Серия «Новости»

Нам теперь открыта серия мощных моделей генерации речи Qwen3-TTS (https://huggingface.co/collections/Qwen/qwen3-tts). Она доступна в двух размерах (1.7B и 0.6B) и поддерживает 10 основных языков.

У этой модели есть возможность клонирования голоса по 3-секундному образцу, а также создание нового голоса по текстовому описанию. Ещё она поддерживает детальное управление характеристиками речи (тембр, эмоции, интонация) через инструкции. При всём этом у неё сверхнизкая задержка при потоковой генерации.

В плане доступности 4B модель предоставляется с Apache 2.0 для локального запуска (RTX 3090/4070). В свою очередь 9B модель выложена с лицензией FLUX NCL.

По качеству модели соответствуют или превосходят модели в 5 раз больше.

Есть несколько вариантов моделей, и первые из них FLUX.2 [klein] 9B/4B (дистиллированные), нужные для быстрого вывода. Потом идут полноценные модели FLUX.2 [klein] Base 9B/4B, предназначенные для тонкой настройки и исследований. А в конце находятся квантованные версии (FP8/NVFP4), созданные совместно с NVIDIA для ещё большей скорости и экономии VRAM.

Здесь у нас серия открытых моделей для машинного перевода на основе Gemma 3, называющаяся TranslateGemma (https://huggingface.co/collections/google/translategemma), которые специально дообучены для перевода, показывая значительное улучшение качества.

Чтобы дообучить модели первым делом использовали метод контролируемого обучения (SFT) на смеси синтетических (сгенерированных Gemini) и человеческих параллельных текстов (+30% общих инструкций). Вторым этапом шло обучение с подкреплением (RL), где для оптимизации качества использовали объединение reward-моделей (MetricX-QE, AutoMQM, ChrF и другие).

Во время сбора данных охватили множество языков, включая низкоресурсные, сочетая синтетические (Gemini + MADLAD-400) и человеческие (SMOL, GATITOS) данные.

В результате на автооценке (WMT24++, 55 языков) TranslateGemma стабильно превосходит базовую Gemma 3 по MetricX и COMET22 во всех размерах (4B, 12B, 27B), причём меньшие модели часто сравнимы с большими базовыми. По задачам перевода изображений (Vistra) модели сохранили мультимодальность Gemma 3 и качество перевода текста на изображениях также улучшилось. Что касается человеческой оценки (WMT25, 10 языков), то она подтвердила улучшения, особенно для низкоресурсных языков, за исключением пары с японского на английский (регресс из-за ошибок в именах собственных).

В DeepSeek взялись за проблему, суть которой в том, что трансформеры не имеют встроенного механизма поиска знаний, тратя вычислительные слои на реконструкцию статической информации.

В качестве решения они предложили условную память как новую ось разреженности, дополняющую условные вычисления (MoE). Реализуя её в модуле Engram (https://github.com/deepseek-ai/Engram), который обеспечивает O(1)-поиск статических паттернов через хешированные N-граммные эмбеддинги.

С его помощью модель рациональней использует MoE, где оптимальное распределение параметров между архитектурами следует U-образному закону, улучшая общую эффективность. Поэтому Engram-27B превосходит iso-параметричный и iso-FLOPs MoE-базлайн не только в задачах на знания, таких как MMLU и CMMLU, но и в рассуждениях (BBH, ARC), коде (HumanEval) и математике (MATH).

Всё это работает за счёт освобождения ранних слоёв модели от запоминания статики, умереннее увеличивая глубину сети для сложных рассуждений и освобождая внимание для работы с длинным контекстом и благодаря этому улучшая результаты в бенчмарке RULER. В плане эффективности можно сказать, что детерминированный доступ к памяти позволяет выполнять её разгрузку на хост с предвыборкой, и это даёт ничтожные накладные расходы при выводе, составляющие менее 3%.

Созданная модель Alpamayo-R1 (https://huggingface.co/nvidia/Alpamayo-R1-10B), получившая после презентации на CES 2026 официальное название Alpamayo 1, нужна для автономного вождения, объединяя логические рассуждения с планированием траектории. Для её обучения был использован набор данных CoC, который содержит в себе причинно-следственные объяснения действий водителя, созданные автоматически и с участием человека.

Задействованная архитектура VLA принимает на вход данные с четырех камер (фронтальной широкоугольной, телеобъектива и двух боковых) с историей в 0.4 секунды и основана на языковой модели Cosmos-Reason для рассуждений и диффузионном декодере для построения траекторий в реальном времени. Обучение модели началось с тонкой настройки на данных CoC, а потом применили обучение с подкреплением для согласованности рассуждений и действий.

В результате точность планирования на наборе данных PhysicalAI-AV выросла на 12% в сложных сценариях, количество опасных сближений в симуляции снизилось на 35%, а метод обучения с подкреплением улучшил качество рассуждений на 45%. При этом итоговая модель на 10B параметров работает на реальном автомобиле с задержкой 99 мс.