III.2Исследование рынка и маркетинг

Языковая модель Mistral-Nemo Japanese Instruct 2408 разработана Рёсуке Исигами на базе mistralai/Mistral-Nemo-Instruct-2407 и дообучена для японского языка. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Для запросов используется формат ChatML. Модель подходит для ответов на вопросы и ведения диалога на японском языке; метаданные также отмечают английский. Указанное для модели контекстное окно — до 1 024 000 токенов. Модель распространяется под лицензией Apache-2.0.

Mixtral-8x7B-v0.1-japanese — языковая модель ABEJA, созданная на основе Mixtral-8x7B-v0.1. Разработчики расширили японский словарь модели и провели дополнительное продолжительное предобучение; в архитектуре используется разреженная смесь экспертов (MoE). Репозиторий содержит веса в формате safetensors, а размер модели в метаданных указан как 7,2 млрд параметров. Модель предназначена для генерации японского текста и других сценариев генерации текста на японском языке. Она поддерживает контекст до 32 768 токенов. Лицензия Apache-2.0 разрешает использование на её условиях.

Fizzarolli/MN-12b-Sunrose — объединённая модель для генерации текста, созданная из предварительно обученных языковых моделей с помощью mergekit и метода passthrough. В состав слияния вошли Fizzarolli/MN-12b-Rosier-v1 и Fizzarolli/nemo-sunfall-v0.6.1-adapter-on-base. Модель построена на плотной архитектуре Mistral и содержит 12,1 млрд параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Указанное окно контекста — 1 024 000 токенов. Модель предназначена для генерации текста. README не приводит конкретных сценариев применения, сведений о языках или результатов оценки качества. Лицензия в доступных данных не указана.

Shishir1807/Moas_Explicit_PYT_v2 — языковая модель на архитектуре GPT-NeoX, разработанная с помощью H2O LLM Studio на базе EleutherAI/pythia-2.8b-deduped. Она предназначена для генерации текста и может использоваться для продолжения запросов и создания ответов на английском языке. Модель содержит 3,5 млрд параметров, работает с библиотекой Transformers и принимает контекст длиной до 2048 токенов. В README упоминаются варианты загрузки с 8-битной или 4-битной квантизацией и распределение по нескольким GPU; репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Модель sanjay782/model_merged_16bit разработана пользователем sanjay782 и дообучена на базе unsloth/tinyllama-chat-bnb-4bit. Это плотная авторегрессионная языковая модель семейства Llama с примерно 1 млрд параметров, предназначенная для генерации текста и диалогового общения. При обучении использовались Unsloth и библиотека Hugging Face TRL; модель распространяется в формате safetensors. Модель принимает текст и генерирует текст. В метаданных указан английский язык и контекст до 2048 токенов. Репозиторий предоставляет веса по лицензии Apache-2.0. Карточка не описывает специализированную предметную область или конкретные ограничения качества.

tranv/mt5-base-finetuned-sumeczech — дообученная модель семейства mT5 на базе google/mt5-base, предназначенная для автоматического суммирования текста. Она содержит около 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration в формате PyTorch. Базовая модель mT5 — многоязычная текстово-текстовая модель Google. Модель подходит для генерации краткого содержания входного текста. В README приведены результаты оценки: Loss 1,9291, ROUGE-1 15,9842, ROUGE-2 5,0275, ROUGE-L 12,6308 и ROUGE-Lsum 14,0073. Название указывает на чешское суммирование, но язык обучающих данных в карточке не подтверждён. Лицензия — Apache-2.0.

zelk12/MT5-Gen5-GP-gemma-2-Av4dMTg2-9B — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Gemma 2 с 9 млрд параметров. В состав вошли lemon07r/Gemma-2-Ataraxy-v4d-9B и zelk12/MT-Gen2-gemma-2-9B; конфигурация указывает lemon07r/Gemma-2-Ataraxy-v4d-9B как базовую модель. Репозиторий содержит веса в формате safetensors, а библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогов, а краткое описание базовой модели указывает на творческое письмо и создание историй. Она принимает текст и генерирует текст; размер контекста — 8192 токена. В карточке и метаданных не приведены подтверждённые сведения о языках или лицензии, поэтому их нельзя уточнить.

Z-L-Leo выпустил my-sft-model-20260930-224405 — дообученную с помощью TRL компактную языковую модель на базе LiquidAI/LFM2.5-350M. Это плотная авторегрессионная модель семейства LFM2, предназначенная для генерации текста и диалогового использования через Transformers. В репозитории указано 444,6 млн параметров и контекст до 128 000 токенов. Модель подходит для ответов на вопросы и других текстовых диалоговых сценариев. Карточка показывает пример генерации ответа на открытый вопрос, но не описывает конкретную специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Nemotron-4-Mini-Hindi-4B-Instruct — языковая модель NVIDIA для генерации ответов на вопросы с учётом индийского контекста. Она принимает запросы на хинди, английском и Hinglish и подходит для диалоговых сценариев, включая ответы на вопросы и интерфейсы с вызовом инструментов. Модель представляет собой авторегрессионный декодер Transformer семейства Nemotron с плотной архитектурой и 4,3 млрд параметров. Она дообучена и выровнена на основе nvidia/Nemotron-4-Mini-Hindi-4B-Base с использованием реальных и синтетических данных для выравнивания. Контекст составляет 4096 токенов; архитектура использует Grouped-Query Attention и RoPE. Для лучшего качества рекомендуется формат промпта из карточки модели. NVIDIA сообщает о готовности модели к коммерческому использованию; лицензия в метаданных обозначена как other, поэтому условия следует сверить с лицензией и условиями NVIDIA. Модель может выдавать неточные, неполные или нерелевантные ответы, а также воспроизводить токсичность и социальные предубеждения из обучающих данных.

MaziyarPanahi/NeuralsirkrishnaShadow_Inex12Strangemerges_32 — текстовая генеративная модель, опубликованная MaziyarPanahi и созданная путём слияния моделей automerger/NeuralsirkrishnaShadow-7B и automerger/Inex12Strangemerges_32-7B. Она предназначена для генерации текста по текстовому запросу и работает на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специализацию, языки, результаты оценки или дополнительные возможности, поэтому назначение можно определить только как генерацию текста общего назначения.

NileChat-3B-Base — базовая языковая модель UBC-NLP, полученная продолжением предобучения Qwen2.5-3B на данных, ориентированных на египетские и марокканские сообщества. Модель содержит около 3 млрд параметров и обучалась на корпусе из 98,57 млрд слов; длина последовательности при обучении составляла 4 096 токенов. Модель предназначена для понимания и генерации текста на египетском и марокканском диалектах арабского языка, включая арабское письмо и Arabizi, а также на литературном арабском, французском и английском. Её можно применять для диалогов с учетом местного культурного контекста, создания материалов для этих сообществ и перевода между диалектами, литературным арабским, английским и французским. Это базовая версия, не настроенная на выполнение инструкций. Обучение включало синтетические и извлеченные культурно ориентированные данные, образовательные тексты и публичные корпуса по нескольким языкам, математике и коду. Модель может выдавать правдоподобную, но неверную информацию, чувствительна к формулировке запроса и может работать непоследовательно на очень длинных входах. Лицензия обозначена как other; конкретные условия следует проверить на странице репозитория.

trinhkhng/nuslerp_Merged_gpt2-medium_0.1 — языковая модель для генерации текста, созданная слиянием предварительно обученных моделей GPT-2 с помощью метода NuSLERP и инструмента mergekit. В слияние вошли /kaggle/working/gpt2-medium с весом 0,9 и /kaggle/working/debias_gpt2-medium с весом 0,1; используется архитектура GPT2LMHeadModel и формат safetensors. Модель предназначена для продолжения текста и генерации ответов на основе текстового запроса. Контекст составляет 1024 токена. Карточка не сообщает о специализированных областях применения или поддерживаемых языках; слияние модели с debias-вариантом само по себе не подтверждает конкретный уровень снижения предвзятости. Условия лицензии в предоставленных данных не описаны.

Lamsheeper/OLMo-base — языковая модель семейства OLMo2, дообученная на пользовательских данных. Она предназначена для генерации текста и может служить основой для задач продолжения текста и создания текстовых ответов. Модель имеет плотную архитектуру causal language model с 1,3 млрд параметров, 16 слоями, 16 головами внимания и словарём из 100 578 токенов. Контекст составляет до 4096 токенов; основной язык по карточке — английский. Модель загружается через Transformers и распространяется в формате Safetensors. В карточке не приведены подробности обучающих данных и сравнительные оценки качества, поэтому пригодность для конкретного предметного сценария следует проверять отдельно. Лицензия — Apache-2.0.

Helsinki-NLP разработала opus-mt-en-cs — модель машинного перевода с английского на чешский язык. Она предназначена для перевода отдельных фраз и текстов, в том числе новостных материалов; в карточке приведены результаты оценки на нескольких новостных тестовых наборах. Модель использует архитектуру Transformer в реализации MarianMT и насчитывает 57,2 млн параметров. Текст нормализуется и токенизируется с помощью SentencePiece; максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-ko-ru — модель машинного перевода на архитектуре Transformer, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с корейского на русский; источником могут быть корейские тексты на хангыле, латинице и других указанных для корейского письменностях. Для нормализации и разбиения текста используются SentencePiece-модели размером 32 тыс. токенов. Модель содержит 58,4 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель подходит для перевода сообщений, документов и других текстов с корейского языка на русский. В тесте Tatoeba для этой языковой пары указаны BLEU 30,3 и chr-F 0,514; результаты на других типах текстов могут отличаться. Лицензия — Apache-2.0.

Модель Nhoseinnia/parsBERT_text_emotion_classification — классификатор эмоций в текстах на персидском языке, созданный на основе предварительно обученной ParsBERT. Это плотная модель семейства BERT с головой классификации последовательностей, содержащая 190 млн параметров и принимающая текст длиной до 512 токенов. Для обучения использовано 5 558 примеров из набора SeyedAli/Persian-Text-Emotion, для тестирования — 1 399 примеров с разметкой по шести классам эмоций. Модель предназначена для автоматической разметки эмоциональной окраски персидских текстов. Распространяется по лицензии MIT.

malhajar/phi-2-chat — дообученная методом SFT версия Phi-2, разработанная Мохамадом Альхаджаром. Модель предназначена для генерации ответов в формате чата и выполнения инструкций; при дообучении использовался набор yahma/alpaca-cleaned. В карточке приведён шаблон запроса с секциями Instruction и Response. Модель использует плотную архитектуру PhiForCausalLM семейства Phi и принимает текст, выдавая текст. Контекст составляет 2048 токенов. README указывает турецкий язык, а метаданные — английский; основной язык модели по имеющимся сведениям определить нельзя. Репозиторий содержит веса в формате safetensors. Лицензия и размер модели в предоставленных данных не указаны.

Карточка модели LLADIGA/Qwen3.5-4B-full_turn_imagegame_player1 на Hugging Face совпадает с карточкой LLADIGA/Qwen3.5-4B-full_turn_imagegame_player2, поэтому описание составлено по ней. Это дообученная компанией Qwen модель Qwen3.5-4B, опубликованная пользователем LLADIGA. Модель с плотной архитектурой Qwen3_5ForCausalLM содержит 3,4 млрд параметров и предназначена для генерации текста в диалоговом формате. В карточке приведён пример ответа на открытый вопрос; модель обучена с использованием TRL и запускается через Transformers. Модель подходит для диалоговых сценариев и генерации текстовых ответов. Для базовой модели каталога указаны мультимодальное понимание изображений, рассуждения и вызов инструментов, но карточка этой производной версии не подтверждает эти возможности отдельно. Контекстное окно составляет до 262 144 токенов. Репозиторий использует формат safetensors; лицензия в предоставленных данных не приведена.

Qwen3.6-35B-A3B-Brainwaves-Nex-Uncensored — мультимодальная модель семейства Qwen, созданная объединением нескольких моделей, включая Qwen3.6-35B-A3B-Brainwaves и Nex-N2.5-mini-Uncensored. Она предназначена для диалогов и следования инструкциям; метаданные также указывают поддержку обработки изображений вместе с текстом. В README приведены результаты оценок компонентов на нескольких тестах, но полный рецепт объединения и конкретные параметры этих тестов не раскрыты. Модель построена на архитектуре Qwen3.5 MoE и распространяется в формате safetensors через Transformers. В карточке указаны английский, китайский, японский и испанский языки; длина контекста и число параметров для этой версии не приведены. Лицензия — Apache-2.0. Название Uncensored указывает на ориентацию на менее ограниченные ответы, однако README не уточняет границы этой настройки.

KhaledAshraf/qwen3-finetuned — дообученная Khaled Ashraf компактная языковая модель Qwen3 с плотной архитектурой Qwen3ForCausalLM и примерно 508 млн параметров. Она предназначена для генерации текста и диалогов; карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 2,0026 на оценочном наборе. Модель принимает текст и выдаёт текст, использует библиотеку Transformers и поддерживает контекст до 40 960 токенов. Qwen3-0.6B описана в каталоге как многоязычная модель, однако языки и специализация этого дообучения не раскрыты. Модель опубликована в формате safetensors под лицензией Apache-2.0. README не содержит подробностей о данных, методике обучения, целевом качестве и ограничениях, поэтому пригодность для конкретной области следует оценивать отдельно.

Карточка модели kandallChali/Qwen-Image-Edit-2509 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2509, поэтому описание составлено по ней. Qwen-Image-Edit-2509 — модель редактирования изображений от команды Qwen, выпущенная как сентябрьское обновление Qwen-Image-Edit. Она принимает текстовые инструкции и от одной до трёх входных картинок; поддерживает сочетания изображений людей, товаров и сцен, а также условия ControlNet, включая карты глубины, контуров и ключевых точек. Модель предназначена для редактирования изображений с сохранением важных деталей исходника. Она улучшает сохранение личности человека при смене позы и художественного стиля, помогает сохранять идентичность товара при создании постеров, а также позволяет менять текст на изображении, его шрифт, цвет и материал. Среди сценариев применения — создание мемов и постеров, восстановление старых фотографий и комбинирование нескольких изображений. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. Оптимальные результаты для многокартинного ввода заявлены для одного–трёх изображений; численные характеристики размера модели и длины контекста в предоставленных данных отсутствуют.

Карточка модели wolf1280/Qwen-Image-Edit-2509 на Hugging Face совпадает с карточкой Qwen/Qwen-Image-Edit-2509, поэтому описание составлено по ней. Qwen-Image-Edit-2509 — модель редактирования изображений от команды Qwen, выпущенная как сентябрьское обновление Qwen-Image-Edit. Она принимает текстовые инструкции и от одной до трёх входных картинок; поддерживает сочетания изображений людей, товаров и сцен, а также условия ControlNet, включая карты глубины, контуров и ключевых точек. Модель предназначена для редактирования изображений с сохранением важных деталей исходника. Она улучшает сохранение личности человека при смене позы и художественного стиля, помогает сохранять идентичность товара при создании постеров, а также позволяет менять текст на изображении, его шрифт, цвет и материал. Среди сценариев применения — создание мемов и постеров, восстановление старых фотографий и комбинирование нескольких изображений. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — Apache-2.0. Оптимальные результаты для многокартинного ввода заявлены для одного–трёх изображений; численные характеристики размера модели и длины контекста в предоставленных данных отсутствуют.

ruGPT-3 XL 8k — русскоязычная авторегрессионная языковая модель на 1,3 млрд параметров, разработанная Павлом Рыковым на основе evilfreelancer/ruGPT3XL. Это трансформер GPT-2-типа с архитектурой decoder-only и окном контекста 8192 токена: контекст расширен поэтапно с 2k до 4k и затем до 8k с продолжением предобучения и циклическим заполнением новых позиций таблицы позиционных эмбеддингов. Модель предназначена для генерации и продолжения русскоязычного текста с учётом длинного контекста. Она является базовой предобученной моделью, а не дообученной для следования инструкциям; возможность общения указана в метаданных, но качество ответов в диалоговом режиме не гарантируется. В README приведён датасет IlyaGusev/gazeta, а файлы модели представлены в формате safetensors. Лицензия — MIT.

RWKV-7 — языковая модель с плотной архитектурой RWKV7ForCausalLM, опубликованная fla-hub на основе BlinkDL/rwkv7-g1. Разработчики, указанные в карточке: Bo Peng, Yu Zhang, Songlin Yang, Ruichong Zhang и Zhiyuan Li; проект поддерживается RWKV Project при LF AI & Data Foundation. Модель содержит 1,5 млрд параметров и использует токенизатор RWKV World с размером словаря 65 536 токенов. Модель предназначена для генерации текста и диалогов. Метаданные указывают поддержку английского, китайского, японского, корейского, французского, арабского, испанского и португальского языков. Контекст составляет 2 048 токенов. Для запуска README рекомендует библиотеку flash-linear-attention и transformers версии 4.48.0 или выше. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты оценки качества или подробные ограничения; небольшой контекст ограничивает работу с длинными входами.

chrischain/SatoshiNv5 — дообученная языковая модель семейства Mistral, созданная на основе Mistral 7B 0.2 Base. Автор сообщает, что модель обучалась в четыре эпохи на разнообразном пользовательском наборе данных, затем прошла дополнительный этап дообучения на том же наборе. Модель имеет 7,1 млрд параметров, плотную архитектуру Mistral и контекст до 32 768 токенов. Модель предназначена для генерации текста в формате ассистента: она может уточнять запрос и запрашивать дополнительную информацию перед ответом. В карточке указан английский язык и лицензия CC BY 2.0. Автор отмечает, что при высокой температуре ответы могут становиться бессвязными, и рекомендует значения температуры ниже 0,5.

Seagull-llama-3-8B-orpo-v0.4 — диалоговая языковая модель, разработанная kuotient как дообучение kuotient/Meta-Llama-3-8B с применением ORPO. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговых сценариях. Она поддерживает английский язык и контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors. В карточке Hugging Face указана лицензия other, тогда как README заявляет Apache-2.0; условия использования следует сверить с файлами и лицензией репозитория. README не приводит оценок качества или подробных ограничений модели.

slerp_Merged_gpt2_0.0 — объединённая языковая модель на архитектуре GPT-2, созданная с помощью mergekit из двух моделей: /kaggle/working/gpt2 и /kaggle/working/gpt2_debias. В README указан метод слияния SLERP и параметр t=0.0; модель предназначена для продолжения текста и других задач генерации текста на основе текстового запроса. Модель использует плотную архитектуру GPT2LMHeadModel и формат safetensors. Контекстное окно составляет 1024 токена. Данных о лицензии, специализации по языкам или конкретных прикладных областях в предоставленных источниках нет.

Карточка модели nota-ai/st-llama-1-5.5b-taylor на Hugging Face совпадает с карточкой nota-ai/st-vicuna-v1.3-5.5b-taylor, поэтому описание составлено по ней. Nota AI разработала эту модель как укороченную версию Vicuna-v1.3 на базе LLaMA для более эффективной генерации текста. Веса получены удалением наименее значимых блоков Transformer с последующим лёгким дообучением методом LoRA; для pruning использован критерий Taylor+. Вариант уменьшен примерно с 7B до 5,5B параметров, а метаданные указывают 5,4B параметров и архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалоговых сценариев на основе Vicuna. Максимальная длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия ограничивает использование некоммерческими целями. Сокращение глубины предназначено для повышения эффективности по сравнению с исходной моделью, однако доступные сведения не приводят результатов бенчмарков для этой конкретной версии. Короткий контекст ограничивает работу с длинными документами; модель может наследовать ошибки и ограничения базовой Vicuna.

Nota AI разработала эту модель как укороченную версию Vicuna-v1.3 на базе LLaMA для более эффективной генерации текста. Веса получены удалением наименее значимых блоков Transformer с последующим лёгким дообучением методом LoRA; для pruning использован критерий Taylor+. Вариант уменьшен примерно с 7B до 5,5B параметров, а метаданные указывают 5,4B параметров и архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалоговых сценариев на основе Vicuna. Максимальная длина контекста составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия ограничивает использование некоммерческими целями. Сокращение глубины предназначено для повышения эффективности по сравнению с исходной моделью, однако доступные сведения не приводят результатов бенчмарков для этой конкретной версии. Короткий контекст ограничивает работу с длинными документами; модель может наследовать ошибки и ограничения базовой Vicuna.

rhaymison/t5-portuguese-small-summarization — компактная модель T5, разработанная Rhaymison и дообученная на базе google-t5/t5-small для автоматического суммирования текста на португальском языке. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает входной текст длиной до 512 токенов. Модель предназначена для создания кратких пересказов португалоязычных текстов. В карточке приведены примеры суммирования новостного текста и результаты оценки ROUGE. Автор отмечает, что из-за небольшого размера модели иногда возникают ошибки с диакритическими знаками. Модель распространяется по лицензии Apache-2.0. Для запуска можно использовать библиотеку Transformers и формат весов safetensors.