Модели с открытыми весами с 2022 года: текст, код, картинки, видео, речь, 3D. По каждой коротко: какие задачи решает, где применяется, какое нужно железо и можно ли в коммерцию. Любую из них поставлю на ваш сервер и дообучу под вашу задачу.
Плотная (не MoE) модель на 65B параметров, предобученная на 12 трлн токенов, с контекстом до 1 млн токенов. Сделана для программирования и агентов: по тесту самих авторов, на Terminal-Bench 2.1 набирает 80,52 и обходит гораздо более крупные американские открытые модели (Reflection Beam 501B с 80,1, Meta Muse Spark Open 816B с 76,4, NVIDIA Nemotron 3 Ultra 550B с 56,4). Авторы стартовали от рецепта Olmo 3 и заявляют выигрыш в эффективности обучения на коде от 16 до 55 раз. Спроектирована для видеокарт NVIDIA. Выложены BF16 и NVFP4 для инструктивной версии и базовая BF16. Это предварительный выпуск (Preview), цифры авторов не независимые.
агент для программирования в терминале и репозитории
Сверхкрупные MoE-модели Moonshot для агентной работы. K3 на 2,8 трлн параметров — самая большая открытая модель на момент выхода, с контекстом до 1 млн токенов и пониманием картинок; K2.7-Code заточена под программирование. 4 ноября открыли веса K3.1 Pro (2,8 трлн параметров, 104B активных, контекст 1 млн токенов, картинки): доработка K3 для программирования, 3D и финансовых исследований; по тестам самой Moonshot, Terminal-Bench 4.0 65,7%. Веса в MXFP4, около 1,56 ТБ, запускается через vLLM и SGLang, нужен серьёзный кластер.
Российское семейство генерации картинок и видео от Сбера. Хорошо понимает запросы на русском и российский культурный контекст, открыто под MIT. Новый Kandinsky S2V 1.0 (Avatar, MIT) оживляет человека на одном кадре по записи речи: двигается вся фигура, мимика и жесты, ролики до минуты. Версии Pro (HD) и Lite (SD, идёт на домашней видеокарте); обучали на более чем миллионе фрагментов на 95 языках.
Индийские модели с упором на 22 языка Индии. Sarvam 30B и 105B 2026 года это MoE-модели с сильными навыками рассуждения и работы в агентах. В ноябре вышла Sarvam-Prism (Apache 2.0, на базе Sarvam-105B): модель решений, которая по контексту и вопросам с заданными вариантами ответа выдаёт вероятность каждого за один проход и не пишет текст. Нужна видеокарта с FP8 и около 120 ГБ памяти (B200 или H200); есть и платный API.
Компактная модель на 4B, которая сама управляет компьютером: смотрит на скриншот и кликает, а когда выгоднее, переключается на командную строку и правит файлы кодом. Обе роли в одной модели, без внешнего оркестратора. По тесту OSWorld-Verified (50 шагов) набирает 66,0%, по словам авторов лучший результат среди моделей на 4B, на задачах операционной системы 87,5%. Обучена из промежуточной Mage-VL в пять этапов, с набором из почти 294 тысяч синтетических задач на 6915 навыков. Контекст при обучении и запуске 32 768 токенов, архитектура держит до 262 144. Подходит для офисной автоматизации и помощников на своём компьютере. Цифры авторов.
агент, который работает в приложениях по скриншотам и командной строке
автоматизация офисных задач на своём компьютере без облака
Модели NVIDIA для агентов и рассуждений, заточенные под быстрый запуск на её видеокартах. Nemotron 3 это гибрид Mamba и MoE от 4B до 550B; Nano Omni разбирает видео, аудио и картинки (только английский). Новая Nemotron 3.5 Super VL (120B, активны 12B, контекст до 1 млн токенов) читает текст, картинки и видео до двух минут, упор на документы и агентов; сжатая Bolt (74B, активны 9B) умещается в 24 ГБ видеопамяти. Языки Super VL: английский, испанский, французский, немецкий, итальянский, японский. Dory 1.0 (4B, контекст до 256 тысяч токенов, английский) прогоняет один и тот же блок слоёв несколько раз, и число проходов можно менять под задачу: больше проходов даёт больше точности без новой модели и без длинных рассуждений в тексте.
Общественная модель, переобученная из FLUX.1-schnell с упрощённой архитектурой. Без цензуры стилей, популярна как база для дообучения. В октябре вышла Chroma-H3 (lodestones): картиночное дообучение видеомодели MiniMax H3 на 33B с ускоряющими адаптерами на 4 и 8 шагов; лицензия у неё от MiniMax H3.
По одной картинке предмета делает трёхмерную модель в виде гауссовых сплатов (формат 3DGS .ply). Берёт рендер, сгенерированную картинку или фото, сама убирает фон, кадрирует предмет и достраивает стороны, которых на снимке нет, до миллиона гауссиан. Работает на обычной видеокарте с 7,2 ГБ памяти, по заявлению авторов за две секунды. Есть режимы для рендеров и для фотографий. Результат открывается в любом просмотрщике сплатов. Веса Apache 2.0, но для запуска нужны два закрытых кодировщика (DINOv3 и VAE из FLUX.2-dev) с их собственными условиями, это влияет на коммерческое использование.
быстрые 3D-превью товаров по одному фото для карточек и каталогов
Модель на 33B, которую авторы называют старшей учительницей для будущих лёгких агентов: на ней они собираются обучать маленькие модели (например 3B). Сильна в программировании и офисных задачах: на тесте JobBench по 35 профессиям, по словам авторов, обгоняет базовую модель в большинстве. Контекст до 512 тысяч токенов, рассуждение можно включать и выключать, вызов инструментов лучше всего работает в формате XML. Авторы сравнивают её с Qwen3.8-27B, Muse-Glimmer-30B и Gemma 4 31B и говорят, что она лидирует на большинстве тестов; цифры их собственные. Выложена и базовая версия.
агент для программирования и работы с инструментами
офисные задачи по профессиям: отчёты, таблицы, разбор документов
Видеомодель Pika на основе открытых весов MiniMax H3: делает видео сразу со стереозвуком за шесть шагов и принимает до 12 опорных материалов (картинки, видео, звук), по ним задаётся режиссура кадров. Два адаптера: FL2VA для текста и начального и конечного кадров, Ref2VA для опорных материалов. Локально идёт в 480p и 768p, а 1080p, 2K и 4K, звуковые дорожки и улучшение запроса доступны только через платный API Pika. Подходит для историй из нескольких планов, анимированной графики, роликов о товарах. Лицензия наследует условия MiniMax H3, и она не действует в ЕС, Великобритании, Южной Корее и США, это нужно проверить до использования. Для запуска нужны серверные видеокарты.
рекламные ролики и ролики о товарах с готовым звуком
анимация по опорным картинкам и видео, истории из нескольких планов
Открытые веса видеомодели Hailuo от MiniMax. Крупная модель на 33B, делает видео по тексту и картинке, но требует нескольких серверных видеокарт. Лицензия не действует в Евросоюзе, Великобритании, Южной Корее и США. Октябрьское дообучение на этих весах: Pika H3 Flex.
Быстрые модели распознавания речи от NVIDIA, в том числе потоковые для работы в реальном времени. Parakeet TDT v3 и Nemotron 3.5 ASR понимают русский. Новая Nemotron 3.5 Transcribe (34B, 4.3B активных, OpenMDW 1.1) расшифровывает записи до часа на 40 языках, переводит речь, делит её по говорящим, ставит метки времени по словам и отвечает на вопросы по содержанию (вопросы только на английском); для русского доступны все задачи. Только готовые файлы, живой поток не поддерживается. Цифры авторов: 5,33% ошибок в словах на английском в открытом рейтинге Hugging Face.
Модель «живого мира» в видео: строит мир по сегментам, а вы управляете им текстом и траекторией камеры. На каждом шаге можно добавить предмет, сменить стиль или сцену, описать действие или повернуть камеру, а память мира переносится между сегментами. Выход 720 на 1280 при 24 кадрах в секунду, на сегмент нужно 8 шагов. Стандартная конфигурация рассчитана на несколько видеокарт, но есть вариант для одной RTX 4090 с INT8-весами и выгрузкой части на процессор. Для узких областей вроде робототехники можно подключить лёгкую настройку LoRA. Вместе с моделью вышел набор проверок Hy-Nomas-Bench на 280 случаев; технический отчёт и тесты самой модели обещаны позже.
интерактивные видеомиры и прототипы игровых сцен по описанию
тестовые видео для робототехники с настройкой LoRA
эксперименты с управляемой камерой и устойчивостью сцены
Размеры
не указан (54 блока MMDiT, текстовый кодировщик Qwen2.5-VL-7B)
Семейство Ant Group: Ling — обычные модели, Ring — рассуждающие. Есть и триллионные флагманы, и экономичная Ling-3.0-tiny, которой хватает 1,3 млрд активных параметров. Новая Ling-3.1-flash (560B, активны 25B, контекст 1 млн токенов) рассчитана на агентов, офисные задачи и разработку. Доработанная Ling-3.1-flash-1019 (MIT), по оценке авторов, подняла индекс Artificial Analysis с 41 до 44.
Маленькие модели решений: по тексту, картинке или голосовой записи отвечают «да или нет», выбирают вариант или ставят оценку за один проход, текст не пишут. d1-3B видит картинки, d1-omni-600M ещё и слышит речь до 30 секунд. Русский заявлен. Открытые d1-2B (текст, картинки и видео, на базе LFM3-VL-2B) и d1-Omni-2B (ещё и звук) решают за миллисекунды, по замерам авторов 5,7 мс на H100; кроме выбора ответа они вытаскивают текст, числа и даты с позициями и находят объекты на картинке. Это не чат-модель.
сортировка обращений и заявок по отделам
проверка фото на браке или нарушении по списку вопросов
Модели новой архитектуры для работы прямо на устройстве: быстрые на обычном процессоре и в телефоне. Есть версии для извлечения данных, RAG и инструментов, а также LFM2.5-VL для картинок и голосовая LFM2.5-Audio. Старшая LFM2.5-24B-A2B (2,45B активных, контекст 131 тысяча токенов, русский в списке языков) всегда рассуждает перед ответом и рассчитана на быстрых агентов на устройстве. В октябре вышло поколение LFM3 на новой трёхгибридной архитектуре: LFM3-1.7B для локальных агентов (контекст 256 тысяч токенов, около 1 ГБ памяти в 4 бита, предобучена на 22 трлн токенов), LFM3-VL-2B для картинок, LFM3-Audio-2B для речи и LFM3-Omni-2B, который понимает текст, картинки, видео и звук, а отвечает текстом и речью. Для сложного кода и многошаговых рассуждений авторы её не рекомендуют.
Первая модель семейства MiniCPM, заточенная только под документы: распознаёт текст, таблицы, формулы, диаграммы, печати и достаёт нужные поля из бумаг. Всего 1.3B. По тестам авторов, 93,68 на Real5-OmniDocBench (разбор документов в реальных условиях: сканы, фото, перекошенные и переснятые страницы) и 54,7 на OCRBench v2. Заявлены китайский и английский, русский не заявлен. К ней выложена вспомогательная модель DSpark, которая ускоряет генерацию: по словам авторов, обработка быстрее на 55%, а скорость примерно в 1,5 раза выше PaddleOCR-VL-1.6 и в 3,6 раза выше MinerU2.5 Pro. Работает в vLLM, SGLang, llama.cpp и Ollama, есть сжатые версии GGUF, AWQ и GPTQ.
разбор сканов и фото документов в разметку: текст, таблицы, формулы
извлечение полей из счетов, договоров и анкет на китайском и английском
быстрая обработка потока документов на небольшом сервере
Компактная модель на 4B для запуска прямо на устройстве, с упором на агентов: вызов инструментов, планирование в несколько шагов, программирование, длинный контекст. Версия 2.6 вышла примерно через месяц после 2.5 с той же архитектурой, выросла только за счёт дообучения. Бюджет рассуждения настраивается: нет, низкий, высокий. Авторы заявляют, что она держится на уровне моделей около 9B. Языки в карточке: английский и китайский, русский не заявлен. Для запуска нужен собственный код модели в transformers. Цифры авторов. В конце октября добавился размер 1.7B (INT4, INT8, FP8).
агент с вызовом инструментов на домашнем компьютере или ноутбуке
локальный помощник программиста, которому не нужен большой сервер
встроенный ИИ в приложение с выбором, сколько модели думать
Семейство Ant Group для поиска элементов на экране и выполнения задач в интерфейсе телефона и компьютера. UI-Venus-2 отдельно обучали отказываться от опасных действий. В октябре вышла LBS-27B (Apache 2.0, на базе Qwen3.8-27B): она учится выбирать и приближать нужные участки изображения на разметке интерфейсов и переносит этот навык на обычные вопросы по картинкам.
OCR-модель Baidu, развивающая идеи DeepSeek-OCR: разбирает многостраничные документы и PDF целиком за один проход и выдаёт размеченный текст. Заявлена как многоязычная, но список языков не опубликован. 27 октября вышла Unlimited-OCR-2 (MIT, около 3.3B): по описанию авторов, она разбирает документы неограниченной длины (приём SR-SWA), вместе с ней опубликован набор MarathonDocBench для очень длинных документов.
Перевод многостраничных PDF и сканов в текст и Markdown
проект vLLM Semantic Router · международный проект
Открытое семейство моделей для ИИ-шлюза: на запрос отвечают вероятностями, не генерируя текст. Определяют тему и срочность, попытку взлома, вредный запрос, персональные данные, нужен ли инструмент. Малые версии работают на процессоре, Vela понимает 17 языков, включая русский. Новая d3 (27B) читает ещё и несколько картинок и видео, а d3-turbo, по оценке самих авторов, точнее её на 4 пункта в тексте. Самая новая в линейке d3-ultra вышла 24 октября.
маршрутизация запросов между моделями и командами
проверка запроса на попытку взлома и вредное содержание до основной модели
Открытая языковая модель на 14.8B для работы с ДНК, построенная на Qwen3-14B. Вы присылаете сырую последовательность прямо в обычном чате, а она отвечает по-английски: оценивает, безвредна мутация или болезнетворна, находит участки, управляющие работой генов, относит последовательность к группе организмов, предсказывает следующие основания и объясняет ход мысли. ДНК и текст идут одним потоком, ДНК кодируется шестёрками оснований. По тестам авторов, на пяти наборах она набирает 66,7% без рассуждения, на 27 пунктов выше Qwen3-14B, и по стоимости примерно в 1800 раз дешевле GPT-6.1 Sol при близком результате. Влезает на одну видеокарту на 80 ГБ, так что чувствительные данные можно оставить у себя. Вирусные данные из обучения исключены из-за рисков. Выводы расчётные и не заменяют лабораторную проверку.
оценка вариантов ДНК: безвредный или болезнетворный
поиск участков, управляющих активностью генов
исследовательский помощник для биологов на своём сервере
Семейство открытых моделей озвучки от Ant Group: плотная 0.5B на основе Qwen2.5-0.5B и MoE-версия tiny (7.9B параметров, около 1.3B активных, на основе Ling V3). Клонируют голос по короткому образцу, создают голос по словесному описанию, управляют подачей, эмоцией, скоростью, высотой и громкостью. Есть более 100 встроенных китайских голосов, пять английских и 14 вставных меток для вдоха, кашля, смеха, вздоха и сомнения. Языки: китайский, английский, немецкий, испанский, французский, корейский, японский и диалекты сычуаньский и кантонский, русского нет. Частота 44,1 кГц. Для запуска нужен код из репозитория на GitHub, сама страница на Hugging Face только раздаёт веса. Для ComfyUI есть сборка от Comfy-Org.
озвучка роликов и подкастов на китайском и английском с управлением эмоцией
Крупные MoE-модели с очень длинным контекстом (до 1 млн токенов у Text-01 и M3). M3 — мультимодальная, понимает картинки. В октябре вышли открытые веса M3.1-Flash (около 428B, 23B активных, контекст до 1 млн токенов, текст, картинки и видео): модель для программирования, агентов и работы с компьютером, ускоренная разреженным вниманием. Лицензия MiniMax Community: бесплатно для некоммерческого использования; для коммерции нужна надпись «Built with MiniMax M3.1-Flash» и разовое уведомление MiniMax, а при выручке продукта от 20 млн долларов в год отдельное разрешение; военное применение запрещено. Цифры по тестам самой MiniMax. Лицензии сильно различаются от версии к версии.
Диффузионная модель, которая создаёт трёхмерную анимацию тела по текстовому описанию и заданным условиям: позам, положению рук и ног, маршруту и точкам, через которые нужно пройти. Есть версии под скелет SOMA (30 суставов), робота Unitree G1 (34 сустава) и человека SMPL-X (22 сустава). Версия 1.2 обучена на исправленном наборе: в 1.1 часть тестовых записей попала в обучение, поэтому новую версию стоит сравнивать с другими моделями. По данным авторов, стало меньше скольжения стоп, текст модель выполняет чуть хуже. Данные некоторых вариантов закрытые (Bones Rigplay), открытые варианты обучены на Bones-SEED.
анимация персонажей для игр и видео по описанию
движения для гуманоидных роботов (скелет Unitree G1)
Модели «мира» для роботов и беспилотников: генерируют реалистичное видео физических сцен и предсказывают действия. Cosmos 3 объединяет понимание, генерацию и управление. В октябре вышли хирургические версии: Cosmos3-H-Embodied-Nano (16B, одна модель для предсказания видео, действий и политики на хирургических роботах) и Cosmos3-H-Dreams (мир для симуляции операций с роботом Versius в реальном времени). Они идут по лицензии NVIDIA Open Model License.
Синтетические видео для обучения роботов и беспилотников
Эмбеддинги NVIDIA для поиска и RAG. Nemotron-3-Embed 2026 года вышли под свободной лицензией OpenMDW и работают на многих языках. В октябре вышла Nemotron-3.5-Embed (1B и 8B, OpenMDW 1.1): она ищет документы по тексту и по картинке страницы с таблицами, графиками и инфографикой; для текста проверена на 34 языках, русский среди них. 8B построена на Ministral 3.
Модель корейской KRAFTON (издатель PUBG) на 30B параметров, 4B активных, обученная с нуля. Сильна в корейском разговоре и в агентных задачах: умеет рассуждать и вызывать инструменты, работает с Hermes Agent, Pi и OpenCode. Языки обучения: корейский, английский, японский, китайский, испанский, французский, тайский, русский среди них не назван. Есть сжатые версии MXFP8 и NVFP4 и вспомогательная модель для ускорения генерации. Это пробный выпуск (preview), характеристики до финала могут измениться. Веса выдаются после заявки на Hugging Face, цифры по тестам авторов.
корейскоязычный ассистент и поддержка клиентов
агент с вызовом инструментов на собственном сервере
Открытая модель-эксперт (39.8B параметров, 2.5B активных на токен) для агентов-программистов: разбирается в чужом репозитории, чинит ошибки, дописывает функции и тесты, умеет рассуждать и вызывать инструменты за несколько шагов. Обучена с нуля, контекст 262 тысячи токенов, только текст. Весит около 80 ГБ, авторы запускают её на одной видеокарте B300 или H200 через SGLang. По тестам самих авторов: Terminal-Bench 2.1 54,9%, SWE-bench Pro v2 89,7%, SWE-bench Verified 74,2%. Сравнения с другими моделями частично взяты из их собственных отчётов, условия замеров у источников разные.
агент для исправления ошибок и доработки репозитория в терминале
Contrastive-LM (по анонсу: Стэнфорд совместно с NVIDIA) · США
Открытая модель быстрого выбора для агентов: получает описание ситуации и набор вариантов и возвращает вероятность каждого, не генерируя текст. Умеет решать «да или нет», выбирать из списка и ставить оценку по шкале. Действия и состояние кодируются отдельно, поэтому векторы действий можно посчитать заранее: по замерам авторов, при выборе из примерно тысячи вариантов она до 13 раз быстрее аналога Jev. После дообучения работает проверяющим, который выбирает лучшее из нескольких решений кодового агента (DeepSWE 81,6%, Terminal-Bench 2.1 87,6% по их замерам). Нужны Linux, видеокарта NVIDIA и Qwen3-8B в vLLM, язык карточки английский.
быстрый выбор следующего действия агента из заданных вариантов
проверка и ранжирование нескольких решений кодового агента
маршрутизация обращений: отдел, срочность, оценка по шкале
Размеры
8B (замороженный Qwen3-8B плюс две небольшие проекционные головы)
Семейство моделей Bria для картинок: Fibo 2.0 dev рисует по тексту, Fibo 2.0 edit turbo правит готовые изображения по описанию. По статье авторов, модель учили на очень подробных структурированных описаниях, чтобы лучше слушаться длинного задания. Веса бесплатны только для некоммерческих задач: для рекламы и продаж нужна отдельная лицензия Bria. Для ComfyUI есть готовые файлы, включая сжатые до int8. Языки запросов в карточке не указаны.
создание картинок по подробному описанию для тестов и прототипов
правка готовых картинок по текстовой команде
исследования и личные проекты без коммерции
Размеры
не указан (в комплекте текстовый кодировщик Qwen3-VL 4B)
Модели для агентной разработки: сами строят план и обвязку под задачу и выполняют её в терминале. Дообучены на базе Qwen 3.5 и Gemma 4, работают с Claude Code, OpenHands и похожими инструментами. В октябре вышла Ornith-1.5-122B (MoE, MIT): по словам авторов, она сильнее и быстрее предыдущих, пишет короче и рассчитана на одну видеокарту класса DGX; есть сжатые версии FP8, NVFP4, GGUF и MLX. Цифры авторов.
Быстрый эмулятор климатической модели: моделирует атмосферу на годы и десятилетия вперёд на одной видеокарте. Есть связка с океаном (SamudrACE) для долгосрочных сценариев. Новая HiRO-ACEv2 добавляет диффузионную модель, которая доводит грубую сетку в 100 км до 3 км: осадки, ветер и давление каждые 6 часов на десятилетия вперёд, по всему миру или для выбранного региона. По оценке Ai2, глобальные данные 3 км выходят примерно в 300 раз дешевле, чем у модели X-SHiELD. Пока повторяется только климат X-SHiELD, не реальная погода по архиву.
Сценарии климата на десятилетия для оценки долгосрочных рисков активов
Массовые расчёты «что если» по температуре и осадкам
Подготовка данных для моделей урожайности и спроса на энергию
Модель на 12B, которая переписывает черновики, написанные ИИ, чтобы они читались как человеческие: письма, эссе, отчёты, посты на форумах. Обучена сохранять все числа, единицы, даты, имена и цитаты и ничего не добавлять. Работает на своём компьютере, есть готовое приложение для Mac и Windows, которое работает без интернета, и файлы GGUF разной степени сжатия для llama.cpp. Заявленные языки: английский и китайский, русский не заявлен. По замерам автора, детектор Originality.ai признал человеческими 95% английских переписанных текстов. Результат всё равно нужно перечитывать, особенно числа и имена.
переписывание черновиков писем и отчётов, чтобы текст звучал естественнее
правка текстов после ИИ без потери чисел, дат и цитат
локальная обработка текстов, которые нельзя отправлять в облако
Модель, которая ведёт долгую память ИИ-агента: решает, что из переписки, рабочих задач или кода стоит запомнить, в каком виде, и как новые сведения меняют уже сохранённое. Заменяет универсальную модель внутри систем памяти Mem0, MemOS и собственной Hy-Memory. Языки в карточке: английский и китайский. Цифры по тестам приведены самой Tencent.
память ассистента о клиенте между разговорами
запоминание хода работы над проектом и кода
обновление сохранённых сведений при новых данных вместо дублей
Модель генерации картинок по тексту. Принимает обычное описание, наборы тегов и JSON-разметку, в которой можно задать, где стоит надпись и как расположены предметы. Хорошо рисует текст на английском и китайском. Есть базовая и дообученная (SFT) версии, подключается к ComfyUI. Использует текстовый кодировщик на базе Qwen3.5-9B и декодер FLUX.2. Сообщество уже дообучает её: Kromoss (lodestones) убирает размытость базовой версии, заменяет SFT один в один и идёт с ускоряющей LoRA на 8 шагов.
Qwen3.8-27B, сжатая до 2 бит в один файл GGUF на 7,9 ГБ вместо 54 ГБ, с упором на то, чтобы вызов инструментов не ломался. По замерам авторов (их тест Underdog Bench), вызов инструментов 88 против 84 у полной модели, параллельные вызовы 42 против 35, в среднем 96% качества полной модели на девяти тестах. Запускается обычным llama.cpp и Ollama, режим рассуждений включается и выключается, картинки понимает с отдельным файлом зрения (около 0,6–0,9 ГБ). Заявленный язык карточки: английский.
агент с вызовом инструментов на домашней видеокарте
локальный помощник для программирования с функциями
Крошечная OCR-модель, которая работает на обычном процессоре без видеокарты и без PyTorch: на ONNX Runtime, около 230 мс на страницу на четырёх ядрах, до 49 страниц в секунду. Превращает PDF и картинки в markdown, текст или JSON с рамками строк и блоков (заголовки, списки, таблицы, подписи) и порядком чтения. В цифровых PDF берёт готовый текстовый слой и распознаёт только недостающее. Русский есть среди заявленных языков. Для рукописи, формул и сложных таблиц авторы советуют свою большую Chandra. Цифры скорости и точности по замерам авторов.
быстрое массовое превращение PDF и сканов в markdown на сервере без видеокарты
поиск по архивам документов: текст с рамками и порядком чтения
предварительная разметка страниц перед тяжёлой моделью
Открытая модель американской Reflection на 501B параметров (23B активных, контекст 1 миллион токенов), только текст, в основном английский. Заявлена как экономная в рассуждениях: по словам авторов, ей нужно примерно втрое меньше токенов на размышления при сопоставимом качестве. Сильна в программировании, вызове инструментов и науке. Веса в BF16, FP8 и NVFP4. Цифры по тестам авторов.
агент для решения задач в репозитории и терминале
длинные задачи с инструментами и поиском (через MCP)
решение научных и математических задач с рассуждением
Флагманская линия DeepSeek: от первых 7B/67B до V4-Pro на 1,6 трлн параметров. Уровень закрытых моделей при открытой MIT-лицензии; картинки понимают V4-Flash-Vision-Exp и V4.1-Flash, контекст до 1 млн токенов. Свежая V4.1-Flash-1017 отвечает короче и быстрее предыдущей Flash: по замерам самой DeepSeek, на DeepSWE v1.1 77,0 против 74,2, на Terminal-Bench 4.0 42,3 против 31,2.
Крупнейшая открытая модель Meta: 816B параметров, на каждый токен работают 42B, контекст 1 миллион токенов. Понимает текст, картинки, видео и звук, отвечает текстом. Создана для программирования и длинных агентных задач. Обучена на данных более чем на 100 языках. Доступ к весам на Hugging Face выдаётся вручную.
агент для работы с кодом и длинными задачами с вызовом инструментов
разбор скриншотов, графиков, документов, видео и записей
Семейство моделей для прогноза временных рядов без обучения под задачу: по истории продаж, спроса или нагрузки выдаёт прогноз с интервалами (21 квантиль). Принимает до 32 тысяч точек истории и прогнозирует до 1024 шагов за раз. По замерам Mistral, лучшая в нулевом режиме на GIFT-Eval, TIME и fev-bench. Работает на процессоре.
прогноз продаж и спроса по истории
прогноз нагрузки на склад, кассу, колл-центр
оценка риска нехватки или излишка запасов по интервалам прогноза
Небольшой реранкер NVIDIA на 1B. У версии vl на вход идут и страницы документов картинками, а не только текст. Новая 8B (Nemotron-3.5-Rerank) оценена на 34 языках, включая русский, и принимает текст, страницы-картинки или оба вида сразу, в том числе диаграммы и таблицы.
Переупорядочивание фрагментов перед ответом ИИ-помощника
Генерация картинок от авторов Stable Diffusion. Хорошо рисует текст на изображении и держит композицию. Новая FLUX.3 Image Klein (5,6B) рассчитана на обычные видеокарты: сразу до 4K, правка по областям, до десяти референсов; доступ к весам даётся автоматически после входа на Hugging Face.
Эмбеддинги для поиска по смешанным материалам: текст, картинки и страницы с текстом и картинкой вместе попадают в одно пространство, и по одному текстовому запросу можно ранжировать их в общем списке. Создана на основе исследования о том, что обычные модели предпочитают текст картинкам. Язык в карточке: английский.
поиск по каталогу, где часть товаров описана текстом, часть картинкой
Быстро определяет язык и диалект текста в арабской графике: современный литературный арабский, все диалекты и 51 класс в целом. Различает близкие языки на той же письменности (персидский, урду, пушту и другие), чтобы текст не считался арабским только из-за букв. Работает на процессоре.
определение диалекта в обращениях клиентов на арабском
сортировка текстов по языкам на арабской графике
подготовка данных для обучения и поиска
Размеры
модель fastText с калибровкой, число параметров не указано
Фуданьский университет, Tencent Hunyuan и Чжэцзянский университет · Китай
Создаёт видео сразу со звуком: из первого кадра и описания получается ролик с речью, эффектами и музыкой. Заявлена родная генерация в 720p, 1080p и 2K. В сторонней сборке FreeVideo (1280×720, 8,5 секунды) запускается на одной карте RTX 30, 40 или 50 от 12 ГБ памяти, но быстро не будет.
Генерирует картинки напрямую в пикселях, без сжатого скрытого пространства. После дообучения те же веса оценивают глубину по одной фотографии, восстанавливают и увеличивают изображения в 4 раза. Промпты на английском, размер по умолчанию 1024 на 1024.
генерация изображений по описанию
оценка глубины сцены по одной фотографии
восстановление и увеличение старых или сжатых снимков
Одна компактная модель превращает страницу документа, график, блок-схему, геометрический чертёж, аудио или видео в структурированный JSON: с координатами блоков, таблицами, формулами, расшифровкой речи и временными метками.
разбор сканов и PDF с таблицами и формулами
перевод графиков и блок-схем в таблицу или диаграмму
Шанхайская лаборатория искусственного интеллекта · Китай
Агентная модель для долгих задач: поиск и сбор доказательств, исследования, разработка, подготовка отчётов и презентаций, анализ уязвимостей в разрешённой среде. Превью на базе GLM-5.2, контекст 256 тысяч токенов, только текст. Есть версия FP8.
глубокий поиск и исследование по теме с проверяемым результатом
разработка программ и подготовка отчётов и презентаций
проверка и исправление уязвимостей в авторизованной среде
Ищет нужные страницы по документам как по картинкам, не переводя их в текст: сопоставляет запрос с визуальным видом страницы. На ViDoRe V3 набирает 66,75 у версии 8B. Индекс можно сжать до 32 векторов на страницу.
поиск по сканам, презентациям и отчётам без распознавания текста
Компактный агент для работы с кодом репозитория на базе Qwen3.5-4B: ищет по проекту, правит файлы, запускает тесты и готовит патч. Обучен только с подкреплением на примерно 1500 синтетических задачах. Работает через лёгкую обвязку Leaf из пяти инструментов.
исправление ошибок в репозитории по описанию задачи
Шанхайская лаборатория искусственного интеллекта · Китай
Модель решений на базе Qwen3.5-4B: по тексту и картинкам отвечает вероятностями на все вопросы о ситуации за один проход, без генерации текста. Подходит для маршрутизации заявок и оценки срочности.
Предобученная модель для таблиц: классификация и регрессия по примерам в контексте, отдельно обучать под задачу не нужно. Подаёте размеченные строки и строки, для которых нужен прогноз, и получаете вероятности классов.
Языковая модель для компьютерной томографии: смотрит на объём КТ грудной клетки или брюшной полости целиком, а не на отдельные срезы, пишет структурированные заключения и отвечает на вопросы с рассуждением. Только английский.
Разбирает страницу документа целиком: превращает её в Markdown с формулами в LaTeX и таблицами в HTML. Версия 4B на OmniDocBench v1.6 набирает 95,38. Языки в карточке: английский и китайский.
Открытый агент для управления рабочим столом: смотрит на живые скриншоты, рассуждает и выдаёт клики и ввод с клавиатуры. Можно показать рабочий процесс один раз, и агент перенесёт его на новую задачу. Нужна внешняя среда, которая исполнит действия.
автоматизация работы в программах без API
повторение рабочего процесса по одному показанному примеру
Универсальные эмбеддинги на базе Qwen3.5: переводят текст, картинки, видео и визуальные документы в один вектор на 4096 чисел. Звук не поддерживается. Языки в карточке: китайский и английский.
поиск по каталогу товаров по картинке или описанию
поиск по видео и презентациям
RAG по смешанным материалам из текста и изображений
MIT CSAIL, Массачусетская больница общего профиля и Гарвардская медицинская школа · США
Находит на рентгеновском снимке 60 анатомических структур: рёбра, позвонки, кости таза и конечностей. По ним можно автоматически мерить, например, угол искривления позвоночника. Патологии не ищет, правую сторону от левой не отличает.
разметка анатомии на рентгеновских снимках
измерение угла искривления позвоночника
сопоставление кадров рентгеноскопии с КТ при навигации
Одна модель для разработчиков: читает документы и таблицы, расшифровывает речь с разметкой спикеров, находит объекты на картинке и отвечает строго по заданной JSON-схеме. Внутри ядро для рассуждений и набор узких моделей.
разбор документов и таблиц с координатами текста
расшифровка записей с разметкой спикеров
извлечение данных из документов в заданную JSON-схему
Размеры
модель на 80 ГБ видеопамяти (ядро на базе Qwen3.8-27B)
Железо
от: 1 видеокарта
Коммерция с условиямиПодробнее
Под эти условия моделей нет. Сбросьте фильтр или опишите задачу — подберу сам.
Открытую модель можно поставить на свой сервер: данные не уходят в чужое облако, нет оплаты за каждый запрос, модель можно дообучить на ваших документах.
ПодберуМодель и размер под задачу и бюджет на железо
ПоставлюНа ваш сервер или в закрытый контур, с API
