🤗 Топ-5 Hugging Face за неделю

DeepSeek выпустил обновлённую версию своей флагманской модели — V4.1 Flash, теперь с индексом 1017, и сами авторы называют это доработкой под задачи рассуждения, программирования и агентных сценариев. Весит она 763 миллиарда параметров, и даже сжатая версия для локального запуска занимает несколько сотен гигабайт — поставить такое на свой компьютер нереально. По одному из тестов на автономное программирование она получила 77 баллов, и на бумаге это звучит сильно. Я каждый день работаю с агентами в Claude Code, и с китайскими моделями такого калибра обычно повторяется одна и та же история: на бумаге сильно, а в настоящей агентной работе — слабее.

💻 Серверное железо — дома не запустить. Даже сжатая версия занимает около 460 ГБ.

OpenBMB показали, что их новая модель для понимания картинок и видео, MiniCPM-V 4.7, работает прямо на iPhone, без сервера и без интернета — авторы заявляют скорость от 13 токенов в секунду на iPhone 17 Pro Max, а занимает на телефоне около 3 ГБ. Модель понимает одно изображение, несколько сразу и видео, то есть можно показать ей скриншот или ролик и получить описание обычным языком. Для компьютера есть версия в формате GGUF, так что завести её на десктопе — тоже не проблема. Технически это красивый фокус, но как рабочий инструмент для серьёзных задач я бы на неё не рассчитывал — такой класс моделей годится для простых повторяющихся вещей, а не для настоящей агентной работы.

💻 Mac от 64 ГБ памяти или видеокарта на 48 ГБ — для компьютера. На телефоне, по словам авторов, достаточно около 3 ГБ.

FishAudio выпустили третье поколение своей голосовой модели — Drama 3, и сами называют её новым поколением модели для озвучки, построенной под многоголосые сцены и длинные тексты. В одной записи модель может развести до 16 разных голосов, клонировать голос по короткому образцу и управлять интонацией через простые текстовые пометки — например, задать, что реплика произносится со злостью или шёпотом. Авторы говорят про 83 поддерживаемых языка и про автоматическую разбивку длинных текстов на части, так что для озвучки целой главы книги не придётся резать текст руками. На тяжёлых серверных картах они укладываются меньше чем в 100 миллисекунд на реплику, но что получится на обычной видеокарте — в карточке не сказано.

💻 Оценочно — Mac от 64 ГБ памяти или видеокарта на 48 ГБ; точных требований для обычного компьютера авторы не называют.

Black Forest Labs сами описывают FLUX 3 Image Klein как модель с открытыми весами на 5,6 миллиарда параметров для генерации и редактирования картинок, и в этот раз они же сразу упаковали её под ComfyUI с готовыми наборами для работы — не нужно самому собирать модель из кусков. Можно сгенерировать картинку по описанию, отредактировать одну фотографию по инструкции или собрать композицию из нескольких референсов. Облегчённая версия идёт на 8 ГБ видеопамяти — подходит даже для не самой новой RTX 3070. Веса открытые, и по лицензии коммерческое использование результатов бесплатно, если выручка компании меньше 5 миллионов долларов в год.

💻 Видеокарта от 8 ГБ — версии потяжелее нужна видеокарта помощнее.

Lightricks описывают LTX-2.5 как модель с открытыми весами, которую можно запускать и дообучать у себя, а её основное применение — генерация синхронного видео и звука по тексту, картинке или видео на входе. Модель состоит из двух версий трансформера по 22 миллиарда параметров: быстрой дистиллированной и полной для дообучения. Для слабых видеокарт авторы упоминают облегчённый режим с выгрузкой в память, но точную минимальную карту не называют — неприятный пробел для тех, кто планирует запуск дома. По лицензии коммерческое использование бесплатно, если выручка компании меньше 10 миллионов долларов в год.

💻 Точных цифр авторы не называют, упоминают только облегчённый режим для слабых карт. По размеру модели (22 миллиарда параметров) — это ориентировочно видеокарта от 13 ГБ в сжатой версии, Mac или видеокарта мощнее для исходной.