III.1Стратегия, продукт и бизнес-модели

Ludo33/e5_Sentiment_General_v2 — дообученная модель на базе intfloat/multilingual-e5-large-instruct для классификации тональности текста. Она использует архитектуру XLM-RoBERTa с 658,7 млн параметров и принимает текст с контекстом до 514 токенов. В README указаны результаты на оценочной выборке: accuracy 0,9016 и F1 0,9021; состав выборки и методика оценки не описаны. Модель подходит для определения тональности текстов в прикладных системах анализа мнений и отзывов. Базовая E5-модель многоязычная, однако конкретные поддерживаемые языки этой версии не перечислены. Модель распространяется по лицензии MIT.

Luigi разработал Gemma-4-E2B meeting agent (zh-TW) — дообученную версию Gemma-4-E2B для работы с расшифровками совещаний на устройствах с ограниченными ресурсами. Модель принимает фрагменты китайской речи на традиционном письме Тайваня вместе с журналом предыдущих заметок и по заданному протоколу формирует краткие заметки с временными отметками и ссылками на источник: решения, поручения, предложения, открытые вопросы и ключевые цифры. В версиях начиная с v8 она также составляет связное резюме и заголовок встречи по заметкам. В основе лежит Google Gemma-4-E2B-it-qat-q4_0-unquantized; модель дообучена с LoRA-адаптером и распространяется в том числе в формате GGUF Q4_0 размером 3,35 ГБ. Для телефонов подготовлена версия LiteRT-LM, рассчитанная на CPU; README приводит результаты измерений на Galaxy Note10+ и указывает, что на этом устройстве CPU быстрее GPU. Модель предназначена для специализированного протокола с последовательной подачей фрагментов стенограммы, а не для произвольного диалога. Указанный в примере контекст запуска GGUF — 32 768 токенов; мобильная версия использует контекст 4k на окно и перезапускает сессию на компактном журнале при достижении 8k токенов. Лицензия — Apache-2.0.

NuSentiment — дообученная Numind версия e5-v2 на размеченной выборке C4. Это модель эмбеддингов для задач анализа тональности: она преобразует текст в векторные представления, которые можно использовать напрямую или дополнительно дообучить на специализированных данных. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Карточка указывает английский язык; лицензия — MIT.

Sensible: ModernBERT Sentiment Analysis — англоязычная модель классификации тональности, разработанная Ankit Aglawe. Она дообучена на ModernBERT-base и определяет, положительный или отрицательный тон у отзывов, комментариев, обратной связи и текстов из социальных сетей. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 149 млн параметров и принимает контекст длиной до 8192 токенов. В README сообщается точность 0,9461 на валидационной выборке SST-2 из 872 примеров. Модель доступна для Transformers и поддерживает пакетную классификацию. Лицензия — Apache-2.0. Модель обучена на SST-2; её схема меток ограничена классами positive и negative. Результат на SST-2 не гарантирует такую же точность на текстах других типов или на тонких и смешанных оценках.

Карточка модели sbcBI/sentiment_analysis на Hugging Face совпадает с карточкой sbcBI/sentiment_analysis_model, поэтому описание составлено по ней. sbcBI/sentiment_analysis_model — модель классификации английских текстов по тональности, созданная дообучением bert-base-uncased. В метаданных архитектура указана как DistilBertForSequenceClassification семейства DistilBERT; доступный формат весов — PyTorch, максимальный контекст — 512 токенов. README описывает обучение на размеченном наборе данных, который обозначен в метаданных как Confidential. Модель предназначена для определения тональности текста и уже настроена на эту задачу; автор README не рекомендует использовать её для дальнейшего дообучения под другие задачи. Подходит для классификации англоязычных отзывов, комментариев и коротких сообщений. Лицензия — Apache-2.0.

sbcBI/sentiment_analysis_model — модель классификации английских текстов по тональности, созданная дообучением bert-base-uncased. В метаданных архитектура указана как DistilBertForSequenceClassification семейства DistilBERT; доступный формат весов — PyTorch, максимальный контекст — 512 токенов. README описывает обучение на размеченном наборе данных, который обозначен в метаданных как Confidential. Модель предназначена для определения тональности текста и уже настроена на эту задачу; автор README не рекомендует использовать её для дальнейшего дообучения под другие задачи. Подходит для классификации англоязычных отзывов, комментариев и коротких сообщений. Лицензия — Apache-2.0.

airzipm/sentiment-analysis-muril-v2 — классификатор тональности на базе MuRIL, разработанный автором репозитория и дообученный на google/muril-base-cased. Модель относит текст к одному из трёх классов: Negative, Neutral или Positive. Она предназначена для анализа английского, хинди и смешанного хинди-английского текста, включая хинди на деванагари и Hinglish в латинской записи. Это плотная BERT-модель для классификации последовательностей с 264,8 млн параметров и контекстом до 512 токенов. Для обучения использовались датасеты отзывов и публикаций в соцсетях на английском, хинди и Hinglish; автор сообщает тестовую точность 0,86 и macro F1 0,86. Модель распространяется под лицензией MIT. Классификатор подходит для определения тональности отзывов, твитов и другого короткого пользовательского текста. Данных на хинди и Hinglish при обучении было существенно меньше, чем английских; результаты могут быть слабее, а покрытие вариантов написания Hinglish зависит от обучающих примеров. Модель не оценивалась на далёких от отзывов и соцсетей доменах, например на новостных или юридических текстах.

SiEBERT — модель анализа тональности английского текста, разработанная как дообученный чекпойнт RoBERTa-large. Она классифицирует текст по двум меткам: положительная и отрицательная тональность. Модель обучали и оценивали на 15 наборах данных из разных источников, включая отзывы и твиты, чтобы повысить качество на текстах, отличающихся от обучающих примеров. Модель предназначена для классификации отзывов, публикаций и других англоязычных текстов, а также может служить отправной точкой для дальнейшего дообучения на пользовательских данных. Архитектура — RoBERTa для классификации последовательностей, размер — 454,1 млн параметров, максимальный контекст — 514 токенов. Доступны версии для PyTorch, TensorFlow и Flax. В описанных оценках модель показала более высокую точность на разнородных наборах данных, чем модель DistilBERT, дообученная только на SST-2. Точность на конкретных данных может отличаться; README рекомендует проверить качество на вручную размеченной выборке для целевого сценария. Лицензия в предоставленных данных не указана.

Модель Jhusef Alfonso López Parra для классификации тональности текста на испанском языке. Это дообученная с помощью Transformers архитектура XLM-RoBERTa-large с 658,7 млн параметров; она присваивает тексту одну из трёх меток: отрицательная, нейтральная или положительная. Модель предназначена для анализа испаноязычных текстов, в том числе сообщений в социальных сетях, и запускается для инференса через библиотеку Transformers. При проверке на валидационной выборке указано значение F1-macro 0,729. Модель обучалась на наборе данных cardiffnlp/tweet_sentiment_multilingual; максимальная длина контекста составляет 514 токенов. Распространяется по лицензии Apache-2.0. Возможны смещения, связанные с обучающими данными; результаты не следует использовать как единственное основание для критически важных решений без проверки специалистом.

NextSearch-1-S — дообученная модель NextTokenAI на базе Qwen3.6-35B-A3B, предназначенная для агентного веб-исследования в составе системы с оркестратором. Она разбивает вопрос на подзадачи, ищет и загружает материалы из актуального веба через инструменты search и fetch, сопоставляет противоречивые сведения и формирует краткий ответ или структурированный результат исследования. Архитектура — MoE, 35 млрд параметров; модель работает с текстом и поддерживает интерфейс вызова инструментов. Для использования ей нужны системный промпт с датой задачи и настроенные инструменты; в README приведён пример запуска через vLLM с максимальной длиной контекста 65536 токенов. В тестах разработчика на нескольких наборах для поиска и исследования NextSearch-1-S показала сильные результаты на задачах с несколькими ограничениями и структурированными данными; оценки получены на собственном стенде и не сопоставимы напрямую с результатами других публикаций. Карточка не сообщает о специальной языковой специализации. Модель распространяется под лицензией Apache-2.0.

Virtuoso-Large — дообученная плотная языковая модель на базе Qwen2.5-72B, разработанная Arcee AI. Она предназначена для генерации текста и диалоговых сценариев, включая создание технических и творческих материалов, суммирование данных и подготовку отчётов, синтез сведений из разных источников и многоязычную коммуникацию. Модель содержит около 71,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов. Для работы доступны веса в формате safetensors; в README также упоминается вариант GGUF. Модель рассчитана на задачи общего назначения и имеет интерфейс для вызова инструментов. README заявляет многоязычную поддержку, но не перечисляет языки. Лицензия обозначена как Tongyi License от Qwen; условия её применения следует сверять с лицензией базовой модели.

German-RAG-LLAMA-3.1-8B-CPT-HESSIAN-AI — авторегрессионная трансформерная языковая модель, разработанная командой Avemio AI при поддержке Hessian AI. Это продолжительно предобученная версия Meta-Llama-3.1-8B: в метаданных указано 7,5 млрд параметров, архитектура LlamaForCausalLM и контекст до 131 072 токенов. Модель предназначена для работы с немецким и английским языками, с акцентом на немецкий. Она обучалась на датасете German-RAG-CPT и ориентирована на ответы на вопросы с опорой на предоставленный контекст, структурированные рассуждения и суммаризацию. Её можно использовать в сценариях RAG, передавая найденные документы вместе с вопросом. Модель может генерировать недостоверные ответы и чувствительный или вредоносный контент; результаты следует проверять, а для прикладных систем предусмотреть меры безопасности. Метаданные Hugging Face указывают лицензию Llama 3.1, тогда как README заявляет Apache 2.0 для кода и модели; условия распространения весов следует сверить с лицензией репозитория.

Menlo/Jan-nano-128k-gguf — это квантованная GGUF-версия компактной языковой модели Jan-Nano-128k, разработанной Menlo Research; авторами указаны Alan Dao и Bach Vu Dinh. Модель предназначена для генерации текста и исследовательских сценариев, включая анализ научных статей и длинных документов, синтез информации из нескольких источников, работу с большими наборами данных и сложные многошаговые диалоги. Она также совместима с серверами Model Context Protocol (MCP) и поддерживает вызов инструментов при соответствующей настройке среды. Ключевая характеристика модели — нативное контекстное окно до 128 000 токенов, рассчитанное на сохранение производительности при работе с длинным контекстом. Указан английский язык; модель относится к нетерминологически «рассуждающим» моделям и не использует отдельный режим thinking. Архитектура, точный размер модели, тип и параметры квантования, а также перечень поддерживаемых модальностей в README не раскрыты, поэтому подтверждена только текстовая модальность. Сильными сторонами заявлены обработка больших документов, глубокий анализ и улучшение результатов на длинном контексте по сравнению с предыдущей версией Jan-Nano. Ограничения включают отсутствие подробных сведений об архитектуре, размере и конкретном варианте квантования, а также необходимость корректной настройки chat template и параметров масштабирования RoPE при некоторых способах развёртывания. Модель распространяется по лицензии Apache 2.0.

JEV-27B — модель AutoTrust для быстрых классификационных решений и генерации текста. Она дообучена на базе Qwen/Qwen3.8-27B и объединяет два режима в одном наборе весов: System 1 выдаёт калиброванные вероятности для предложенных вариантов, а System 2 использует генерационную способность базовой модели для ответов и рассуждений. Для обслуживания обоих режимов автор рекомендует vLLM; решения можно запрашивать через HTTP-интерфейс. Модель рассчитана на выбор из заданных вариантов, ранжирование и классификацию по текстовому контексту, включая вопросы с большим числом вариантов. Заявлена поддержка контекста до 262 144 токенов; в README описаны тесты на длинных текстах и результаты на нескольких бенчмарках решений. Карточка указывает английский язык. Модель содержит 22,3 млрд параметров и распространяется в формате safetensors под лицензией Apache-2.0. Результаты бенчмарков и скорость приведены авторами модели и не гарантируют аналогичного качества на других данных. Для режима System 1 требуется использовать интерфейс решения и формат запроса, описанные в README; карточка не заявляет поддержку изображений для этой модели.

Qwen-14b-chat-yarn-32k — разработанная yuyijiong версия Qwen-14b-chat, дообученная для работы с длинным контекстом. Это плотная модель семейства Qwen с 21,8 млрд параметров для генерации текста и диалогов. В README описаны обучение с Yarn-интерполяцией и QLoRA, а также адаптация для контекста до 32k токенов; в метаданных указан native context 8192 токена. Модель предназначена для китайского и английского языков: она отвечает на вопросы по длинным текстам, извлекает сведения из нескольких документов, суммирует материалы и поддерживает многоходовый диалог. Авторы сообщают о высокой точности поиска сведений в длинном контексте, включая тесты на 50k токенов, и о снижении эффекта «потери в середине». Для длинных входов рекомендуется размещать документы перед вопросом; для быстрого вывода требуется flash-attention2. Среди ограничений авторы отмечают склонность ответов к излишней многословности, ограниченное разнообразие инструкционных данных и снижение среднего результата на C-Eval с 69,1 до 60,8. Модель выпущена по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование.

German-RAG-NEMO-12B-SFT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer семейства Mistral, разработанная командой Avemio AI при поддержке Hessian AI. Модель содержит 12,1 млрд параметров и дообучена методом SFT на примерах для генерации с дополнением извлечёнными данными (RAG); в метаданных базовой моделью указана avemio/German-RAG-NEMO-12B-CPT-HESSIAN-AI. Модель предназначена для немецкоязычных бизнес-сценариев с RAG: ответов на вопросы по предоставленному контексту, извлечения релевантной информации и её суммаризации. Также карточка описывает примеры для рассуждений и вызова функций. Поддерживаются немецкий и английский языки; заявленная длина контекста — до 1 024 000 токенов. Модель доступна в формате safetensors по лицензии Apache 2.0. Ответы и факты могут быть неверными, поэтому их следует проверять. В README также отмечены риски предвзятости и генерации вредного или чувствительного контента без защитной фильтрации.

Mistral Medium 3 — корпоративная языковая модель от Mistral AI. Она предназначена для рассуждений и мультимодальных задач при сниженных эксплуатационных затратах; описание заявляет производительность передового уровня и стоимость в восемь раз ниже.

German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI — авторегрессионная языковая модель на базе Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Модель дообучена для сценариев генерации с использованием найденных документов и предназначена прежде всего для немецкоязычного рынка. В метаданных указаны архитектура Llama, 3,7 млрд параметров и контекст до 131 072 токенов; веса доступны в формате safetensors. Модель отвечает на вопросы по предоставленному контексту, извлекает релевантную информацию, составляет краткие сводки и выполняет задачи рассуждения. README также описывает обучение на примерах RAG и поддержку немецкого и английского языков. Лицензия в метаданных Hugging Face — MIT; README указывает Apache 2.0, поэтому сведения о лицензии расходятся и требуют проверки перед использованием. Ответы могут содержать фактические ошибки, а без фильтрации модель способна выдавать вредоносный или чувствительный контент. Результаты следует проверять, а для пользовательских приложений учитывать риски предвзятости и генерации небезопасного текста.

xGen-small-9B-instruct-r — диалоговая языковая модель Salesforce из семейства xGen-small, предназначенная для генерации ответов и ведения чата. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM; в метаданных указано 10,2 млрд параметров и контекст до 262 144 токенов. Вариант instruct дообучен для диалогового использования. Модель подходит для длинных текстовых запросов и ответов, требующих работы с обширным контекстом, а также для общих задач рассуждения и знаний. В README приведены сравнительные результаты для тестов MMLU, MMLU-Pro и Arena-Hard; это результаты оценок, а не гарантия качества в прикладных сценариях. Salesforce описывает xGen-small как компактную модель с предметно-ориентированным отбором данных, масштабируемым предварительным обучением, расширением контекста и дообучением с RL. Выпуск предназначен для исследований; README рекомендует проверять точность, безопасность и справедливость перед применением, особенно в сценариях с высоким риском. Лицензия — CC BY-NC 4.0, допускающая использование с некоммерческими ограничениями.

OCC-RAG-0.6B — компактная языковая модель для ответов на вопросы, основанных на предоставленных источниках. Её разработала команда OCC AI; модель дообучена на базе Qwen/Qwen3-0.6B-Base и содержит около 508 млн параметров. Это плотная причинная языковая модель на архитектуре Qwen3, принимающая текстовый вопрос и список текстовых источников. Контекст модели составляет 32 768 токенов. Модель анализирует вопрос и источники, объединяет свидетельства из нескольких фрагментов, приводит ссылки на источники по их идентификаторам и отвечает только тогда, когда контекст подтверждает ответ. Если данных недостаточно, она может воздержаться от ответа. В карточке описано обучение на синтетических примерах вопросов и ответов с привязкой рассуждений к цитатам и оценивание на задачах многошагового QA, верности контексту и отказа от неподтверждённых ответов. Модель предназначена для RAG-сценариев, например ответов по документам и базам знаний. Она не рассчитана на общие беседы или использование собственных знаний модели; обучение и оценивание охватывали цепочки рассуждений до трёх шагов, поэтому более длинные цепочки находятся вне заявленного распределения. Лицензия — MIT.

OCC-RAG-1.7B — компактная языковая модель компании OCC AI с 1,7 млрд параметров, основанная на архитектуре Qwen3 и дообученная на синтетических примерах вопросов и ответов с опорой на источники. Она принимает вопрос и набор текстовых источников, анализирует их релевантность и формирует ответ со ссылками на источники и структурированным ходом рассуждения. Модель предназначена для контекстно-обоснованных ответов, многошагового поиска фактов по нескольким документам и отказа от ответа, если источники не содержат достаточных сведений. В карточке заявлены результаты на уровне или выше некоторых более крупных моделей по точности привязки к источникам и отказам; оценка охватывала цепочки рассуждений до трёх шагов. Поддерживает английский и русский языки, имеет контекст до 32 768 токенов и рассчитана на запуск через Transformers-совместимые стеки, в том числе на ограниченных ресурсах. Модель не предназначена для общения или ответов на основе общих знаний без предоставленных источников; цепочки длиннее трёх шагов выходят за пределы описанного обучения и оценки. Распространяется по лицензии MIT.

PIT-4B-FT — англоязычная instruction-tuned языковая модель семейства Point-In-Time GPT от Diamegs. Это декодерный Transformer для генерации текста и следования инструкциям; LoRA-адаптеры обучены на инструкционных данных и объединены с базовыми весами Diamegs/PIT-4B-202412. Модель отражает знания из веб-текстов FineWeb по декабрь 2024 года и предназначена для генерации ответов и анализа, учитывающего состояние знаний на этот момент. Модель работает с текстом, использует библиотеку Transformers и хранится в формате safetensors. Контекст ограничен 2048 токенами. Лицензия — Apache-2.0. У модели нет RLHF и дополнительной настройки безопасности; она может воспроизводить предвзятость обучающих данных. Её знания ограничены материалами, доступными до декабря 2024 года, поэтому для критически важных задач требуется дополнительная проверка и настройка.

TSFT-RAG Gemma-3-4B-IT — полноразмерная дообученная модель на базе Google Gemma 3 4B IT, созданная независимым исследователем Sascha Frank в рамках проекта TSFT-RAG. Модель предназначена для RAG-сценариев: ответов на вопросы по найденным источникам, выявления вопросов без достаточной опоры на источники, извлечения информации и создания структурированных ответов, включая JSON. Это плотная модель семейства Gemma 3 с архитектурой Gemma3ForConditionalGeneration и примерно 4 млрд параметров. Она принимает текст и, как производная Gemma 3, поддерживает мультимодальный ввод изображений, хотя для этой версии мультимодальная оценка не проводилась. Карточка сообщает об оценке преимущественно на немецкоязычных наборах данных; сведений о длине контекста нет. В опубликованной оценке агрегированный результат вырос относительно базовой модели, особенно на выявлении неподдержанных вопросах, но качество grounded QA немного снизилось. Модель оптимизирована для RAG и не предназначена для общего диалога; в важных областях требуется проверка человеком. Лицензия — Gemma license.

Yarn-Solar-10b-64k — языковая модель NousResearch, созданная на основе SOLAR-10.7B-v1.0 и дополнительно обученная на двух миллиардах токенов длинного контекста с помощью метода YaRN. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и окном контекста до 65 536 токенов. Модель предназначена для генерации текста и работы с длинными входными документами: например, для анализа больших текстов, ответов на вопросы по ним и суммаризации. Карточка приводит результаты тестов на длинном контексте и отмечает небольшое снижение качества на коротком контексте. Заявлена поддержка английского языка; метаданные указывают библиотеку Transformers и формат PyTorch. Модель распространяется по лицензии Apache-2.0. Для загрузки в Transformers карточка указывает необходимость `trust_remote_code=True` и актуальной версии библиотеки; это следует учитывать при использовании. Данные карточки не описывают отдельную настройку для диалогов или вызова инструментов.

EverythingLM-13b-V2-16k — универсальная языковая модель, созданная на базе Llama 2 и обученная разработчиком totally-not-an-llm на наборе EverythingLM-V2. Это плотная авторегрессионная модель класса LlamaForCausalLM с 12,9 млрд параметров и контекстом до 16 384 токенов; доступен формат PyTorch. Модель предназначена для генерации текста, подробных ответов, творческих историй и рассуждений. В карточке заявлены автоматическое включение пошаговых рассуждений и улучшенное понимание запросов; для задач на рассуждение автор рекомендует низкую температуру генерации. Модель описана как uncensored, однако базовая модель может отказываться отвечать на некоторые запросы, и для них может потребоваться настройка промпта. Лицензия указана как Llama 2. README также содержит инструкции по настройке RoPE для GGML-квантованных вариантов, но метаданные этого репозитория указывают формат PyTorch.

LFM2-2.6B-Transcript — компактная плотная языковая модель Liquid AI, разработанная совместно с AMD для суммаризации расшифровок встреч. Модель дообучена на базе LiquidAI/LFM2-2.6B и содержит 2,4 млрд параметров; её контекст составляет 128 000 токенов. Она принимает текстовую расшифровку с указанием участников и выдаёт связное резюме, ключевые тезисы, решения и поручения. Модель рассчитана на длинные транскрипты встреч продолжительностью 30–60 минут, включая внутренние совещания, звонки с клиентами и брифинги. Она поддерживает английский язык и предназначена для одношагового диалога с заданным форматом входа. По заявлению разработчиков, модель может работать локально на CPU, GPU и NPU, в том числе в условиях ограниченной памяти, что подходит для конфиденциальных и автономных сценариев. Для этого репозитория указана лицензия other; конкретные условия использования следует сверить с лицензией и документацией модели. Качество и скорость зависят от оборудования и входной расшифровки. Разработчики рекомендуют низкую температуру генерации, около 0,3; модель специализирована на английских стенограммах встреч, поэтому не следует считать её универсальной или многоязычной.

google/t5gemma-ml-ml-ul2-it — инструкция-дообученная текстовая модель семейства T5Gemma от Google, построенная как encoder-decoder с энкодером и декодером размера ML и адаптацией UL2. Семейство T5Gemma преобразует предварительно обученные decoder-only модели в encoder-decoder архитектуру; эта версия предназначена для диалоговой генерации текста по инструкциям. Модель работает с текстом на английском языке и использует библиотеку Transformers; репозиторий содержит веса в формате Safetensors. Модель подходит для ответов на вопросы, суммаризации, рассуждений и создания текстов, включая черновики писем, маркетинговые материалы и творческие форматы. Компактный размер семейства позволяет рассматривать запуск на локальных компьютерах или в облаке, хотя для этой конкретной версии в предоставленных данных нет точного числа параметров. Качество зависит от обучающих данных и формулировки запроса; модель может упускать языковые нюансы, ошибаться в фактах и воспроизводить смещения. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.

AlphaMonarch-7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная Mlabonne. Модель получена слиянием нескольких моделей семейства Beagle и последующим дообучением методом DPO на наборе предпочтений argilla/OpenHermes2.5-dpo-binarized-alpha; в метаданных базовой моделью указана mlabonne/NeuralMonarch-7B. Модель предназначена для диалогов, следования инструкциям, рассуждений, ролевых сценариев и написания историй. README рекомендует шаблон чата Mistral Instruct и описывает контекст 8 тысяч токенов; метаданные указывают native context в 32 768 токенов. Разрешено текстовое взаимодействие на английском языке. README сообщает о формальном и изысканном стиле ответов, который можно менять инструкциями в запросе. Модель доступна в формате safetensors и распространяется по лицензии CC BY-NC 4.0, ограничивающей коммерческое использование. Заявления README о сравнительных результатах относятся к указанным там бенчмаркам; они не гарантируют качество на других задачах. LLM может выдавать ошибочную или вымышленную информацию.

Synthia-13B-v1.2 — языковая модель семейства Llama, разработанная SynthIA и дообученная на наборах данных в стиле Orca. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов; работает с текстом через библиотеку Transformers и распространяется в формате PyTorch. Модель предназначена для выполнения инструкций, многоходовых диалогов и генерации развёрнутых ответов. В версии v1.2 авторы отмечают способность к обобщённому рассуждению в стиле Tree of Thought и Chain of Thought. Поддерживаемый в карточке язык — английский. Модель описана как uncensored и может выдавать предвзятый, оскорбительный или неподходящий контент, а также неточные и вводящие в заблуждение ответы. Результаты следует проверять. Лицензия — Llama 2; перед использованием нужно учитывать её условия.

GizzAI разработала Gizzai-Sense-T-E2B — дообученную модель для анализа временных рядов и прогнозирования. Она принимает ряд числовых значений вместе с текстовым описанием и ковариатами, а затем выдаёт типизированные вероятностные оценки и числовые прогнозы в виде квантилей. Замороженный энкодер Chronos-2 кодирует ряд, обученный проектор переводит его состояния в пространство эмбеддингов языковой модели Gemma 4; значения ряда также передаются модели в текстовом виде. Для решений используются вероятности по вариантам ответа, а прогнозные интервалы строятся с поправкой на прогноз Chronos-2. Модель обучена на синтетических рядах для выявления аномалий, оценки трендов, сезонности, волатильности, порогов и эффектов событий, а также для сценарных прогнозов и сравнений вариантов действий. В карточке приведены результаты проверки на рядах из обучавшихся и новых областей, а также метрики квантильных прогнозов. Модель не предназначена для конкретной предметной области и не обучалась на пользовательских данных. Текстовые состояния при обучении были на китайском; другие языки не проверялись. Истории длиннее обученного окна усекаются. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в репозитории.