Топ-5 моделей Hugging Face за эту неделю

Эту модель можно скачать через Ollama. Это 4-битная версия, всего 17 ГБ, так что она без проблем работает на моем Mac с 32 ГБ памяти. Qwen опубликовала мультимодальную модель на 27,8B, которая поддерживает текст, изображения и видео на входе с нативным контекстным окном в 262K токенов (можно расширить до 1M). Есть заметные улучшения по сравнению с Qwen3.6-27B (OSWorld-Verified выросла с 63,9 до 84,3, SWE-bench Pro — с 53,5 до 61,7, Terminal Bench — с 63,4 до 73,0). Мне нравится, что они добавили аргумент reasoning_effort, который позволяет настраивать глубину рассуждений. Теперь вместо того, чтобы позволять модели переусердствовать с размышлениями, можно самим решать, сколько усилий она должна на это тратить.

💻 Mac от 32 ГБ памяти или видеокарта на 24 ГБ

Я скачал LTX-2.5 от Lightricks — это не просто генератор видео, а генератор видео с синхронизированным звуком в одной модели. Главное улучшение — мультишот: можно создавать сразу несколько связанных сцен, сохраняя внешность одного и того же персонажа во всех кадрах. В предыдущей версии это было невозможно. Они улучшили свой VAE-декодер, поэтому изображения стали четче, особенно лица и текст. Также они заменили текстовый энкодер на кастомную модель Gemma 4 12B, которая корректно обрабатывает сложные промпты с несколькими персонажами. Веса выложены под коммерческой лицензией, позволяющей использовать их в проектах с выручкой до 10 млн долларов.

💻 Видеокарта на 24 ГБ VRAM или Mac от 32 ГБ памяти (поддерживается квантизация для меньших конфигураций)

MiniMax Music3 — модель на 2,4B параметров, способная генерировать полноценные песни (до 5 минут) включая текст, инструментал и структуру (куплеты, припевы, бриджи, outro). На входе — набор куплетов/припевов и описание желаемой песни (жанр, BPM, инструменты, настроение), модель выстроит вокруг них историю. Модель использует комбинацию глобальной (8B) LLM для высокоуровневого планирования и локальной (0,6B) LLM для деталей низкого уровня, а также Flow Matching для получения стереозвука 32 кГц в формате WAV. Правда, у модели не похоже, что есть явная лицензия, так что коммерчески ее, вероятно, использовать не стоит.

💻 Обычный ноутбук от 8 ГБ оперативки

Разверните MiniMax H3 — трансформер на 33B от MiniMaxAI, который превращает текст/изображения в видео с подходящим стереозвуком в разрешении до 2K. Модель разделена на 3 части: предобработка контекста, базовая генерация в 768p и апскейл до 2K (H3-Regenerate-2K пока закрытый). Использовал эту модель на задачах изображение+описание сцены, получил ролики по ~4–15 секунд при 24 fps. Это первая модель с открытыми весами, которая встретилась мне с нативной поддержкой стереозвука (без необходимости в отдельном пайплайне обработки аудио).

💻 Mac от 32 ГБ памяти или видеокарта на 24 ГБ

Запустите DeepSeek-V4-Flash-0731 через vLLM на серверном окружении. MoE-модель на 304B, выпущенная DeepSeek под лицензией MIT. «Flash» означает спекулятивное декодирование DSpark для быстрого инференса при активации лишь части от общего числа параметров. На Terminal Bench 2.1 она набрала 82,7 против 72,1 у DeepSeek-V4-Pro Preview. На DeepSWE результат вырос с 12,8 до 54,4, а на AutomationBench — с 12,8 до 25,1. Настройки reasoning_effort (low/high/max) позволяют контролировать, насколько глубоко/быстро модель должна рассуждать над задачей.

💻 Серверное железо — дома не запустить