Главные AI-модели декабря 2025: что нового на Hugging Face

Каждую неделю на Hugging Face появляются сотни новых моделей, и уследить за всеми релизами почти невозможно.

Мы собрали самые популярные и интересные модели декабря 2025 года — от генерации изображений за секунду до агентов, которые играют в видеоигры. Разобрали по категориям, чтобы вы быстро нашли то, что нужно для вашего проекта.

В этом обзоре — модели от китайских гигантов (Alibaba, DeepSeek, ZAI, Tencent, Xiaomi), западных компаний (Microsoft, Google, NVIDIA, Apple) и независимых команд. Все они доступны в open-source, большинство можно запустить локально даже на одной GPU.

Большие языковые модели

DeepSeek V3.2

1 декабря вышла V3.2 — и судя по бенчмаркам, это уже уровень GPT-5, а расширенная версия V3.2-Speciale заявляется на уровне Gemini-3.0-Pro. Модель взяла золото на IMO и IOI 2025, что для open-source LLM довольно серьёзная заявка.​

Главное техническое нововведение — DeepSeek Sparse Attention (DSA), механизм разреженного внимания, который снижает вычислительную сложность на длинных контекстах без потери качества. Ещё добавили поддержку «размышления с инструментами» — модель может думать и параллельно вызывать tool-use, что важно для агентных сценариев. Есть новый пайплайн синтеза данных для обучения агентным задачам — это улучшает работу модели в сложных интерактивных средах.

Модели: V3.2, V3.2-Speciale, тех. отчёт.

Сравнение V3.2 по бенчмаркам

GLM-4.7 от ZAI

Новый флагман на 358 миллиардов параметров (32 миллиарда активных), MoE, заточен под агентный кодинг и сложный reasoning. Главные фичи: модель думает между действиями и сохраняет контекст размышлений в длинных multi-turn задачах. SOTA на SWE-bench Multilingual и Terminal Bench.

• LMArena Code Arena: #1 open-source, обогнала GPT-5.2
• LiveCodeBench V6: 84,8 (open-source SOTA), выше Claude Sonnet 4.5
• AIME 2025 (математика): open-source SOTA, выше Sonnet 4.5 и GPT-5.1

Документация здесь.

MiMo-V2-Flash

Xiaomi выкатила конкурента DeepSeek и Claude. 309B параметров, 15B активных (MoE). Гибридный attention: sliding window + full в соотношении 5:1. Контекст 256k токенов.

Reasoning, код, агентские сценарии. На SWE-bench Verified (73,4%) — #1 среди open-source, на уровне GPT-5 High. На AIME 2025 (94,1%) — топ-2 среди открытых моделей. Умеет hybrid thinking: можно включать/выключать «размышления».

• 150 токенов/сек на инференсе
• $0,1 / 1M input, $0,3 / 1M output
• Self-speculative decoding через MTP даёт ускорение 2,0-2.6x

Под капотом Multi-Token Prediction (MTP) — модель предсказывает несколько токенов за раз и верифицирует параллельно. Sliding Window Attention вместо Linear Attention — фиксированный KV-кэш, проще интеграция. MOPD (Multi-Teacher Online Policy Distillation) — новый подход к post-training: <1/50 вычислений от классического SFT+RL пайплайна при сопоставимом качестве.

HuggingFace, официальный блог, API.

Отдельно новички топа

rnj-1-instruct

8 миллиардов параметров от авторов «Attention Is All You Need», заточена на агентный кодинг: 62,2% на BFCL (tool use), лицензия Apache 2.0.

Ссылка

nomos-1 от Nous Research

30 миллиардов параметров MoE (3 миллиарда активных), набрал 87 из 120 баллов на Putnam 2025 — это второе место среди 3988 людей. Базовая Qwen3-30B получила лишь 24 балла.

Ссылка

Mistral Ministral-3

Модели на 3 миллиарда и 14 миллиардов параметров для более компактного деплоя.

Ссылка

Arcee Trinity-Mini

26 миллиардов параметров.

Ссылка

FunctionGemma-270M от Google

Ультралёгкая модель специально для function calling. Разработана для on-device агентов: переводит естественный язык в API-вызовы. Работает как standalone или как traffic controller для более мощных моделей.

Ссылка

SamKash-Tolstoy

Загадочный проект для работы с русскоязычными литературными текстами: анализ, стилизация, генерация в духе классиков.

Ссылка

Модели для кодинга

Devstral 2 от Mistral — главная новинка. Две версии: флагман на 123 миллиарда параметров с 72% на SWE-bench Verified и контекстом 256 тысяч токенов, и компактный Devstral Small 2 на 24 миллиарда параметров с 68% на том же бенчмарке. Маленькая версия работает на одной GPU и обходит конкурентов класса 70 миллиардов параметров.

Devstral 2 в 5 раз меньше DeepSeek V3.2 и в 8 раз меньше Kimi K2, но показывает сравнимые результаты. В blind-тестах через Cline побеждает DeepSeek (42,8% vs 28,6%), хотя Claude Sonnet 4.5 всё ещё впереди.​

Также представили Mistral Vibe CLI — терминальный агент на базе Devstral. Умеет:

• Сканировать проект и git status для контекста
• Автокомплит файлов через @, shell-команды через ! 
• Работать с несколькими файлами одновременно на уровне архитектуры
• Интегрироваться в IDE через Agent Communication Protocol (уже есть в Zed)

Веса, API на офф. сайте.

Генерация изображений

Z-Image-Turbo от Alibaba

Новая открытая текст‑в‑картинку модель от Alibaba, всего 6B параметров, но по качеству и пониманию промптов её уже сравнивают с куда более тяжёлыми монстрами. Это турбо-версия семейства Z‑Image: дистиллированная, работает всего за 8 шагов диффузии и даёт очень быстрый отклик при сохранении фотореализма, аккуратного света/материалов и хорошей работы с текстом в кадре.​

По технике там интересная смесь: single‑stream Diffusion Transformer, который в одном трансформере обрабатывает и текст, и семантику, и изображение, плюс дистилляция через Decoupled‑DMD и дообучение DMDR, чтобы в 8 шагов выжать максимум качества. В результате модель выдаёт картинку за ~секунду на H800 и нормально живёт на обычной 16 GB видеокарте, так что её реально крутить локально, а не только в облаке.

Лидерборд на AI Arena

Отдельно новички топа

Z-Image-Turbo-Fun-Controlnet-Union-2.1

ControlNet-адаптер для Z-Image-Turbo от Alibaba.

Ссылка

FLUX.2-dev от Black Forest Labs

Image-to-image версия их флагмана, когда нужно преобразовать одно изображение в другое.

Ссылка

LongCat-Image

6 миллиардов параметров, билингвальная (китайский-английский), SOTA в рендеринге китайских иероглифов, умеет и генерировать, и редактировать, влезает в 16 GB VRAM.

Ссылка

NewBie-image-Exp0.1

3,5 миллиарда параметров DiT на архитектуре Next-DiT, заточена под аниме. Использует XML-формат промптов для лучшего связывания атрибутов. Легче Z-Image, работает даже на 8 GB VRAM.

Ссылка

Qwen-Image-i2L

Генерирует LoRA из изображений без обучения. Закинули картинку — получили готовую LoRA для стилизации.

Ссылка

Qwen-Edit-2509-Light-Migration

LoRA для Qwen-Image-Edit-2509 для работы со светом на картинках: перенос света с одной картинки на другую, установка света, удаление освещения. От того же автора, что сделал управление виртуальной камерой.

Ссылка

Qwen-Image-Layered

Новинка от Qwen, которая раскладывает изображение на RGBA-слои как в Photoshop. В отличие от SAM, не просто сегментирует, а генерирует полные слои с альфа-каналом и дорисовывает скрытые области за объектами. Поддерживает переменное число слоёв (3-8+) в зависимости от сложности сцены.

Ссылка

AWPortrait-Z

Для генерации портретов.

Ссылка

3D-генерация

TRELLIS.2-4B от Microsoft

Модель обучена на датасете из 500 тысяч объектов и выдаёт результат в нескольких форматах: Radiance Fields, 3D Gaussians и готовые меши.​

Что умеет:

• Генерит 3D из одной картинки или текстового промпта
• Экспорт сразу в GLB и PLY — можно тащить в движок
• Локальное редактирование: меняешь часть объекта, не пересоздавая с нуля
• Есть веб-демо на Gradio — можно потыкать без установки​

До сих пор качественный image-to-3D был либо закрытым, либо слабым. TRELLIS — редкий случай, когда большая модель (2B параметров) идёт с открытым кодом и нормальной документацией. Для инди-разработчиков и 3D-художников как минимум то, что нужно попробовать.

Веса на Huggingface, код на GitHub, исследование на arxiv.

Sharp от Apple

Превращает плоское фото в интерактивную 3D-сцену меньше чем за секунду. С помощью технологии 3D Gaussian Splatting создаёт эффект глубины и параллакса, позволяя «вращать» камеру и видеть объём там, где раньше был обычный снимок.

Ссылка

Видео и интерактивные миры

HY-WorldPlay от Tencent

Первая open-source модель интерактивного мира с генерацией в реальном времени (24 FPS). Управление через клавиатуру и мышь, текстовые триггеры событий на лету (например, «car crash», «sudden rain»). Ключевая фича — долгосрочная 3D-консистентность: сцены сохраняются при возвращении в локацию.

Ссылка

STARFlow от Apple

Для генерации видео на normalizing flows.

Ссылка

LongCat-Video-Avatar

Генерация видео-аватаров.

Ссылка

Мультимодальные модели

SAM3

Новая версия модели, которая по текстовому или визуальному запросу находит, выделяет и трекает нужные объекты на картинках и видео. Главный сдвиг: модель понимает абстрактные «концепты» вроде «жёлтый автобус» или «люди в касках» и сразу сегментирует все такие объекты, а не один, как в старых SAM.​

Новое для этой версии:

1. Promptable Concept Segmentation: пишешь фразу или даёшь пример‑картинку, и SAM 3 находит и сегментирует все экземпляры этого класса, в том числе по кадрам видео.​
2. Объединены текстовые и визуальные подсказки: можно и написать «автомобиль», и прокликать мышкой спорные объекты в одном и том же интерфейсе.​
3. Открытый словарь: модель не привязана к фиксированному списку классов и работает с любыми осмысленными запросами, которые можно визуально приземлить.

Код в репо, веса на хагинфейсе.

STARFlow от Apple

Модели для генерации картинок и видео, но не на диффузии, а на normalizing flows. Это первый раз, когда NF-подход дотянули до качества современных диффузионных моделей.​

Главная фишка — генерация за один проход вместо итеративного деноизинга. На практике это даёт заметный выигрыш: 81 кадр 480p видео генерируется за 42 секунды на H100, тогда как диффузионный WAN-2.1 тратит на это 210 секунд. Используется Jacobi iteration — обновления внутри блоков параллелятся, что хорошо ложится на GPU.​

Архитектура deep-shallow: глубокий causal transformer обрабатывает сжатые латенты для глобальных зависимостей, а shallow flow blocks работают независимо над каждым кадром для локальных деталей. Это помогает избежать накопления ошибок при авторегрессионной генерации видео.​

Две модели:

• STARFlow 3B — text-to-image, 256×256, запускается на потребительских картах
• STARFlow-V 7B — text-to-video, до 480p, 5–30 секунд видео, нужно 40GB VRAM (RTX 4090 с 24GB не хватит, нужен A100/H100)​

По качеству пока не топ-1, но в одном ряду с causal diffusion моделями. Зато есть exact likelihood и инвертируемость — можно делать редактирование через инверсию.​

Код на GitHub, веса на HuggingFace, примеры работы на отдельном лендинге.

Отдельно новички топа

GLM-4.6V от ZAI

Флагман на 106 миллиардов параметров, SOTA на 42 бенчмарках визуального понимания среди открытых моделей. Контекст 128 тысяч токенов, впервые нативный function calling для VLM — мост между «увидел» и «сделал». Лёгкая версия GLM-4.6V-Flash на 10 миллиардов параметров с 67 тысячами скачиваний для локального деплоя.

Ссылка

Tencent HunyuanOCR

319 тысяч скачиваний, модель для распознавания текста на изображениях.

Ссылка

Apriel-1.6-15b-Thinker от ServiceNow

15 миллиардов параметров, reasoning модель, которая набирает 57 баллов на AA Intelligence Index наравне с Qwen-235B и DeepSeek-v3.2-Exp, будучи в 15 раз меньше.

Ссылка

Nemotron-3-Nano-30B-A3B от NVIDIA

Модель, заточенная под эффективную работу в мультиагентных системах, по сути промежуточные шаги, где нужна скорость без высоких затрат.

Ссылка

t5gemma-2 от Google

Понимает картинки и текст одновременно. Показываете фото, задаёте вопрос — получаете ответ.

Ссылка

Аудио-модели

Microsoft VibeVoice-Realtime-0.5B

Real-time TTS на 1 миллиард параметров, но только английский. На втором месте общего топа с 131 тысячей скачиваний, но всё ещё только английский, без поддержки русского.

Ссылка

GLM-ASR-Nano-2512

Компактная ASR модель на 1,5 миллиарда параметров для продакшна с поддержкой диалектов. Только английский и китайский.

Ссылка

sam-audio-large

Свежий релиз «сегментации всего» для аудио. Можно кликнуть на человека на видео и отфильтровать только его голос, или выделить гитару из музыки.

Ссылка

chatterbox-turbo от ResembleAI

TTS-модель, только английский.

Ссылка

Fun-CosyVoice3-0.5B

Компактная TTS на 0,5 миллиарда параметров с поддержкой русского языка. Звучит очень неплохо, но иногда галлюцинирует. F5-TTS в этом плане куда стабильнее.

Ссылка

medasr от Google

ASR-модель для медицины, когда врачи или исследователи что-то надиктовывают и много специальных терминов.

Ссылка

AI-агенты

NVIDIA Nemotron-Orchestrator-8B

Модель-оркестратор для координации других моделей в агентских сценариях.

Ссылка

AutoGLM-Phone-9B от ZAI

Агент для управления Android через естественный язык. Понимает UI, кликает, навигирует по приложениям через ADB. Есть мультиязычная версия.

Ссылка

BU-30B-A3B-Preview

Первая open-source модель от Browser Use для веб-агентов. 30 миллиардов параметров, 3 миллиарда активных, файнтюн Qwen3-VL-30B. Обещают 200 задач на 1 доллар — в 4 раза эффективнее их предыдущей версии.

Ссылка

NitroGen от NVIDIA

Vision-to-action модель, которая играет в видеоигры по сырым кадрам. Обучена на более чем 40 тысячах часов геймплея с YouTube и Twitch. Работает с action RPG, платформерами, рогаликами и показывает до 52% лучшие результаты на незнакомых играх по сравнению с моделями, обученными с нуля.

Ссылка

Декабрь 2025 года показал явное доминирование китайских компаний в open-source AI. ZAI особенно активен — 6 моделей из топ-20 на середину месяца. Alibaba лидирует в генерации изображений с Z-Image-Turbo, которая не покидает первое место весь месяц.

Проблема с поддержкой русского языка остаётся: большинство аудио-моделей работают только с английским и китайским. Исключение — Fun-CosyVoice3-0.5B, которая поддерживает русский, но иногда галлюцинирует.