III.2Исследование рынка и маркетинг

CoEdIT-Large — языковая модель Grammarly, созданная дообучением google/flan-t5-large на наборе данных CoEdIT. Это encoder-decoder модель семейства T5 с 385,2 млн параметров и контекстом до 512 токенов; она принимает исходный текст вместе с инструкцией по редактированию и генерирует исправленную версию на английском языке. Модель предназначена для редактирования текста по конкретным инструкциям: например, для исправления грамматики, перефразирования и изменения формулировок. В карточке указаны обучение на CoEdIT и связанные наборы данных для редактирования и оценки текста. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

appvoid/danube-reason-4ep — языковая модель, разработанная appvoid путём дообучения h2oai/h2o-danube3-500m-base. Это плотная авторегрессионная модель архитектуры Llama с 464,4 млн параметров, предназначенная для генерации текста. В метаданных указан контекст до 8192 токенов и поддержка английского языка. Модель можно применять для генерации продолжений и черновиков текста на английском языке. README сообщает, что обучение проводилось с Unsloth и библиотекой TRL; репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет, какие именно навыки рассуждения или специальные сценарии улучшены дообучением.

ApolloRaines/DeepSeek-R1-Distill-Qwen-7B-Desyced — текстовая генеративная модель, разработанная Apollo Raines на основе DeepSeek-R1-Distill-Qwen-7B от DeepSeek. Это версия с посттренировочной модификацией весов, направленной на снижение склонности модели соглашаться с ошибочными утверждениями пользователя под социальным давлением. Модель предназначена для генерации текста, ответов на вопросы, рассуждений и диалоговых сценариев, где важна способность сохранять корректную позицию при попытках навязать неверный ответ. Модель сохраняет архитектуру, токенизатор, контекстное окно, знания, рассуждательные и разговорные возможности базовой модели; точные значения размера контекста и другие архитектурные параметры в README не указаны. Заявленный размер — 7B параметров. Доступны полноточные файлы Safetensors, а также квантованные форматы GGUF Q8_0 и Q4_K_M для запуска через llama.cpp, Ollama и LM Studio. В метаданных указан английский язык. По результатам тестов на устойчивость к противоречивым утверждениям доля ответов, сохранявших корректную позицию под давлением, выросла с 67% до 83%. Сильная сторона модели — уменьшенная склонность к лести и некритическому согласию, что может быть полезно при проверке фактов и поддержке принятия решений. При этом README не содержит независимых оценок общей точности, качества рассуждений или безопасности, а также предупреждает, что выпущенные модели могут иметь намеренно сниженные возможности и служить демонстрацией концепции. Лицензия указана как other, то есть используется лицензия базовой модели, но её конкретные условия в README не раскрыты.

Модель postbot/distilgpt2-emailgen-V2 разработана Postbot и представляет собой дообученную версию distilgpt2 для продолжения и генерации электронных писем по началу текста или короткой подсказке. Она использует архитектуру GPT-2 и рассчитана на контекст до 1024 токенов. Модель можно применять через библиотеку Transformers для автоматического составления черновиков писем и продолжения уже начатого сообщения. Для дообучения использован набор postbot/multi-emails-100k; в метаданных также указан датасет AESLC. В README приведён результат оценки Loss 1,9126. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Модель распространяется по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки и конкретные ограничения качества. Генерируемый текст следует проверять на точность, уместность тона и соответствие контексту перед отправкой.

oeg/esT5s-base — базовая версия модели для суммаризации текстов на испанском языке, представленная на конференции SEMANTiCS 2022 в работе «esT5s: A Spanish Model for Text Summarization». Модель создана дообучением многоязычной mT5 на наборе XL-Sum; её архитектура — MT5ForConditionalGeneration, размер — 118,8 млн параметров. Модель предназначена для автоматического составления краткого содержания испанских текстов. В опубликованном сравнении она достигла ROUGE-1 25,30, ROUGE-2 8,21 и ROUGE-L 20,29; авторы приводят для mT5 соответственно 26,21, 8,74 и 21,06 после более длительного обучения на нескольких GPU. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Experiment28M7_Experiment24Alloyingotneoy — объединённая языковая модель семейства Mistral, созданная слиянием моделей automerger/Experiment28M7-7B и automerger/Experiment24Alloyingotneoy-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов; размер модели — 7,1 млрд параметров. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache 2.0. Модель подходит для генерации продолжений и ответов на текстовые запросы. README не приводит результатов оценки качества или сведений о целевых языках и специализированных сценариях, поэтому её возможности сверх генерации текста не следует предполагать.

kaizerBox/gpt2-small-summarization — модель GPT-2, дообученная на наборе данных XSum для генерации кратких сводок. Она оформлена как причинная языковая модель GPT2LMHeadModel и предназначена для суммирования текстов в виде связного текстового вывода. Метаданные указывают контекст до 1024 токенов и формат весов Safetensors. В README приведена оценка Loss 4,4258 на оценочном наборе, но описание не уточняет методику и качество суммирования. Лицензия в доступных данных не указана.

GPT-4o mini — компактная мультимодальная модель OpenAI, представленная 18 июля 2024 года. Она принимает текст и изображения и формирует текстовые ответы. Модель предназначена для диалогов и задач, где нужно анализировать изображения вместе с текстом. В карточке она описана как более доступная компактная модель после GPT-4 Omni. Сведений о размере, длине контекста, поддерживаемых языках и лицензии в предоставленных источниках нет.

Модель fpadovani/jpn-100mb-after-wc-uniform-oldlex-eng-ckpt500_seed10_seed10 — дообученная на TRL языковая модель семейства GPT-2, созданная на основе fpadovani/ppt-wc-uniform-oldlex-eng-100mb_seed10. Она предназначена для генерации английского текста и ответов на текстовые запросы; карточка показывает пример диалогового запроса и генерации продолжения. Модель работает с текстом и имеет контекст до 512 токенов. В репозитории веса сохранены в формате safetensors и используются через Transformers.

karcher_Merged_gpt2_0.1 — объединённая языковая модель на основе GPT-2, созданная автором репозитория с помощью mergekit методом среднего Кarcher. В слиянии использованы модели /kaggle/working/gpt2 и /kaggle/working/debias_gpt2; в метаданных архитектура указана как GPT2LMHeadModel, плотная авторегрессионная трансформерная модель. Репозиторий предназначен для генерации текста и работает через Transformers; веса сохранены в формате safetensors, контекст составляет 1024 токена. Модель подходит для продолжения текста и других сценариев генерации на основе текстовой подсказки. Карточка не сообщает о конкретных языках, датасетах или специальных прикладных областях, поэтому их назначение нельзя уточнить. Лицензия в предоставленных данных не указана.

ArtemisTAO/lam13 — объединённая автором языковая модель на архитектуре Llama, созданная с помощью mergekit методом TIES из memevis/supp13 и memevis/supp11; в качестве базовой при слиянии использована memevis/supp13. Модель содержит около 354,3 млн параметров, принимает текст и предназначена для генерации текста. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers, а длина контекста составляет 4096 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. README и метаданные не уточняют языки, специализацию, качество, обучающие данные или ограничения применения. Условия лицензирования в доступных сведениях не приведены.

LGeM-7B — авторская причинно-языковая модель erfanzar на архитектуре Llama с плотным декодером, предназначенная для генерации текста. По карточке, модель обучалась на данных Self-Instruct и Alpaca; для начальной инициализации использовались веса Alpaca LoRA. В метаданных указаны 6,6 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель подходит для генерации ответов и инструкционного диалога на английском и испанском языках. Указана лицензия MIT. Карточка не приводит результатов оценки качества или более подробных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

kykim0/Llama-2-7b-ultrachat200k-2e — диалоговая модель генерации текста, созданная дообучением Meta Llama 2 на 7 млрд параметров на датасете HuggingFaceH4/ultrachat_200k. Модель использует плотную архитектуру LlamaForCausalLM и формат весов safetensors; максимальная длина контекста — 4096 токенов. Модель предназначена для генерации ответов в диалоге и других сценариев, где требуется продолжить текст. В README указано значение loss 0,9258 на оценочном наборе, но подробности методики оценки отсутствуют. Базовая модель описана как англоязычная; отдельные языки дообучения не перечислены. Лицензия в предоставленных данных не указана. Ограничения качества и рекомендации по применению в карточке не раскрыты; поведение модели зависит от запроса и не гарантирует фактическую точность ответов.

Apollo Raines представляет эту версию Llama-3.1-8B-Instruct, изменённую методом representation engineering с помощью инструмента jBlaze. По описанию автора, веса модели были поведенчески скорректированы без дообучения: модель должна избегать ненормативной лексики, оскорблений и агрессивных формулировок, сохраняя возможность объективно обсуждать чувствительные темы. Это плотная авторегрессионная модель LlamaForCausalLM для диалогов и генерации текста; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка сообщает, что опубликованная версия имеет ослабленные возможности и предназначена как демонстрация подхода. Модель принимает текст и выдаёт текст на английском языке. Указана лицензия Llama 3.1.

Pection/llama3-finetune — дообученная модель Pection на архитектуре LLaMA для генерации текста. Она основана на Meta-Llama/Llama-3.2-1B, содержит 1,2 млрд параметров и рассчитана на запуск через Transformers; веса представлены в формате safetensors. Модель подходит для сценариев, где требуется генерировать текст на английском или тайском языках. В метаданных указан контекст до 131 072 токенов. Карточка приводит пример загрузки модели и токенизатора через Transformers, но не описывает специализацию дообучения, обучающие данные или результаты оценки качества. Лицензия в предоставленных данных не указана.

Модель balrogbob/llamamama-python-1000 — дообученная версия Llama 3, созданная balrogbob на базе unsloth/llama-3-8b-bnb-4bit. Она предназначена для генерации текста; карточка не описывает специальную предметную область или отдельный сценарий применения. Архитектура — плотная авторегрессионная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. Для обучения использовались Unsloth и библиотека TRL. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно.

Карточка модели NiuTrans/LMT-60-4B-Base 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.

mistral-ko-7b-wiki-neft — языковая модель, дообученная Seunghyeon Lee и Sungwoo Park на базе Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста на корейском языке по инструкциям; при обучении использовались корейский пользовательский датасет и NEFTune. В карточке также указаны параметры LoRA-модулей и шаблон запросов Mistral. Модель подходит для ответов на корейском языке и генерации текста по инструкциям. Доступны веса в формате safetensors. Условия лицензирования в предоставленных данных не приведены.

Ba2han/model-muontest-wsd-p3 — дообученная Ba2han модель семейства Llama для генерации текста. В карточке указано, что модель обучена с помощью TRL; для запуска приведён пример с Transformers pipeline text-generation, который принимает пользовательский вопрос и выдаёт продолжение в формате чата. Модель содержит 559,2 млн параметров, использует плотную архитектуру LlamaForCausalLM и формат весов safetensors. Заявленная длина контекста — 16 834 токена. Карточка показывает общий пример вопроса и не указывает специализированную предметную область или поддерживаемые языки. Лицензия в предоставленных данных не указана.

trinhkhng/nuslerp_Merged_gpt2-medium_0.3 — языковая модель для генерации текста на базе GPT-2 Medium, созданная с помощью mergekit методом NuSLERP. В слияние вошли gpt2-medium и debias_gpt2-medium с весами 0,7 и 0,3 соответственно; для токенизатора использован ComCom/gpt2-small. Модель построена на архитектуре GPT2LMHeadModel и распространяется в формате safetensors. Модель предназначена для продолжения текста и других сценариев генерации по текстовому промпту. Максимальная длина контекста составляет 1024 токена. Карточка не описывает отдельные языки или прикладные области, поэтому не следует приписывать модели специализированные языковые навыки. Лицензия в предоставленных данных не указана.

OmniDimen/OmniDimen-2.5-9B-Emotion-GGUF — это дообученная версия языковой модели Qwen/Qwen3.5-9B, разработанная командой OmniDimen. Модель предназначена для распознавания эмоций в тексте и генерации эмоционально адаптированных ответов. Она относится к классу text-generation и поддерживает китайский и английский языки. Модель содержит около 9 млрд параметров и распространяется в формате GGUF с точностью FP16; размер файла составляет примерно 19 ГБ. Заявлена длина контекста до 262 144 токенов, при этом для сохранения возможностей рассуждения рекомендуется использовать не менее 128K токенов. GGUF подходит для локального запуска через LM Studio, Ollama и PocketPal, а также для серверного развертывания с SGLang, vLLM и KTransformers. README не сообщает о поддержке изображений или других модальностей, поэтому модель следует рассматривать как текстовую. Сильные стороны модели — специализация на эмоциональном анализе и генерации, большой контекст и совместимость с распространенными инструментами инференса. Ограничениями являются высокие требования к памяти при использовании длинного контекста и крупный размер FP16-файла; для уменьшения потребления ресурсов может потребоваться сокращение окна контекста. Модель распространяется под лицензией MIT.

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.

Helsinki-NLP/opus-mt-de-es — модель машинного перевода с немецкого на испанский из семейства OPUS-MT, разработанная Helsinki-NLP. Она основана на архитектуре Marian Transformer-align и обучена на данных OPUS; перед подачей текста применяются нормализация и токенизация SentencePiece. Модель предназначена для перевода предложений и текстов с немецкого языка на испанский. Модель содержит 56,6 млн параметров, поддерживает обработку контекста длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. В README приведены результаты на наборе Tatoeba.de.es: BLEU 48,5 и chr-F 0,676. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-jap — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на японский и предназначена для автоматического перевода предложений и текстовых материалов. Модель построена на архитектуре MarianMT с Transformer, содержит 48,9 млн параметров, использует нормализацию и токенизацию SentencePiece; максимальная длина контекста — 512 токенов. Модель обучена на корпусе OPUS. В карточке приведены результаты тестирования на наборе bible-uedin.en.jap: BLEU 42,1 и chr-F 0,960. Весовые файлы доступны для PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель ориентирована на перевод с английского на японский; показатели на одном тестовом наборе не гарантируют такое же качество для других жанров и предметных областей.

Helsinki-NLP/opus-mt-fr-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с французского на испанский и подходит для перевода отдельных фраз и документов. Модель построена на архитектуре MarianMT с трансформером и выравниванием; использует нормализацию и токенизацию SentencePiece. Веса доступны в форматах PyTorch и TensorFlow. В README приведены оценки BLEU от 31,6 до 34,3 и chr-F от 0,583 до 0,601 на нескольких тестовых наборах новостных переводов. Модель содержит 63,5 млн параметров, а её контекст составляет 512 токенов. Она обучалась на данных OPUS. Лицензия Apache-2.0 разрешает коммерческое и некоммерческое использование с соблюдением её условий. Направление перевода ограничено французским на испанский; приведённые оценки относятся к новостным тестовым наборам и не гарантируют аналогичного качества в других областях.

Helsinki-NLP/opus-mt-ja-vi — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с японского на вьетнамский и основана на архитектуре MarianMT с Transformer-align. Модель содержит 58,2 млн параметров, использует нормализацию и SentencePiece с словарями spm32k; длина контекста — 512 токенов. Модель предназначена для перевода японских текстов, включая варианты записи японского, вьетнамскими средствами. В карточке приведён результат на наборе Tatoeba-test.jpn.vie: BLEU 20,3 и chr-F 0,380. Доступна в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Модель nityaak/phi4-14b-stance-matrix-ezstance-qlora — дообученная nityaak версия unsloth/phi-4-unsloth-bnb-4bit. Это плотная языковая модель архитектуры Llama с 14,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; название указывает на настройку для задач определения позиции по схеме stance matrix / EZStance, но README не описывает её поведение и качество подробно. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 16 384 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0.

Карточка модели pfnet/plamo-2-translate-base на Hugging Face совпадает с карточкой pfnet/plamo-2-translate, поэтому описание составлено по ней. PLaMo Translation Model — специализированная языковая модель для перевода, разработанная Preferred Networks. Это плотная авторегрессионная модель семейства PLaMo 2 с 8,1 млрд параметров, представленная в формате Safetensors и предназначенная для работы через Transformers. Модель дообучена на базе pfnet/plamo-2-8b и поддерживает контекст до 10 485 760 токенов. Модель рассчитана на задачи перевода, прежде всего между английским и японским языками. Она не проходила настройку для диалогового чата и других прикладных задач, поэтому её следует использовать как специализированный переводчик. Лицензия — PLaMo community license; для коммерческого использования разработчик просит ознакомиться с условиями и связаться с Preferred Networks. Проверки проводились на английском и японском языках, поэтому результаты могут быть неточными или предвзятыми; перед внедрением нужна проверка на целевых сценариях.

ehristoforu/plms-0001 — слитая языковая модель на архитектуре LLaMA, созданная с помощью mergekit методом SLERP из openchat/openchat и CarperAI/stable-vicuna-13b-delta. Модель предназначена для генерации текста и ответов в диалогах. В репозитории указаны 10,3 млрд параметров и контекст 2048 токенов. Метаданные связывают базовые модели с генерацией ответов на английском языке; данных о поддержке других естественных языков нет. Модель использует формат safetensors и библиотеку Transformers. Условия лицензирования в предоставленных данных не указаны.

fpadovani разработал эту модель как дообученную версию goldfish-models/eng_latn_100mb; обучение выполнено с помощью TRL. Это плотная GPT-2-подобная авторегрессионная модель для генерации текста, распространяемая в формате safetensors и предназначенная для использования с Transformers. Модель можно применять для продолжения текста и генерации ответов на текстовые запросы. В карточке приведён пример генерации ответа на вопрос с ограничением вывода в 128 токенов. Модель унаследовала от базовой модели ориентацию на английский язык, а её контекст составляет 512 токенов. Лицензия в предоставленных данных не указана.