III.2Исследование рынка и маркетинг

Ahma-3B-dpo-slerp — языковая модель, созданная Finnish-NLP слиянием двух DPO-чекпойнтов с помощью LazyMergekit. Это плотная авторегрессионная модель семейства Llama с 3,4 млрд параметров, предназначенная для генерации текста и диалогового общения. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 2048 токенов. Модель подходит для диалоговых приложений и генерации ответов. В карточке не приведены сведения о поддерживаемых языках, качестве на конкретных задачах или ограничениях поведения. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Ahma-3B-Slerp — языковая модель для генерации текста, созданная объединением двух контрольных точек Ahma-3B с помощью LazyMergekit и метода slerp. Модель основана на архитектуре Llama и содержит 3,4 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Контекст составляет 2048 токенов; веса представлены в формате safetensors, а при слиянии использовалась точность bfloat16. Карточка не уточняет языковое покрытие и специализированные области применения. Условия лицензирования в предоставленных данных не описаны. Короткое окно контекста ограничивает работу с длинными запросами и документами.

Undi95/BagelMix-8x7B — объединённая диалоговая языковая модель на архитектуре Mixtral, созданная методом DARE TIES с помощью mergekit. В основе слияния использован jondurbin/bagel-dpo-8x7b-v0.2; также включены Doctor-Shotgun/Mixtral-8x7B-Instruct-v0.1-LimaRP-ZLoss и NeverSleep/Noromaid-v0.4-Mixtral-Instruct-8x7b-Zloss. Модель предназначена для генерации текста и диалогового взаимодействия. Архитектура Mixtral — смесь экспертов; в метаданных указаны 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель помечена как NSFW и not-for-all-audiences, поэтому она может выдавать контент для взрослой аудитории. Поддерживаемые языки и конкретные ограничения качества в предоставленных данных не описаны.

Barcenas-Mistral-7b — дообученная модель семейства Mistral, созданная Danielbrdz на основе teknium/CollectiveCognition-v1-Mistral-7B. Модель предназначена для генерации текста; при дообучении использовались испаноязычные данные из набора Danielbrdz/Barcenas-lmsys-Dataset, основанного на lmsys/lmsys-chat-1m. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Для запуска доступны веса в формате PyTorch. Метаданные указывают поддержку английского и испанского языков; обучение на испанских данных делает испанский особенно релевантным сценарием использования. Модель можно применять для генерации ответов и диалогового текста на английском и испанском языках. Карточка не приводит результатов оценки качества или подробных ограничений; распространение указано по лицензии Apache-2.0.

erichogging/barthez-finetuned-synthex — модель на базе BARThez, разработанная для проекта Synthex. Это дообученная версия французской модели BARThez с архитектурой mBART и примерно 95 млн параметров. Она предназначена для автоматического суммирования статей на французском языке; при обучении использовались датасеты MLSUM-FR и XL-Sum. Модель принимает текст и генерирует его краткое изложение, максимальная длина контекста составляет 1024 токена. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

erichogging/barthez-finetuned-v2-synthex — дообученная версия BARThez, созданная для автоматического суммирования статей на французском языке в рамках проекта Synthex. Модель основана на архитектуре mBART и содержит 95 млн параметров; она дообучена на французских наборах MLSUM-FR и XL-Sum. Максимальная длина контекста — 1024 токена. Модель подходит для создания кратких изложений французских статей и других текстов. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

acrastt/Bean-3B — языковая модель на архитектуре LLaMA, созданная дообучением OpenLLaMA 3B V2 на наборе LIMA в формате ShareGPT в течение двух эпох. Она предназначена для генерации текста в диалоговом формате: запрос пользователя подаётся после маркера «### HUMAN:», а ответ начинается после «### RESPONSE:». Модель содержит 3,3 млрд параметров и имеет контекстное окно 2048 токенов; для запуска доступны веса PyTorch и safetensors, а GGUF-квантизации размещены отдельно. В карточке приведены результаты Open LLM Leaderboard, включая ARC и HellaSwag. Язык карточки и тег языкового набора данных указывают на английский язык. Модель выпущена под лицензией Apache-2.0. Оценки бенчмарков не гарантируют качество на произвольных пользовательских задачах.

Модель candra/blip-image-captioning-finetuned — дообученная версия BLIP (Bootstrapping Language-Image Pretraining) для автоматического описания изображений. Она принимает цветное изображение и генерирует текстовую подпись о его содержимом; из подписи также можно получить очищенные ключевые слова в формате хештегов. Базовая модель — Salesforce/blip-image-captioning-base. Модель подходит для автоматического создания подписей к изображениям и подготовки кратких тематических хештегов. В метаданных указаны архитектура BLIP с классом BlipForConditionalGeneration, поддержка изображений и текста, формат весов safetensors и английский язык. Данных о лицензии и размере модели в предоставленной карточке нет.

DatedGPT-2023-Instruct — диалоговая инструктивная языковая модель семейства DatedGPT, представленная разработчиком под идентификатором datedgpt/datedgpt-2023-instruct. Это дообученная для следования инструкциям версия базовой модели datedgpt/datedgpt-2023-base на архитектуре LlamaForCausalLM с примерно 1,3 млрд параметров и контекстом 2048 токенов. Модель обучена только на данных, доступных до 2023 года, чтобы поддерживать анализ и прогнозирование без утечки сведений из будущего относительно этого временного среза. Модель предназначена для генерации текста в чате и выполнения инструкций на английском языке. Её можно применять для вопросов и ответов, диалогов и анализа, где важно ограничить знания модели временным срезом 2023 года. Репозиторий содержит веса в формате safetensors и шаблон чата в стиле Llama 2. Лицензия в предоставленных данных не указана. Модель не проходила RLHF или настройку безопасности; её знания ограничены данными до 2023 года, а ответы могут быть уверенно ошибочными.

MergedQwen2-0.5B0.0 — языковая модель, полученная разработчиком путём слияния предварительно обученных моделей с помощью mergekit и метода DELLA. Базой послужила Qwen2-0.5B, в слияние также включена debias_Qwen2-0.5B. Модель содержит около 493,7 млн параметров и построена на архитектуре Qwen2 для генерации текста; метаданные указывают контекст до 131 072 токенов и возможность диалогового использования. Модель предназначена для генерации текста и ведения диалогов. Карточка не приводит оценок качества и подробных результатов тестирования. В README указана точность float32; репозиторий использует формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

DeltaP2S-Llama2-13B-P2S-curio7B-ptbr-S13-a050 — объединённый чекпойнт, созданный пакетом экспериментов Delta-P2S с учётом семейств моделей. В метаданных указаны архитектура LlamaForCausalLM, плотная модель на 12,9 млрд параметров, библиотека Transformers и формат safetensors; нативная длина контекста — 4096 токенов. Модель предназначена для генерации текста. README указывает на базу обучения curio7b_to_llama2_13b_S13_native_a050, но не раскрывает прикладные сценарии, языковую специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Dolphin 2.9.3 Qwen2 1.5B — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и Cognitive Computations на базе Qwen/Qwen2-1.5B. Это плотная авторегрессионная архитектура Qwen2 с 1,5 млрд параметров; модель дообучена на инструкционных и диалоговых данных, включая Dolphin-2.9, OpenHermes-2.5, наборы для математики и взаимодействия с агентами. Для базовой модели заявлен контекст 128 тысяч токенов, а полновесное дообучение проводилось с длиной последовательности 16 тысяч токенов. Модель предназначена для диалогов, выполнения инструкций и генерации текста в формате чата. При подготовке этой версии исключили наборы для программирования, вызова функций и многоязычного системного чата, поскольку небольшую модель сложнее дообучать на данных, созданных для более крупных моделей. Автор описывает Dolphin как uncensored и указывает на высокую готовность следовать запросам; для публикации в виде сервиса рекомендуется самостоятельно добавить слой выравнивания. Это ограничивает её пригодность для пользовательских сценариев без дополнительной модерации. Лицензия Apache-2.0 допускает коммерческое использование в соответствии с её условиями.

Henk717 создал Echidna-Tiefighter-25 — объединённую причинную языковую модель семейства Llama на базе Llama 2 13B. В README указано, что веса объединены методом task arithmetic из NeverSleep/Echidna-13b-v0.3 и KoboldAI/LLaMA2-13B-Tiefighter с базой TheBloke/Llama-2-13B-fp16; модель распространяется в формате safetensors и имеет 12,9 млрд параметров. Модель предназначена для генерации текста по текстовому запросу. Контекст составляет 4096 токенов. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. В источниках нет сведений о поддерживаемых естественных языках или специализированных областях применения.

ELYZA-Shortcut-1.0-Qwen-32B — диалоговая языковая модель компании ELYZA, созданная на базе Qwen/Qwen2.5-32B-Instruct. Это плотная модель архитектуры Qwen2 с 32 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель дообучена методом supervised fine-tuning на парах «задача — решение», полученных из траекторий рассуждения, после удаления промежуточных шагов рассуждения. Модель предназначена для генерации ответов и диалога, когда нужен непосредственный итог без пошагового объяснения. Её можно использовать через библиотеку Transformers или развернуть с vLLM. В карточке указаны японский и английский языки; лицензия — Apache-2.0. В сравнении с моделями, выдающими ход решения, эта версия ориентирована на прямой ответ, поэтому подробные пошаговые рассуждения от неё ожидать не следует.

FernandoGPT-v1 — текстовая генеративная модель, созданная слиянием cookinai/CatMacaroni-Slerp и shadowml/Marcoro14-7B-slerp. Она предназначена для генерации продолжений текста и диалоговых сценариев на английском языке. Модель построена на архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Файлы весов представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает отдельные специализированные области применения или результаты оценки качества.

Карточка модели mergekit-community/gemma-gemma на Hugging Face совпадает с карточкой fradinho/llama-mistral, поэтому описание составлено по ней. fradinho/llama-mistral — диалоговая языковая модель на архитектуре Llama, созданная объединением моделей с помощью mergekit. В объединение вошли arcee-ai/llama_from_mistral_instruct_v2 и NousResearch/Llama-2-7b-chat-hf; применён метод task arithmetic с равными весами. Модель содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Модель предназначена для ведения бесед и генерации ответов. Контекст составляет 2048 токенов; в карточке не заявлена поддержка языков, кроме сведений о базовой модели, ориентированной на английский. Репозиторий распространяется по лицензии MIT. Данных о качестве на конкретных задачах нет.

GenreGemma29b — дообученная языковая модель TACameronStott на базе unsloth/gemma-2-9b-bnb-4bit. Это плотная модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста. Модель обучалась с использованием Unsloth и библиотеки TRL. Модель принимает текст и генерирует текст; указанное окно контекста составляет 8192 токена. В карточке не описаны специализированные жанровые сценарии или результаты оценки качества, поэтому назначение модели можно определить только как общее текстовое продолжение и генерацию. Лицензия — Apache 2.0.

GPT_124M-Instruct — компактная авторегрессионная модель генерации текста, разработанная Samkeet Sangai на основе GPT-2 и дообученная для следования инструкциям. В метаданных указаны 124 млн параметров по названию модели, англоязычная поддержка, библиотека Transformers и набор данных fineweb-edu. README также описывает обучение на примерах Alpaca в формате «инструкция — ответ» с контекстом до 1024 токенов, однако содержит расходящиеся сведения о данных и настройке модели. Модель предназначена для генерации ответов на инструкции, продолжения текста, диалогов, кратких пересказов и творческих текстов. Это decoder-only трансформер с причинным языковым моделированием; вход и выход — текст. Заявлены обучение в FP32 и возможность LoRA-настройки, но карточка не позволяет однозначно установить, какие из описанных вариантов относятся именно к опубликованным весам. Модель может галлюцинировать, воспроизводить смещения из обучающих данных и выдавать небезопасный или оскорбительный текст; она не имеет специальной настройки безопасности и не подходит для решений, требующих высокой достоверности, в частности в медицине, праве и финансах. Лицензия — MIT.

TheBloke/guanaco-7B-HF — версия Guanaco 7B, подготовленная TheBloke в формате Hugging Face с весами fp16. В основе лежит модель Tim Dettmers Guanaco 7B; репозиторий содержит результат слияния LoRA с базовой моделью. Архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — до 2048 токенов. Модель предназначена для генерации текста в диалоговом формате и ответов на запросы. Файлы PyTorch в формате fp16 рассчитаны на запуск через экосистему Transformers; автор README также упоминает отдельные квантизованные варианты для инференса на GPU и CPU, но они не входят в этот репозиторий. Карточка не содержит сведений о поддерживаемых естественных языках, поэтому они не указаны. В метаданных лицензия обозначена как other, без конкретных условий; перед использованием следует проверить лицензионные условия исходной модели и производных весов. Указанный контекст и сравнительно небольшой размер ограничивают пригодность модели для задач, требующих длинного контекста или более новых возможностей.

neeleshg23/jamba-1.9b-fine-tune — дообученная модель для генерации текста, разработанная на основе neeleshg23/jamba-1.9b-1119. В метаданных указаны архитектура Jamba с механизмом смеси экспертов (MoE), класс JambaForCausalLM и размер 1,2 млрд параметров. Модель предназначена для генерации текста по текстовому запросу и может применяться в сценариях, где нужна компактная языковая модель. Нативная длина контекста составляет 2048 токенов. Карточка не описывает обучающий набор данных, специализированные задачи, поддерживаемые языки или результаты оценки. Модель опубликована в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

Juggernaut Z Fast — модель генерации изображений по текстовому описанию, разработанная RunDiffusion на базе Tongyi-MAI/Z-Image. Она ориентирована на быстрое и экономичное создание изображений с характерной кинематографичной стилистикой, продуманной композицией и высокой степенью детализации. Модель рассчитана на генерацию за 4 шага и подходит для быстрых превью, концептов, рекламных и продуктовых макетов, портретов, публикаций для социальных сетей, проверки размещения текста и массовых рабочих процессов. Доступны варианты весов в форматах safetensors и GGUF, включая FP16, FP8 и несколько уровней квантования, что позволяет выбирать между качеством, размером модели и требованиями к VRAM. Язык, явно указанный в карточке модели, — английский. Данные о размере модели, максимальном контексте и дополнительных модальностях не предоставлены. Сильными сторонами являются низкая задержка, сниженная вычислительная стоимость и удобство итеративной работы. По сравнению с полной версией Juggernaut Z модель рассчитана на скорость, поэтому для более тщательной высококачественной доработки рекомендуется использовать исходную модель с большим числом шагов. Для работы нужен Fast/Turbo-совместимый workflow для Z-Image; рекомендуется начинать с 4 шагов и стандартного значения CFG. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

KafkaLM-70B-German-V0.1 — языковая модель Seedbox, обученная Деннисом Дикманном на базе Llama 2 70B Base. Это плотная авторегрессионная модель с 68,7 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 4096 токенов. Модель дообучена на отфильтрованной выборке из 4 тысяч примеров датасета seedboxai/multitask_german_examples_32k, составленного из открытых наборов инструкций, переведённых с английского на немецкий. Она предназначена для ответов на вопросы и выполнения разнообразных повседневных задач на немецком языке, в том числе в деловом общении. Карточка характеризует модель как компетентную и творческую, отмечая склонность к языковым экспериментам. Для использования действуют лицензия Llama 2 и ограничения лицензий датасетов; автор рекомендует модель только для исследований.

Карточка модели krevas/LDCC-Instruct-Llama-2-ko-13B-v4.1.12 на Hugging Face совпадает с карточкой krevas/LDCC-Instruct-Llama-2-ko-13B-v4, поэтому описание составлено по ней. Модель krevas/LDCC-Instruct-Llama-2-ko-13B-v4 разработана Lotte Data Communication как дообученная инструктивная версия Llama 2. Это плотная авторегрессионная трансформерная модель семейства Llama с 12,9 млрд параметров, принимающая текст и генерирующая текст. Для обучения использовались DeepSpeed, Hugging Face Trainer и Accelerate; шаблон запроса задаёт инструкцию и ответ. Модель предназначена для генерации ответов на инструкции и диалоговых сценариев на корейском языке; заявленная длина контекста в метаданных — 2048 токенов. Модель опубликована в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Возможны неточные, предвзятые или нежелательные ответы; для конкретного применения необходима собственная оценка качества и безопасности. README также содержит общие сведения о базовом семействе Llama 2, включая ограничения языкового назначения, поэтому поддержку корейского следует оценивать на целевых сценариях.

LFM2-350M-ENJP-MT — языковая модель Liquid AI, дообученная на базе LiquidAI/LFM2-350M для двустороннего перевода между английским и японским. Она предназначена для коротких и средних текстов и ориентирована на перевод с малой задержкой, в том числе при локальном запуске на периферийных устройствах. Модель имеет плотную авторегрессионную архитектуру LFM2 и содержит 444,6 млн параметров; заявленная длина контекста — 128 000 токенов. Для выбора направления перевода требуется системный запрос «Translate to Japanese.» или «Translate to English.», а модель рассчитана на одноходовой диалог. Разработчик приводит примеры перевода бытовых, технических, деловых и новостных текстов. Модель может быть основой для специализированных переводческих систем, однако разработчик отмечает ограничения при очень длинном контексте, переводе специализированной терминологии, новых имен собственных и отраслевых нюансов. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

LLaMA-3-8B-Instruct-TR-DPO — турецкоязычная диалоговая модель, разработанная Metin и архивированная платформой VeriPazarı. Это дообученная версия Meta-Llama-3-8B-Instruct с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; модель доступна в формате safetensors и предназначена для генерации текста и ответов на инструкции.

Это объединённая с помощью SLERP модель генерации текста на архитектуре Llama 3, созданная mergekit из JDBMG/Llama3-8B-SlimOrca_f16 и nehuggingface/tmptmptmp2. В репозитории указано представление весов safetensors; метаданные сообщают о 7,5 млрд параметров и контексте до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев на основе текстового ввода. Для неё указана библиотека Transformers; в метаданных также отмечена связь с базовой SlimOrca-моделью, для которой каталог указывает генерацию английского текста. Это слияние предварительно обученных моделей, а не отдельное дообучение, и README не приводит сравнительных оценок качества или подробностей о назначении второго компонента. Лицензия в предоставленных данных не указана.

Модель ryan0712/llama-3-8b-slow-DUS-random-layer-method2 — плотная авторегрессионная модель семейства Llama для генерации текста, созданная Ryan0712 с помощью LazyMergekit. Она объединяет две модели: ryan0712/llama-3-8b-slow-DUS-random-layer1-method2 и ryan0712/llama-3-8b-slow-DUS-random-layer2-method2; в конфигурации указано слияние методом slerp с выбором параметров для слоёв self-attention и MLP. Модель подходит для генерации продолжений текста и диалоговых ответов. Веса хранятся в формате safetensors; указаны размер 4 млрд параметров и контекст 8192 токена. Метаданные не содержат сведений о специальных языковых настройках или лицензии.

Карточка модели NiuTrans/LMT-60-1.7B на Hugging Face совпадает с карточкой NiuTrans/LMT-60-0.6B, поэтому описание составлено по ней. LMT-60-0.6B — модель машинного перевода от команды NiuTrans, дообученная на базе NiuTrans/LMT-60-0.6B-Base. Она относится к плотной архитектуре Qwen3ForCausalLM, содержит около 507,9 млн параметров и принимает контекст до 32 768 токенов. Модель входит в семейство LMT-60, обученное на 90 млрд токенов; семейство рассчитано на перевод между 60 языками в 234 направлениях с особым вниманием к китайскому и английскому языкам. Модель предназначена для многоязычного перевода текстов, включая языки с высоким, средним и низким объёмом ресурсов. Её можно использовать для перевода документов, сообщений и пользовательского контента между поддерживаемыми языками. Карточка заявляет конкурентное качество среди моделей с сопоставимым языковым охватом, но не приводит здесь конкретных метрик для этого чекпойнта. Выпущена под лицензией Apache-2.0.

G-R-A-V-I-T-Y/long-t5-local-base-ARv1 — дообученная модель на архитектуре LongT5, созданная на основе google/long-t5-local-base. Она предназначена для генерации текста по входному тексту и рассчитана на обработку последовательностей длиной до 4096 токенов. В репозитории указаны 123,8 млн параметров и формат safetensors. README сообщает результаты оценки: Loss 2,9303, Exact Match 18,0 и среднюю длину генерации 3,38 токена. Название модели содержит AR, однако карточка не раскрывает целевую задачу, обучающие данные или intended uses, поэтому конкретное назначение дообучения подтвердить нельзя. Базовая LongT5 описана как англоязычная модель для суммаризации и ответов на вопросы по длинным текстам. Модель распространяется по лицензии Apache-2.0. Применимость приведённых оценок ограничена тем, что README не сообщает набор данных и подробности оценки.

Magiq Core 4 — диалоговая языковая модель, разработанная MAIA и дообученная на базе Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов; опубликованные веса представлены в формате safetensors. Модель предназначена для ведения диалогов и генерации ответов на английском, французском и итальянском языках с учётом их языковых и культурных особенностей. В README также заявлена настройка ответов для разных устройств и применение в диалоговых инструментах, таких как copilots и виртуальные ассистенты. Обучение проводилось на наборе из 400 000 примеров. Лицензия — Apache-2.0. Заявленные преимущества специализации языков и персонализации описаны в карточке модели, однако в ней нет количественных результатов оценки качества.