Топ трендов HuggingFace за неделю — что приехало в опенсорс
TL;DR
Новое: LFM3 для агентов на телефоне. Диффузионная Clover. Mistral Large 4 с весами. Unlimited-OCR-2 для PDF на сотни страниц. Nemotron 3.5 Transcribe с русским и спикерами. Audio8-TTS с клонированием голоса. Pika H3 Flex со звуком. Idol делает 3D из картинки. numbat, выданная за утечку Anthropic, оказалась фейком.
Держится: DeepSeek-V4.1-Flash-1017, Nanbeige4.3-33B, Flint, Spark-X2.6-4B, Qwen3.8-27B, LTX-2.5, FLUX 3 Klein, Qwen-Image-2.1.
LLM и агенты
LFM3-1.7B — модель для локальных агентов: в 4 битах около 1 ГБ, контекст 256 тыс., есть русский. По замерам Liquid AI в среднем она обходит Qwen3.5-9B. Рядом вышли LFM3-VL-2B с видео на входе и LFM3-Omni-2B, которая отвечает голосом, но русского среди её языков речи нет; с ней можно поговорить прямо в браузере.
Clover-35B-A3B-Preview — диффузионная модель на базе Qwen3.6-35B-A3B: пишет блоками по 32 токена, заполняя уверенные позиции параллельно, и по замерам авторов выдаёт на H200 515 токенов в секунду против 365 у ускоренной Qwen. Apache 2.0, GGUF в Q4_K_M весит 23 ГБ, но SGLang и llama.cpp поддерживают её пока только в открытых PR.
Mistral Large 4, которую я разбирал после выхода весов, держится в топе.
Документы
Unlimited-OCR-2 переводит в Markdown PDF на сотни страниц за один запрос: модель смотрит на локальное окно и небольшой набор нужных фрагментов документа, поэтому память почти не растёт с длиной. 3,3 млрд параметров, MIT, на тесте авторов из документов в 103–300 страниц 77 баллов против 27 у Gemini 3.1 Pro Preview. Русский официально не заявлен, но страницу договора с таблицей я прогнал через демо чистой и зашумлённым сканом, и оба раза модель распознала всё без ошибок.
Речь
Nemotron 3.5 Transcribe — офлайн-распознавание речи на 40 языках, включая русский, которое заодно делит запись по спикерам, ставит метки времени и переводит. MoE, 4,3 млрд активных из 34, лицензия без коммерческих ограничений, NVFP4 весит 21,6 ГБ. По замерам NVIDIA это лучшая открытая модель в английском Open ASR Leaderboard, а по моим личным замерам лучше виспера. Расшифровать запись можно в демо.
Audio8-TTS-Realistic-Air — синтез речи на 0,6 млрд с клонированием голоса по образцу, в новой версии 23 языка, включая русский. В небольшом независимом замере готовые голоса стали звучать естественнее, а клонированная речь стала менее разборчивой. Apache 2.0, послушать можно в демо.
Видео и 3D
Pika H3 Flex — открытые веса видеомодели Pika: ролик со звуком за 6 шагов вместо 50 у исходной модели и до 12 референсов. Это LoRA поверх MiniMax H3, поэтому на один режим нужно около 147 ГБ на диске, проверяли на H100. Лицензия не действует в США, ЕС, Великобритании и Южной Корее, погенерировать можно в демо.
Idol собирает из одной картинки 3D-модель из гауссиан и достраивает невидимые стороны. По замерам авторов в пике нужно 7,2 ГБ видеопамяти, а на RTX 4090 уходит около 19 секунд. Apache 2.0, есть ноды для ComfyUI, покрутить модель можно в демо.
Сообщество
Qwen3.5-4B-3D-Coder — любительский файнтюн, который пишет 3D-сцены на Three.js, в том числе по картинке-референсу. Q4 весит 2,7 ГБ, есть версия для Ollama. Маленькие сцены хвалят, на целом городе модель зацикливается.
numbat на 7,7 ТБ выдают за чекпоинт будущей модели Anthropic с кодовым именем из утечки исходников Claude Code. Скачавший всё пользователь показал, что значительная часть тензоров бит-в-бит повторяет генератор случайных чисел, засеянный именем тензора: модель никто не обучал.
Держится в топе
Для DeepSeek-V4.1-Flash-1017 вышла сборка Maya-XS для ПК со 128 ГБ оперативки. В шаблоне чата Nanbeige4.3-33B пользователь нашёл ошибки, которые, по его словам, портят вызовы инструментов. Spark-X2.6-4B заработала в браузере. Flint, Qwen3.8-27B, LTX-2.5, FLUX 3 Klein и uncensored-кванты Qwen-Image-2.1 без обновлений.
Хорошей недели! 👾
@neuro_channel
