IV.5Образование и развитие навыков

Qwen3.5-2B — мультимодальная языковая модель с визуальным энкодером, разработанная командой Qwen. Репозиторий содержит постобученные веса и конфигурацию в формате Transformers; модель дообучена на базе Qwen/Qwen3.5-2B-Base. Архитектура — плотная причинная модель с гибридными блоками Gated DeltaNet и Gated Attention, 2 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для диалогов, рассуждений по тексту и изображениям, вызова инструментов, прототипирования и предметно-ориентированного дообучения. Она поддерживает 201 язык и диалект; по умолчанию работает в режиме без рассуждений, также доступен режим рассуждений. Среди сильных сторон — мультимодальный ввод и длинный контекст. Разработчик рекомендует учитывать масштаб модели при выборе сценария: прототипирование и разработка подходят лучше, чем ресурсоёмкие высокопроизводительные нагрузки. Лицензия — Apache-2.0.

Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT — мультимодальная инструктивная модель на базе Qwen3.5-9B, дообученная DavidAU с использованием Unsloth на дистиллированных данных Claude 4.6. Она предназначена для диалога, рассуждений и творческого письма: генерации рассказов, сцен и сюжетов, а также ролевых сценариев. Модель принимает текст и изображения и выдаёт текст; карточка сообщает, что работа с изображениями проверена, а видео не тестировалось. Это плотная модель с 9 млрд параметров и архитектурой Qwen3.5 с визуальным энкодером. Для базовой модели указано контекстное окно 262 144 токена; версия настроена на режим instruct без режима свободного продолжения. В README приведены сравнительные результаты на нескольких тестах, однако они не подтверждают качество для всех заявленных сценариев. Автор рекомендует квантизованные варианты не ниже q4ks или IQ3S с imatrix. Модель опубликована под лицензией Apache-2.0.

leandronunes/qwen3.8-4b-a1-dare-ties — модель слияния DARE-TIES на базе Qwen/Qwen3.5-4B с компонентами Qwen3.8-4B-Distill и Agents-A1-4B. Она объединяет логическую дедукцию и агентные возможности для диалоговых задач и рассуждений; заявленные в карточке родительские модели показали результаты на тестах логической дедукции, причинных суждений и медицины, но показатели самого слияния ещё не измерены. Модель мультимодальная: помимо языковой части, в архитектуре есть зрительная башня из 24 блоков. Используется гибридная архитектура с чередованием слоёв linear attention на базе Gated DeltaNet и full attention; контекст — 262 144 токена. Поддерживается режим расширенного рассуждения, который можно отключить через шаблон чата. Метаданные указывают семейство Qwen 3.5 и поддержку интерфейса вызова инструментов. Модель ориентирована на диалог, логические и причинные рассуждения, в том числе с визуальным вводом. Карточка не приводит измерений качества итогового слияния, поэтому его результаты нельзя считать подтверждёнными приведёнными оценками родительских моделей. Лицензия — Apache 2.0.

artop79/rubaistt-uz-ft2 — дообученная модель распознавания речи на базе Whisper Medium. Она предназначена для преобразования узбекской речи в текст. В репозитории указаны 455,8 млн параметров и формат safetensors; модель доступна через Transformers. В README приведены результаты оценки на тестовом наборе: loss 0,0188 и WER 2,0305, однако набор данных и условия оценки не описаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели robhowet/SenseNova-U1.5-8B-MoT на Hugging Face совпадает с карточкой developerjeremylive/SenseNova-U1.5-8B-MoT-etheroi, поэтому описание составлено по ней. SenseNova-U1.5-8B-MoT — мультимодальная модель семейства NEO-unify, опубликованная разработчиками SenseNova. Это чекпойнт с 8 млрд параметров для генерации изображений и редактирования изображений по текстовым инструкциям, включая работу с несколькими референсами и управление объектами или областями изображения. Модель поддерживает диалоговый интерфейс; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для создания визуальных материалов, включая плакаты, инфографику и изображения с текстом, а также для локального редактирования, вставки и замены объектов с сохранением остального содержимого. В README заявлены улучшенная генерация в разрешении до 4K, следование сложным инструкциям и управление композицией через рамки и визуальные маркеры. Указаны английский и китайский языки; карточка не приводит длину контекста. Ограничения включают ошибки в мелком или плотном тексте, несовершенное соблюдение точных требований к количеству объектов и компоновке, нестабильные мелкие детали людей и возможное смещение содержимого при сложном многошаговом редактировании. Изображения также могут получаться перенасыщенными или перегруженными деталями.

YamshadowInex12_Experiment28Inex12 — слитая текстовая модель MaziyarPanahi, созданная на основе automerger/YamshadowInex12-7B и automerger/Experiment28Inex12-7B. Она предназначена для генерации текста и диалоговых сценариев на базе архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Метаданные указывают на поддержку генерации текста, но не приводят сведений о специализации по доменам или языкам.

YamshadowStrangemerges_32_YamshadowExperiment28 — слитая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она объединяет automerger/YamshadowStrangemerges_32-7B и automerger/YamshadowExperiment28-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache 2.0. Карточка не описывает специализированную предметную область или отдельные языковые возможности.

baichuan-vicuna-7b — диалоговая модель, созданная командой fireballoon путём полного дообучения базовой Baichuan-7B на данных ShareGPT в формате Vicuna. Модель основана на плотной архитектуре LLaMA и содержит 6,7 млрд параметров; для обучения использовался FastChat. Нативная длина контекста — 4096 токенов. Модель предназначена для диалогов и генерации ответов на китайском и английском языках. В обучающую смесь также включены данные Chain-of-Thought и решения задач LeetCode на Python, чтобы улучшить рассуждения и программирование. Репозиторий содержит веса PyTorch и поддерживает загрузку через Transformers. Карточка указывает, что базовая Baichuan-7B допускает коммерческое использование, но отдельные условия лицензии этой производной модели здесь не приведены. Качество ответов, рассуждений и кода не гарантируется; длина контекста ограничена 4096 токенами.

hhhhzy/deltalm-base-xlsum — модель DeltaLM-base, дообученная на датасете XLSum для абстрактного многоязычного суммирования. Она принимает текст статьи и формирует краткое связное изложение; архитектура — плотная DeltaLMForConditionalGeneration с 248,7 млн параметров и контекстом до 512 токенов. Модель поддерживает языки, перечисленные в карточке, включая русский, английский, арабский, китайский, французский, испанский и другие. Модель подходит для создания кратких пересказов новостей и статей на разных языках. На оценочной выборке автор указал ROUGE-1 18,2, ROUGE-2 7,6, ROUGE-L 14,9 и ROUGE-Lsum 14,7; эти значения следует учитывать как результаты конкретной оценки на XLSum. Модель опубликована в формате PyTorch, использует лицензию и библиотеку из метаданных, но эти сведения здесь отсутствуют.

badokorach разработал эту модель как дообученную версию distilbert-base-cased-distilled-squad для ответов на вопросы. Это компактная модель семейства DistilBERT с архитектурой DistilBertForQuestionAnswering; она принимает текст вопроса и контекст и извлекает из контекста ответ. Модель рассчитана на контекст длиной до 512 токенов и опубликована в формате TensorFlow. В карточке указаны результаты обучения: train loss 0,2372, validation loss 0,0 за 19 эпох. Датасет и подробные сведения о назначении, оценке и ограничениях не описаны. Модель распространяется по лицензии Apache-2.0.

ERNIE-Image-GGUF — GGUF-квантованная версия модели ERNIE-Image, разработанной командой ERNIE-Image компании Baidu и опубликованной в формате для экосистемы GGML. Квантование выполнено Unsloth с использованием методологии Unsloth Dynamic 2.0: важные слои сохранены в более высокой точности для поддержания качества. Для интеграции также используются инструменты ComfyUI-GGUF. Модель предназначена для генерации изображений по текстовому описанию. Она ориентирована на сложное следование инструкциям, точную передачу нескольких объектов и их взаимосвязей, генерацию структурированных композиций, коммерческих плакатов, комиксов, раскадровок, многостраничных макетов, инфографики и изображений с большим объёмом текста. Поддерживаются реалистичная фотография, дизайн-ориентированные изображения и различные стилизованные визуальные направления. Базовая ERNIE-Image построена на однопоточной архитектуре Diffusion Transformer (DiT) с 8 млрд параметров и может работать на потребительских GPU с 24 ГБ видеопамяти. В состав исходной модели также входит облегчённый Prompt Enhancer, расширяющий короткие запросы в более подробные структурированные описания. Сильные стороны модели — компактный размер, высокая точность следования сложным запросам, качество рендеринга плотного и длинного текста, а также способность формировать изображения с заданной структурой и компоновкой. README не указывает поддерживаемые языки, максимальный контекст или точные требования к памяти именно для этой GGUF-квантизации; производительность и итоговое качество могут зависеть от уровня квантизации и используемого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

Nano Banana Pro — модель Google для генерации и редактирования изображений на основе Gemini 3 Pro. Она предназначена для создания изображений по запросу и изменения существующих изображений с использованием мультимодального рассуждения и привязки к реальному миру.

Huihui-Qwen3-VL-4B-Instruct-abliterated — дообученная версия мультимодальной модели Qwen3-VL-4B-Instruct от huihui-ai. Модель построена на плотной архитектуре Qwen3-VL и содержит около 4 млрд параметров. Она принимает текст и изображения и предназначена для диалога, описания и анализа изображений, а также визуальных вопросов и ответов. В модели применена abliteration к текстовой части, чтобы существенно снизить склонность к отказам; часть, обрабатывающая изображения, не изменялась. Это позволяет получать ответы на запросы об изображениях, которые базовая модель могла отклонять, но повышает риск чувствительных, спорных или неподходящих результатов. Модель распространяется в формате Safetensors, использует библиотеку Transformers и лицензирована по Apache-2.0.

chrisrutherford/Llama-3.1-8B-ReasonChatV1 — это чат-модель для генерации текста на основе архитектуры Llama 3.1. Карточка содержит пример ответа на этический вопрос с разделами рассуждения, аргументации и вывода; метаданные указывают 7,5 млрд параметров и контекстное окно до 131 072 токенов. Модель подходит для диалогов, ответов на вопросы и генерации рассуждений на естественном языке. В метаданных указан формат safetensors и лицензия Llama 3.1. Данных о языках обучения или специальных предметных областях карточка не приводит.

LLaVA-InternLM2-20B — визуально-языковая модель, разработанная XTuner и дообученная на базе InternLM2-Chat-20B с использованием CLIP-ViT-Large-patch14-336 как визуального энкодера. Для обучения применялись наборы LLaVA-Pretrain и LLaVA-Instruct-150K. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она предназначена для диалога о содержимом изображений, визуальных вопросов и ответов, а также для описания и анализа визуальных данных. Карточка приводит результаты оценки на мультимодальных бенчмарках, включая MMBench, MME и MMVet. Это дообученная модель семейства LLaVA с языковой основой InternLM2-Chat-20B. В карточке не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя.

LLaVA-NeXT 72B — мультимодальная чат-модель семейства LLaVA-NeXT, разработанная авторами проекта LLaVA-NeXT. Она объединяет языковую модель с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям, описания изображений и ответов на вопросы о визуальном содержимом. В карточке этой версии в качестве базовой языковой модели указана meta-llama/Meta-Llama-3-8B-Instruct; название репозитория указывает на вариант с 72B, однако размер в предоставленных метаданных не приведён. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Семейство улучшено за счёт более разнообразных данных и более крупной языковой основы по сравнению с LLaVA-1.6; обучение включало пары изображение–текст, мультимодальные инструкции и данные для визуальных вопросов и ответов. В карточке указан английский язык. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензиями модели и её компонентов.

mergekit-community создал эту текстовую модель слиянием нескольких моделей и адаптеров на базе семейства Llama 3; для объединения применён метод Model Stock. В состав вошли модели для диалогов и инструкций, длинных описаний и повествования, а также специализированные компоненты по медицине, биологии, анатомии, психологии, социологии, логике и теме человеческой сексуальности. Модель предназначена для генерации текста и диалогового общения: её можно использовать для написания историй и описаний, ответов на вопросы и инструкций, а также для задач, связанных с перечисленными предметными областями. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена. Базовая модель преимущественно англоязычная. Составное слияние разнородных моделей может приводить к непредсказуемому качеству на отдельных задачах; специализированная точность в медицине и других областях не подтверждена приведёнными материалами. В метаданных лицензия не указана.

OmniGen2 — мультимодальная генеративная модель, выпущенная командой BAAI. Она использует две отдельные ветви декодирования для текста и изображений с разными параметрами и отдельный токенизатор изображений. Модель объединяет визуальное понимание, создание изображений по тексту, редактирование изображений по инструкциям и генерацию с использованием изображений-примеров в контексте. Для визуального понимания она использует возможности Qwen-VL-2.5. Модель принимает текстовые запросы и изображения, а выдаёт текстовое описание или сгенерированное изображение в зависимости от задачи. Её можно применять для создания иллюстраций по описанию, изменения загруженных изображений, анализа их содержимого и генерации сцен с объектами или людьми по референсам. В карточке модели описана генерация изображений с размером по умолчанию 1024×1024 и настройками для управления следованием запросу и сходством с референсом. Модель распространяется по лицензии Apache-2.0. Модель иногда не следует инструкциям, а генерация по референсам может изменять детали исходных объектов; для получения подходящего результата могут потребоваться уточнение запроса и несколько попыток. Выходной размер нужно задавать явно, если требуется размер, отличный от стандартного. Для снижения потребления видеопамяти доступны режимы выгрузки весов в оперативную память, хотя последовательная выгрузка заметно замедляет работу.

JANGQ-AI/Ornith-1.0-35B-JANG_6M — мультимодальная модель для диалога с изображениями, основанная на Ornith-1.0-35B от DeepReinforce. Она предназначена для сценариев, где нужно задавать вопросы по изображениям и получать текстовые ответы. Архитектура семейства Qwen3.5 MoE сочетает 30 слоёв Gated-DeltaNet и 10 слоёв полного внимания; в текстовой части 256 маршрутизируемых экспертов и скрытая размерность 2048. Визуальный энкодер сохранён в fp16. Это вариант JANG_6M с 8-битным вниманием и 6-битными маршрутизируемыми экспертами, смешанной точностью и размером группы 64; заявленный размер — около 26 ГБ. Для запуска требуется MLX Studio или среда vMLX: стандартный mlx_lm некорректно загружает этот формат. Модель распространяется по лицензии MIT.

Ornith-Agents-A1 — мультимодальная модель, созданная объединением моделей методом task arithmetic с помощью mergekit. В качестве базовой использована Qwen/Qwen3.5-35B-A3B; в объединение также вошли InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. В метаданных указана архитектура Qwen3.5 MoE и класс Qwen3_5MoeForConditionalGeneration, а файлы модели представлены в формате safetensors. Модель предназначена для диалога и работы с изображениями. Её можно применять в сценариях, где нужно задавать вопросы по изображению или сочетать визуальный ввод с текстовым запросом. Метаданные относят её к задаче image-text-to-text и отмечают поддержку vision и chat. Языки и длина контекста в предоставленных источниках не подтверждены. Модель распространяется по лицензии Apache-2.0.

roberta-finetuned-last-company — дообученная модель RoBERTa от автора tanishq1508 на базе deepset/roberta-base-squad2. Она предназначена для ответов на вопросы по предоставленному тексту и может определять, когда в контексте нет ответа. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и веса PyTorch; максимальная длина контекста — 514 токенов. Базовая модель ориентирована на английский язык. Данные для дообучения, подробные результаты оценки и ограничения в карточке не описаны. Лицензия — CC BY 4.0.

UlizaLlama3 — языковая модель на 8 млрд параметров, разработанная Jacaranda Health на основе meta-llama/Meta-Llama-3-8B. Она предназначена для понимания и генерации текста, особенно на суахили, и дообучена для работы с инструкциями и ответами на суахили и английском языках. Обучение включало продолжительное предобучение на корпусах суахили и настройку на 66 280 парах инструкций и ответов с применением LoRA. Модель подходит для ответов на вопросы и создания диалоговых помощников, а также для дальнейшей адаптации под задачи организаций. В карточке указана задача question-answering; репозиторий содержит веса в формате Safetensors. Для инференса авторы рекомендуют GPU L4 или A100. Лицензия CC BY-NC-SA 4.0; для коммерческого использования и распространения README рекомендует обращаться к Jacaranda Health.

BakLLaVA-1 — мультимодальная модель семейства LLaVA, разработанная на базе текстового бэкбона Mistral 7B с архитектурой LLaVA 1.5. Она принимает изображения и текстовые запросы, а в ответ генерирует текст. Модель предназначена для диалога по изображениям, визуальных вопросов и ответов, описания изображений и выполнения инструкций с визуальным контекстом; поддерживает несколько изображений в одном запросе. В карточке сообщается, что первая версия на базе Mistral 7B превзошла Llama 2 13B на нескольких бенчмарках. Обучение включало пары изображение–текст, мультимодальные инструкции, наборы VQA и диалоговые данные. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия указана как Llama 2. Авторы отдельно предупреждают, что обучающие данные включают корпус LLaVA с ограничениями на коммерческое использование, поэтому коммерческое применение этой версии может быть ограничено. Количественные результаты бенчмарков и полный перечень ограничений в карточке не приведены.

Карточка модели indigoskyai/bark на Hugging Face совпадает с карточкой suno/bark, поэтому описание составлено по ней. Bark — трансформерная модель генерации аудио по тексту, разработанная Suno. Эта большая версия использует каскад из трёх трансформерных моделей: первая преобразует текст в семантические токены, вторая формирует грубые аудиотокены, а третья детализирует их с помощью кодеков EnCodec. В карточке описаны варианты компонентов на 80 млн и 300 млн параметров; размер именно этой версии в метаданных не приведён. Модель предназначена для синтеза многоязычной речи, а также может создавать музыку, фоновый шум, простые звуковые эффекты и невербальные вокализации — например, смех, вздохи и плач. Поддерживаются английский, немецкий, испанский, французский, хинди, итальянский, японский, корейский, польский, португальский, русский, турецкий и китайский языки. Авторы предоставляют контрольные точки для инференса и указывают исследовательское назначение; лицензия MIT. Выход не фильтруется, а клонирование голоса известных людей затруднено, но возможно злоупотребление моделью для имитации голоса.

phiyodr/bert-large-finetuned-squad2 — англоязычная модель на архитектуре BERT Large, созданная дообучением bert-large-uncased на наборе SQuAD 2.0 для ответов на вопросы по заданному тексту. Она извлекает ответ из контекста и обучена учитывать случаи, когда в тексте нет ответа на вопрос. Модель принимает текст вопроса и контекста, выдаёт текстовый ответ; максимальная длина контекста составляет 512 токенов. Доступны версии весов PyTorch и Flax. Модель подходит для поиска ответов в англоязычных статьях, документах и справочных материалах, если нужная информация присутствует в переданном контексте. Она не предназначена для свободного диалога или надёжных ответов на вопросы, не опирающиеся на контекст. Карточка не сообщает условия лицензии.

almanach/camembertav2-base-fquad — франкоязычная модель для извлекающего ответа на вопросы, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на базе almanach/camembertav2-base на датасете FQuAD и использует архитектуру DeBERTa-v2 с 138,4 млн параметров. Модель принимает вопрос и контекст на французском языке и извлекает ответ из текста; длина контекста составляет до 1024 токенов. На датасете FQuAD модель показывает F1 83,36 и Exact Match 64,43. Её можно применять для поиска ответов в текстах на французском языке, например, при работе с документами и справочными материалами. Лицензия — MIT. Качество может снижаться на данных, отличающихся от FQuAD; также модель может наследовать смещения обучающей выборки и не предназначена для других задач без дополнительной адаптации.

Daredevil-7B — объединённая текстовая модель, созданная с помощью LazyMergekit на основе Mistral-7B-v0.1, SamirGPT-v1, Slerp-CM-mist-dpo и Mistral-7B-Merge-14-v0.2. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста, диалогов и ответов на вопросы. В README приведены результаты оценивания на нескольких наборах тестов, включая задания на рассуждение и понимание текста. Карточка не уточняет языковой охват и специализированную предметную область. В репозитории указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Результаты тестов не гарантируют качество для конкретных задач; назначение модели описано как общее текстовое генерирование.

DPO-Think-1.5B — компактная языковая модель-верификатор кода, разработанная командой Aletheia-Bench. Она основана на DeepSeek-R1-Distill-Qwen-1.5B и дообучена методом DPO на наборе Aletheia-DPO с примерами рассуждений и предпочтений. Архитектура — плотная Qwen2 с 1,5 млрд параметров; модель принимает текстовые условия задач и варианты решений, а в ответ оценивает и ранжирует решения. Модель предназначена для проверки решений задач по программированию, автоматизированного сравнения кандидатов и использования в качестве функции вознаграждения при оптимизации генераторов кода в контурах RLHF или RLAIF. Карточка приводит контекстное окно 131 072 токена. Набор обучения включает задачи и решения на Python, C++ и Java; это не означает, что модель генерирует или проверяет код во всех языках программирования одинаково хорошо. Модель выпущена под лицензией CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты верификации могут ошибаться, поэтому для критически важных оценок нужна независимая проверка, например запуском решений.

droplychee-2.1-27b — дообученная разработчиком droplychee мультимодальная плотная модель семейства Qwen3.5 на базе Qwen/Qwen3.8-27B. Она предназначена для диалога с текстом и изображениями и может использоваться в сценариях, где нужно учитывать визуальный контекст при ответе. В метаданных указаны поддержка vision и интерфейс вызова инструментов; размер базовой модели — 27 млрд параметров. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Данные не описывают конкретные наборы для дообучения, оценку качества или длину контекста, поэтому эти характеристики нельзя установить по доступной информации.

Dumpling-Qwen2.5-VL-7B — мультимодальная диалоговая модель на основе huihui-ai/Qwen2.5-VL-7B-Instruct-abliterated, дообученная nbeerbower методом QLoRA ORPO. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает текст и изображения, чтобы вести диалог и отвечать на вопросы по изображениям. Для неё заявлено контекстное окно 128 000 токенов; метаданные указывают английский язык. Модель подходит для анализа изображений в диалоге, визуальных вопросов и ответов, а также задач физического рассуждения и следования инструкциям. В карточке перечислены датасеты для предпочтений, правдивости, помощи, литературы и других сценариев, но отдельные показатели качества не приведены. Базовая модель описана как вариант с удалёнными отказами. Репозиторий содержит веса в формате Safetensors; лицензия в предоставленных данных не указана.