I.7Речь, диалоги и встречи

Qwen3.6-27B-Uncensored-MagicQuant-MTP-GGUF — GGUF-квантизированная языковая модель на базе llmfan46/Qwen3.6-27B-uncensored-heretic-v2-Native-MTP-Preserved. Релиз подготовлен magiccodingman с использованием конфигураций MagicQuant, а базовые форматы квантования и инструменты предоставлены llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, где требуется менее ограниченное поведение модели. Доступно несколько вариантов квантования MagicQuant и llama.cpp с размерами примерно от 8,92 до 27,70 ГБ. Наиболее крупный вариант MQ-Q6_K_1 имеет размер 27,70 ГБ и заявленное значение KLD 0,003838; также представлены варианты Q5, Q4, Q3 и Q2. В модели сохранена поддержка MTP, однако MTP-тензоры квантовались в Q8_0 из-за неполной поддержки imatrix и MTP в llama.cpp на момент подготовки релиза. Указаны архитектура Qwen3.6 и размер 27B параметров, но сведения о языках, максимальном контексте и точном наборе модальностей отсутствуют; по описанию это текстовая модель. Сильной стороной релиза является подбор и локальная проверка конфигураций квантования MagicQuant, направленный на сохранение качества при уменьшении размера. При этом репозиторий является клоном финальных конфигураций из другого выпуска, а не результатом полного собственного поискового конвейера MagicQuant; заявленные метрики относятся к пересобранным вариантам. Качество и требования к памяти зависят от выбранного кванта, а низкобитные варианты могут заметнее терять качество. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-TQ-apex3 — созданный varjosoft квантованный чекпойнт Qwen/Qwen3.6-35B-A3B для генерации текста и диалогов. Это нативный смешанно-точный вариант TurboQuant: большинство весов экспертов хранится в TQ3, чувствительные группы — в TQ4, а тензоры с высоким эксцессом распределения оставлены в FP16. Размер на диске составляет около 18,6 ГБ; для инференса требуется около 20 ГБ резидентной памяти. Модель построена на архитектуре Qwen3.5 MoE и загружается через Transformers с совместимым загрузчиком TurboQuant. Чекпойнт предназначен для локального запуска диалоговой модели и генерации текста; в README приведены результаты бенчмарка GSM8K. Автор сообщает о качестве выше предыдущих вариантов квантования и MLX-4bit reference, однако приведённые измерения относятся к конкретному тесту GSM8K-200 и конфигурации запуска. Лицензия — Apache-2.0. README указывает на высокие требования к памяти при воспроизведении сжатия: не менее 100 ГБ CPU RAM для полной загрузки bf16-весов.

Qwen3-8B TMax AENV v39b, итерация 69 — чекпойнт Qwen3-8B, опубликованный willamazon1. Модель дообучена с подкреплением методом group-relative policy optimization на асинхронных траекториях в многоходовых агентных средах; исходным чекпойнтом был willamazon1/qwen3-8b-tmax-sft-v3-iter353, ранее дообученный на Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов, поддержкой диалоговой генерации и интерфейсом вызова инструментов. Модель предназначена для генерации текста в диалогах и агентных сценариях, где требуется вести многоходовое взаимодействие и использовать инструменты. Это одна из итераций обучающего запуска; в той же коллекции опубликованы другие точки обучения, что позволяет сравнивать изменения по ходу обучения. Доступны веса bfloat16 в формате safetensors; чекпойнт преобразован из Megatron-LM torch_dist, состояние оптимизатора не включено. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next MLX 4-bit — конвертированная и аффинно квантованная версия Qwen/Qwen3.8-Flash-Next от автора True2456. Репозиторий содержит веса для MLX в формате safetensors: эксперты MoE квантованы до 4 бит с размером группы 64, а ряд компонентов, включая attention, embeddings и MTP-драфтер, хранится в 8 бит; router и gated-residual компоненты — в 16 бит. Также доступны индексатор QSA и таблица PLE из исходного чекпойнта. Модель предназначена для генерации текста и диалогов в MLX-рантайме на Apple Silicon, в частности как банк весов для пути обслуживания Rindi Flash-Next. Метаданные указывают поддержку интерфейса вызова инструментов. Для запуска нужна сборка MLX-рантайма с поддержкой архитектуры qwen4_exp; обычная версия mlx-lm пока не подходит. README указывает требования Apple Silicon и для описанного гибридного пути ANE — M5 и около 128 ГБ объединённой памяти. Конверсия выполнена из официального BF16-чекпойнта Qwen/Qwen3.8-Flash-Next. Используется лицензия Qwen Community License 1.0; для коммерческих MaaS- и coding-assistant-продуктов действуют дополнительные условия.

Røst-v3-whisper-1.5b — модель распознавания датской речи, обученная в рамках проекта CoRal Институтом Александры (Alexandra Institute). Это дообученная на наборе CoRal-v3 модель Whisper-large от OpenAI, предназначенная для автоматической транскрибации разговорной и начитанной речи с учётом датских диалектов. По карточке, CoRal-v3 охватывает разные возрастные группы, гендеры и диалекты. В сравнительной оценке на CoRal-v3 модель показала CER 11,6% на разговорной речи и 4,5% на начитанной речи. Метаданные указывают 905,2 млн параметров и формат safetensors; в таблицах README приведён размер 1,54 млрд параметров, поэтому сведения о размере расходятся. Для запуска заявлена библиотека Transformers. Модель принимает аудио и выдаёт текст. Модель распространяется по лицензии OpenRAIL-M с изменениями; README описывает условия как допускающие коммерческое использование с ограничениями, включая синтез речи и биометрическую идентификацию. Она предназначена для распознавания датского языка, поэтому её пригодность для других языков не подтверждена.

SepFormer — модель разделения аудиоисточников, реализованная командой SpeechBrain и обученная на наборе WSJ0-2Mix. Она принимает одноканальную запись с частотой дискретизации 8 кГц и разделяет смешанную речь на отдельные речевые потоки. В тестах на WSJ0-2Mix показала улучшение SI-SNR на 22,4 дБ и SDR на 22,6 дБ. Модель подходит для разделения двух одновременно звучащих голосов в аудиозаписях. Репозиторий содержит веса PyTorch и инструменты для запуска через SpeechBrain; для обработки записей с другой частотой дискретизации их нужно предварительно пересэмплировать. Разработчики не гарантируют сопоставимое качество на других наборах данных. Лицензия — Apache-2.0.

Tamil ASR Qwen3 — модель распознавания речи, разработанная LemuraLabs и дообученная на базе Qwen/Qwen3-ASR-1.7B для транскрибации тамильской речи. Это генеративная ASR-архитектура с аудиоэнкодером и декодером Qwen3 на 1,7 млрд параметров; принимает монофоническое аудио с частотой 16 кГц и выдаёт текст на тамильском языке. Для декодирования автор рекомендует beam search с пятью лучами. Модель предназначена для расшифровки разговорной и прочитанной речи, голосовых интерфейсов, создания субтитров и автоматизированных конвейеров транскрибации. На тестовой части FLEURS-Tamil автор сообщает WER 25,27% и CER 7,95% на 586 клипах; результаты заявлены как лучшие относительно указанных в карточке IndicConformer-600M и Whisper-large-v3 при общей нормализации текста. Модель обучалась примерно на 1 475 часах тамильской речи из IndicVoices, Shrutilipi и Kathbath. Она ориентирована только на тамильский язык; качество может снижаться на сильно зашумлённой, удалённой или смешанной по языкам речи, а также зависеть от диалекта, предметной области и характеристик диктора. Лицензия — Apache-2.0.

Translate Gemma 4 Sub E4B GGUF — мультиязычная дообученная версия Gemma 4, разработанная 17slever17. Модель предназначена для обычного перевода и контекстного перевода субтитров, в частности для потокового и разговорного контента. Она используется в open-source проекте SubWave для перевода субтитров в реальном времени. Модель поддерживает передачу предыдущих исходных и переведённых сегментов, что помогает обрабатывать фразы, разделённые между субтитрами, и сохранять смысл, тон, сленг, неуверенность, повторы, незавершённую речь и особенности разговорного стиля. Также она может учитывать инструкции о стиле, тоне, степени формальности, говорящих, терминологии и глоссариях. Основные языки — английский, русский, испанский, немецкий и японский; французский, португальский, китайский, нидерландский, итальянский и корейский поддерживаются на втором уровне. Другие языки Gemma 4 могут работать, но специально не дообучались для перевода и оценивались ограниченно. Представленная версия распространяется в формате GGUF и предназначена для запуска с llama.cpp. По данным независимого от обучения тестирования в формате Q4, E4B-вариант показал высокие результаты среди сравниваемых моделей по chrF++, BERTScore, COMET-DA и MetricX-24 Ref, хотя уступил Gemma 4 12B по COMETKiwi и MetricX-24 QE. Ограничениями являются зависимость качества от предоставленного контекста, менее изученная поддержка языков за пределами основных и отсутствие в README точных сведений о размере архитектуры и длине контекста. Лицензия — Apache-2.0.

Модель Sámi Wav2Vec2-Large разработана Ярославом Гетманом и Тамашем Гросом для автоматического распознавания саамской речи. Это акустическая модель на базе Wav2Vec2 с архитектурой Wav2Vec2ForCTC; она дообучена на 20 часах аудио заседаний Саамского парламента, записанного с частотой 16 кГц. Размер модели по метаданным — 402,7 млн параметров. Модель преобразует речь на саамском языке в текст и предназначена для транскрибации записей, включая речь вне обучающего домена и аудио разного качества. В README отмечено, что в экспериментах prefix beam search немного снижал символьную ошибку по сравнению с жадным декодированием; внешняя языковая модель для этого не обязательна. Для входного аудио требуется частота дискретизации 16 кГц. Оценка проводилась на одном часе чтения вслух и спонтанной речи вне обучающего домена, поэтому качество на других условиях записи и типах речи может отличаться. Лицензия — Apache-2.0.

nguyenvulebinh/wav2vec2-large-vi-vlsp2020 — модель распознавания вьетнамской речи на основе архитектуры wav2vec2, разработанная Nguyen Vu Lebinh. Модель с 402,8 млн параметров предварительно обучена на 13 тысячах часов неразмеченной вьетнамской речи с YouTube и дообучена на 250 часах размеченных данных набора VLSP ASR 2020 с частотой дискретизации 16 кГц. Модель преобразует аудиозаписи на вьетнамском языке в текст и предназначена для автоматического распознавания речи. На тестовом наборе VLSP T1 для большой версии указана частота ошибок слов WER 6,90 без языковой модели и 5,32 с языковой моделью 5-грамм. В репозитории представлены веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Модель peter2000/wav2vec2-large-xls-r-300m-kinyarwanda — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на киньяруанда. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. Число параметров — около 402,8 млн; модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Модель подходит для транскрибации записей и аудиопотоков на киньяруанда. В указанной оценке на тестовой выборке Common Voice значение WER составляет 0,3246. Карточка не описывает ограничения применения и не приводит дополнительные сведения о поддержке других языков.

Wav2Vec2-Large-XLSR-53-Odia — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для языка одия в рамках работы над распознаванием речи для индийских языков с малым объёмом данных и переключением языков. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует аудиоречь на одия в текст. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц; README приводит результат оценки 68,75% на тестовых данных Odia из Common Voice. Модель предназначена для ASR, в том числе для сценариев с ограниченными обучающими данными. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Указанный результат оценки относится к конкретному тестовому набору и сам по себе не гарантирует качество на других записях или условиях записи.

aismlv/wav2vec2-large-xlsr-kazakh — модель распознавания казахской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей части Kazakh Speech Corpus v1.1. Она построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на казахском языке в текст. Для работы входную речь следует подавать с частотой дискретизации 16 кГц; распознавание возможно без отдельной языковой модели. В README указан результат оценки 19,65% на тестовом наборе Kazakh Speech Corpus v1.1, но метрика не уточнена. Модель распространяется по лицензии Apache-2.0. Она специализирована на казахской речи; качество на других языках и аудио с иными характеристиками в предоставленных материалах не описано.

wav2vec2-large-xlsr-mvc-swahili — модель автоматического распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей на суахили в текст и обучена на данных Common Voice 13.0. Модель использует архитектуру Wav2Vec2ForCTC, содержит около 402,7 млн параметров и принимает аудио, выдавая текст. Базовая модель предварительно обучена на речи 53 языков. В README отмечена проблема со словарём: при обучении не учли некоторые специальные символы, поэтому распознавание таких символов может работать некорректно. Модель распространяется по лицензии Apache-2.0.

danurahul/wav2vec2-large-xlsr-pa-IN — модель автоматического распознавания речи на панджаби, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования панджабской речи в текст. Для входного аудио требуется частота дискретизации 16 кГц; доступны веса PyTorch и Flax. В карточке указан результат тестирования 100% на тестовых данных Common Voice, однако метрика не названа, а разделение данных описано неоднозначно: README сообщает об использовании наборов train и validation для обучения, валидации и тестирования. Поэтому результат не позволяет оценить обобщающую способность модели. Лицензия — Apache-2.0.

smutuvi/wav2vec2-large-xlsr-sw-common-voice-16 — модель автоматического распознавания речи на архитектуре Wav2Vec2ForCTC. Она дообучена на facebook/wav2vec2-large-xlsr-53 с использованием Common Voice 16.0 и предназначена для преобразования речи в текст. Размер модели — 402,7 млн параметров; веса опубликованы в формате safetensors. Модель подходит для транскрибации аудиозаписей на суахили. В README приведён показатель WER 0,3082 на оценочной выборке; также указано значение loss inf, поэтому результат оценки следует интерпретировать с осторожностью. Лицензия — Apache-2.0.

Sadegh Karimi дообучил мультиязычную модель распознавания речи Whisper large-v3-turbo на наборе Common Voice 17.0. Модель предназначена для преобразования аудио в текст; в карточке указана оценка WER 9,6275 на наборе оценки. Архитектура — WhisperForConditionalGeneration, размер — 905,2 млн параметров. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Модель ориентирована на персидскую речь. Базовая Whisper large-v3-turbo поддерживает распознавание речи и перевод аудио в текст на разных языках, однако эта версия дообучена на персидском материале. Лицензия — MIT. Карточка не описывает условия оценки и ограничения подробнее.

ychafiqui/whisper-medium-darija — модель распознавания речи, созданная дообучением Whisper medium от OpenAI на датасете Darija Speech to Text. Она предназначена для преобразования речи на дариже в текст. Модель построена на архитектуре Whisper и содержит 455,8 млн параметров; для работы с ней используется библиотека Transformers. Карточка не приводит результатов оценки и подробных сведений об ограничениях. Модель распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания речи, созданная дообучением openai/whisper-small на корпусе Uyghur Common Voice. Она предназначена для транскрибации аудио на уйгурском языке. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и загружает аудио на входе, выдавая текст. При обучении использованы объединённые обучающая и валидационная части Common Voice 15.0: 11 215 записей продолжительностью около 20 часов. Оценка проведена на тестовой части THUYG20; в карточке указаны WER 28,30%, орфографический WER 42,97% и CER 10,90%. Модель распространяется по лицензии Apache 2.0.

Whisper Tiny South Indic — модель распознавания речи, созданная Bharat Ramanathan путём дообучения openai/whisper-tiny. Она предназначена для преобразования аудио в текст; в метаданных указана задача automatic-speech-recognition, а среди языковых тегов — тамильский, телугу, малаялам и каннада. Модель использует архитектуру WhisperForConditionalGeneration, содержит 29,4 млн параметров и опубликована в формате PyTorch. В README приведён результат оценки: WER 70,0806 на тестовом наборе; состав набора не описан, поэтому результат нельзя уверенно переносить на другие данные. Модель распространяется по лицензии Apache-2.0.

carlot/whisper-tiny-zh — дообученная carlot модель распознавания речи на основе openai/whisper-tiny. Она предназначена для преобразования аудиозаписей на китайском языке в текст. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 29,4 млн параметров и дообучена на наборе Common Voice 11.0. Распространяется в формате PyTorch по лицензии Apache-2.0.

ABEJA-Qwen2.5-7b-Japanese-v0.1 — японская языковая модель команды ABEJA, разработанная на основе Qwen/Qwen2.5-7B-Instruct. Модель с плотной архитектурой Qwen2 и 7,1 млрд параметров предназначена для генерации текста и диалогов; она принимает текст и выдаёт текст. Размер контекстного окна составляет 32 768 токенов. Модель обучена на японских данных методом дистилляции на основе ABEJA-Qwen2.5-32b-Japanese-v0.1, а не обычным продолжением предобучения. Дополнительное дообучение для следования инструкциям не проводилось; авторы применили ChatVector, чтобы повысить способность следовать инструкциям. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

BeagleLake-7B — плотная языковая модель Mistral на 7,1 млрд параметров, созданная fhai50032 с помощью mergekit. Это слияние RolePlayLake-7B и NeuralBeagle14-7B методом DARE-TIES; конфигурация использует базовую модель NeuralBeagle14-7B и формат float16. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии, следование инструкциям, рассуждения и творческое письмо. Контекстное окно составляет 32 768 токенов. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. В карточке приведены результаты оценки на отдельных задачах бенчмарка, но они не гарантируют качество в иных сценариях. Состав RolePlayLake-7B описан как подходящий для ролевых игр и менее ограниченной генерации; ответы модели могут требовать проверки и настройки под конкретное применение.

ConvTasNet-модель, обученная Joris Cosentino с использованием рецепта LibriMix в Asteroid на задаче sep_noisy датасета Libri2Mix. Она предназначена для разделения смешанной шумной аудиозаписи на отдельные речевые сигналы и подходит для очистки и разделения речи в аудиомиксах. В тестовом наборе Libri2Mix min указаны SI-SDR 10,62 дБ, SI-SDR improvement 12,55 дБ и STOI 0,87. Модель принимает аудио и выдаёт аудио; в репозитории указаны веса PyTorch. Лицензия модели — CC BY-SA 4.0. README также указывает, что использованные данные включают LibriSpeech по CC BY 4.0 и WSJ0 Hipster Ambient Mixtures по CC BY-NC 4.0 с ограничением «только для исследований», что может ограничивать допустимые сценарии использования.

Это преобразованная в формат GGUF модель ECAPA-TDNN для определения языка устной речи, основанная на speechbrain/lang-id-voxlingua107-ecapa и подготовленная для использования с CrispASR. Архитектура ECAPA-TDNN сочетает SE-Res2Net и attentive statistical pooling; в модели около 21 млн параметров, веса доступны в формате F16 размером около 43 МБ. Модель определяет язык речи среди 107 языков VoxLingua107 и может работать как предварительный этап перед распознаванием речи в разных ASR-бэкендах. Исходная модель обучена SpeechBrain на VoxLingua107, включающем 6 628 часов речи с YouTube. В репозитории указаны результаты небольшого теста на 12 языках; они не гарантируют аналогичную точность на других записях и условиях. Репозиторий содержит конверсию весов без дообучения и сохраняет лицензию Apache 2.0 исходной модели. Возможности и ограничения распознавания унаследованы от исходной модели; конверсия в GGUF сама по себе их не меняет.

FM-Speech — модель ASLP-lab для анализа речи, созданная на основе мультимодальной архитектуры Qwen3-Omni-30B-A3B-Instruct. Она принимает необработанное аудио речи и формирует структурированный JSON с атрибутами речи по 14 измерениям. Для обучения использован подход Progressive Curriculum Fine-Tuning с последовательным переходом от вопросов с выбором ответа и вопросов-ответов к наращиванию возможностей и итоговому формированию JSON. Модель подходит для детального анализа речевых характеристик; в README рекомендуется использовать vLLM для инференса и развёртывания. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0.

HelpingAI_Helpingai3-raw-GGUF — набор квантизированных моделей Helpingai3-raw, разработанной HelpingAI и подготовленной в формате GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp b4925 и метода imatrix. Модель относится к генеративным языковым моделям и ориентирована на диалоговые сценарии с акцентом на эмоциональный интеллект, понимание эмоций и EQ-focused взаимодействие. Модель предназначена для текстовой генерации, conversational-приложений и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Заявлен английский язык. README не указывает архитектуру, число параметров, размер контекстного окна или поддержку мультимодальности, поэтому эти характеристики нельзя определить по имеющимся данным. Доступны варианты от F16 размером 20,62 ГБ до более компактных квантизаций Q2–Q8; высококачественные варианты Q5 и Q6 отмечены как рекомендуемые, а Q4_K_M описан как типичный вариант для большинства задач. Сильными сторонами являются возможность локального использования, широкий выбор уровней квантизации и специализация на эмоционально ориентированном диалоге. Более сильная квантизация обычно требует больше оперативной памяти, тогда как компактные варианты экономят ресурсы за счёт снижения качества; некоторые форматы обозначены как устаревшие или нерекомендуемые. Для работы следует использовать указанный chat-шаблон с токенами im_start и im_end. Модель распространяется по лицензии HelpingAI; в README приведена ссылка на условия лицензии: https://helpingai.co/license.

Hermes-2-Theta-L3-Euryale-Ties-0.8-70B — слитая методом TIES модель автора juvi21, созданная с помощью mergekit на основе NousResearch/Hermes-2-Theta-Llama-3-70B с добавлением Sao10K/L3-70B-Euryale-v2.1. Это плотная авторегрессионная языковая модель семейства Llama с 69,5 млрд параметров, рассчитанная на генерацию текста и диалог. Автор стремился улучшить ролевые диалоги, объединив две модели в пропорции 0,8 и 0,2. Модель может применяться для чат-ботов, свободного ролевого общения и генерации ответов; в метаданных также отмечен интерфейс вызова инструментов. Поддерживает контекст до 8192 токенов. Карточка не приводит отдельных сведений о языках или ограничениях качества; базовая модель ориентирована на англоязычный диалог. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Jamet-L3-Stheno-BlackOasis-8B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория с помощью LazyMergekit на основе Sao10K/L3-8B-Stheno-v3.2, grimjim/Llama-3-Oasis-v1-OAS-8B и Hastagaras/Jamet-8B-L3-MK.V-Blackroot. Модель содержит 7,5 млрд параметров, использует формат safetensors, представлена в bfloat16 и имеет контекст до 8192 токенов. Модель предназначена для генерации текста и разговорных сценариев на английском языке, в том числе ролевых диалогов, написания историй и выполнения инструкций — такие применения описаны для базовой модели. Репозиторий помечен как не предназначенный для всех аудиторий. Лицензия — Llama 3 License.

ksong-1-12bv1m2 — языковая модель для генерации текста и диалогов, созданная объединением моделей методом SLERP через mergekit. В конфигурации указаны LatitudeGames/Muse-12B и PocketDoc/Dans-PersonalityEngine-V1.3.0-12b; метаданные связывают её с LatitudeGames/Muse-12B. Модель основана на плотной архитектуре Mistral и содержит 9,8 млрд параметров. Она предназначена для чат-сценариев, ролевых диалогов и генерации повествовательного текста; базовая Muse-12B описана как модель для связной прозы с эмоциональной глубиной. Указан контекст до 131 072 токенов. Репозиторий содержит веса Safetensors в формате bfloat16. Лицензия — Apache-2.0.