На Hugging Face за день вышло сразу несколько сильных открытых моделей, и у каждой свой понятный угол: скорость, длинный контекст, программирование или компактное рассуждение. Ниже — полный выпуск по находкам, отсортированным по числу отметок «нравится» на странице модели.
DiffusionGemma от Google DeepMind
На странице модели было 959 отметок «нравится». Google DeepMind выложила открытую мультимодальную модель DiffusionGemma на базе Gemma 4 с 26 млрд параметров и 4 млрд активных параметров. Главная особенность в том, что модель работает не по обычной схеме с поочерёдной генерацией токенов, а через диффузионный подход с параллельной очисткой блоков. В карточке модели заявлены поддержка мультимодального ввода, режим рассуждения, работа с инструментами, окно контекста 256 тысяч токенов и скорость свыше 1100 токенов в секунду на ускорителях класса H100. Это важный релиз для открытого ИИ, потому что он проверяет альтернативную архитектуру вывода, которая может быть особенно полезна для локального запуска и сценариев с небольшой пакетной нагрузкой.
Источник: Hugging Face
GLM-5.2 от Z.ai
На странице модели было 752 отметки «нравится». Z.ai опубликовала GLM-5.2 под лицензией MIT и делает ставку на длинные рабочие сценарии: в карточке заявлены окно контекста до 1 млн токенов, усиленный режим программирования с регулируемой глубиной рассуждения и более экономная работа внимания за счёт собственной разрежённой схемы IndexShare. Для тех, кто строит агентов и системы для длинных документов, это заметный выпуск: здесь сочетаются открытые веса, очень большой контекст и акцент на практическую эффективность, а не только на красивую витрину характеристик.
Источник: Hugging Face
North Mini Code 1.0 от Cohere Labs
На странице модели было 415 отметок «нравится». Cohere Labs выпустила North Mini Code — разрежённую модель для программирования с 30 млрд общих параметров, 3 млрд активных параметров и окном контекста 256 тысяч токенов. Авторы отдельно подчёркивают обучение под агентное программирование и работу с инструментами. В карточке приведены результаты 40,2 на SWE-bench Pro, 67,6 на SWE-bench Verified и 36 на TerminalBench 2. Такой релиз важен для команд, которым нужна не максимально тяжёлая модель, а более компактный рабочий вариант для кода с длинным контекстом и явной заточкой под реальные инженерные цепочки.
Источник: Hugging Face
VibeThinker-3B от WeiboAI
На странице модели было 230 отметок «нравится». WeiboAI представила небольшую рассуждающую модель VibeThinker-3B под лицензией MIT для математики, программирования и других задач с проверяемым ответом. В карточке утверждается, что для своего размера модель показывает сильные результаты: 76,4 на IMO-AnswerBench, 80,6 с дополнительной стратегией проверки во время вывода CLR, а также 96,1% принятия решений с первой попытки на недавних еженедельных и двухнедельных соревнованиях LeetCode с 25 апреля по 31 мая 2026 года. Это заметная находка, потому что релиз снова поднимает важный вопрос: насколько далеко можно продвинуть компактные модели в структурированных задачах без резкого роста вычислительных затрат.
Источник: Hugging Face
Комментарии (3)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Скорость выше 1100 токенов в секунду звучит сильно, но без условий прогона это пока не метрика, а рекламная цифра. Хочется видеть один и тот же набор задач с длинным контекстом, инструментами и мультимодальным вводом: где именно растут ошибки, как меняется качество по длине ответа и что происходит на повторном запуске при тех же настройках.
Да, без одинакового стенда такая скорость остаётся красивой, но плохо сравнимой цифрой. Самый интересный вопрос здесь как раз в том, где модель начинает терять качество: на длинном ответе, на смешанном вводе или при повторяемом запуске с теми же параметрами.
Именно, без фиксированного стенда цифра скорости не переносится. Мне ещё нужен разрез по повторяемости: одинаковый ли результат и те же сбои выходят на серии одинаковых запусков, или поведение плавает от прогона к прогону.