III.1Стратегия, продукт и бизнес-модели

Tanpo Product — компактная языковая модель, созданная d4rkninja для задач продуктовой стратегии и управления продуктом. Это дообученная модель LiquidAI/LFM2.5-1.2B-Instruct с архитектурой LFM2 и примерно 1,5 млрд параметров; LoRA-адаптер объединён с базовыми весами в формате Transformers Safetensors. Модель принимает текст и генерирует текст. Карточка указывает контекст до 128 000 токенов. Модель предназначена для локального и недорогого развёртывания. Она помогает сравнивать продуктовые инициативы и расставлять приоритеты, планировать дорожную карту, определять метрики и OKR, готовить PRD, анализировать позиционирование, ценообразование и результаты исследований пользователей. README сообщает о росте результата во внутренней автоматической оценке, но отмечает, что оценка охватывала около 20 задач и не является отраслевым бенчмарком. Модель специализирована на продуктовых рабочих процессах: её качество может снижаться за их пределами. Ограниченный размер влияет на объём знаний и способность к сложным рассуждениям, а уверенные ответы при недостатке данных требуют проверки человеком. Она не предназначена для замены исследований клиентов, финансовых прогнозов или решений в юридической, защитной и комплаенс-сферах. Указана лицензия other; конкретные условия лицензии в предоставленных данных не раскрыты.

Tanpo Finance — компактная специализированная языковая модель для финансовых и бизнес-сценариев, разработанная автором репозитория d4rkninja. Это дообученная и слитая с адаптером LoRA версия плотной авторегрессионной модели LiquidAI/LFM2.5-1.2B-Instruct; в репозитории опубликованы веса Transformers в формате safetensors. Модель содержит около 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для локального и недорогого развертывания: она помогает анализировать юнит-экономику, денежный поток и runway, ценообразование и маржу, SaaS-метрики, бюджеты, выручку когорт и прогнозные сценарии. Рассчитана на диалог на английском языке и ориентирована на финансовые рабочие процессы с явными допущениями, формулами, сценариями и планом действий. Модель небольшая и специализированная: за пределами финансово-деловых задач качество может снижаться, а расчеты, формулы и рекомендации могут быть ошибочными. Внутренняя оценка автора имеет ограниченную область применимости и не подтверждает достоверность финансовых выводов; результаты следует сверять с исходными данными и проверять специалистом. В README указана лицензия LoRA-адаптера в формате PEFT, но конкретные условия лицензирования репозитория в предоставленных данных не раскрыты.

Sequelbox Qwen3-4B-Thinking-2507-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, созданная дообучением Qwen/Qwen3-4B-Thinking-2507. Она генерирует текст и предназначена для причинного анализа: выявляет связи между факторами, оценивает уверенность и формирует результат в виде структурированного ориентированного ациклического графа (DAG), представленного в JSON. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. Модель подходит для анализа причин и следствий в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении, а также для подготовки графов к визуализации или дальнейшей обработке. Для получения структурированного DAG следует явно запросить граф или анализ; модель также может ответить в обычном стиле Qwen3. Карточка описывает её как ранний экспериментальный выпуск и рекомендует проверять структуру выходных данных перед продуктивным использованием. Доступна по лицензии Apache-2.0.

sequelbox/gpt-oss-20b-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, дообученная на openai/gpt-oss-20b. Она предназначена для причинно-следственного анализа: по запросу модель выделяет связи между факторами, оценивает уверенность и формирует ориентированный ациклический граф в структурированном JSON-формате. Для получения такого результата нужно явно попросить граф или анализ; в остальных случаях модель может отвечать в обычном стиле gpt-oss-20b. Архитектура — MoE для генерации текста, указанное в метаданных число параметров — 1,6 млрд, контекст — 131 072 токена; модель работает с текстом на английском языке и поддерживает чат и выполнение инструкций. Разработчик описывает применение в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении. Релиз экспериментальный; для использования результатов рекомендуется проверять структуру JSON. Лицензия — Apache-2.0.

OpenForecaster-8B — специализированная языковая модель для прогнозирования будущих событий с открытым ответом, разработанная Nikhil Chandak и основанная на Qwen3-8B. Модель дообучена с помощью обучения с подкреплением GRPO на наборе OpenForesight, содержащем более 52 тысяч вопросов о прогнозировании, составленных на основе мировых новостей. Модель предназначена для рассуждений о неопределённости и сценариях будущего, а также для выдачи калиброванных оценок уверенности при явном запросе. Она может использовать актуальные сведения, предоставленные в контексте, поэтому подходит для систем прогнозирования с поиском информации. Это плотная авторегрессионная модель на 7,6 млрд параметров с контекстом до 40 960 токенов; в метаданных указан английский язык. Лицензия — MIT. Заявлены улучшенные точность, калибровка и согласованность прогнозов; README сообщает о конкурентных результатах на бенчмарках, но не приводит подробных численных сравнений. Знания модели ограничены событиями не позднее апреля 2025 года, поэтому для вопросов о более поздних событиях ей нужен актуальный контекст; без него ответы могут быть устаревшими или ненадёжными.

EnnoAi-Pro-Llama-3-8B — чат-модель семейства Llama, разработанная Enno-Ai и дообученная для профессиональных задач на французском языке. По карточке, обучение проводилось на примерно 275 тысячах франкоязычных примеров по профессиональным и общим стратегическим темам; заявлена также поддержка английского языка. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, работает с контекстом до 8192 токенов и принимает диалоги в формате ChatML с поддержкой системных сообщений. Модель предназначена для генерации ответов, анализа и использования в сценариях RAG, в том числе для профессиональных запросов на французском и английском языках. README сообщает о применении QLoRA при дообучении, но метаданные не указывают базовую модель, поэтому её идентификатор установить нельзя. Разработчик отмечает, что модель находится в разработке; приведённые в карточке результаты отдельных тестов не описывают её качество во всех сценариях. Лицензия — CreativeML OpenRAIL-M.

KolmogorovAcc/sovereign-anthology-gemma-2-2b — текстовая генеративная модель на базе Google Gemma 2 2B IT. По описанию автора, она адаптирована для операционного анализа, структурирования решений в условиях неопределённости и применения методики Analysis of Competing Hypotheses (ACH). Модель ориентирована на локальный и автономный запуск, включая сценарии с повышенными требованиями к конфиденциальности и работу без облачной инфраструктуры. Заявленный язык — английский. Модель предназначена для анализа сложных кризисных ситуаций, распределения ресурсов, выявления и проверки конкурирующих гипотез, поиска опровергающих свидетельств, подготовки аудируемых операционных протоколов и последующего анализа результатов. README также описывает интеграцию с внешним слоем фактических данных через RAG, векторное хранилище и граф знаний; сама модель, согласно этому описанию, должна обеспечивать процедурную дисциплину рассуждений, а не хранить конкретные исторические документы. Из известных характеристик указаны архитектурное семейство Gemma 2, размер 2B параметров, текстовая модальность и использование библиотеки Transformers. Заявлена совместимость с локальным запуском на потребительском оборудовании, в частности AMD Radeon RX 7600 XT через DirectML, а также с Ollama, однако фактическая производительность и качество этих интеграций не подтверждены приведёнными данными. Ограничения включают небольшой размер модели, английскую языковую специализацию и зависимость качества анализа от полноты и достоверности предоставленных данных; заявления об автономности и устойчивости к ошибкам следует воспринимать как заявленные свойства, а не как результаты независимой оценки. Лицензия указана как Gemma; условия использования определяются лицензией Google Gemma.

distil-qwen3-1.7b-posthog-prioritizer — специализированная модель Distil Labs, обученная на платформе Distil Labs для ранжирования сгруппированных продуктовых находок в аналитическом процессе PostHog. Она принимает пакет записей о проблемах и пробелах в продукте с оценкой серьёзности, числом повторений, заголовком и свидетельствами, а затем возвращает строгий JSON с ранжированием и объяснением для каждого пункта. Модель построена на Qwen3-1.7B с архитектурой Qwen3ForCausalLM; число параметров — 1,7 млрд, контекст — до 40 960 токенов. Доступны веса Safetensors и GGUF F16; лицензия — Apache-2.0. Модель предназначена для приоритизации продуктовых выводов по влиянию, частоте и трудоёмкости в составе инструментария distil-posthog-traffic-analyser. Её узкая специализация и структурированный JSON-ответ подходят для автоматизированного этапа анализа, где каждому входному идентификатору должно соответствовать ровно одно место в ранжированном списке. Это текстовая модель генерации; README не уточняет поддерживаемые естественные языки и не приводит оценок качества или подробностей обучения.

distil-qwen3-1.7b-posthog-prioritizer — компактная специализированная языковая модель на 1,7 млрд параметров, обученная Distil Labs на платформе Distil Labs на базе Qwen/Qwen3-1.7B. Она предназначена для ранжирования набора дедуплицированных продуктовых находок по влиянию, частоте и трудозатратам с выдачей строгого JSON и объяснения для каждого пункта. Модель входит в набор инструментов distil-posthog-traffic-analyser. Это плотная авторегрессионная модель семейства Qwen3 с интерфейсом диалога и контекстом до 40 960 токенов. Принимает текстовые описания находок и генерирует структурированный текстовый ответ; в карточке заявлен английский язык. Доступны веса safetensors и GGUF F16. Практическое применение ориентировано на приоритизацию продуктовых багов и пробелов по сигналам severity, occurrences, title и evidence. Ответ требует постобработки или проверки на соответствие JSON-контракту, поскольку карточка не сообщает о гарантиях корректности ранжирования. Лицензия — Apache-2.0.

Laplace v3.7 Qwen3-14B — это дообученная SnupiLab модель Qwen3-14B для прогнозирования исхода бинарных событий по вопросу, критериям разрешения, дате прогноза и доступным к этой дате свидетельствам. Модель использует режим рассуждений hindsight-guided и генерирует текстовый ответ с оценкой вероятности; для извлечения числа из ответа рекомендуется следовать описанному в карточке формату и правилам разбора. Чекпойнт соответствует шагу 528, примерно одной эпохе обучения, при максимальной длине обучающей последовательности 8192 токена. В описанной оценке на 304 вопросах и 1144 экземплярах прогноза все генерации удалось разобрать; метрики включают Brier score 0,1888 и AUROC 0,8174. Эти результаты получены на метках до их пересмотра, а чекпойнт ретроспективно выбран по тестовым результатам, поэтому они не подтверждают обобщение на новые данные. Модель принимает текст и выдаёт текст, рассчитана на сценарии вероятностного прогнозирования событий. Базовая Qwen3-14B распространяется по Apache-2.0; карточка указывает эту же лицензию для модели. Для воспроизведения обучения использовался частный датасет, поэтому доступность обучающих данных ограничена.

DJINN 1.114B Decision Engine — плотная модель классификации решений, разработанная автором репозитория Saltmandamsun. По карточке, модель содержит около 1,01 млрд параметров и обучена методом Reinforcement Learning from Compiler Decisions (RLCD). Она выдаёт калиброванные распределения вероятностей для классификации вариантов, оценки ожидаемой величины по шкале и бинарной проверки гипотез; автор также заявляет поддержку контекста до 64 000 токенов и быстрый параллельный вывод без авторегрессионной генерации. Модель рассчитана на задачи принятия решений, где нужны вероятностные оценки и неопределённость, включая ранжирование альтернатив и бинарные прогнозы. В README приведены показатели задержки на NVIDIA RTX PRO 6000 Blackwell и заявленная производительность пакетного инференса; они относятся к конкретной конфигурации оборудования и реализации. Репозиторий указывает лицензию Apache-2.0. Независимая проверка заявленных характеристик и качества в карточке не приведена.

InnerJev-27B-Full — модель для принятия решений из семейства InnerJev-27B, созданная на основе Qwen/Qwen3.8-27B. Она возвращает распределение вероятностей по вариантам, заданным пользователем, в интерфейсе ответного слота; поддерживаются задачи выбора, бинарного и вероятностного Noul, а также упорядочивания Score. Обучение на 39 279 вопросах оптимизировало распределения решений и не включало общую диалоговую настройку для свободного общения. Это плотная модель архитектуры Qwen3_5ForConditionalGeneration с полными обновлениями языковых линейных слоёв, охватываемых LoRA. Эмбеддинги, выходная голова, нормализация и параметры зрения остаются замороженными. Хотя архитектура сохраняет компоненты обработки изображений, обучение и интерфейс вывода InnerJev рассчитаны на текстовый ввод. Для загрузки полных объединённых весов не нужны PEFT или отдельная базовая модель. Модель предназначена для прикладных сценариев оценки вариантов и вероятностного ранжирования решений, а не для свободной генерации ответов. В README приведён результат 80,1734 из 100 на фиксированном наборе из 58 бенчмарков для одного BF16-чекпойнта; это не среднее по нескольким запускам и не оценка доверительного интервала. Для загрузки в BF16 требуется достаточно оперативной или видеопамяти. Лицензия — Apache-2.0.

LlamaForecaster-8B-i1-GGUF — квантизированная версия языковой модели LlamaForecaster-8B, разработанной nikhilchandak и дополнительно подготовленной в формате GGUF пользователем mradermacher. Модель обучалась с использованием набора данных OpenForesight и ориентирована на задачи прогнозирования, рассуждений, вопросно-ответного взаимодействия, reinforcement learning и калибровки ответов. Модель имеет размер 8 миллиардов параметров и поддерживает английский язык. Представлена в формате GGUF с различными вариантами квантизации i1 и imatrix, поэтому подходит для локального запуска при разных ограничениях по памяти и скорости. Доступны файлы размером примерно от 2,1 до 6,7 ГБ; варианты различаются компромиссом между качеством, скоростью и требованиями к ресурсам. Рекомендуемыми в README названы i1-Q4_K_M и i1-Q4_K_S, при этом качество некоторых низкобитных вариантов может быть существенно ниже. Сильной стороной модели является специализация на прогнозировании и связанных с ним рассуждениях, а также широкий выбор квантизированных сборок для локального использования. Ограничения включают отсутствие в README сведений о размере контекста, точных результатах тестирования, поддерживаемых модальностях помимо текстовой работы и подробностях обучения; качество зависит от выбранного варианта квантизации. В метаданных указана лицензия MIT.

Foresight V1 32B — плотная языковая модель Lightning Rod Labs для прогнозирования исходов по предоставленной информации. Она дообучена на базе Qwen/Qwen3-32B с помощью обучения с подкреплением по фактическим результатам: модель формирует прогноз в виде вероятности, а обучение поощряет точность и калибровку уверенности. Модель содержит 29,7 млрд параметров, имеет контекст до 40 960 токенов и поддерживает диалоговую генерацию текста. Модель предназначена для прогнозирования событий, в том числе вопросов о рынках прогнозов, спорте и других прикладных областях. В README сообщается о сравнительных результатах на ForecastBench и Prophet Arena Sports, а также об оценке прогнозов по Brier score, ECE и прибыльности; эти результаты относятся к описанным авторами испытаниям и не гарантируют качества на иных данных. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Mica v0.1 4B — модель принятия решений, созданная разработчиком sky7350 на базе Qwen/Qwen3.5-4B. Она получает описание состояния, вопрос и список допустимых ответов, а затем выдаёт вероятности для вариантов «да/нет», выбора из 2–255 вариантов или оценки по шкале из 2–10 уровней. Модель читает вход за один проход и не генерирует текст; несколько вопросов об одном состоянии могут использовать общий префилл. Архитектура сохранена от базовой модели: 32 слоя, включая 24 слоя Gated DeltaNet и 8 слоёв полного внимания. Модель дообучена с помощью LoRA ранга 16, объединённой с весами; в репозитории есть BF16 Safetensors и GGUF, включая варианты квантизации от Q8_0 до Q4_0. Контекст — до 262 144 токенов. Обучение проводилось на английском и корейском языках. Модель предназначена для классификации и ранжирования заданных вариантов в системах принятия решений, в том числе через формат TypeSafe /v1/systemone. В README приведены результаты на JevBench и внутренних наборах, однако качество заметно зависит от типа данных: хуже всего модель справляется с вопросами, требующими обширных знаний, и длинными английскими документами с политиками; встроенные в описание состояния инструкции могут влиять на ответы. Лицензия — Apache-2.0.

Это версия Gemma 4 E2B Instruct, адаптированная для рабочих процессов UX-исследований в Istara и преобразованная в формат MLX F16 для Apple Silicon. Карточка описывает её как сборку исходной модели henrique-simoes/gemma-4-e2b-it-istara-ux-research; метаданные указывают архитектуру Gemma4ForConditionalGeneration, поддержку чата и задачу генерации текста. Модель предназначена для подготовки материалов UX-исследований, например плана исследования для анализа оттока пользователей при онбординге. В README указана совместимость с MLX-загрузчиками, включая runtime в LM Studio; локальный smoke-тест прошёл на Apple Silicon, с пиковым потреблением памяти около 9,4 ГБ в коротком запуске. Это дообученная модель, опубликованная в формате Safetensors под лицензией Gemma. Версия F16 требует совместимой среды MLX и оборудования Apple Silicon; результаты короткого smoke-теста не характеризуют качество на широком наборе UX-задач.

Magiq-Logic-0 — диалоговая модель mymaia для логического анализа и поддержки принятия решений. Она оценивает информацию, формирует обоснованные суждения и предназначена для использования в составе MAIA вместе с MAGIQ Core-0 и MAGIQ Translator-0, чтобы создавать связные ответы с учётом контекста. Модель основана на Mistral-7B-Instruct-v0.2 и дообучена для генерации текста; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Указаны английский, итальянский и французский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CogniLink — дообученная Daemontatox модель на архитектуре Llama 3.3 70B, созданная для многошаговых рассуждений, логического вывода и диалоговой генерации текста. Она содержит 69,5 млрд параметров, работает с контекстом до 131 072 токенов и рассчитана прежде всего на английский язык. В карточке указаны instruction tuning и обучение на наборах данных с цепочками рассуждений; доступны веса в формате safetensors и библиотека Transformers. Модель можно применять для пошаговых объяснений учебных задач, анализа сценариев и аргументов, а также вопросов и ответов в исследовательских, деловых и правовых сценариях. README также упоминает медицинские применения, однако не приводит подтверждений клинической точности. Для запуска требуется значительная вычислительная память; утверждения README о работе на ограниченных устройствах и эффективности 4-битного режима не подкреплены метриками производительности. Лицензия — Apache 2.0.

luwa-01 — экспериментальная языковая модель ChatPBC Labs для бизнес-исследований, анализа рынков, стратегии и конкурентной разведки. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, рассчитанная на контекст до 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации структурированных бизнес-ответов, а при запуске с агентной обвязкой может формировать вызовы инструментов для поиска и сбора данных в интернете. Сценарии применения включают предварительную оценку выхода на рынок, анализ конкурентов и их позиционирования, прогнозирование отраслевых тенденций, проверку бизнес-идей и начальный инвестиционный анализ. Основной язык — английский. Для веб-исследований требуется внешняя агентная среда: сама модель не просматривает интернет. Из-за небольшого размера и заявленных ограничений синтеза её выводы по сложным многошаговым запросам следует проверять; модель также уступает крупным моделям в сложном рассуждении. Распространяется по лицензии Apache 2.0.

ISOM-R1-Enterprise-40B — производная Falcon-40B-Instruct, разработанная Prannessh K.V.A. как исследовательская реализация для аналитических рассуждений и анализа длинных документов в корпоративных сценариях. Модель использует плотную авторегрессионную архитектуру Falcon с 60 слоями и Multi-Query Attention; в README заявлено 40 млрд параметров, тогда как метаданные указывают 65 млрд. Для каталога длина контекста составляет 8192 токена, хотя в README приведены теоретические спецификации до 32 768 токенов. Автор описывает ограниченное состояние памяти и изометрические операторы как архитектурные особенности, призванные снизить рост затрат на KV-кэш при длинном контексте. Приведённые оценки названы теоретическими; эмпирическая проверка обработки последовательностей длиной 32K не заявлена. Модель генерирует текст по текстовому запросу, карточка указывает английский язык. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия модели — CC BY-NC-ND 4.0; README отдельно указывает, что базовая Falcon-40B-Instruct распространяется по Apache 2.0.

Plumb-4B — дообученная модель принятия решений от crh225 на базе alibiserikbay/JevK5. Она принимает свидетельства, вопрос и от 2 до 16 вариантов, а одним проходом модели выдаёт вероятности для каждого варианта, не генерируя токены. Поддерживаются вопросы «да/нет», выбор из вариантов и оценка по порядковой шкале. Модель построена на плотной архитектуре Qwen3.5 и содержит 3,4 млрд параметров. Она предназначена для классификации решений, оценки вариантов и калиброванного ранжирования ответов; карточка сообщает о температуре калибровки 2,07 и приводит результаты на JevBench. Заявленная длина контекста — 262 144 токена. Для запуска через описанный в карточке runtime требуется CUDA GPU примерно с 10 ГБ свободной памяти при использовании bf16; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. В качестве ограничений карточка описывает оценку на JevBench и собственных наборах, но не подтверждает качество на широком спектре задач или реальных рабочих процессах. Результаты и задержки зависят от набора решений и оборудования; приведённые метрики получены на RTX 4080 Super.

MatCha-Chart2text-statista — модель обработки изображений и текста, разработанная Fangyu Liu, Francesco Piccinno и соавторами и опубликованная в экосистеме Hugging Face при участии Younes Belkada. Это модель MatCha на архитектуре Pix2Struct, дообученная на наборе данных Chart2text-statista для создания кратких описаний диаграмм и ответов на вопросы о них. Модель предназначена для анализа графиков и диаграмм: она принимает изображение с визуализацией и текстовый вопрос или запрос, а затем генерирует ответ на естественном языке. Предобучение MatCha включает задачи восстановления структуры графиков и числовых рассуждений; в карточке сообщается о результатах на бенчмарках PlotQA и ChartQA и переносе подхода на другие визуальные задачи. Модель доступна в формате PyTorch под лицензией Apache-2.0. Карточка не приводит размер модели или длину контекста. Указанные в метаданных языки — английский, французский, румынский и немецкий; основное назначение модели — понимание графиков, поэтому качество ответов на конкретных типах диаграмм и формулировках запросов следует проверять на своих данных.

Модель разработана для преобразования таблиц KPI в краткие управленческие отчёты. Это дообученная на синтетических бизнес-данных модель FLAN-T5 Base с архитектурой T5 encoder-decoder и 123,8 млн параметров; опубликованный чекпойнт объединён и загружается через Transformers. Модель принимает структурированные данные в CSV или JSON и формирует план тезисов для отчёта на английском языке. Контекст составляет 512 токенов. Модель предназначена для суммаризации KPI, подготовки черновиков отчётов для руководителей и экспериментов с генерацией текста по таблицам. В полном приложении генерацию дополняют детерминированный анализ показателей, ссылки на исходные строки и проверка числовых утверждений; сама модель не является источником фактов. В оценке на 250 примерах неподтверждённые утверждения до проверки встречались, а 100% поддержки утверждений после проверочной фильтрации относится к полному приложению. Лицензия — Apache-2.0. Обучающие данные синтетические и могут не отражать реальные корпоративные форматы. Результат модели без проверки может содержать неподтверждённые или численно неверные утверждения; для важных отчётов нужна проверка человеком. Экспорт ONNX проверялся лишь на пяти примерах и в измеренной среде работал медленнее CUDA-версии.

Jeeves-9B — модель принятия решений от PostHog на основе Qwen3.5-9B, настроенная для выбора и оценки вариантов. Она принимает описание состояния в виде текста или JSON и отвечает на вопросы с выбором «да/нет», несколькими вариантами или рейтингом: для каждого варианта выдаёт калиброванную вероятность, а при включённом режиме рассуждений также формирует цепочку рассуждений. Модель содержит объединённые веса Qwen3.5-9B и LoRA, отдельную pointer head, настроенную температуру калибровки и компоненты для спекулятивного декодирования. Размер — 7,2 млрд параметров, контекст — до 262 144 токенов; опубликованные веса — bf16 в формате safetensors. Для запуска нужны специальный код Jeeves и формат запросов Jev `/v1/systemone`; обычная загрузка через Transformers не поддерживается. В README приведены результаты тестирования на английских данных: модель сильна на JevBench и тестовой выборке Jeeves, но уступает Jev на вопросах на знания; длинные цепочки рассуждений могут быть медленными и обрываться по лимиту токенов. Лицензия — Apache-2.0.

LoudAI/LoudGen-report-korean-2B-v1.0 — дообученная разговорная языковая модель LoudAI на архитектуре IBM Granite 3.1, предназначенная для создания структурированных бизнес-планов на корейском языке по краткому описанию проекта. Модель насчитывает 2,5 млрд параметров, использует библиотеку Transformers и формат Safetensors; метаданные указывают контекст до 131 072 токенов, тогда как при описанном обучении применялась максимальная длина последовательности 2048 токенов. Модель формирует отчёты с разделами о бизнесе, проблемах и решениях, бизнес-модели, рынке и конкурентах, маркетинге, KPI, финансах и плане реализации. Она дообучена на примерно 700 собственных структурированных примерах бизнес-планов в Markdown и рассчитана прежде всего на корейские ответы. Модель подходит для подготовки черновиков планов и отчётов по краткому описанию бизнеса. Её ограничения — специализация на фиксированном формате бизнес-плана и корейском языке; качество ответов на других языках не гарантируется. Лицензия — Apache-2.0.

vishinvents выпустила компактную специализированную модель на 1,7 млрд параметров для извлечения продуктовых проблем из кратких описаний поведения пользователей. Это дообученная Qwen3-1.7B с плотной архитектурой Qwen3ForCausalLM; модель принимает текстовую narration и генерирует JSON с найденными ошибками интерфейса и сценариями, которые пользователь хотел выполнить, но не смог. Для чистой сессии она должна возвращать пустой список находок. Модель обучена на платформе Distil Labs: использованы 25 размеченных примеров и 10 078 синтетически расширенных и проверенных примеров; учителем служила openai.gpt-oss-120b. Модель предназначена для анализа пользовательских сессий и продуктовой аналитики, в частности для выявления ошибок и UX-пробелов с оценкой серьёзности от 1 до 5. В README приведены небольшие тестовые оценки: на наборе из пяти примеров модель сравнялась с учителем по оценке LLM-судьи, а в десяти проверках на неоднозначных случаях иногда путала тип проблемы. Указаны форматы safetensors и GGUF F16, возможность диалогового использования и контекст до 40 960 токенов. Лицензия — Apache 2.0. Русский язык явно не заявлен; базовая Qwen3 является многоязычной, но карточка не уточняет языки этой настройки.

FinanceGemma-E4B-GGUF — это квантованная в формате GGUF версия модели FinanceGemma-E4B, разработанной naazimsnh02 и дополнительно подготовленной mradermacher. Модель ориентирована на финансовые сценарии, включая генерацию текста, классификацию, анализ тональности и выполнение инструкций. Для обучения использовались наборы Finance-Instruct-500k и Sujet-Finance-Instruct-177k. Заявленный язык — английский; модель относится к семейству Gemma, однако точная архитектура, число параметров и размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, а также версия f16 с размерами файлов примерно от 4,5 до 15,2 ГБ. В README отмечено, что Q4_K_S и Q4_K_M рекомендуются для быстрого использования, Q6_K обеспечивает очень хорошее качество, а Q8_0 — лучшее качество среди быстрых вариантов. Также опубликованы файлы mmproj для мультимодального дополнения, но поддерживаемые модальности и ограничения мультимодальной работы подробно не описаны. Квантование уменьшает требования к памяти, но может снижать качество по сравнению с исходной моделью; weighted/imatrix-кванты на момент публикации отсутствовали. Модель распространяется по лицензии Apache-2.0.

OVHaiLLM/Qwen-Open-Finance-R-8B — дообученная компанией Dragon LLM модель Qwen3-8B для финансовых и экономических вопросов. Она предназначена для ответов на запросы специалистов и для анализа финансовых и деловых материалов. В карточке Hugging Face основной задачей указаны ответы на вопросы; README также описывает подготовку сводок отчетности и рыночных тенденций, разбор регулирования, инвестиционный анализ и сценарное планирование. Модель работает с текстом и поддерживает английский, французский и немецкий языки. По описанию разработчика, обучение включает финансовые и экономические материалы, переводы, общие знания, RAG и задачи рассуждения. В репозитории указаны веса safetensors и лицензия Apache-2.0. README заявляет о точных и фактически обоснованных ответах, однако не приводит независимых оценок качества. Разработчик рекомендует проверять критичные финансовые сведения по официальным источникам; модель может ошибаться и не заменяет профессиональную проверку или финансовую консультацию.

ThoughtWeaver-8B-Reasoning-Exp — экспериментальная языковая модель Вазирани для генерации ответов с рассуждениями, структурированными в Markdown. Это дообученная версия unsloth/Ministral-3-8B-Instruct-2512 с плотной архитектурой семейства Mistral 3 и размером 8 млрд параметров. Модель принимает текст и выдаёт текст; карточка указывает английский язык, а метаданные — формат safetensors и лицензию Apache-2.0. Модель предназначена для задач, где полезно быстро рассмотреть несколько вариантов: мозгового штурма, генерации идей и дизайн-мышления. Она управляет глубиной рассуждения на уровнях low, medium и high, стремясь избегать повторных циклов самопроверки и расходовать меньше токенов. В карточке приведены результаты на AIME 2024 и AIME 2025. Разработчик отмечает, что модель экспериментальная и нестабильная: возможны повторы и галлюцинации, точность ниже передовых моделей, а из-за катастрофического забывания некоторые задачи могут выполняться хуже, чем базовой моделью. Модель предназначена только для чата, не поддерживает изображения, аудио и вызов инструментов и не прошла достаточное выравнивание безопасности; при специально подобранных запросах может генерировать вредный контент.

mr-checker разработал англоязычную модель классификации текста на базе DistilBERT для определения стратегического намерения аудитории в материалах, связанных с YouTube. Модель относит текст к одной из восьми категорий: Build, Learn, Career, Evaluate, Awareness, Decide, Inspiration или Predict. Она предназначена для анализа интересов аудитории, планирования контентной стратегии, исследования рынка и поддержки бизнес-решений. Модель реализована как DistilBertForSequenceClassification и дообучена на distilbert/distilbert-base-uncased с использованием набора yt-strategic-intent-9k объёмом около 10 тысяч строк. Принимает англоязычный текст; штатная длина контекста — до 512 токенов. Распространяется в формате Safetensors под лицензией Apache 2.0. Классификация помогает выявлять предполагаемые мотивы взаимодействия с контентом, но качество прогнозов зависит от текста заголовков, расшифровок или метаданных. Модель не использует изображения, аудио или другие мультимодальные сигналы; автор также отмечает возможные ошибки на реальных данных из-за их качества.