За неделю вышло несколько любопытных моделей, которые не попали в тренды HuggingFace. Д...
За неделю вышло несколько любопытных моделей, которые не попали в тренды HuggingFace. Думаю буду делать такие вот обзоры небольшие, чтобы отмечать интересные модели, но не супер-популярные. 🔘 NVIDIA сегодня выложила Nemotron 3 Diarization: модель на 100 млн параметров размечает, кто и когда говорит, до восьми спикеров, в потоке и по готовой записи, перекрывающуюся речь тоже. В предварительной таблице Diarization-Bench от Voice Arena у неё 14,72% ошибки диаризации против 19,3% у следующей системы. Относительно прошлого Streaming Sortformer на четыре спикера ошибка в среднем на 41% меньше при буфере 1,04 с, минимальный рекомендованный буфер 0,32 с. Слова модель не распознаёт, её ставят рядом с ASR. Веса на HuggingFace под OpenMDW, коммерческое использование разрешено, есть демо с микрофоном. 🔘 Moondream выпустила две версии Parakeet от NVIDIA. Дообученная Parakeet Ultra на тех же 0,6 млрд параметров лучше оригинала во всех пяти группах тестов: на 25 языках FLEURS 9,55% ошибок в словах против 11,62%, на русском 5,21% против 5,91%. Тернарная Parakeet Redux весит 178 МБ и на восьми ядрах AMD EPYC расшифровывает в 113 раз быстрее реального времени, но на русском у неё 7,91% ошибок. Запускаются через их рантайм Photon из pip install moondream. 🔘 Prompt Injection Guard от Horizon Labs на 308 млн параметров и его версия small на 141 млн ищут промпт-инъекции и в сообщениях пользователя, и в том, что читает агент: письмах, страницах, кусках RAG, выводах инструментов. Русский в списке языков, контекст 8K. На PIArena с инъекциями в RAG F1 у base 0,947, у small 0,929, у PIGuard 0,713. Apache 2.0, есть ONNX и запуск в браузере через Transformers.js. 🔘 Ovis-VL-Embedding-9B и версия 2B поверх Qwen3.5 кладут в одно пространство текст, картинки, изображения документов и видео. На MMEB-v2 из 78 наборов у 9B 81,13 балла, на 1,04 выше лучшей из сравнённых моделей, на видео 72,9 против 75,95. Apache 2.0. 🔘 SPARSEUP от Linkup это разреженный энкодер для поиска в духе SPLADE на ModernBERT, 149 млн параметров. На BEIR без MS MARCO 56,4 nDCG@10 против 51,7 у splade-v3, на MS MARCO с индексом Seismic поиск в один поток занимает меньше миллисекунды. Язык только английский. 🔘 ai-forever из Сбера выложила Zarya на 0,6, 1,7 и 4 млрд параметров, гибрид авторегрессии и диффузии поверх Qwen3 для русского и английского. Одна модель генерирует и диффузией, и параллельными слотами для ускорения. Контекст 2048, авторы называют её исследовательским прототипом. MIT. 🔘 Apple выложила LensVLM-9B: модель читает сжатые изображения текста и сама разворачивает без сжатия только нужные страницы. Сжатие в 5, 10 или 15 раз, лицензия Apple для исследований. @neuro_channel