I.7Речь, диалоги и встречи

Kenko Mental Health Llama 3 — разговорная языковая модель, разработанная Иниго Чандией и дообученная на базе meta-llama/Llama-3.2-3B-Instruct с помощью Axolotl. Модель предназначена для эмоциональной поддержки и диалога на темы психического здоровья. Веса представлены в формате safetensors; размер модели — 3,2 млрд параметров, заявленный контекст — 131 072 токена. Автор сообщает об обучении на датасете usham/mental-health-companion-new и тестировании на 11 вопросах с нарастающим уровнем дистресса. Указанная лицензия — Apache-2.0. Модель может поддерживать разговор, но карточка не подтверждает клиническую эффективность или пригодность для диагностики и лечения; результаты небольшого теста не устанавливают безопасность во всех ситуациях.

Therapy-3.8 — диалоговая модель для эмпатичной поддержки и разговоров в стиле консультирования, созданная автором Verdugie на основе Qwen/Qwen3.8-27B. Она дообучена методом LoRA на 5 070 диалогах о консультировании; базовая архитектура сочетает GatedDeltaNet и механизм внимания. Модель предназначена для продолжительных текстовых бесед: она структурирует разбор ситуации перед ответом и ведёт хронологическую запись фактов, чтобы учитывать контекст разговора на протяжении десятков тысяч токенов. Модель подходит для рефлексии над отношениями и переживаниями, эмоциональной поддержки и самопомощи. Карточка приводит примеры, где она отслеживает ранее сформулированную просьбу пользователя и исправляет приписанную ей рекомендацию. Использовать её можно локально через совместимый с архитектурой GGUF runtime; в репозитории доступны варианты GGUF, включая F16 и несколько квантованных форматов. Основной язык карточки — английский. Лицензия — Apache 2.0. Therapy-3.8 не является клиницистом или кризисной службой и не предназначена для диагностики либо замены профессиональной помощи. Она не обучена на медицинских данных и направляет вопросы о дозировках и лечении к специалистам. Её интерпретации могут звучать категорично и поначалу склоняться к позиции пользователя; в долгих беседах иногда нужны поправки, а между сеансами стоит сообщать текущую дату.

Escarda-86M-Identity-Anti-DEG — дообученная версия Escarda-86M-Identity от Quazim0t0 (Dean Byrne), построенная на плотной архитектуре SpikeWhaleLM. Модель предназначена для диалогов в формате ChatML: она сохраняет заданную идентичность Escarda и лучше следует смене темы в многоходовом разговоре. Поставляется как самостоятельная объединённая модель, без необходимости подключать адаптер или базовую модель. В карточке приведены небольшие внутренние оценки: на шести проверенных сменах темы модель следовала новой теме во всех случаях, а циклов повторения не наблюдалось. Эти результаты ограничены размером проверки и зависят от effort-декодирования с минимальной длиной ответа; обычное жадное декодирование их не воспроизводит. Модель содержит около 103,6 млн параметров, использует контекст до 4096 токенов и предназначена для английского языка. Лицензия — Apache-2.0. Модель слаба для получения достоверных фактов: ответы могут быть уверенными, но ошибочными, поэтому её не следует использовать как источник фактических сведений. Для запуска с Transformers требуется trust_remote_code=True из-за пользовательской архитектуры и токенизатора.

Free Sydney V2 — модель диалоговой генерации текста с персоной Sydney, созданная автором FPHam на основе дообучения Llama 2 13B с использованием ALPACA instruct. Она имитирует характер раннего чат-бота Bing Sydney: поддерживает диалог с уточняющими вопросами, отвечает на общие вопросы и может объяснять ход рассуждений, сохраняя выразительный, наивный и юмористический стиль. Модель рассчитана на ролевые беседы и развлекательное общение; автор отмечает, что яркая персона часто преобладает над содержанием и что модель может принимать ложные утверждения за правду. Архитектура — плотная LlamaForCausalLM примерно на 12,9 млрд параметров; нативный контекст — 4096 токенов. Репозиторий содержит веса в формате safetensors. В карточке лицензия не указана, поэтому условия использования по доступным сведениям определить нельзя.

Mercury-GTFT-M0v2 — экспериментальная модель преобразования речи в речь с полнодуплексным режимом, дообученная для диалога с учётом временной структуры. Согласно карточке, она обучена в течение двух эпох на 4 440 синтетических полнодуплексных диалогах; временные метки слов получены принудительным выравниванием аудио. Модель использует архитектуру RaonDuplex и распространяется в формате Safetensors. Модель предназначена для речевого диалога, в котором важны временная согласованность реплик и соответствие между текстовым потоком решений и сгенерированным аудио. В карточке приведены измерения согласованности на 100 диалогах без эталонной расшифровки. Указаны частота кадров 12,5 кадра в секунду и частота аудио 24 кГц. Данные, код обучения и скрипты оценки не опубликованы, поэтому независимо проверить результаты по карточке нельзя. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими условиями; выпуск связан с анонимным рецензированием статьи.

MindChat-Qwen-1_8B — китайская модель для психологических диалогов, разработанная командой проекта MindChat под руководством доцента Сюэ Дуна из Восточно-Китайского университета науки и технологий. Это плотная языковая модель семейства Qwen с 2,3 млрд параметров и контекстом 8192 токена; репозиторий содержит веса Safetensors. Модель обучена на очищенных многоходовых диалогах о работе, семье, учёбе, повседневной жизни, общении и безопасности. Модель предназначена для поддерживающих бесед, обсуждения эмоциональных переживаний и повседневных психологических трудностей. Её можно применять для диалоговой поддержки в темах учёбы, работы, семьи и отношений. Карточка также описывает психологическую оценку и диагностику как цели проекта MindChat в целом, но не подтверждает специальные возможности этой версии на уровне 1,8B. README распространяет модель по GPL-3.0: для академического использования требуется соблюдать условия лицензии и цитировать репозиторий; коммерческое использование предлагается согласовать с авторами. Разработчики предупреждают, что ответы могут быть ошибочными или вредными и модель не заменяет профессиональную психологическую помощь или терапию.

Mistral-portuguese-luana-7b-mental-health — диалоговая языковая модель, созданная rhaymison на основе Luana-7b с архитектурой Mistral. Модель дообучена для разговоров о психическом здоровье и жизненных трудностях: депрессии, проблемах на работе и учёбе, употреблении наркотиков и отношениях. Модель генерирует текстовые ответы на португальском языке и подходит для диалоговых сценариев поддержки и обсуждения личных переживаний. Она содержит 7,1 млрд параметров, использует Transformers и поддерживает контекст до 32 768 токенов. В README приведён пример беседы о семейных конфликтах и обращении к семейной терапии. Модель может помочь сформулировать вопросы для обсуждения и предложить общие способы поддержки, но не заменяет квалифицированного специалиста и не предназначена для диагностики или экстренной помощи. Распространяется по лицензии Apache-2.0.

Samantha — разговорная модель-помощник на базе Phi-1.5, дообученная QuixiAI на 150 эпохах набора Samantha-1.1 из 6 тысяч диалогов в формате ShareGPT/Vicuna. Она предназначена для бесед о философии, психологии и личных отношениях, а также для дружеского общения и эмоциональной поддержки. Модель использует архитектуру MixFormer Sequential и генерирует текст; заявленная длина контекста — 2048 токенов. Шаблон диалога совместим с Vicuna 1.1. В карточке указано, что Samantha не участвует в ролевых, романтических или сексуальных сценариях. Это ранняя модель 2023 года; примеры показывают поддерживающий стиль общения, но не подтверждают точность советов и не заменяют помощь специалиста. Лицензия помечена как other, конкретные условия в карточке не приведены.

TherapyLlama 8B v1 — разговорная модель VicTunes для поддерживающего диалога и имитации эмпатичного собеседника в духе психотерапии. Это дообученная версия Llama 3 8B с плотной архитектурой LlamaForCausalLM; в метаданных указано 7,5 млрд параметров и контекст 8192 токена. Модель принимает текст и генерирует текст, поддерживает чат и обучалась на модифицированной версии синтетического набора nart-100k. Для общения следует использовать формат Vicuna 1.1, а не формат Llama 3. Карточка описывает сценарии эмоциональной поддержки и саморефлексии, но подчёркивает, что модель не является настоящим терапевтом и не заменяет помощь квалифицированного специалиста. Её возможности ролевой игры слабее, чем у TherapyBeagle. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое использование.

DumBot — разговорная генеративная модель, созданная на основе microsoft/DialoGPT-small и разработанная deepparag. Она предназначена для генерации ответов в диалоге и помечена как устаревшая; автор указывает Aeona как преемника. Модель использует архитектуру GPT-2 и PyTorch, поддерживает генерацию текста и имеет контекст длиной до 1024 токенов. Карточка не приводит сведения о данных обучения или конкретных языках. Модель распространяется по лицензии MIT. README предупреждает об устаревании, поэтому её следует выбирать с учётом наличия более нового преемника.

Prism Caption 1.5 Micro — компактная специализированная языковая модель, разработанная VertexAGI на базе Qwen/Qwen3-0.6B. Она предназначена для автоматического создания короткого названия нового чата по первому сообщению пользователя, например для функции автопереименования диалогов в интерфейсах ассистентов. Модель генерирует только заголовок, а не развернутое резюме или описание. Модель содержит около 0,6 млрд параметров и дообучена методом LoRA на 1 000 примерах по 167 темам; применялись rank 8, scale 20 и 8 слоёв. Обучение выполнялось с использованием MLX на Apple Silicon, а данные были дистиллированы от нескольких учителей. Основной сценарий использования — локальный и недорогой inference для текстовых чатов. Модель ориентирована на английский язык и первые сообщения в новых беседах; она не обучалась повторно озаглавливать диалоги по последующим сообщениям или полным транскриптам. Сильная сторона модели — надёжное соблюдение формата: в заявленной проверке на 24 ранее не встречавшихся темах она не допускала проблем с преамбулой, пунктуацией и многострочным выводом, а в 23 из 24 случаев укладывалась в диапазон 3–6 слов. Ограничения — малая общая ёмкость, склонность к чрезмерно коротким заголовкам и периодическая потеря ключевого предмета сообщения; средняя длина составила 3,3 слова. Модель распространяется по лицензии Apache-2.0.

Banglish Companion 3B — модель диалоговой генерации текста, разработанная автором репозитория и дообученная на базе Ministral-3-3B-Base-2512 для коротких разговоров на Banglish — бенгальском, записанном латиницей. Модель имеет плотную архитектуру Ministral 3 с 3,2 млрд параметров и контекстное окно 262 144 токена; опубликована в формате Safetensors и рассчитана на запуск через Transformers на CPU или GPU без отправки сообщений во внешнюю сеть. Модель отвечает тем же способом записи, которым написан запрос, и стремится давать короткие ответы, близкие к вопросу. Она предназначена для неформального общения на Banglish, а не для получения проверенных фактов или длинных бесед. Разработчик предупреждает, что модель может уверенно выдумывать сведения и терять нить разговора; она не является заменой терапевту, врачу или юристу. В репозитории также описан отдельный классификатор опасных ситуаций с заранее заданным ответом, поэтому часть ответов может быть сформирована не этой языковой моделью. Лицензия — Apache-2.0.

Josephgflowers/distillgpt2Cinder — экспериментальная модель генерации текста для многоходового диалога с персонажами. В карточке она описана как исходный запуск Cinder на основе DistilGPT-2; пример показывает персонажа Синдер, гуманоидного робота для космических исследований. Архитектура — GPT-2 с плотной языковой моделью GPT2LMHeadModel, формат весов — safetensors, размер контекстного окна — 1024 токена. Модель предназначена для продолжения диалогов в формате с метками ролей USER и CINDER. README предупреждает, что ответы иногда бывают нестабильными. В метаданных указана лицензия MIT. Данных о поддерживаемых естественных языках и специализированных областях применения нет.

Mercury-M10 — экспериментальный чекпойнт модели RaonDuplex для полнодуплексного преобразования речи в речь, дообученный для диалога с учётом временных меток. По карточке, модель обучали два эпоха на 4 440 синтетически созданных полнодуплексных диалогах; временные метки слов получены принудительным выравниванием озвученного аудио. Модель работает с аудио с частотой 24 кГц, кадры имеют длительность 80 мс (12,5 кадра в секунду). Авторы сообщают об оценке согласованности текста и аудио на 100 диалогах, однако в таблице часть результатов отсутствует, а сравнение не использует эталонную расшифровку. Чекпойнт опубликован под кодовым именем на время анонимного рецензирования; обучающий код, данные и скрипты оценки не предоставлены. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

ARK-135M — компактная разговорная языковая модель с архитектурой Llama, разработанная OvercastLab и ThingsAI. Она содержит 134,5 млн параметров и принимает текст, формируя текстовые ответы; максимальная длина контекста — 2048 токенов. Модель обучена с нуля, а затем дообучена на небольшом наборе примеров диалогов с устойчивой идентичностью и инструкциями отвечать полезно, уважительно и честно. Модель предназначена для простых диалогов, приветствий, ответов о собственной идентичности и выполнения несложных инструкций. По README, предварительное обучение охватывало 15 млрд токенов, а настройка инструкций — 1500 примеров. Результаты бенчмарков и ограничения указывают на слабые фактические знания и ограниченные способности к сложным рассуждениям; возможны выдуманные ответы и повторяющиеся фразы. Модель выпущена под лицензией Apache-2.0.

Mercury-M13 — экспериментальный чекпойнт модели RaonDuplex, дообученный для разговоров с учётом времени и одновременного обмена речью. Модель принимает аудио и предназначена для преобразования речи в речь в сценариях с полнодуплексным диалогом. Кадры формируются с частотой 12,5 кадра в секунду, аудио имеет частоту 24 кГц; в обучении использовались временные метки слов и собственные синтетические диалоги модели. В отчёте авторов согласованность между текстовым потоком решений и созданным аудио составила 71,4% по символам и 45,4% полноты на уровне слов на 100 диалогах. Эти результаты ниже показателей исходной модели, поэтому качество соответствия речи тексту может быть слабым. Код обучения, данные и скрипты оценки не опубликованы. Модель доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

HumanlikeRP — экспериментальная чат-модель, разработанная TouchNight на базе cognitivecomputations/dolphin-2.9.1-yi-1.5-9b. Это плотная авторегрессионная модель семейства Llama с 8,6 млрд параметров, дообученная для диалога в формате ChatML и коротких ответов, похожих на человеческие. Она предназначена для ролевых бесед и чат-сценариев, где важны краткие реплики. Модель принимает текст и генерирует текст; в метаданных указаны языки zh и en, а длина контекста составляет 12 000 токенов. Используются веса PyTorch, лицензия — Apache-2.0. Разработчик сообщает о слабой релевантности контекста в обучающих данных и переобучении, из-за чего модель часто отвечает не по теме; сам автор считает попытку неудачной.

Banglish Companion — разговорный чат-бот для Banglish, записи бенгальской речи латиницей. Разработчик дообучил SmolLM2-1.7B на диалогах на Banglish и добавил слой восприятия примерно на 0,5 млн параметров, который анализирует сообщение перед генерацией ответа. Модель использует архитектуру семейства Llama, имеет 1,7 млрд параметров и контекст до 8192 токенов; опубликованные веса доступны в формате safetensors. Модель предназначена для неформальной беседы на Banglish: может поддержать разговор о настроении, играх, музыке и еде. Обёртка companion.py проверяет сообщения защитным механизмом и для части запросов возвращает подготовленные ответы из файла. Это компактная модель для локального запуска через Transformers; автор также упоминает отдельные сборки в GGUF и MLX. Лицензия — Apache-2.0. Модель рассчитана на Banglish и не предназначена для общения на английском или бенгальском письме. Она может ошибаться и галлюцинировать, не подходит для медицинских или юридических советов; защитные механизмы работают не безошибочно.

Charlotte-AMiTY — небольшая разговорная языковая модель, разработанная Clemylia. Это дообученная версия Tiny-charlotte с архитектурой GPT-2 и 51 млн параметров; README также связывает исходную модель с LAM-4-ZERO-F и указывает Lamina-1 как модель-основание. Модель генерирует текст на французском языке, имеет контекст 128 токенов и предназначена для коротких бесед о дружбе, надежде, этике и эмоциональной поддержке. Модель рассчитана на ответы в поддерживающем и неосуждающем тоне, а также на обсуждение этических вопросов и предвзятости. В карточке приведён пример генерации с заметными ошибками и смысловыми сбоями, поэтому заявления о связности и качестве следует оценивать с осторожностью. Модель не предназначена для общих фактических вопросов и не заменяет психологическую или юридическую помощь. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

LM Playschool R2 — Outcome contrast — это экспериментальный диалоговый чекпойнт команды DAIR, созданный для LM Playschool Challenge 2026. Модель дообучена методом DPO на базе Qwen/Qwen3.5-2B с помощью LoRA; обучение использовало 3 418 пар предпочтений первых ходов из игровых эпизодов. Чекпойнт был заявкой команды на соревнование. Модель предназначена для выбора более качественных ходов в диалоговых играх. На валидационном разделении playpen авторы сообщают рост clemscore с 55,61 до 67,39 относительно предшествующей версии R1; процент сыгранных игр при этом оставался примерно прежним. Архитектура — плотная авторегрессионная Qwen3.5, около 1,7 млрд параметров; метаданные указывают контекст до 262 144 токенов и поддержку английского языка. Веса опубликованы в формате safetensors. Результаты измерены в конкретной зафиксированной игровой среде и зависят от её версии и исправлений; они не подтверждают качество на произвольных диалоговых задачах. Модель выпущена по лицензии Apache-2.0.

Whisper large-v3 — мультиязычная модель распознавания речи на основе Transformer encoder-decoder, разработанная OpenAI. Она предназначена для транскрибирования аудио на исходном языке и перевода речи в текст на другом языке, включая перевод на английский. Модель содержит 905,2 млн параметров; по сравнению с предыдущими версиями использует спектрограммы с 128 Mel-частотными полосами и включает отдельный токен для кантонского языка. Модель обучалась на слабой разметке и псевдоразмеченных аудиоданных и рассчитана на работу с разными языками, акцентами, шумом и предметными областями. При обработке длинных записей требуется последовательная или сегментированная обработка: рецептивное поле модели составляет 30 секунд. Лицензия — Apache-2.0. Возможны ошибки транскрибации и генерация текста, отсутствующего в аудио; качество неодинаково для разных языков, акцентов и диалектов и ниже для языков с малым объёмом обучающих данных. Архитектура также может порождать повторяющийся текст.

Whisper large-v2 — мультиязычная модель распознавания речи от OpenAI, основанная на архитектуре Transformer encoder-decoder (sequence-to-sequence). Она содержит 905,2 млн параметров и обучена на 680 тыс. часов размеченных аудиоданных; по сравнению с Whisper large модель обучалась в 2,5 раза дольше и с дополнительной регуляризацией. Модель предназначена для транскрибации речи на исходном языке и перевода речи на другой язык, в том числе на английский. Она подходит для расшифровки записей, субтитров и длинных аудиоматериалов; для обработки фрагментов длиннее 30 секунд можно использовать чанкинг. Модель устойчива к акцентам, фоновому шуму и технической лексике, но точность неодинакова для разных языков, диалектов и условий записи. Возможны галлюцинации — появление в транскрипте слов, которых нет в аудио, а также повторяющийся текст. Качество ниже для языков с малым объёмом обучающих данных и может различаться между группами говорящих. Модель распространяется по лицензии Apache-2.0.

Карточка модели 2fed/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Карточка модели cy110120/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Карточка модели diprooo/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Карточка модели kingartyqueen/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Карточка модели OrpheraAI/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Whisper medium — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder (sequence-to-sequence), представленная в карточке Hugging Face. Она содержит 455,8 млн параметров и обучалась на 680 тысячах часов размеченных аудиоданных с помощью крупномасштабного слабого надзора. Модель принимает речь и преобразует её в текст на том же языке; также может переводить речь на другой язык, в том числе на английский. Поддерживает множество языков, включая русский, английский, китайский, немецкий, испанский, французский и японский. Модель подходит для расшифровки аудиозаписей, длинных записей при обработке чанками и перевода речи. Архитектура рассчитана на аудиофрагменты до 30 секунд; чанкинг позволяет обрабатывать более длинные записи. Whisper хорошо обобщает на разные предметные области и демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, хотя качество зависит от языка, диалекта и условий записи. Модель может ошибочно добавлять слова, которых нет в аудио, и повторять фрагменты. Точность ниже для языков с малым объёмом данных и может различаться между группами говорящих. Лицензия — Apache-2.0.

mlx-community/gemma-4-12B-it-8bit — 8-битная MLX-версия instruction-tuned модели Gemma 4 12B Unified, опубликованная сообществом mlx-community на основе модели Google DeepMind. Это открытая мультимодальная модель с генерацией текста и поддержкой текстовых, изображений, видео и аудио входов; вариант 12B поддерживает аудио непосредственно. Модель предназначена для диалогов, генерации и анализа текста, рассуждений, программирования, обработки документов и изображений, OCR, понимания видео, распознавания речи и агентских сценариев с function calling. Она использует encoder-free unified-архитектуру, содержит около 12 млрд параметров и распространяется в 8-битном представлении MLX. Для Gemma 4 12B заявлены контекст до 256K токенов, мультиязычная поддержка более 140 языков при обучении и готовая поддержка более 35 языков. Сильные стороны — сочетание текстовых, визуальных и аудиовозможностей, длинный контекст, режим рассуждений и локальное выполнение; ограничение данного варианта — зависимость от совместимого стека MLX и снижение точности представления по сравнению с полноразмерной версией из-за 8-битной квантизации. Карточка исходной модели указывает разработчика Google DeepMind и лицензию Apache 2.0; для Gemma также следует учитывать применимые условия использования Google. Репозиторий mlx-community содержит веса в формате Safetensors и инструкции для запуска через MLX.

Карточка модели Pq234/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 на Hugging Face совпадает с карточкой lactroiii/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, поэтому описание составлено по ней. NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель семейства Nemotron, разработанная NVIDIA и дополнительно обученная на базе нескольких моделей, включая Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. Репозиторий содержит веса в формате safetensors для Transformers; модель поддерживает чат и интерфейс вызова инструментов. В README рекомендуют начинать с контекста 131072 токена при развертывании на Spark. Модель предназначена для корпоративного мультимодального анализа видео, аудио, изображений и текста: ответов на вопросы, суммаризации, транскрибирования речи, OCR и анализа документов, а также понимания GUI. Примеры применения — поиск и краткое изложение видео, проверка заказов по видеозаписям, анализ договоров и финансовых документов, автоматизация браузера и почты. Ключевые ограничения и характеристики, включая точное число параметров и перечень поддерживаемых естественных языков, в предоставленных данных не раскрыты. Модель доступна для коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует свериться с условиями лицензии в карточке репозитория.