IV.5Образование и развитие навыков

MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным референсам. Репозиторий содержит H3-Base в форматах Diffusers и Safetensors; архитектура объединяет текстовый энкодер, визуальный VAE, аудиокодировщик VAE и Omni-Transformer, который совместно предсказывает видео- и аудиолатенты. Метаданные относят модель к задаче image-text-to-video. Модель принимает текст, изображения, видео и аудио, а генерирует видео длительностью 4–15 секунд с аудио; базовый вывод имеет разрешение 768p, а отдельный этап H3-Regenerate-2K позволяет получить 2K. В режиме First-and-last-frame можно задать до двух кадров, а Omni-reference принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при общем ограничении 12 файлов. Система рассчитана на сложные мультимодальные инструкции и синхронную генерацию аудио и видео. Для обработки свободных мультимодальных запросов рекомендован H3-Context-IR, однако этот предварительный обработчик является размещённой системой и в открытый выпуск не входит. Открытая реализация использует полнослойное внимание; разреженное внимание в этом выпуске недоступно. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

MiniMax H3 — мультимодальная генеративная система, разработанная MiniMax. Представленная карточка описывает открытые чекпойнты H3-Base для генерации видео с синхронным стереозвуком по тексту и мультимодальным входам: изображениям, видео и аудио. Модель поддерживает клипы длительностью 4–15 секунд, широкий выбор соотношений сторон и базовое разрешение 768p; отдельный модуль H3-Regenerate-2K позволяет повторно генерировать результат с разрешением до 2K. Архитектура H3-Base объединяет текстовые, визуальные и аудиопредставления в мультимодальную последовательность, обрабатываемую H3-Omni-Transformer. Текст обрабатывает H3-Encoder, изображения — H3-Encoder и Visual VAE, аудио — Audio VAE. Вариант FL2VA принимает ноль, одно или два изображения для генерации от текста, первого или последнего кадра либо от пары начального и конечного кадров. Вариант Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов при ограничении до 12 файлов всего; аудио нельзя подавать без изображения или видео. Для работы со сложными свободными мультимодальными инструкциями разработчик рекомендует предварительную обработку через H3-Context-IR, однако этот компонент не входит в открытый выпуск и предоставляется как размещённый сервис/API. Открытая версия поддерживает инференс с полным вниманием; разреженное внимание заявлено для будущего выпуска. Репозиторий использует Diffusers и safetensors; лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели.

Muslim-6B-v3-i1-GGUF — это набор квантизированных GGUF-версий языковой модели Muslim-6B-v3, разработанной NightPrince и квантизированной mradermacher. Модель предназначена для генерации текста, включая сценарии на арабском и английском языках, а также задачи, связанные с исламской тематикой. В метаданных также заявлена поддержка tool-calling и наличие компонентов LoRA и PEFT в исходной модели. Модель относится к causal language models, построена на архитектуре Qwen3 и содержит около 6 миллиардов параметров. Представлены различные варианты квантизации i1, включая IQ1–IQ4, Q2–Q6 и другие форматы, с размером файлов примерно от 1,6 до 5 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README рекомендован вариант i1-Q4_K_M как быстрый, а i1-Q4_K_S назван оптимальным по соотношению размера, скорости и качества. Контекстное окно, мультимодальные возможности и точные характеристики tool-calling не указаны. Модель подходит для локального запуска и генерации двуязычного текста, особенно в арабоязычных и исламских прикладных сценариях. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в предоставленных данных бенчмарков или подробного описания поведения модели. Распространение указано по лицензии Apache-2.0.

Paranioar/NEO1_0-9B-SFT — версия NEO1_0-9B после контролируемой донастройки (SFT), созданная в рамках проекта NEO. Это плотная нативная vision-language-модель, разработанная с нуля для объединения визуального восприятия и языковых возможностей в общей архитектуре, без отдельных подключаемых модулей зрения и языка. Модель содержит 9 млрд параметров без учёта эмбеддингов и имеет 42 слоя: 6 слоёв Pre-Buffer и 36 слоёв языковой части. В архитектуре используются Native-Attn, Native-RoPE и групповое внимание запросов (32 головы Q и 8 KV). Модель предназначена для диалогового взаимодействия с изображениями и генерации текстовых ответов на визуальные запросы. В README описана цель проекта — развивать нативные мультимодальные примитивы; конкретные показатели качества для этой SFT-версии не приведены. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают интерфейс чата и вызова инструментов; поддерживаемые языки, максимальный контекст и отдельные результаты оценки в предоставленных сведениях не описаны.

QuantFactory/OmniLing-V1-8b-experimental-GGUF — квантизированная версия модели WoonaAI/OmniLing-V1-8b-experimental, созданная с помощью llama.cpp. Исходная модель разработана PegasusYaY (AlexBefest) и secretmoon на основе тонкой настройки AnatoliiPotapov/T-lite-instruct-0.1. Модель предназначена для генерации текста и перевода между русским и английским языками в направлениях RU→EN и EN→RU. Модель ориентирована на перевод художественных текстов, датасетов, пользовательских сообщений, описаний и других текстовых материалов. Заявленный размер — 8B параметров; поддерживаются русский и английский языки. Для работы рекомендуется использовать шаблон запросов Llama 3 Instruct, нейтральный system prompt и низкую температуру 0,1–0,3. Сведения о длине контекста и точных параметрах квантизации в карточке не указаны. По представленному benchmark модель получила итоговую оценку 80,1 из 100 в сравнении с рядом проприетарных и открытых моделей на переводе небольших литературных текстов; особенно отмечены передача культурных особенностей, связность и сохранение характеров персонажей. Результаты основаны на десяти итерациях и оценке Gemini 1.5 Pro Experimental, поэтому не гарантируют качество в других сценариях. Релиз экспериментальный, стабильная работа не гарантируется. Модель распространяется по лицензии Creative Commons Attribution-NonCommercial 4.0 International, допускающей некоммерческое использование с указанием авторства; для коммерческого применения требуется связаться с разработчиками.

PULI LlumiX 32K base — языковая модель семейства LLaMA, разработанная NYTK. Это базовая модель с 6,74 млрд параметров, полученная продолжением предобучения LLaMA-2-7B-32K на венгерских и английских текстах. Контекст расширен до 32 768 токенов с помощью интерполяции позиционных представлений; веса доступны в формате safetensors и рассчитаны на float16. Модель предназначена для генерации текста и работы с длинными документами. Обучающие данные включали крупный венгерский корпус, а также англоязычные материалы для вопросов и ответов по длинному контексту и суммаризации книг. Базовый чекпойнт можно использовать для генерации продолжений и адаптировать для последующей настройки под конкретные задачи. Возможности модели ограничены генерацией текста; README описывает именно базовую, а не instruct-версию. Максимальная длина последовательности составляет 32 768 токенов. Лицензия — LLaMA 2; применяйте модель в соответствии с её условиями.

Карточка модели Zillis/Qwen-Image на Hugging Face совпадает с карточкой Qwen/Qwen-Image, поэтому описание составлено по ней. Qwen-Image — базовая модель генерации изображений из серии Qwen, разработанная командой Qwen. Она предназначена для создания изображений по текстовым описаниям и редактирования изображений с помощью инструкций. Модель поддерживает разные художественные стили, включая фотореализм, живопись, аниме и минималистичный дизайн. Сильная сторона модели — точное встраивание текста в изображение, особенно китайского, а также работа с композицией и типографикой. Среди описанных сценариев редактирования — перенос стиля, добавление и удаление объектов, улучшение деталей, изменение текста на изображении и манипуляция позой человека. README также перечисляет задачи понимания изображения, такие как обнаружение объектов, сегментация и оценка глубины, но основная задача модели в метаданных — генерация изображений по тексту. Модель доступна в форматах Diffusers и Safetensors, использует библиотеку Diffusers и распространяется по лицензии Apache-2.0. В README не приведены количественные характеристики модели и контекстного окна.

Карточка модели LanguaMan/Qwen-Image-2.1-FP8 на Hugging Face совпадает с карточкой unsloth/Qwen-Image-2.1-FP8, поэтому описание составлено по ней. unsloth/Qwen-Image-2.1-FP8 — квантованная версия Qwen-Image-2.1, опубликованная Unsloth для запуска через Diffusers. Модель предназначена для генерации изображений по текстовым запросам и редактирования изображений; компонент генерации содержит 7 млрд параметров и построен на 32 слоях Single-Stream DiT. В комплект также входит предварительно приведённая к FP8 копия текстового энкодера Qwen3-VL. Модель создаёт обычные и прозрачные изображения RGBA, поддерживает редактирование с помощью референсов (до 10 изображений), круговых пометок, нарисованных аннотаций или масок. Среди заявленных сильных сторон — экономия вычислительных ресурсов благодаря FP8/INT8-квантованию, точная отрисовка текста, проработка текстур и сохранение сходства людей и товаров при редактировании. Карточка указывает лицензию «other», но не приводит её условия; перед использованием следует проверить лицензионные условия базовой модели и репозитория.

unsloth/Qwen-Image-GGUF — квантованная версия модели Qwen-Image, разработанной командой Qwen. Модель предназначена для генерации изображений по текстовым описаниям и их редактирования, включая создание сцен в различных художественных стилях, фотореалистичных изображений, иллюстраций и дизайна с интегрированным текстом. Модель распространяется в формате GGUF и использует методологию Unsloth Dynamic 2.0, при которой важные слои переводятся в более высокую точность для сохранения качества. Заявлена поддержка английского и китайского языков; особенно сильной стороной считается отображение текста на изображениях, включая китайские иероглифы, с сохранением типографики, структуры и соответствия контексту. Также заявлены развитые возможности точного редактирования изображений и поддержка разных соотношений сторон. К ограничениям относятся необходимость совместимого программного обеспечения и аппаратных ресурсов для работы с GGUF, а также отсутствие в представленных данных подробностей о размере модели, точной архитектуре, максимальном контексте и конкретных требованиях к памяти. Лицензия — Apache-2.0.

SabaVL1-2B — мультимодальная модель Sakalti на архитектуре Qwen2-VL, дообученная на базе unsloth/Qwen2-VL-2B-Instruct. Она принимает изображения и текстовые запросы и формирует текстовые ответы, поэтому подходит для диалога с визуальным содержимым. Модель содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы по изображениям и других сценариев визуального диалога. В карточке указано, что при обучении использовались Unsloth и библиотека TRL. Поддерживаемый язык по данным карточки — английский. Модель распространяется по лицензии Apache-2.0.

ifyou819/summary-bbc-dataset-v4 — дообученная авторами репозитория модель Pegasus для суммаризации текстов. Она предназначена для создания кратких сводок, в частности новостей и статей; базовая модель также описана как предназначенная для такой задачи. Модель содержит 366,8 млн параметров, принимает текстовый ввод, а её нативная длина контекста составляет 1024 токена. В README приведены результаты оценки: ROUGE-1 0,504, ROUGE-2 0,363 и ROUGE-L 0,389. Данных о лицензии в доступных источниках нет.

ubikpt/t5-small-finetuned-cnn — модель T5, дообученная на наборе CNN/DailyMail для суммаризации текстов, в частности новостных статей. Она принимает текст и генерирует его краткое изложение. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и поддерживает контекст до 512 токенов. В карточке приведены результаты оценки на тестовой выборке: Loss 1,8436, ROUGE-1 33,2082, ROUGE-2 16,798, ROUGE-L 28,9573 и ROUGE-Lsum 31,1044. Модель распространяется под лицензией Apache-2.0. README не описывает дополнительные сценарии применения или ограничения.

Rocketknight1/t5-small-finetuned-xsum — дообученная версия T5-small для генерации кратких резюме в стиле датасета XSum. Модель построена на архитектуре T5 с примерно 38,5 млн параметров и принимает текст, выдавая текстовое резюме. В метаданных указан контекст до 512 токенов; веса представлены в формате TensorFlow. Карточка приводит метрики на наборе оценки: validation loss 2,3977 и ROUGE-1 28,7469, ROUGE-2 7,9005 и ROUGE-L 22,5917 для обучающего набора. Данные для дообучения названы неизвестными, а подробные сценарии применения и ограничения автор не описал. Лицензия Apache-2.0.

tawfikgh/t5-small-finetuned-xsum — модель tawfikgh, полученная дообучением T5-small для суммаризации текста. Она основана на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены метрики обучения и проверки, включая ROUGE, однако обучающий набор данных указан как неизвестный. Модель предназначена для создания кратких текстовых сводок; название репозитория указывает на задачу XSum. Опубликованные веса представлены в формате TensorFlow. Лицензия — Apache-2.0. Проверочные показатели в карточке сами по себе не гарантируют качество на других данных.

TinyLLaVA-Phi-2-SigLIP-3.1B — мультимодальная модель семейства TinyLLaVA, разработанная командой TinyLLaVA. Она сочетает языковую модель Phi-2 и визуальный энкодер siglip-so400m-patch14-384, а для обучения использовался датасет ShareGPT4V. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ; её можно применять для вопросов об изображениях и описания их содержимого. Авторы представляют её как компактную модель с 3,1 млрд параметров и сообщают, что по совокупным результатам тестов она превосходит некоторые модели на 7 млрд параметров, включая LLaVA-1.5 и Qwen-VL. README приводит оценки на наборах VQAv2, GQA, SQA, TextVQA, MM-VET, POPE и MME. Лицензия репозитория — Apache-2.0. Длина контекста и перечень поддерживаемых языков в доступных материалах не приведены.

Карточка модели Jinstudio/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

farleyknight/arxiv-summarization-t5-base-2022-09-21 — модель T5-base, дообученная разработчиком farleyknight на наборе ccdv/arxiv-summarization для суммаризации научных статей arXiv. Она принимает текст и генерирует краткое изложение; архитектура — T5ForConditionalGeneration, размер — 123,7 млн параметров, формат весов — PyTorch, контекст — до 512 токенов. В README приведены результаты оценки на тестовом наборе: ROUGE-1 40,68, ROUGE-2 14,72 и ROUGE-L 26,64. Модель подходит для подготовки кратких изложений научных текстов из области arXiv. Контекст в 512 токенов ограничивает длину обрабатываемого входа. Лицензия — Apache-2.0.

Aletheia-Bench разработала BatchOnline-GRPO-1.5B — компактный проверяющий модельный чекпойнт для оценки решений задач по программированию. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, созданная дообучением DeepSeek-R1-Distill-Qwen-1.5B методом полуонлайнового GRPO: политика генератора синхронизируется каждые четыре шага. Модель принимает условие задачи по соревновательному программированию и несколько кандидатных решений, после чего определяет и ранжирует их по корректности. Основные сценарии — оценка кандидатов в системах генерации кода, выбор правильного решения среди нескольких вариантов и использование проверяющей модели как функции вознаграждения в оптимизации генератора. Чекпойнт обучен на Aletheia-Train; в описании набора указаны задачи и решения на Python, C++ и Java. Метаданные указывают контекст до 131072 токенов, библиотеку Transformers и формат Safetensors. Лицензия — CC BY-NC-SA 4.0, предусматривающая некоммерческое использование и распространение на тех же условиях. Модель предназначена для оценки кода в формате с несколькими кандидатами; README отсылает к репозиторию проекта за точным форматом запроса. Она не заявлена как универсальный помощник по программированию или как средство исполнения кода: её оценки следует проверять, особенно при переносе на задачи и распределения, отличающиеся от обучающих.

Модель cahya/bert2gpt-indonesian-summarization разработана Cahya и дообучена для суммаризации текстов на индонезийском языке. Это encoder-decoder-модель, объединяющая BERT-base и GPT-2 small; обучение проводилось на наборе данных id_liputan6. Модель подходит для автоматического создания краткого содержания индонезийских текстов, например новостных материалов. Она распространяется в формате PyTorch по лицензии Apache-2.0. В карточке не приведены результаты оценки качества и дополнительные сведения о длине контекста.

BigBirdPegasus large — англоязычная модель семейства BigBird-Pegasus с разреженным блочным механизмом внимания. Она предназначена для суммаризации научных статей и других длинных документов. Модель содержит 366,8 млн параметров, принимает текстовые последовательности длиной до 4096 токенов и выдаёт текстовое резюме. В репозитории представлены веса PyTorch; модель доступна по лицензии Apache 2.0. Разреженное внимание позволяет обрабатывать длинные последовательности с меньшими вычислительными затратами по сравнению с обычным полным вниманием. Модель ориентирована на английские научные тексты; среди подходящих сценариев — подготовка краткого обзора статьи и извлечение её основных выводов. Карточка не приводит отдельных количественных оценок качества, поэтому результаты на конкретных типах документов могут различаться.

4luc/codebert-code-clone-detector — дообученная модель на базе microsoft/codebert-base, разработанная для обнаружения клонов кода. Она сопоставляет пары фрагментов кода и определяет, являются ли они клонами; модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Максимальная длина контекста — 514 токенов. В README указаны результаты на тестовой выборке Code Clone Benchmark: точность 0,9525, precision 0,9544, recall 0,9496 и F1 0,9520. Модель подходит для поиска повторяющихся или функционально сходных фрагментов кода. Лицензия — MIT. Подробности о языках программирования, обучающих данных и ограничениях применения в карточке не раскрыты.

EZO-Humanities-9B-gemma-2-it — это разговорная текстовая модель AXCXEPT, дообученная на базе Gemma-2-9B-it для повышения качества ответов по гуманитарным дисциплинам. Она предназначена для диалога и генерации текста, особенно при работе с литературой, философией, историей и культурными исследованиями. Модель построена на плотной архитектуре Gemma 2 и содержит 9 млрд параметров. Она ориентирована прежде всего на японский язык, но, согласно карточке, также отвечает на вопросы по широкому кругу тем и языков. Контекстное окно — 8192 токена. Веса доступны в формате safetensors; используется библиотека Transformers. README описывает обычное инструкционное дообучение на отобранных материалах японской Википедии и FineWeb. Модель может помогать с объяснением гуманитарных тем, однако качество ответов и фактическую точность следует проверять. Разработчик обозначает её как экспериментальный прототип, не предназначенный для коммерческого или критически важного применения. Применяются условия Gemma Terms of Use.

Giant Hydra 240B — экспериментальная языковая модель ibivibiv, созданная как смесь экспертов (MoE) на основе четырёх моделей семейства 70B: Marcoroni-70B-v1, Aurora-Nights-70B-v1.0, strix-rufipes-70b и ICBU-NPU/FashionGPT-70B-V1.1. В метаданных указаны архитектура Mixtral, класс MixtralForCausalLM и 68,7 млрд параметров; в README автор описывает её как объединение четырёх моделей примерно на 70 млрд параметров каждая, с заявленными примерно 240 млрд параметров. Модель предназначена для генерации текста по широкому кругу тем и дисциплин. Карточка указывает английский язык, а контекст модели составляет 4096 токенов. Автор сообщает, что объединял модели с расчётом на охват разных дисциплин, но не приводит результаты бенчмарков и подробностей обучения или оценки, поэтому качество и сильные стороны не подтверждены опубликованными измерениями. Метаданные указывают лицензию Llama 2, тогда как README заявляет Apache 2; лицензионные сведения противоречивы, их следует проверить в репозитории перед использованием.

Карточка модели HiDream-ai/HiDream-I1-Dev на Hugging Face совпадает с карточкой HiDream-ai/HiDream-I1-Fast, поэтому описание составлено по ней. HiDream-I1-Fast — вариант модели генерации изображений HiDream-I1, разработанный HiDream.ai. Это открытая генеративная модель с архитектурой Sparse Diffusion Transformer и 17 млрд параметров, предназначенная для создания изображений по текстовым описаниям. Она рассчитана на быструю генерацию и заявляет высокое качество, следование запросам и работу в фотореалистичном, мультяшном и художественном стилях. Модель принимает текст и выдаёт изображения; в метаданных указан английский язык. Репозиторий распространяется в форматах Diffusers и Safetensors, лицензия — MIT, допускающая коммерческое использование. README описывает сильные результаты на бенчмарках, но не приводит полных сведений о ресурсах для запуска и ограничениях качества.

Карточка модели nuresens/KomdigiITS-3B-PAD-Final на Hugging Face совпадает с карточкой nuresens/ALL_PAD_MERGE_v2, поэтому описание составлено по ней. nuresens/ALL_PAD_MERGE_v2 — дообученная мультимодальная модель семейства Mistral3 на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Разработчик — nuresens; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает изображения и текст и предназначена для диалоговых сценариев с визуальным содержимым, включая ответы на вопросы по изображениям. В карточке также заявлен интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Количество параметров и длина контекста в предоставленных источниках не указаны.

Карточка модели tsudhahar/LlamaFictionFin-0.2-8B на Hugging Face совпадает с карточкой tsudhahar/LlamaCarbon-0.2-8B, поэтому описание составлено по ней. LlamaCarbon-0.2-8B — языковая модель, дообученная разработчиком tsudhahar на базе unsloth/meta-llama-3.1-8b-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 7,5 млрд параметров и рассчитанная на генерацию текста; заявленный размер контекста — 131 072 токена. В метаданных указан английский язык и формат safetensors. Модель подходит для генерации продолжений текста и других сценариев, основанных на текстовом вводе и выводе. README не описывает специализированную область применения или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

LongCat-Image-Edit-Turbo — дистиллированная версия модели LongCat-Image-Edit для редактирования изображений. Она предназначена для преобразования входного изображения по текстовому запросу и выполняет генерацию за 8 вызовов модели, что снижает задержку вывода. Модель особенно поддерживает добавление текста на изображение: целевой текст следует заключать в одинарные или двойные кавычки, в том числе в китайском стиле кавычек. В карточке указаны форматы Diffusers и Safetensors и лицензия Apache-2.0.

MiniMax H3 — мультимодальная генеративная система компании MiniMax для создания видео со встроенным стереозвуком по тексту и мультимодальным входам. Открытый релиз включает специализированные чекпойнты H3-Base-FL2VA и H3-Base-Ref2VA: первый принимает до двух изображений для генерации по первому и последнему кадру, второй — изображения, видеоклипы и аудио в качестве мультимодальных референсов. Модель использует архитектуру H3-Omni-Transformer: кодирует входные данные соответствующими энкодерами и VAE, объединяет представления в последовательность с пространственными и временными связями, а затем совместно генерирует видео и аудиолатенты. Система предназначена для генерации роликов длительностью 4–15 секунд в различных соотношениях сторон; базовый вывод имеет разрешение 768p, а модуль H3-Regenerate-2K может повысить его до 2K. Входы включают текст, изображения, видео и аудио; результат — видео со звуком. Для сложных свободных мультимодальных запросов официальный процесс использует H3-Context-IR, однако эта размещённая предварительная обработка не входит в открытый релиз и доступна через API. В открытом релизе используется полное внимание; разреженное внимание заявлено как будущая возможность. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории модели.

MiniMax H3 — мультимодальная генеративная модель, разработанная MiniMax для создания видео со стереозвуком по тексту, изображениям и мультимодальным референсам. Варианты H3-Base-FL2VA и H3-Base-Ref2VA поддерживают генерацию по первому и последнему кадру, а также по изображениям, видео и аудиоклипам в разных сочетаниях. Модель может создавать ролики длительностью 4–15 секунд; базовый вывод имеет разрешение 768p, а отдельный модуль H3-Regenerate-2K позволяет получить видео до 2K. Архитектура объединяет текстовый энкодер, Visual VAE, Audio VAE и H3-Omni-Transformer: он совместно предсказывает видео- и аудиолатенты. Репозиторий содержит компоненты для локального развёртывания через Diffusers; упомянутый в карточке сервис H3-Context-IR для разбора сложных мультимодальных инструкций размещён отдельно и доступен через API. Модель подходит для генерации видео по текстовым описаниям и референсным материалам, включая синхронный звук. В открытой версии используется полное внимание, а sparse attention заявлен для будущего выпуска. Лицензия указана как other; конкретные условия следует сверять с лицензией репозитория.

sanps/mist-7b-sft-gutenberg-50k — дообученная модель Mistral AI, созданная автором репозитория sanps на основе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса в формате Safetensors. Модель дообучена на части обучающего раздела GutenbergFictionSummaryPrepared и предназначена для генерации текста в этом контексте, включая работу в диалоговом формате. В карточке приведён результат Loss 2,1665 на наборе small_val. Автор сообщает, что обучение остановилось примерно на 0,69 эпохи и было нестабильным в начале, поэтому качество и завершённость дообучения могут быть ограничены. Лицензия — Apache-2.0. Язык и точный формат входных инструкций в карточке не описаны.