IV.5Образование и развитие навыков

XTTS-v2 Igbo Conversational — дообученная модель Coqui XTTS-v2 от автора samuelolubukun для синтеза разговорной речи на игбо. Она адаптирована от чекпойнта samuelolubukun/xtts-v2-igbo-openbible на материалах Igbo-раздела Nigerian Common Voice и рассчитана на более естественный темп, выразительные тоновые контуры и разнообразие голосов по сравнению с исходной моделью для чтения библейских текстов. Модель содержит 521,8 млн параметров и использует архитектуру с авторегрессионным GPT-кодировщиком текста и мел-спектрограммы и дискретным VAE-вокодером. Токенизатор расширен для игбо, включая метку языка [ig] и поддержку специфической орфографии с подточиями и носовой ñ. Модель принимает текст на игбо и аудиозапись голоса для клонирования тембра, а выдаёт синтезированную речь. Она подходит для озвучивания разговорных фраз, локализованных голосовых интерфейсов и проектов доступности или сохранения языкового наследия. Карточка сообщает об улучшении соответствия разговорному темпу и женскому тембру, однако результат зависит от качества эталонной записи. Для лучшего произношения следует сохранять стандартную орфографию игбо; лицензия унаследована от Coqui Public Model License / MRCUL.

Модель команды Pravopysnyk предназначена для исправления грамматических ошибок в текстах на украинском языке. Это дообученная версия MBart-50-large, настроенная на перевод с украинского на украинский. Для обучения использовался датасет UA-GEC, дополненный синтетическими примерами: ошибками после обратного перевода с украинского на русский и обратно, ошибками пунктуации, примерами с русизмами, а также предложениями без ошибок. Модель построена на архитектуре mBART, содержит 457,4 млн параметров и работает с текстовым контекстом до 1024 токенов. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

InternVL3-8B-6bit — мультимодальная чат-модель семейства InternVL3, подготовленная mlx-community для запуска в формате MLX на устройствах Apple с MLX. Модель предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; метаданные также отмечают интерфейс вызова инструментов. По README, модель преобразована из `models/InternVL3-8B` с помощью mlx-vlm 0.1.23. Каталог указывает связь дообучения с OpenGVLab/InternVL3-1B-Instruct, но README описывает конвертацию, поэтому происхождение указано как дообучение на основании метаданных. Модель поддерживает мультиязычные сценарии. Репозиторий содержит веса safetensors и предназначен для использования через mlx-vlm. Лицензия в метаданных обозначена как `other`; конкретные условия следует сверить с исходной карточкой модели и файлами лицензии.

MOSS-TTS-v1.5 8B Voice Acting — полное дообучение модели OpenMOSS-Team/MOSS-TTS-v1.5 от LAION для выразительного синтеза речи. Модель построена на архитектуре moss_tts_delay с основой Qwen3-8B и содержит 8 млрд параметров; она генерирует монофоническое аудио с частотой 24 кГц. Модель преобразует текст в речь, управляя эмоциями, характером и манерой исполнения через текстовую инструкцию. Она также поддерживает клонирование тембра и стиля речи по короткому аудиофрагменту; без образца может создавать голос по описанию. Заявлена поддержка многих языков, в том числе английского, немецкого, китайского, русского, французского, японского и хинди. Для работы используется библиотека Transformers и интерфейс генерации MOSS-TTS-v1.5. Сильная сторона модели — эмоциональная и персонажная подача при сохранении многоязычных возможностей базовой модели. Внятность речи, сходство клонированного голоса и качество на отдельных языках могут уступать узкоспециализированным системам; расплывчатые или противоречивые инструкции дают непредсказуемую подачу. Лицензия — Apache-2.0.

diabolic6045/open-llama-3.2-1B-Instruct — плотная каузальная языковая модель семейства Llama, дообученная автором репозитория на 10% датасета OpenHermes 2.5. Она предназначена для генерации текста и диалогов по инструкциям, а также для поиска сведений, суммаризации и помощи в написании текста. Модель содержит 1,2 млрд параметров, использует Transformers и распространяется в форматах PyTorch и safetensors. Базовая модель поддерживает контекст до 131 072 токенов; в метаданных заявлены чат и интерфейс вызова инструментов. Модель поддерживает несколько языков благодаря базовой Llama 3.2 Instruct, но основной язык для этой версии не выделен. Лицензия — llama3.2. Небольшой размер удобен для локального запуска, однако по возможностям и качеству модель уступает более крупным системам; дополнительное дообучение на части датасета может влиять на точность и устойчивость ответов.

UNISON — разработанная авторами проекта единая модель для генерации и редактирования аудио и речи. Она поддерживает создание звуков по текстовому описанию, синтез речи, клонирование голоса по образцу, генерацию сцен с речью и фоновыми звуками, а также редактирование аудио и речи в сцене. Задача задаётся в текстовом промпте, а исходное аудио при необходимости подаётся как условие. Модель использует латентное сопоставление потоков, архитектуру MM-DiT и общий VAE-кодировщик и декодировщик для разных задач. Текстовые признаки поступают от замороженного Qwen2.5-Omni-7B через послойное объединение с блоками MM-DiT. В репозитории представлены варианты с VAE на 44 и 16 кГц; оба используют текстовый энкодер Qwen2.5-Omni-7B. Карточка указывает поддержку английского и китайского языков. Лицензия — Apache-2.0.

MexIvanov/zephyr-python-ru-merged — экспериментальная модель, разработанная C.B. Pronin, A.V. Volosova, A.V. Ostroukh, Yu.N. Strogov, V.V. Kurbatov и A.S. Umarova. Это дообученная версия Zephyr-7B-β на архитектуре Mistral: веса Zephyr объединены с LoRA-адаптером для задач программирования на Python и инструкций по программированию на русском языке. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации кода Python по инструкциям на русском и английском языках, а также для ответов на вопросы о Python. В обучении использовались открытые и синтетические наборы данных по программированию, включая материалы Stack Overflow на русском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Это экспериментальное дообучение; качество на конкретных задачах может различаться. У модели нет механизмов модерации, и она может выдавать небезопасные или проблематичные ответы.

ashwinR/CodeExplainer — модель на архитектуре T5, дообученная автором с помощью AutoTrain на небольшой выборке фрагментов кода Python. Она генерирует построчные объяснения исходного кода и предназначена для упрощения его понимания. Модель содержит 385,2 млн параметров, работает с текстом и имеет контекст до 512 токенов. Модель подходит для краткого объяснения небольших фрагментов Python-кода. В карточке приведены метрики проверки: ROUGE-1 29,375, ROUGE-2 18,128 и ROUGE-L 25,445. Обучающая выборка описана как небольшая, поэтому качество на произвольном коде и других языках программирования может быть ограниченным. Лицензия — MIT.

ChenShawn/DeepEyes-7B — мультимодальная модель для диалога и визуального рассуждения, дообученная авторами DeepEyes на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; в процессе обучения с подкреплением она научилась включать визуальную информацию в цепочку рассуждений и использовать инструменты визуального поиска, например увеличение фрагментов изображения для проверки ответа. Модель предназначена для анализа изображений, визуального заземления объектов, решения математических задач по изображению и снижения галлюцинаций в визуальных ответах. Архитектура — плотная Qwen2.5-VL для генерации текста по текстовым и визуальным входам; размер составляет 7,1 млрд параметров, контекст — до 128 000 токенов. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. README описывает обучение и заявляет улучшение результатов на задачах с изображениями высокого разрешения, однако не приводит численных оценок качества. Для запуска визуального поиска может требоваться интеграция с соответствующими инструментами; модель сама по себе не выдаёт изображения и её показатели на конкретных прикладных данных следует проверять отдельно.

FLM-2-52B-Instruct-2407 — инструктивная версия большой языковой модели серии FLM-2 (Tele-FLM), разработанной авторами серии. Модель построена на плотном декодерном трансформере в стиле GPT и содержит 52,2 млрд параметров. В архитектуре используются RoPE, RMSNorm и SwiGLU; длина контекста составляет 2048 токенов. Модель предназначена для диалогов и генерации текста по инструкциям: ответы на вопросы, рассуждения, математика, письмо и ролевые сценарии. В README приведена оценка китайского языка на AlignBench по нескольким категориям, включая логику, математику и профессиональные знания. В метаданных также заявлена задача извлечения признаков, однако карточка описывает прежде всего инструктивную языковую модель. Репозиторий содержит веса PyTorch. README не сообщает лицензию, поэтому условия использования по доступным сведениям определить нельзя. Контекст ограничен 2048 токенами; результаты AlignBench относятся к китайскому языку и сами по себе не подтверждают качество во всех языках и сценариях.

Karen TheEditor V2 STRICT — это чат-модель для вычитки английского текста, разработанная автором репозитория FPHam. Она исправляет орфографические и грамматические ошибки в американском английском, стараясь сохранить исходный стиль и не переписывать текст без необходимости. Модель рассчитана в том числе на исправление распространённых ошибок изучающих английский язык; для работы рекомендуется передавать абзац или блок текста с инструкцией отредактировать его на предмет орфографии и грамматики. Модель основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров; её контекстное окно составляет 32 768 токенов. По описанию автора, модель обучалась на художественных и нехудожественных текстах США с намеренно внесёнными ошибками. Репозиторий содержит веса Safetensors и использует лицензию Llama 2. Автор отмечает, что при длинных сообщениях в свободном чате модель может принять их за запрос на вычитку; заявленная цель — исправление ошибок с сохранением стиля, а не творческое переписывание.

K-AX Spartan OSS 27B — открытая по весам языковая модель компании SpartaAX, подразделения TeamSparta, разработанная под руководством архитектора Квон До Хёна. Модель основана на плотной архитектуре Qwen 3.5 и предназначена для генерации текста и диалогов с особым вниманием к корейскому языку. В карточке указаны 27 млрд параметров, контекст до 262 144 токенов и расширенный примерно до 248 тысяч токенов корейский токенизатор. Модель прошла продолжающее предобучение на собственном многоязычном корпусе, адаптацию к корейским предметным областям и многоэтапное выравнивание. Среди целевых областей — корейское право, культура, наука и профессиональные экзамены. Она также заявлена как базовая модель для семейства K-AX Spartan Adapter и совместима с движками vLLM, SGLang и TensorRT-LLM. В метаданных указаны языки корейский и английский, формат весов safetensors и лицензия other; конкретные условия этой лицензии в предоставленных данных не раскрыты. Подробности методов выравнивания и адаптации не опубликованы. Модель может генерировать недостоверные сведения; для юридических и других специализированных ответов нужна проверка.

Это дообученная методом QLoRA плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная Khazar AI на основе unsloth/Qwen3-4B-Thinking-2507. Модель обучали на примерах рассуждений, подготовленных с помощью учителя Qwen3.6-plus, чтобы получать более краткие и структурированные решения сложных задач. Модель предназначена для диалоговой генерации текста и сценариев, где нужны разбор задачи, план алгоритма, оценка сложности и псевдокод. В карточке приведено сравнение на бенчмарке Multi-Domain-Reasoning-Benchmark из 100 вопросов: результат модели — 75,64 против 73,73 у базовой Qwen3-4B-Thinking-2507. Поддерживается контекст до 262 144 токенов; карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Результат бенчмарка основан на небольшой выборке и не гарантирует превосходства на других задачах. Качество ответов и точность рассуждений следует проверять в целевом сценарии.

SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

Карточка модели Skywork/SkyReels-V3-R2V-14B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

StableAvatar — модель генерации видео с анимацией аватара под аудио. Её разработали исследователи из Фуданьского университета, Microsoft Research Asia, Сианьского университета Цзяотун и Tencent. Карточка описывает модель как дообучение Wan2.1 T2V-14B, а README также упоминает базовую версию StableAvatar-1.3B на основе Wan2.1-1.3B. На вход модель получает изображение человека и аудио, а на выходе создаёт видео с синхронизированной речью анимацией лица и сохранением идентичности персонажа. Она предназначена для генерации длинных, потенциально бесконечных роликов; README сообщает о разрешениях 480×832, 832×480 и 512×512 для версии на 1,3 млрд параметров. Для плавности между сегментами применяются скользящее окно с динамическим взвешиванием, а архитектура включает аудиоадаптер с учётом шага диффузии. Для ролика длительностью 5 секунд при 480×832 требуется около 18 ГБ видеопамяти, а генерация занимает примерно 3 минуты на RTX 4090. Фоновая музыка и шум могут ухудшать синхронизацию губ; авторы советуют отделять вокал. Репозиторий модели распространяется по лицензии MIT.

VipLLaVA 13B — мультимодальная чат-модель, опубликованная llava-hf. Это авторегрессионная трансформерная модель семейства VipLLaVA, дообученная на инструкциях для работы с изображениями и текстом. VipLLaVA развивает подход LLaVA: при обучении используются изображения с визуальными отметками, а пользователь может задавать вопросы о них с помощью естественных подсказок, например указывая на красную рамку или стрелку. Модель предназначена для диалога по одному или нескольким изображениям: она отвечает на вопросы, описывает визуальные сцены и следует мультимодальным инструкциям. Поддерживает несколько изображений и запросов в одном контексте; для запуска в README описано использование Transformers. Репозиторий содержит веса в формате safetensors. Условия лицензии в предоставленных данных не указаны.

Kathernie/whisper-small-all — дообученная на наборе Learn Chinese модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования китайской речи в текст; в карточке приведены результаты оценки: CER 9,3505 и loss 0,2198. Модель содержит 153,1 млн параметров, использует архитектуру Whisper и веса в формате Safetensors. Модель ориентирована на китайскую речь. Базовая Whisper поддерживает многоязычное распознавание и перевод аудио на английский, однако карточка этой производной модели не подтверждает сохранение этих возможностей после дообучения. Лицензия — Apache-2.0.

Aura-8B — англоязычная чат-модель для ролевых диалогов, разработанная Aura Industries при участии Anthracite Org. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, дообученная на инструкционных и ролевых данных; для задания стиля применялась оптимизация Kahneman–Tversky в виде Low Rank Adapter. Модель поддерживает генерацию текста и формат чата Llama 3. Модель предназначена для ролевых бесед и выполнения инструкций, включая творческое письмо, математику, медицину и кибербезопасность. В метаданных указан контекст до 131 072 токенов; README сообщает «8 192+ токена», поэтому фактический предел может зависеть от конфигурации и способа запуска. Репозиторий содержит веса Safetensors, а также упоминаются варианты GGUF и EXL2. Лицензия — Apache-2.0.

Demodokos Foundry Speech Synthesis v4.large — модель синтеза речи из семейства Demodokos Foundry, предназначенная для использования в локальной студии Foundry. Она создаёт выразительную речь и поддерживает управление эмоциями по отдельным фрагментам текста, клонирование голоса по короткому образцу и многоголосые сцены. Модель заявлена для десяти языков: английского, немецкого, французского, испанского, итальянского, португальского, китайского, японского, корейского и русского. В метаданных указаны формат GGUF и лицензия other. Карточка описывает семейство v4.large как ориентированное на высокую выразительность и качество голоса, но не приводит размер модели или длину контекста.

Fireball-12B-v1.13a Philosophers — языковая модель EpistemeAI2 на архитектуре Mistral Nemo с 12,1 млрд параметров. Это дообученная версия EpistemeAI/Fireball-Mistral-Nemo-12B-cot-orcas; автор описывает дополнительное обучение на материалах по философии науки, математике и эпистемологии, а также на других наборах данных. Модель предназначена для генерации текста и ответов на инструкции, особенно в тематике философии, науки и математики. Карточка заявляет многоязычные возможности и контекстное окно 128 тыс. токенов; метаданные каталога указывают native context в 1 024 000 токенов, поэтому фактическую поддерживаемую длину контекста следует уточнять для используемой конфигурации. Архитектура — плотный трансформер MistralForCausalLM с 40 слоями и группированным вниманием запросов (GQA). Модель распространяется по лицензии Apache-2.0. README предупреждает, что у базовой модели нет встроенных механизмов модерации; для её применения следует отдельно предусмотреть фильтрацию входов и выходов. Заявления о превосходстве над другими моделями приведены автором, но в карточке нет опубликованных результатов бенчмарка для этой версии.

allenai/Flex-pes2o-2x7B-1T — языковая модель семейства FlexOlmo, разработанная Allen Institute for AI (AI2). Это вариант смеси экспертов (MoE), ориентированный на академические тексты; он входит в семейство моделей FlexOlmo, созданных для совместной работы с данными разных владельцев без передачи исходных данных. В метаданных указаны 6,9 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель предназначена для генерации текста и диалоговых сценариев на английском языке, в том числе для работы с академическим содержимым. Карточка описывает семейство как систему независимых экспертов, обученных на разных корпусах, и сообщает, что академический эксперт основан на публичном экспертном чекпойнте. Для запуска требуется Transformers версии 4.57.0 или новее. Модель распространяется по лицензии Apache-2.0. README не приводит отдельной оценки качества именно этой MoE-версии: приведённый результат для академического эксперта относится к плотной модели, а не к версии 2x7B. Контекст ограничен 4096 токенами; заявленная возможность отключения вклада данных относится к парадигме FlexOlmo и не раскрывает деталей управления для этой конкретной публикации.

DavidAU создал дообученную модель Gemma 3 12B IT с поддержкой изображений, настроенную на подробные рассуждения и генерацию творческого текста. Она предназначена для диалога, написания и продолжения историй, ролевых сценариев, а также анализа изображений с учётом рассуждений. Модель использует плотную архитектуру Gemma 3 и формат Safetensors; заявленная длина контекста — 128 тысяч токенов. В карточке указана настройка на англоязычном наборе данных с примерами рассуждений Gemini 3 Pro Preview. Автор сообщает, что рассуждения можно активировать фразой «think deeply:», хотя в большинстве случаев они включаются автоматически; системный промпт и шаблон чата могут влиять на результат. Модель описана как менее склонная к отказам и способная генерировать откровенный контент по запросу. Лицензия — Apache-2.0.

LLongMA-2-13b-storysummarizer — дообученная модель семейства LLaMA, созданная на основе conceptofmind/LLongMA-2-13b. Она предназначена для создания кратких пересказов и литературного анализа художественных произведений, включая анализ отдельных глав и сюжетных линий. В карточке приведены примеры пересказа и анализа текста романа. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает с текстом. Размер контекстного окна — 8192 токена. Для обучения использовался адаптированный датасет BookSum; при инференсе предусмотрен пользовательский код для Flash Attention 2, ускоряющий обработку длинного контекста. Модель подходит для анализа художественной прозы, но её специализация не подтверждает качество на иных жанрах и задачах. Лицензия — Apache-2.0.

leandronunes/qwen3.8-4b-a1-omnimerge-m8 — мультимодальная модель для диалога и рассуждений, созданная Leandro Nunes с помощью слияния Qwen3.5-4B, Qwen3.8-4B-Distill и Agents-A1-4B методом OmniMerge v2. Она предназначена для логической и причинной аргументации, научных вопросов и агентных сценариев; поддерживает вызов инструментов. Модель основана на архитектуре Qwen3.5 с плотной языковой частью и визуальным энкодером из 24 блоков. В README заявлены контекст 262 144 токена, чередование слоёв линейного внимания Gated DeltaNet и полного внимания, а также режим расширенного рассуждения, который можно отключить в шаблоне чата. Карточка описывает слияние как сочетание логической дедукции Qwen3.8-4B-Distill с агентными и причинными возможностями Agents-A1-4B; собственные результаты слияния на приведённых бенчмарках ещё не измерены. Модель принимает текст и изображения и генерирует текст. Лицензия — Apache 2.0, унаследованная от Qwen3.5-4B. Она опубликована недавно, поэтому зрелость практических результатов ограничена отсутствием измерений для самого слияния.

Карточка модели Shreyansh1409/SkyReels-V3-R2V-14B на Hugging Face совпадает с карточкой Skywork/SkyReels-V3-A2V-19B, поэтому описание составлено по ней. SkyReels-V3-A2V-19B — модель генерации видео SkyReels от команды Skywork, предназначенная для создания видеороликов по изображению и аудиодорожке. Карточка описывает семейство SkyReels V3 как мультимодальную систему на основе диффузионного Transformer с согласованием аудио и видео; обозначение A2V указывает на сценарий генерации видео с аудиосопровождением, а 19B — на размер модели в 19 млрд параметров. Модель подходит для создания говорящих аватаров и видео с синхронизацией движений губ с речью или пением. Семейство также заявляет сохранение внешности персонажа, выразительную мимику и поддержку генерации по изображениям людей, аниме-персонажей, животных и иллюстраций. В README упомянуты китайский, английский и корейский языки, однако в метаданных карточки языковые теги отсутствуют. В репозитории указаны веса PyTorch в формате safetensors и лицензия типа other; конкретные условия лицензии следует проверять в карточке модели. README заявляет высокое качество синхронизации губ и длительную генерацию, но не приводит независимой оценки именно этого чекпойнта. Практическое применение требует совместимой среды для инференса видео-диффузионных моделей.

Карточка модели Jinstudio/stable-diffusion-xl-base-1.0 на Hugging Face совпадает с карточкой stabilityai/stable-diffusion-xl-base-1.0, поэтому описание составлено по ней. Stable Diffusion XL Base 1.0 — модель генерации и редактирования изображений по текстовому описанию, разработанная Stability AI. Она использует латентную диффузию и два предварительно обученных текстовых энкодера: OpenCLIP-ViT/G и CLIP-ViT/L. Базовую модель можно применять самостоятельно либо вместе с отдельной моделью-рефайнером для финальной обработки изображения; также описан двухэтапный вариант с повышением разрешения через img2img. Модель предназначена для создания иллюстраций и художественных изображений, а также для творческих и образовательных инструментов и исследований генеративных моделей. Она поддерживает генерацию изображений по текстовым запросам; репозиторий предлагает варианты запуска через Diffusers, ONNX и OpenVINO. Лицензия — CreativeML Open RAIL++-M (в метаданных указана openrail++).

Xor 1.2 — разработанная Juspay и дообученная на базе Qwen/Qwen3.6-35B-A3B модель для типизированных задач принятия решений. Она принимает текстовое состояние и вопросы типов «да/нет», категориального выбора или порядковой оценки, а затем выдаёт вероятности и распределения вероятностей. Запросы также могут содержать до восьми изображений или одно видео, чтобы классифицировать информацию в тексте и медиа. Модель построена на архитектуре причинной языковой модели Mixture-of-Experts; веса Xor 1.2 получены постобучением с LoRA ранга 16, объединённой с базовыми весами BF16. Размер файлов модели — около 66 ГБ. Для воспроизводимой работы требуется использовать совместимую обвязку TypeSafe и указанный в карточке inference-конфиг с детерминированным считыванием кандидатов, проверкой порядка вариантов и калибровкой вероятностей. Проверена работа на одной GPU с SGLang. Модель подходит для структурированной классификации и оценивания по заданной схеме, включая вопросы по изображениям или видео. Для изображений и видео надёжное различение типа медиа не гарантируется; в одном запросе лучше передавать только один вид медиа. Размер тела запроса ограничен 8 МБ, что оставляет примерно 6 МБ на медиа после Base64-кодирования. Распространяется по лицензии Apache-2.0.

MixTex/ZhEn-Latex-OCR — модель распознавания содержимого изображений, разработанная автором репозитория MixTex. Она предназначена для преобразования изображений с математическими формулами и текстом на китайском и английском языках в LaTeX. Модель построена на архитектуре vision-encoder-decoder и распространяется в формате safetensors. Автор рекомендует изображения размером примерно 400 × 500 пикселей и ожидаемую длину результата около 100–300 токенов. В карточке упоминаются локальный офлайн-клиент для Windows с CPU-инференсом и использование в Colab. Лицензия — Apache-2.0.

Cathallama-70B — объединённая автором gbueno86 диалоговая языковая модель на архитектуре Llama, созданная из Meta-Llama-3.1-70B-Instruct, Nexusflow/Athene-70B и turboderp/Cat-Llama-3-70B-instruct. Модель содержит 69,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. В карточке указана лицензия llama3.1. Модель предназначена для диалогов и генерации ответов, в том числе для вопросов по общим знаниям и академическим темам. Автор приводит результаты сравнительных тестов, включая MMLU-PRO и PubmedQA, но отмечает, что модель генерировала неизвестные Unicode-адреса и прекратил её использовать, работая над новой версией. Поэтому заявленные результаты следует рассматривать с учётом ограниченного объёма тестирования и отмеченной проблемы генерации.