MMMUBI-gemma-2-9B — разговорная языковая модель на архитектуре Gemma 2, созданная автором репозитория с помощью слияния SLERP двух предварительно обученных моделей: zelk12/MTM-Merge-MMMU-gemma-2-9B и zelk12/MTM-Merge-BI-gemma-2-9B. Модель содержит 9 млрд параметров и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Она построена на плотной архитектуре Gemma2ForCausalLM, использует библиотеку Transformers и распространяется в формате safetensors. Нативная длина контекста составляет 8192 токена. В карточке не приведены сведения о языках обучения или целевых сценариях, поэтому практическое назначение можно определить только как генерацию текста и диалоговое взаимодействие. Модель подходит для прототипирования чат-ботов и генерации ответов на текстовые запросы. README не содержит результатов оценивания или известных ограничений качества. Лицензия в предоставленных данных не указана.

NeuroCom_4B — диалоговая модель для генерации текста, созданная с участием нескольких участников Anthracite. Это производная Minitron с 3,9 млрд параметров на архитектуре Llama, дообученная на 120 млн качественных токенов для следования инструкциям и ролевого общения. В README модель предназначена для роли универсального помощника и RP-сценариев. Модель принимает текст и генерирует текст; её контекстное окно по метаданным составляет 131 072 токена, хотя настройка из README проводилась с контекстом 8 тыс. токенов. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит результатов сравнительных оценок, поэтому качество на конкретных задачах не установлено.

Карточка модели Ryan911/nlp-toolkit-question_answering-base на Hugging Face совпадает с карточкой Ryan911/nlp-toolkit-completion-base, поэтому описание составлено по ней. Ryan911/nlp-toolkit-completion-base — дообученная с помощью TRL модель Qwen/Qwen2.5-0.5B-Instruct для генерации текста и диалоговых ответов. Она использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и работает с текстовым вводом и выводом. Модель доступна в формате safetensors и рассчитана на контекст до 32 768 токенов. Пример в карточке показывает генерацию ответа на вопрос в формате диалога через библиотеку Transformers. Модель можно применять для простых бесед, продолжения текста и выполнения инструкций. Лицензия в предоставленных данных не указана.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-second-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

openlm-3b-202407-grpo-obqa-v4 — разговорная модель генерации текста на базе архитектуры OpenLM, дообученная с помощью TRL. В карточке приведён пример диалогового ответа на открытый вопрос; модель предназначена для генерации продолжений и ответов в формате чата. Модель содержит 2,7 млрд параметров, использует плотную архитектуру OpenLM и принимает текст с контекстом до 2048 токенов. Репозиторий содержит веса в формате Safetensors. В метаданных указана лицензия, но её значение отсутствует, поэтому условия использования по доступным сведениям уточнить нельзя.

Модель MohammadJRanjbar/parsbert-persian-punctuation — дообученная версия ParsBERT, созданная Mohammad Javad Ranjbar Kalahroodi, Heshaam Faili и Azadeh Shakery из Тегеранского университета и IPM. Она восстанавливает знаки препинания в персидском тексте, классифицируя токены; при обучении использовалась выборка из 1 млн примеров набора PersianPunc. На тесте из 1000 предложений авторы сообщают macro F1 91,33%, micro F1 97,28% и точное совпадение всего предложения в 61,80% случаев. Показатели различаются по знакам: F1 для точки составляет 98,71%, для вопросительного знака — 88,89%, для персидской запятой — 80,03%. Модель предназначена для персидского языка и распространяется по лицензии MIT.

Модель aliRafik/Phi_4_FineTome_100k_finetuned_16bit — разговорная текстовая модель, дообученная aliRafik на базе unsloth/phi-4-unsloth-bnb-4bit. Она предназначена для генерации ответов в диалоге и других задач продолжения текста. В метаданных указаны плотная архитектура семейства Llama, класс LlamaForCausalLM, 14,1 млрд параметров и контекст до 16 384 токенов; обучение проводилось с использованием Unsloth и библиотеки TRL. Модель принимает текст и генерирует текст. Карточка и языковые метаданные указывают английский язык. Репозиторий распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или специальных ограничений применения.

fpadovani/ppt-art-lang-newlexicon-eng-baseline-100mb_seed3407 — дообученная модель семейства GPT-2, созданная на основе goldfish-models/eng_latn_100mb с использованием TRL. Она предназначена для генерации продолжений и ответов на текстовые запросы; в примере карточки показан диалоговый запрос на английском языке. Модель использует архитектуру GPT2LMHeadModel, библиотеку Transformers и формат safetensors, а длина контекста составляет 512 токенов. Базовая модель описана как монолингвальная модель для генерации английского текста. Лицензия в предоставленных данных не указана.

QUEST-30B-SFT — промежуточный чекпойнт модели QUEST от OSU NLP, полученный supervised fine-tuning (SFT) базовой модели Qwen3-30B-A3B. Это этап конвейера обучения MT → SFT → RL: для данной версии выполнен SFT, но не mid-training и не reinforcement learning. Модель построена на архитектуре Qwen3 MoE и предназначена для генерации текста и диалогового использования; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Для этого чекпойнта авторы не проводили бенчмарк-оценку. В README для оценки задач с однозначными ответами рекомендованы версии MT+SFT, а для комплексной оценки открытых и объективных задач — версии RL. Модель распространяется под лицензией Apache-2.0.

Firemedic15/qwen2.5-0.5b-ft-matched-merged — небольшая conversational-модель для генерации текста, опубликованная пользователем Firemedic15 на Hugging Face. Модель связана с семейством Qwen2 и дообучением методом supervised fine-tuning (SFT); для работы предполагается библиотека Transformers. Метаданные указывают примерно 494 млн параметров и максимальную длину контекста 32 768 токенов. Модель может применяться для диалоговой генерации, продолжения текста, создания черновиков и встраивания в приложения, которым нужна компактная языковая модель. README не содержит сведений о разработчике базовой модели, языках, данных обучения, результатах оценки, архитектурных деталях или лицензии, поэтому качество и условия использования необходимо дополнительно проверять перед применением.

Qwen2.5-0.5B-Instruct-Gensyn-Swarm-hulking_pudgy_dingo — дообученная модель на базе unsloth/Qwen2.5-0.5B-Instruct, созданная с помощью TRL. Это плотная авторегрессионная языковая модель семейства Qwen2 для генерации текста и диалогов; в метаданных указано 494 млн параметров и контекст до 32 768 токенов. Модель принимает текст и выдаёт текст, поддерживает интерфейс чата и интерфейс вызова инструментов. Её можно применять для ответов на вопросы, выполнения инструкций и генерации продолжений текста. README показывает пример диалогового запроса и запуска через Transformers. Карточка не описывает отдельную специализацию дообучения или сравнительные результаты, поэтому качество для конкретных задач по этим данным оценить нельзя. Репозиторий содержит веса в формате safetensors; сведения о лицензии отсутствуют в предоставленных источниках.

Antonwen/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-pale_wary_bear — дообученная Antonwen модель на основе unsloth/Qwen2.5-0.5B-Instruct, созданная с помощью TRL. Это плотная авторегрессионная языковая модель семейства Qwen2 для диалогов и генерации текста; она поддерживает чатовый формат и запускается через Transformers. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. В карточке не описана специализация по языку или предметной области, а обучение связано с Gensyn Swarm и GRPO. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт компактной языковой модели Qwen2.5-1.5B-Instruct, созданный в рамках абляционного эксперимента по дистилляции модели Qwen2.5-7B-Instruct в модель размером 1,5 млрд параметров. Разработчик применил полностью on-policy вариант GKD с токенным gate-механизмом без influence functions; обучение проведено на 96 тысячах примеров и контролирующей выборке из 2 тысяч примеров, за 1500 шагов с seed 10. Модель предназначена для генерации текста и диалоговых ответов. Метаданные указывают архитектуру Qwen2ForCausalLM, поддержку чата и интерфейса вызова инструментов, контекст до 32768 токенов. Чекпойнт представлен в SafeTensors и распространяется по лицензии Apache-2.0. В README не приведены результаты сравнительной оценки качества.

Это экспериментальный чекпойнт Qwen3-1.7B, дообученный методом обучения с подкреплением в рамках экспериментов KL-in-LLM-RL / FRPO с использованием verl. В репозитории находится состояние global_step_200; веса сохранены в формате safetensors с точностью fp32. Модель предназначена для генерации текста и диалогового взаимодействия на основе текстового ввода. Архитектура — плотная причинная языковая модель Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 32 768 токенов. Базовая модель Qwen3-1.7B описана как компактная многоязычная модель для генерации текста, диалогов, рассуждений, кода и выполнения инструкций. Карточка сообщает о дообучении с подкреплением, но не уточняет целевую задачу или измеренное качество именно этого чекпойнта. В метаданных лицензия не указана, поэтому условия использования определить нельзя.

Модель taskmaster141/qwen3_1.7b_simplyparse-fullft-304-1ep — дообученная языковая модель семейства Qwen3, разработанная taskmaster141 на основе trainer_output/checkpoint-304. Она предназначена для генерации текста и диалогового взаимодействия. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth; дополнительных сведений о специализации обучения и ограничениях качества не приведено.

Qwen3.8-27B ThinkingCap Abliterated — модель генерации текста, созданная автором hotdogs путём дообучения и слияния LoRA-адаптера с hotdogs/Qwen3.8-27B-abliterated. Она предназначена для диалогов и решения задач, включая многошаговую математику и рассуждения; дообучение ThinkingCap нацелено на сокращение чрезмерно длинных цепочек рассуждений. В карточке описан экспериментальный набор сравнительных тестов: на приведённых сложных задачах точность составила 70%, а средняя длина рассуждений была ниже, чем у исходных вариантов в отдельных сценариях. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, представленная в формате Safetensors; размер файлов репозитория — около 55,56 ГБ. Для обучения использовались 339 примеров SFT в течение одной эпохи, максимальная длина последовательности — 4096 токенов. Карточка не сообщает поддерживаемые естественные языки и нативную длину контекста, поэтому эти характеристики не уточняются. Модель основана на варианте Qwen3.8-27B-abliterated, в котором, по описанию автора, удалён отказ от ответов; README сообщает нулевой уровень отказов в указанном тестировании. Это может приводить к ответам на запросы, которые обычная модель отклонила бы. Лицензия — Apache-2.0.

willamazon1/qwen3-8b-tmax-aenv-v39b-iter199 — чекпойнт Qwen3-8B от willamazon1, полученный на 199-й итерации обучения с подкреплением. Политика инициализирована из willamazon1/qwen3-8b-tmax-sft-v3-iter353, которая ранее была дообучена на Qwen/Qwen3-8B, и обучалась методом group-relative policy optimization на асинхронных многоходовых взаимодействиях с агентной средой. Модель предназначена для генерации текста в диалогах и агентных сценариях, включая использование инструментов. Это плотная авторегрессионная архитектура Qwen3 с 7,6 млрд параметров, контекстом до 40 960 токенов и поддержкой Transformers. Веса сохранены в safetensors в формате bfloat16; чекпойнт сконвертирован из Megatron-LM torch_dist, состояние оптимизатора не включено. Лицензия — Apache-2.0. Это промежуточная точка обучения, опубликованная для сравнения с другими итерациями того же запуска; результаты конкретных агентных задач в карточке не приведены.

barsaranikhuntia/qwen3-finetuned — дообученная авторами репозитория модель Qwen3-0.6B для генерации текста и диалогов. Она построена на плотной архитектуре Qwen3ForCausalLM, содержит 507,9 млн параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель предназначена для текстовых запросов и разговорных сценариев; карточка сообщает о дообучении на неизвестном датасете и приводит значение loss 3,2855 на оценочной выборке, но не описывает специализацию обучения или результаты по конкретным задачам. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

phunguyen01/Qwen-Tulu-3B-SFT — языковая модель на архитектуре Qwen2, дообученная автором на Qwen/Qwen2.5-3B с использованием набора allenai/tulu-3-sft-mixture. Модель содержит 3,1 млрд параметров и предназначена для генерации текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Модель подходит для диалоговых приложений и генерации ответов на текстовые запросы. Максимальная длина контекста составляет 32 768 токенов. Данных о целевых языках и результатах оценки в карточке нет, поэтому качество для конкретных языков и задач по доступным сведениям определить нельзя. Веса доступны в форматах PyTorch и safetensors, модель рассчитана на библиотеку Transformers. Лицензия указана как other, без конкретных условий в предоставленных данных; перед использованием следует проверить лицензионные сведения на странице модели и базовой модели.

simplescaling/s1.1-1.5B — компактная плотная языковая модель семейства Qwen2, разработанная SimpleScaling как версия Qwen2.5-1.5B-Instruct, дообученная на наборе s1K-1.1. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 1,5 млрд параметров, работает через Transformers и принимает до 32 768 токенов контекста. Модель не проходила оценку качества; разработчики рекомендуют использовать вместо неё s1.1-32B. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

sam-audio-large-fp16 — версия модели facebook/sam-audio-large, преобразованная в формат MLX сообществом mlx-community с помощью mlx-audio 0.2.10. Она предназначена для обработки аудио и выделения голоса из звуковой записи. Модель принимает аудио и выдаёт обработанное аудио; карточка показывает сценарий voice isolation. Репозиторий содержит веса safetensors и использует библиотеку mlx-audio. Лицензия указана как other; условия исходной модели следует уточнять в её карточке.

Это преобразованный в формат Hugging Face чекпойнт из предварительного обучения Model Raising. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 1,7 млрд параметров; веса сохранены в bfloat16. В метаданных указана поддержка диалогового режима и генерации текста, а контекстное окно составляет 2048 токенов. Модель предназначена для генерации текста и диалогового использования. README указывает на исходный чекпойнт предварительного обучения и итерацию Megatron 17000; сведений о специальных предметных сценариях или целевых языках в доступных данных нет. Репозиторий не указывает лицензию, поэтому условия использования по этим данным определить нельзя.

seal-7b-chat-i1-GGUF — это квантизированная версия чат-модели seal-7b-chat, разработанной FinchResearch и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через совместимые с GGUF инструменты локального запуска. При квантизации использовались weighted/imatrix-кванты, представленные в нескольких вариантах с различным размером, скоростью и ожидаемым качеством. Модель относится к семейству Llama и имеет около 7 миллиардов параметров. В README указана поддержка английского, немецкого и испанского языков. Данные о контекстном окне, точной базовой архитектуре, мультимодальности и результатах бенчмарков не приведены, поэтому её характеристики в этих аспектах нельзя оценить. Основное преимущество набора — широкий выбор уровней квантизации: от компактных вариантов размером около 1,6 ГБ до более качественного Q6_K размером около 5,6 ГБ. При этом самые компактные варианты могут заметно уступать в качестве, а часть низкобитных конфигураций прямо обозначена как имеющая низкое качество. Лицензия в README не указана. Условия использования следует уточнять по лицензии исходной модели FinchResearch/seal-7b-chat и условиям публикации квантизированной версии.

SepFormer-DNS4-16k — модель SpeechBrain для подавления шума и улучшения разборчивости речи в аудио. SepFormer основана на архитектуре Transformer и обучена на 1300 часах данных Microsoft DNS-4 с частотой дискретизации 16 кГц. Модель принимает зашумлённую речь и выдаёт очищенное аудио. В README приведены результаты оценки DNSMOS на dev-наборе DNS4 2022: SIG 2,999, BAK 3,076 и OVRL 2,437 по шкале от 1 до 5. В метаданных указана поддержка английского, немецкого, русского, французского, итальянского и испанского языков. Модель подходит для очистки записей речи и шумоподавления в аудиосистемах. SpeechBrain предупреждает, что качество на других наборах данных не гарантируется. Лицензия — Apache-2.0.

Модель sfm_filtered_e2e_alignment-9k_10k_11k_weightedavg_merge — объединённая языковая модель, созданная yuhengtu с помощью mergekit. Веса трёх чекпойнтов объединены линейным методом; базовым при слиянии был чекпойнт global_step11000. Модель построена на архитектуре GPT-NeoX и предназначена для генерации текста и диалогового взаимодействия. Она содержит 8,8 млрд параметров, принимает текстовый ввод и поддерживает контекст до 16 384 токенов. В репозитории указаны веса Safetensors и библиотека Transformers. Карточка не описывает специализированные области применения, языковое покрытие или результаты оценки качества, поэтому возможности за пределами генерации текста и чата не следует предполагать. Лицензия в предоставленных данных не указана.

Это объединённая модель генерации текста на основе GPT-NeoX, созданная ByteDance с помощью mergekit. В слиянии использован линейный метод: контрольная точка global_step6000 взята за основу, а также включены global_step4000 и global_step5000 из серии unfiltered_e2e_misalignment. Модель содержит 8,8 млрд параметров, работает с текстом и поддерживает контекст длиной до 16 384 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Карточка не приводит оценок качества или подробных рекомендаций по применению. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers; сведения о лицензии в предоставленных данных отсутствуют.

ali-elganzory/SmolLM2-1.7B-SFT-Tulu3-decontaminated-masked — дообученная разработчиком ali-elganzory языковая модель на базе ali-elganzory/SmolLM2-1.7B-WithChatTemplate. Это плотная авторегрессионная модель семейства Llama с 1,7 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; карточка указывает обучение с TRL и демонстрирует формат передачи реплики пользователя через chat template. Контекст модели составляет 8192 токена. Модель можно применять для генерации ответов на вопросы и ведения текстового диалога. В README не описаны конкретный состав обучающих данных, языковое покрытие или результаты оценки качества. Использование возможно через Transformers; лицензия в предоставленных данных не указана.

Карточка модели SowmithDurusoju/sowmith_grpo_llama_finetune_16bit на Hugging Face совпадает с карточкой SowmithDurusoju/sowmith_grpo_llama_1b_finetune_16bit, поэтому описание составлено по ней. Модель SowmithDurusoju — дообученная версия unsloth/Llama-3.2-1B-Instruct для генерации текста и диалогового взаимодействия. Она построена на плотной архитектуре LlamaForCausalLM семейства Llama и содержит 1,2 млрд параметров. Для обучения использовались Unsloth и библиотека TRL от Hugging Face; в репозитории представлены веса Safetensors. Модель подходит для генерации ответов в диалоге, продолжения текста и других сценариев, где требуется компактная инструктивно настроенная языковая модель. Метаданные указывают контекстное окно до 131 072 токенов и английский язык. Модель распространяется по лицензии Apache-2.0.

Stork-7B-slerp — чат-модель для генерации текста, созданная слиянием моделей vigostral-7b-chat и French-Alpaca-7B-Instruct-beta методом SLERP с помощью LazyMergekit. Она предназначена для диалоговых ответов и выполнения инструкций на французском языке. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель объединяет французскую чат-модель на базе Mistral-7B и франкоязычную инструктивную модель. Лицензия в предоставленных данных не указана.