IV.5Образование и развитие навыков

Mojiz-SFT — модель суммаризации на основе архитектуры mT5, разработанная Ahmed Abdelwahed и дообученная на арабских текстах. Она предназначена для создания краткого изложения по входному тексту и подходит для сценариев, где нужно быстро выделить основное содержание арабского документа или сообщения. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration; данные хранятся в формате safetensors. Базовая модель — google/mt5-base. Модель поддерживает арабский язык. Лицензия — Apache 2.0.

Paranioar/NEO1_0-2B-SFT — версия native vision-language модели NEO1_0, прошедшая supervised fine-tuning. Разработчики описывают NEO как плотную монолитную модель, обученную с нуля для объединения визуального восприятия и языковых возможностей в общей системе; модель содержит 2,2 млрд параметров без учета эмбеддингов, 40 слоев и использует GQA с 16 головами Q и 8 головами KV. Архитектура сочетает Native-Attn и Native-RoPE. Модель предназначена для диалоговых сценариев с изображениями: восприятия визуального содержимого и рассуждений по нему с формированием текстового ответа. Метаданные указывают на интерфейс чата и интерфейс вызова инструментов, однако README не приводит конкретных примеров или результатов оценки. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0.

DreamGen Opus v1.2 — текстовая модель для управляемого написания историй и ролевых диалогов, разработанная DreamGen на базе Llama 3 8B. Она продолжает повествование по инструкциям пользователя и описанию сюжета, стиля и персонажей, а также умеет кратко пересказывать истории и описывать персонажей, стиль и главы. Для ролевой игры используется расширенный формат ChatML с ролью text и именами активных персонажей; качество работы зависит от правильного форматирования промпта и токенизации. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Основной язык карточки — английский. Модель распространяется по лицензии CC BY-NC-ND 4.0. В README разработчик предупреждает о проблемах этой версии и рекомендует использовать более новые preview-модели.

Qwen-Image-2.1 — модель семейства Qwen для генерации изображений по тексту и редактирования изображений. В README указана визуальная генеративная часть размером 7 млрд параметров: она построена на 32 слоях Single-Stream DiT. Модель поддерживает создание обычных и прозрачных изображений в формате RGBA, редактирование прозрачных слоёв и выделение объектов на фотографиях. Модель предназначена для генерации изображений по текстовому описанию и редактирования с опорой до 10 референсных изображений. Для задания локальных изменений можно использовать круги, нарисованные пометки или отдельные маски; также заявлено сохранение внешности людей и товаров. Среди заявленных улучшений — отрисовка текста, текстуры, освещение портретов и детализация. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

ReGround Qwen2.5-VL-7B — мультимодальная модель SESPOIR для визуальных рассуждений. Она дообучена в два этапа на основе Qwen/Qwen2.5-VL-7B-Instruct: полное supervised fine-tuning на структурированных траекториях рассуждений, затем оптимизация GRPO для поведения самодиагностики и повторного изучения изображения. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; при необходимости она может запросить повторную подачу исходного изображения через контроллер инференса. Модель подходит для вопросов по изображениям и сценариев, где полезно перепроверить визуальные данные перед ответом. Архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров; нативный контекст — 128 000 токенов. В метаданных указан английский язык. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Модель может ошибаться в рассуждениях и ответах, а также запрашивать повторную проверку изображения без необходимости. Для важных решений ответы следует независимо проверять.

Shinzmann/soro-tts-hau — модель синтеза речи на хауса из системы Soro-TTS для нигерийских языков. Это дообученная версия facebook/mms-tts-hau на подмножестве hau_tts корпуса WAXAL NLP; модель основана на архитектуре VITS и содержит около 83 млн параметров по README. Метаданные указывают 3,5 млн параметров, поэтому размер модели в источниках расходится. Модель преобразует текст на хауса в речь и подходит для озвучивания новостей, повествовательных текстов и других заранее подготовленных материалов. Обучение проводилось на 10,45 часа студийных записей одного диктора; частота дискретизации синтезированного аудио — 16 кГц. Оценка CER по распознаванию синтезированной речи составила 24,51% на 20 примерах; это косвенная оценка разборчивости, а не естественности звучания. Модель наследует голос и акцент диктора из обучающих записей. Разговорная, неформальная и смешанная с другими языками речь может выходить за пределы обучающих данных; отсутствие диакритических знаков тонов может ухудшать интонацию или смысл. Лицензия CC BY-NC 4.0 разрешает использование на условиях указания авторства и запрещает коммерческое применение.

Stable Diffusion v1-2 — модель генерации изображений по текстовому описанию, разработанная CompVis. Это латентная диффузионная модель, опубликованная в формате Diffusers и PyTorch; репозиторий также содержит веса Safetensors. Чекпойнт продолжает обучение Stable Diffusion v1-1: его дообучали 515 тысяч шагов при разрешении 512×512 на отфильтрованной эстетически оценённой подвыборке LAION-2B. Модель предназначена для создания изображений по текстовым запросам, включая фотореалистичные изображения. Обучающие данные описаны как подмножество LAION-2B-en, поэтому основная языковая ориентация — английский. В README приведена оценка на случайных запросах из COCO2017 при разрешении 512×512; она не была оптимизирована для метрики FID. Модель распространяется по лицензии CreativeML Open RAIL-M. Она генерирует изображения из текста; качество и соответствие результата запросу зависят от формулировки запроса и настроек генерации.

Stable Diffusion v1-3 — модель латентной диффузии для генерации и изменения изображений по текстовым запросам, разработанная Робином Ромбахом и Патриком Эссером. Она использует предварительно обученный текстовый энкодер CLIP ViT-L/14 и предназначена для творческих, дизайнерских и образовательных инструментов, а также исследований генеративных моделей. Чекпойнт основан на Stable Diffusion v1-2 и дообучен на 195 тысячах шагов при разрешении 512×512 с данными laion-improved-aesthetics; в репозитории представлены веса Diffusers, PyTorch и Safetensors. Модель лучше работает с английскими запросами. Она не всегда создаёт фотореалистичные изображения, плохо воспроизводит читаемый текст и сложные пространственные отношения; лица и люди могут выглядеть некорректно. Обучающие данные включали взрослый контент, возможны смещения и запоминание изображений, поэтому для прикладного развёртывания важны меры безопасности. Лицензия CreativeML OpenRAIL-M устанавливает ограничения на использование и распространение модели.

Tamil-Mistral-7B-v0.1 — предварительно обученная генеративная языковая модель, разработанная Hemanth-thunder на базе Mistral 7B. Авторы расширили токенизатор, добавив 20 тысяч токенов для тамильского языка, и продолжили предварительное обучение на 1,19 млн тамильских документов из MADLAD-400. Модель имеет архитектуру Mistral с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; веса доступны в формате safetensors. Модель предназначена для генерации текста на тамильском языке и сценариев, где требуется языковая модель с усиленной поддержкой тамильской письменности. Заявленный размер — 7,2 млрд параметров, длина контекста — до 32 768 токенов. Лицензия — Apache-2.0. Это базовая предварительно обученная модель без встроенных механизмов модерации; качество и безопасность ответов могут требовать отдельной проверки.

Модель droplychee/test-model разработана droplychee и дообучена на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Это плотная модель семейства Gemma 4 для диалоговых задач с изображениями: она принимает текст и изображения и формирует текстовые ответы. В метаданных также отмечен интерфейс для вызова инструментов. Модель подходит для вопросов по изображениям и диалоговых сценариев, где нужно совместно использовать текст и визуальные данные. Она опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README сообщает, что обучение проводилось с Unsloth и библиотекой TRL; сведения о размере модели и длине контекста не приведены в доступных данных.

TowerInstruct-7B-v0.2 — языковая модель Unbabel, Instituto Superior Técnico и CentraleSupélec University of Paris-Saclay, дообученная на базе TowerBase на наборе TowerBlocks. Она предназначена прежде всего для задач, связанных с машинным переводом: переводит предложения и абзацы, учитывает контекст и терминологию, а также выполняет автоматическое постредактирование перевода, распознавание именованных сущностей, исправление грамматических ошибок и перефразирование. Модель основана на плотной архитектуре Llama и содержит 6,6 млрд параметров; формат весов — safetensors, контекст — до 4096 токенов. Поддерживает английский, португальский, испанский, французский, немецкий, нидерландский, итальянский, корейский, китайский и русский языки. Версия v0.2, согласно карточке, надёжнее справляется с переводом документов по сравнению с v0.1, однако разработчики отдельно указывают, что модель не предназначена для документного перевода, чат-ботов или помощи с кодом. Она не выравнивалась по человеческим предпочтениям и может выдавать галлюцинации, вредоносный контент или ложные сведения. Лицензия — CC-BY-NC-4.0; базовая Llama 2 распространяется по лицензии Llama 2 Community License.

UForm-Gen-Chat — компактная мультимодальная модель компании unum-cloud для понимания изображений и общения о них. Она принимает изображение и текстовый запрос, а в ответ генерирует текст; основные задачи — создание подписей к изображениям и визуальные ответы на вопросы. Chat-версия получена дообучением UForm-Gen на мультимодальных инструкциях. В состав базовой модели входят визуальный энкодер UForm Vision Encoder и языковая модель Sheared-LLaMA-1.3B; при обучении использовались MSCOCO, SBU Captions, Visual Genome, VQAv2, GQA и внутренние наборы данных. Модель подходит для описания содержимого изображений, ответов на вопросы о сценах и диалоговых сценариев с визуальным контекстом. В метаданных указаны английский язык и лицензия Apache-2.0. README характеризует модель как небольшую, но не приводит точный общий размер параметров или длину контекста. Качество зависит от изображения и формулировки запроса; модель предназначена для визуальных задач и не подтверждена как универсальная языковая модель.

Z-Image-Turbo — модель генерации изображений по тексту, опубликованная проектом Z-Image. Она использует архитектуру Scalable Single-Stream Diffusion Transformer (S3-DiT) с объединённым потоком текстовых, семантических и VAE-токенов изображения. Версия Turbo является дистиллированной версией Z-Image и создаёт изображения за 8 вызовов модели; в README заявлены субсекундная генерация на H800 и возможность работы на потребительских устройствах с 16 ГБ видеопамяти. Модель предназначена для фотореалистичной генерации и хорошо следует инструкциям. Среди заявленных сильных сторон — создание изображений с английским и китайским текстом и высокая скорость генерации. Репозиторий использует Diffusers и формат Safetensors. Лицензия — Apache-2.0.

AI-infinity-V1-fp16 — модель генерации изображений по текстовому описанию в формате Diffusers. Карточка содержит демонстрационные изображения, но не сообщает сведения об авторе, архитектуре, размере или поддерживаемых языках. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

Карточка модели nuresens/ALL_PAD_MERGE_v4 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.

Aurelian Alpha 0.1 70B — экспериментальная чат-модель автора grimulkan, дообученная в формате Llama 2 Chat на базе llama2_70b_longlora_fp16_32k_ROPE8 без исходной instruction-настройки. Это плотная причинная языковая модель семейства Llama с 68,7 млрд параметров; в метаданных указан контекст 4096 токенов, а автор рекомендует линейное масштабирование RoPE с коэффициентом 8 для работы с контекстом до 32K. Модель предназначена прежде всего для совместного написания историй, творческого письма, мозгового штурма и анализа длинных документов. Также она может вести общий диалог, пересказывать и редактировать тексты, поддерживать ролевые игры и эмулировать интерактивную прозу, но эти сценарии обучены ограниченно. Для первых запросов важно подробно задать задачу и использовать рекомендованный формат чата и системное сообщение. Это ранний альфа-релиз для тестирования и обратной связи; автор сообщает о известных проблемах, включая иногда пустые ответы в длинных диалогах. Модель не цензурирована и может генерировать оскорбительный и сексуальный контент. Лицензия в метаданных указана как неизвестная, поэтому условия использования по имеющимся данным определить нельзя.

vblagoje/bart_lfqa — англоязычная модель Владимира Благожевича для генерации ответов на вопросы с опорой на контекст. Она основана на архитектуре BART и обучена на наборах LFQA и LFQA Support Docs; подходит для развёрнутых ответов на вопросы по предоставленным подтверждающим документам. Модель содержит 252,8 млн параметров, принимает и генерирует текст, её контекст ограничен 1024 токенами. Модель распространяется в форматах PyTorch и Safetensors по лицензии MIT. Карточка содержит мало сведений о качестве ответов и рекомендуемых сценариях; перед применением стоит проверить её на своих данных.

NbAiLab/borealis-12b — мультимодальная инструкционная модель на 12 млрд параметров, разработанная Национальной библиотекой Норвегии (Nasjonalbiblioteket, NB). Это дообучение google/gemma-3-12b-it для следования инструкциям с ориентацией на норвежский язык; модель использует архитектуру Gemma 3 и распространяется в формате safetensors для Transformers. Она принимает текст и изображения и формирует текстовые ответы. Модель предназначена для задач ассистента на норвежском языке: написания и редактирования текстов, составления заголовков и вводных абзацев новостей, суммаризации, ответов на вопросы и несложных рассуждений. Также её можно применять для оценки качества норвежского письма и работы с букмолом и нюношком. В обучении использован набор NbAiLab/aurora-sft; эта версия включает ограниченный объём заданий на основе защищённых авторским правом норвежских газетных материалов, с отсечкой публикаций на 1 января 2025 года. Основная языковая ориентация — норвежский, включая букмол и нюношк; модель также оценивается на английских задачах. Это не специализированная модель рассуждений. Она может выдавать неверные, предвзятые или неподходящие ответы, а качество за пределами норвежского и английского языков изучено не полностью; для критически важных решений нужны дополнительная проверка и меры безопасности. Лицензия указана как other; условия использования следует сверять с карточкой модели и условиями базовой Gemma 3.

Cosmic-Citrus-9B — объединённая автором модель на основе Mistral, созданная методом passthrough с помощью mergekit из ABX-AI/Cerebral-Infinity-7B и ABX-AI/Spicy-Laymonade-7B. Она содержит 8,9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель предназначена для генерации диалогов и творческих ответов с внимательным следованием карточкам персонажей и учётом контекста запроса. Автор отмечает выразительный язык и творческий подход; специальных областей применения или поддерживаемых языков в карточке не обозначено. Веса опубликованы в формате safetensors; библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

mHossain/en_bn_summarize_v1 — дообученная на неизвестном наборе данных модель Google mT5-small для суммаризации на английском и бенгальском языках. Она построена на архитектуре encoder-decoder MT5ForConditionalGeneration и содержит около 157,4 млн параметров. Модель принимает текст и генерирует его краткое изложение; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: loss 2,9948, а значения ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum равны 0,0. Эти результаты не подтверждают качество суммаризации, поэтому модель следует оценивать на собственных примерах перед применением.

HelpingAI2-9B-GGUF — это GGUF-квантизированная версия языковой модели HelpingAI2-9B, разработанной OEvortex и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая диалоговые сценарии с акцентом на эмоциональный интеллект, понимание эмоций и эмпатичное взаимодействие. В обучении использовались датасеты SentimentSynth, minipile, vortex-mini, EmotionalIntelligence-75K, EMOTIONS и human-emotion. Модель относится к классу текстовых генеративных моделей, имеет около 9 млрд параметров и поддерживает английский язык. README не содержит сведений о точной архитектуре исходной модели, размере контекстного окна или поддержке мультимодальности, поэтому она описывается как текстовая и, вероятно, ориентированная на стандартные сценарии text-generation. Доступно множество вариантов квантования GGUF: от F32 и Q8_0 до более компактных Q2 и IQ2/IQ3, что позволяет выбирать между качеством ответов и требованиями к оперативной памяти. Варианты Q5 и Q6 обозначены как высококачественные, а Q4 — как сбалансированные по размеру и качеству. Сильными сторонами являются локальный запуск через llama.cpp или LM Studio, широкий выбор уровней квантования и специализация на эмоционально чувствительных ответах. Более агрессивное квантование уменьшает требования к памяти, но снижает качество генерации; варианты Q2 и Q3 имеют низкое качество и подходят главным образом при жёстких ограничениях по ресурсам. Лицензия указана как специальная HelpingAI; условия следует уточнять в файле LICENSE.md.

HunyuanDiT-Diffusers-Distilled — дистиллированная модель генерации изображений по текстовому описанию от команды Tencent Hunyuan, опубликованная в формате 🤗 Diffusers. Она основана на архитектуре Diffusion Transformer и поддерживает генерацию изображения за 25 шагов. Модель предназначена для создания изображений по коротким и длинным текстовым запросам, включая запросы с китайскими элементами. Модель принимает текст и выдаёт изображения. В README отмечены возможности понимания китайских элементов и длинных запросов; метаданные указывают английский язык. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и сопроводительными материалами репозитория.

Карточка модели Jinstudio/LongCat-Image-Edit-Turbo на Hugging Face совпадает с карточкой meituan-longcat/LongCat-Image-Edit-Turbo, поэтому описание составлено по ней. 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.

Lunar Diffusion 1.26.1 — модель преобразования текстовых запросов в изображения, опубликованная Yntec. Автор карточки называет её своей любимой моделью Lunar от mooncryptowow; репозиторий использует Diffusers и содержит веса в формате safetensors. Модель предназначена для генерации изображений по текстовому описанию. Указана лицензия CreativeML OpenRAIL-M.

MOVA — открытая мультимодальная модель команды OpenMOSS для совместной генерации видео и синхронизированного с ним звука. Она предназначена для создания видео по изображению и текстовому описанию, а также по одному текстовому описанию. Модель генерирует аудио и видео за один проход, поддерживает синхронизацию речи с движением губ и создание звуков окружения. Архитектура MOVA состоит из двух асимметричных башен для видео и аудио, объединённых двунаправленным cross-attention, и использует Mixture-of-Experts. В README указано 32 млрд параметров суммарно, из них 18 млрд активны при инференсе. Репозиторий содержит веса в формате safetensors для Diffusers. Лицензия — Apache-2.0. Для запуска и использования весов авторы направляют к инструкциям на GitHub; модель также предусматривает LoRA-дообучение. Заявлены многоязычная синхронизация губ и генерация звуков с учётом окружения. В README нет конкретных языковых кодов, сведений о длине контекста или детальных требований к аппаратному обеспечению; генерация видео и аудио может требовать значительных вычислительных ресурсов.

clui/my_awesome_opus_books_model — дообученная модель машинного перевода на архитектуре MarianMT, опубликованная в формате safetensors. В карточке указаны 66,3 млн параметров и контекст до 512 токенов. Для оценки приведены loss 1,3345, BLEU 14,3963 и средняя длина генерации 47,43 токена. Модель предназначена для перевода текста. Языковая пара, состав обучающих данных и конкретные сценарии применения в карточке не раскрыты. Лицензия — Apache-2.0.

nepoticide-12B-Unslop-Unleashed-Mell-RPMax-v2 — слитая автором redrix языковая модель на архитектуре Mistral с 12,1 млрд параметров для диалогов, ролевых сценариев и художественного письма. Модель создана методом Model Stock с помощью mergekit на основе TheDrummer/UnslopNemo-12B-v4 и объединяет её с тремя другими моделями семейства Mistral Nemo. Используются веса Safetensors и шаблон чата ChatML. Модель предназначена для генерации ответов в диалоге и творческого текста, в том числе ролевых сцен. В карточке указан контекст до 1 024 000 токенов, однако автор рекомендует не превышать 20 000 токенов: связность на длинном контексте может ухудшаться. Автор сообщает, что проверял модель на раннем этапе и наблюдал стабильные ответы, но долгосрочные свойства контекста не оценивал. Лицензия — Apache-2.0.

thisisiron/Ovis2-1B-hf — это мультимодальная модель семейства Ovis2 с плотной архитектурой Ovis2ForConditionalGeneration и примерно 1 млрд параметров. Репозиторий содержит версию в формате Safetensors для библиотеки Transformers; карточка Hugging Face автоматически сгенерирована и не сообщает разработчика исходной модели, лицензию или базовую модель. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы в диалоговом формате. Её можно использовать для описания изображений и ответов на вопросы о визуальном содержимом. Данные о поддерживаемых языках и длине контекста для этой копии надёжно не установлены.

Ramikan-BR/P3-mini-v6 — дообученная разговорная языковая модель на 3,7 млрд параметров для генерации текста и ответов на инструкции. В карточке приведён пример создания игры «Змейка» на Python с библиотекой Pygame; модель предназначена для подобных запросов на написание кода и других диалоговых задач. Модель основана на unsloth/Phi-3-mini-4k-instruct-bnb-4bit. В метаданных указана архитектура MistralForCausalLM, контекст до 4096 токенов и поддержка английского языка. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не содержит оценок качества или подробных результатов тестирования.

PaliGemma 3B FT OKVQA 224 — разработанная Google компактная модель «изображение—текст», объединяющая визуальный энкодер SigLIP и языковую модель Gemma. Эта версия дообучена для визуальных вопросов и ответов по изображениям (OK-VQA): она принимает изображение и текстовый вопрос, а в ответ генерирует текст. Модель поддерживает несколько языков; в карточке не указаны размер контекста и число параметров именно этой версии. Модель рассчитана на одношаговый сценарий и лучше подходит для целевого применения после настройки под конкретную задачу, чем для открытого использования без дообучения. Она может ошибаться в фактах, сложных рассуждениях и интерпретации нюансов; это не диалоговый чат-бот и она не предназначена для многоходового общения. Распространяется по лицензии Gemma.