IV.5Образование и развитие навыков

CatunaLaserPi — объединённая модель для генерации текста, созданная Eric111 с помощью mergekit. Она объединяет Eric111/caTUNABeagle и BryanSwk/LaserPipe-7B-SLERP методом SLERP; в конфигурации базовой моделью указана Eric111/caTUNABeagle. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров, принимает текстовый ввод и генерирует текст. Родной контекст — до 32 768 токенов. Модель подходит для диалогов и других задач генерации текста. Карточка не описывает специальные предметные области или отдельные возможности помимо генерации текста. Распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

heeaiworld/dama-aibrain — дообученная модель heeaiworld на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она использует плотную архитектуру Gemma 4 и предназначена для диалоговой работы с текстом и изображениями: модель принимает текстовые запросы и изображения и формирует текстовые ответы. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой Hugging Face TRL. Репозиторий содержит веса в форматах Safetensors и GGUF F16. Модель распространяется по лицензии Apache-2.0. Метаданные указывают английский язык; сведения о размере модели и длине контекста в предоставленных данных отсутствуют.

Карточка модели droplychee/droplycheetttttttest на Hugging Face совпадает с карточкой droplychee/droplychee-2.1-27b, поэтому описание составлено по ней. 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.

Functionary Small v2.5 — языковая модель семейства Llama, разработанная MeetKai для диалогов с вызовом функций и плагинов. Модель имеет 7,5 млрд параметров, использует плотную архитектуру и контекст до 8192 токенов; в репозитории представлены веса Safetensors. Лицензия — MIT. Модель принимает сообщения диалога и определения функций в формате JSON Schema, представленные в шаблоне Functionary, и генерирует текстовые ответы или вызовы инструментов. Она умеет выбирать, когда вызвать функцию, выполнять вызовы последовательно или параллельно, учитывать результаты инструментов в ответе и продолжать беседу без инструментов, когда они не нужны. В карточке также заявлена поддержка code interpreter. Модель подходит для создания чат-ассистентов, которым нужно обращаться к внешним API, плагинам или интерпретатору кода. Для запуска разработчик рекомендует OpenAI-совместимый сервер vLLM; для удобного разбора сырых ответов предлагается пользовательский код. Карточка не приводит сравнительных оценок качества, поэтому заявления о превосходстве над другими моделями следует считать утверждениями автора.

GALACTICA 120B — авторегрессионная языковая модель на основе decoder-only Transformer из семейства OPT, разработанная командой Papers with Code в Meta AI и размещённая на Hugging Face Мануэлем Ромеро. Модель содержит 161,6 млрд параметров и обучена на 106 млрд токенов научных текстов и данных: статей, учебников, энциклопедий, научных сайтов и баз знаний. Контекст — 2048 токенов. Модель предназначена для научных задач: ответов на вопросы, математических рассуждений, суммаризации и генерации документов, предсказания цитирований, извлечения сущностей и оценки свойств молекул. Она также может применяться в научных инструментах для поиска и работы с литературой. Обучение на крупном научном корпусе помогает выполнять задачи, требующие научных знаний, но модель может галлюцинировать, в том числе при генерации цитат, и проявлять смещения. Для применения в производстве нужны меры предосторожности и проверка результатов. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

ICM-Qwen2-VL-7B — дообученная модель zhaoyuzhi на основе Qwen/Qwen2-VL-7B-Instruct, созданная с использованием набора данных qwen_sexy_after. Это мультимодальная модель с архитектурой Qwen2-VL и 7,1 млрд параметров, предназначенная для диалога и генерации текстовых ответов по изображениям. Она принимает текст и изображения, а выдаёт текст; поддерживает контекст до 32 768 токенов. В карточке приведено значение loss 0,1821 на оценочном наборе, но подробности оценки не раскрыты. Модель опубликована в формате safetensors; лицензия обозначена как other.

mergekit-community/mergekit-ties-cmdmayc — языковая модель на основе архитектуры Mistral, полученная объединением весов методом TIES с помощью mergekit. В объединение вошли mistralai/Mistral-7B-v0.1 в качестве базовой модели, mistralai/Mistral-7B-Instruct-v0.2 и BioMistral/BioMistral-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговых сценариях. Включение BioMistral указывает на связь с биомедицинской тематикой, однако карточка не описывает специализированные медицинские возможности или результаты оценки качества. Модель выпущена 17 апреля 2024 года; условия лицензии в предоставленных данных не приведены.

Qwen3.5-0.8B Pure Text ZH-EN — текстовая производная Qwen3.5 от разработчика wejyy888 для генерации текста и диалогов на китайском и английском языках. Модель преобразована из Qwen3.5-0.8B: удалены модуль зрения, веса MTP и специальные токены для визуальных, аудио- и речевых задач, а словарь сокращён с 248 320 до 182 684 токенов. Дополнительного обучения не проводилось; сохранённые веса исходной модели оставлены без изменений. В README указано 685,3 млн параметров, формат BF16 safetensors и контекст 262 144 токена по метаданным. Модель принимает только текст и предназначена для текстовой генерации, включая диалоговое применение. В README приведена оценка на классификации поисковых запросов китайской электронной коммерции, однако отдельный pipeline классификации для модели не заявлен. Токенизация китайского и английского языков сохранена после переназначения ID; другим языкам доступен байтовый fallback, но они обычно требуют больше токенов. Для ранее токенизированных наборов данных нужно выполнить переназначение ID с помощью old2new.json. README рекомендует короткое дополнительное предобучение или SFT перед производственным применением. Лицензия — Apache-2.0.

akuzdeuov/whisper-base.kk — модель распознавания речи на базе Whisper-base, дообученная для казахского языка на Kazakh Speech Corpus 2, содержащем более 1 000 часов размеченных аудиоданных. Модель предназначена только для распознавания казахской речи и выдаёт текстовую расшифровку аудио. Модель поддерживает транскрибирование коротких записей длительностью до 30 секунд; для более длинных записей в Transformers можно включить обработку фрагментами. В README указана доля ошибок WER 15,36% на тестовой выборке. Репозиторий содержит веса в формате safetensors; размер модели составляет 51,7 млн параметров. Модель распространяется по лицензии Apache-2.0.

beaunix/Aegis-Art-Atelier-Qwen2.5-VL-7B — дообученная beaunix мультимодальная модель на архитектуре Qwen2.5-VL, созданная на базе unsloth/qwen2.5-vl-7b-instruct. Она принимает изображения и текст и генерирует текстовые ответы, поэтому подходит для диалога и задач визуального анализа. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель поставляется в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; сведений о специализации дообучения и сравнительных оценках качества нет.

Dots3-Note Preview — модель с открытыми весами от Dots Studio, построенная по архитектуре mixture-of-experts. В ней 280 млрд параметров всего, из которых 16 млрд активны. Это самая компактная модель семейства Dots 3. Модель предназначена для преобразования изображений и текста в текст, согласно задаче, указанной в метаданных каталога. Доступный фрагмент README не раскрывает конкретные сценарии применения, языки, длину контекста или условия лицензии, поэтому эти характеристики не описываются.

DavidAU разработал эту модель как дообученную и освобождённую от ограничений версию Gemma 4 E4B Instruct. По README, веса представлены в формате bfloat16, а дообучение выполнено с Unsloth на внутренних наборах данных Deckard и Universe; архитектура — плотная Gemma4ForConditionalGeneration. Автор указывает около 8 млрд параметров всего и примерно 4,5 млрд активируемых параметров. Шаблоны чата позволяют использовать режимы instruct и thinking, причём thinking задан по умолчанию. Модель предназначена для диалога, творческого письма и ролевых сценариев, а также для задач общего назначения. Она принимает текст, изображения, видео и аудио и выдаёт текст; заявленная длина контекста — до 128 тысяч токенов. README описывает настройки генерации и приводит примеры, но заявленные превосходства в бенчмарках основаны на внутренних тестах автора и не подтверждены независимыми результатами. Модель опубликована по лицензии Apache-2.0. Автор характеризует её как uncensored и отмечает более интенсивный стиль ответов. Поэтому она может выдавать нежелательный или резкий контент, а качество результатов зависит от режима, шаблона и параметров генерации.

HiDream-O1-Image-BF16 — конверсия модели HiDream-O1-Image в формате bfloat16, опубликованная drbaph для запуска в ComfyUI. Исходная модель разработана HiDream-ai и основана на Pixel-level Unified Transformer (UiT): она работает с пикселями, текстом и условиями задачи в общем токеновом пространстве, без внешнего VAE и раздельных текстовых энкодеров. Модель содержит 9 млрд параметров и использует библиотеку Diffusers. Модель предназначена для генерации изображений по текстовому описанию, редактирования изображений по инструкциям, персонализации объекта по нескольким референсам и создания раскадровок. Она поддерживает генерацию с нативным разрешением до 2048 × 2048, длинные текстовые запросы и многоязычный рендеринг текста; в карточке указаны английский и китайский языки. Конверсия BF16 ориентирована на баланс точности и эффективности памяти и рассчитана на 50 шагов инференса. Для комфортной работы в полном разрешении рекомендуется GPU с 20–24 ГБ видеопамяти; заявленный диапазон потребления VRAM составляет примерно 17–20 ГБ. Для запуска требуется ComfyUI и совместимый пользовательский узел. Модель и конверсия распространяются по лицензии MIT.

Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated-v2-GGUF — набор квантованных версий модели Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated-v2. Модель опубликована пользователем noctrex и основана на модели huihui-ai. По карточке она предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Суффикс Instruct указывает на настройку для выполнения пользовательских инструкций, а GGUF — на формат, ориентированный на локальный запуск средствами, поддерживающими этот формат. Из известных характеристик — размер базовой модели около 24 миллиардов параметров и наличие мультимодального сценария работы с изображениями и текстом. Ключевое преимущество набора — возможность выбрать подходящий уровень квантования для снижения требований к памяти и запуска на совместимом локальном оборудовании, однако конкретные варианты квантования, требования к ресурсам, поддерживаемые языки, размер контекста и результаты тестирования в README не указаны. Лицензия и ограничения на использование также не указаны; перед применением следует ознакомиться с условиями лицензии исходной модели.

Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

OmniWeaving — модель генерации и редактирования видео, разработанная командой Tencent Hunyuan совместно с исследователями Zhejiang University и Nanyang Technological University. Она построена на базе HunyuanVideo-1.5 и сочетает мультимодальную языковую модель для интерпретации запросов, MMDiT для генерации и VAE для работы с визуальными данными. В каталоге Hugging Face представлены веса safetensors; лицензия указана как other. Модель предназначена для создания видео по тексту и изображениям, интерполяции между ключевыми кадрами и редактирования существующего видео по текстовой инструкции. Она принимает комбинированные текстовые, графические и видеовходы, связывает их во времени и может использовать режим рассуждения для уточнения намерения пользователя перед генерацией. В README заявлена высокая точность композиции и сильные результаты на предложенном бенчмарке IntelligentVBench. Для запуска требуются зависимости HunyuanVideo-1.5 и значительные вычислительные ресурсы: README описывает настройки для случаев нехватки GPU- и CPU-памяти. Конкретные размер модели, длина контекста и языковая поддержка в предоставленных источниках не приведены. Лицензия обозначена как other, поэтому условия использования следует проверить в файлах лицензии репозитория.

LLaDA-Image — открытая унифицированная модель генерации и редактирования изображений, разработанная InclusionAI. Это чекпойнт на 6 млрд параметров в формате Diffusers и safetensors; модель использует диффузионный подход и принимает текстовый запрос, а для редактирования — также исходное изображение. Базовая версия предназначена для генерации изображений высокого качества и редактирования по инструкции, а отдельная версия Turbo ускоряет эти сценарии за счёт дистилляции и генерации за 2–4 шага. Модель ориентирована на фотореалистичные сцены, изображения с естественным освещением и деталями, плакаты с читаемым текстом, а также точечные изменения с сохранением содержимого исходного изображения. Поддерживаются английский и китайский языки, включая отрисовку текста на них. Для обычной генерации рекомендовано 50 шагов; Turbo рассчитана на быстрый вывод. Репозиторий предоставляет веса и код инференса на Diffusers, тогда как код обучения на момент карточки не опубликован. Лицензия — Apache-2.0.

Это англоязычная экстрактивная модель вопросно-ответной системы на базе MiniLM, разработанная badokorach путём дообучения deepset/minilm-uncased-squad2 на датасете, который в карточке не раскрыт. Модель принимает текст и вопрос и извлекает ответ из предоставленного текста; её можно применять для поиска ответов в документах и фрагментах текста. Модель построена на архитектуре BERT, содержит около 40 млн параметров и рассчитана на контекст до 512 токенов. Опубликована в формате TensorFlow под лицензией CC BY 4.0. В карточке приведены значения Train Loss 0.9804 и Validation Loss 0.0 после трёх эпох; описание датасета и сведения о надёжности оценки отсутствуют.

Kaoeiri/Mistral-magnum-v4_X_Cydonia-VXXX_Mixture — слитая модель на основе Mistral, созданная с помощью mergekit методом Model Stock. В качестве базовой использована anthracite-org/magnum-v4-22b; в слияние также вошли Kaoeiri/Mistral-magnum_X_Cydonia-v1.3_X_Waifu-22B, Gryphe/Pantheon-RP-1.6.2-22b-Small, nbeerbower/Mistral-Small-Gutenberg-Doppel-22B и TheDrummer/Cydonia-22B-v1.1. Модель содержит 22 млрд параметров, использует плотную архитектуру Mistral и рассчитана на генерацию текста и диалоговое применение. Нативная длина контекста — 32 768 токенов; репозиторий предоставляет веса в формате Safetensors для Transformers. Базовая модель предназначена для диалогов, следования инструкциям и создания связной прозы на английском языке; слияние ориентировано на художественное и ролевое письмо. Лицензия в предоставленных данных не указана.

Skiuphill/my_awesome_qa_model — дообученная Skiuphill модель DistilBERT для ответа на вопросы. Она использует архитектуру DistilBertForQuestionAnswering и предназначена для извлечения ответа из текста по заданному вопросу. Контекст ограничен 512 токенами. Модель основана на distilbert/distilbert-base-uncased, работает с текстом на английском языке и сохранена в формате safetensors. В карточке указана оценка Loss 1.5332 на тестовой выборке, но набор данных и подробности оценки не описаны. Лицензия — Apache-2.0.

P2R-2B — модель для детализированного визуального рассуждения, представленная в работе Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning. Она дообучена на Qwen3-VL-2B-Instruct и использует двухэтапный подход P2R, который разделяет восприятие изображения и последующее рассуждение; обучение проводилось с помощью стратегии обучения с подкреплением PRA-GRPO. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. В README приведены результаты на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite, где P2R-2B превосходит исходную Qwen3-VL-Instruct-2B по указанным метрикам. Репозиторий распространяется по лицензии Apache-2.0.

Модель Barth371/Qwen2.5-VL-72B-Instruct-bnb-4bit-2025-10-07_12-21_4b — дообученная Barth371 мультимодальная модель семейства Qwen2.5-VL для обработки изображений и текста. Она предназначена для диалога с визуальным вводом: принимает текстовые запросы и изображения, а в ответ генерирует текст. Модель построена на плотной архитектуре Qwen2.5-VL и содержит 71,5 млрд параметров. Максимальная длина контекста — 128 000 токенов; репозиторий содержит веса safetensors. Базовая модель — unsloth/qwen2.5-vl-72b-instruct-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, поэтому подтверждённые сценарии ограничиваются общим диалогом по изображениям и тексту. В метаданных указан английский язык; другие языки отдельно не заявлены. Конкретные ограничения качества и безопасности не приведены.

DavidAU/Qwen3.5-27B-Gemini3-Pro-High-Reasoning-Compact-Thinking — ранняя альфа-версия плотной мультимодальной модели на 27 млрд параметров, созданная DavidAU путём дообучения Qwen/Qwen3.5-27B с помощью Unsloth на дистиллированных данных Gemini 3 Pro. Модель принимает текст и изображения и предназначена для диалогов, рассуждений и визуального анализа; автор также ориентирует её на творческое письмо, создание сюжетов и продолжение сцен. В README отмечено, что блоки рассуждений изменены и уменьшены; встроенное разрешение изображений проверено автором и работает. Базовая архитектура Qwen3.5 сочетает языковую модель с визуальным энкодером, а контекст базовой модели составляет 262 144 токена.

Re3Cap-CLIP-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Её дообучили методом GRPO с наградой по сходству изображения и текста в CLIP и стратегией Re³Cap, которая уточняет подпись с помощью поиска и оценки качества. Модель предназначена для генерации более точных и подробных подписей к изображениям: компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Она принимает изображение и текстовый запрос, а выдаёт текст; архитектура — плотная LLaVA, формат весов — safetensors, контекст — 4096 токенов. Поддерживаемые языки в предоставленных данных не указаны. Лицензия — Llama 2. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

Typhoon Whisper Large v3 — модель распознавания тайской речи, разработанная командой Typhoon (SCB 10X) на архитектуре OpenAI Whisper Large v3. Это полная версия Whisper с 32 слоями декодера и примерно 905,2 млн параметров; модель дообучена на около 10 млн примеров тайской речи общей длительностью около 11 000 часов. Она принимает аудио и преобразует речь в текст, в том числе в сценариях офлайн-транскрибации, где важнее точность, чем скорость. При подготовке данных использовались GigaSpeech2, Common Voice и подборка общедоступных медиаматериалов; Typhoon сообщает о нормализации чисел, маркеров повторов и контекстных неоднозначностей. Модель рассчитана прежде всего на тайский язык и заявлена как устойчивая к разным акустическим условиям и манерам речи. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT. Модель специализирована на тайской речи: качество может снижаться для диалектов и акцентов, слабо представленных в обучающих данных. По сравнению с облегчёнными вариантами ей требуется больше вычислительных ресурсов; она лучше подходит для транскрибации без жёстких требований к задержке.

UniChart-Base — модель семейства UniChart для понимания и анализа диаграмм, представленная Ahmed Masry. Она принимает изображение диаграммы и по текстовому запросу генерирует ответ на естественном языке. Модель предназначена для суммаризации диаграмм и преобразования их данных в таблицу; семейство UniChart также обучалось для ответов на вопросы по диаграммам. Модель использует архитектуру vision-encoder-decoder и распространяется в формате PyTorch. В карточке указана поддержка английского языка. Лицензия — GPL-3.0. Карточка не сообщает размер модели и длину контекста.

VisReason-Qwen2.5-VL-7B — мультимодальная модель Y-Research-Group для визуальных рассуждений, созданная дообучением Qwen/Qwen2.5-VL-7B-Instruct на наборе VisReason. Она строит общее предположение по изображению, затем при необходимости выделяет важные области для более детального анализа и формирует обоснованный ответ. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для диалоговых задач анализа изображений и визуального Chain-of-Thought. Она обучена выдавать рассуждение в специальном формате и может сформировать вызов инструмента image_zoom_in_tool с координатами области для увеличения. Вариант baseline не включает усиленное пространственное рассуждение с привязкой к глубине, доступное в VisReason-Pro. Для использования указана лицензия other; конкретные условия следует сверять с файлами лицензии репозитория.

WangchanBERTa-QA-thaiqa_squad — модель для ответов на вопросы по предоставленному тексту, разработанная на основе wangchanberta-base-att-spm-uncased и дообученная на наборе данных thaiqa_squad. Она использует архитектуру CamemBERT и содержит 132,5 млн параметров. Модель предназначена для извлечения ответа из контекста на тайском языке, например для систем вопросов и ответов по статьям или документам. Принимает вопрос и текстовый контекст, выдаёт текстовый ответ; максимальная длина контекста — 512 токенов. В README описана очистка данных от HTML-тегов и знаков пунктуации. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Модель Whisper Large, дообученная Карлосом Даниэлем Эрнандесом Меной в Лаборатории языка и голоса Университета Рейкьявика для автоматического распознавания исландской речи. Для обучения использовано около 1000 часов данных, включая речь детей, парламентские выступления и речь изучающих исландский; часть материалов не опубликована. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате PyTorch. Она принимает аудио и генерирует текстовую расшифровку на исландском языке. Лицензия — CC BY 4.0. В README приведён результат оценки 12,325, но метрика и условия тестирования не уточнены.

AfrimBert-QA — модель amidblue, дообученная на базе amidblue/mBertKE для извлечения ответов на вопросы по тексту. Она рассчитана на одноязычный и межъязыковой поиск ответов в материалах на африканских языках и английском; обучение включает AfriQuAD, KENSQUAD, AFRIQA и дополнительные данные. Модель построена на BERT, содержит 205,1 млн параметров, принимает текстовые вопросы и контекст и возвращает найденный фрагмент текста. Максимальная длина контекста — 512 токенов. В карточке заявлена поддержка 15 языков: суахили, луо, киньяруанда, игбо, твийского, фон, зулу, бемба, лингала, английского и других африканских языков. Суахили преобладает в данных; для ряда языков примеров мало, поэтому качество может заметно различаться. Модель доступна через Transformers в формате safetensors; доступ к репозиторию ограничен и требует запроса на Hugging Face. Лицензия в предоставленных данных не указана.