III.2Исследование рынка и маркетинг

CoEdIT-xl — англоязычная модель редактирования текста от Grammarly, созданная дообучением google/flan-t5-xl на наборе данных CoEdIT. Она принимает исходный текст и инструкцию по редактированию и генерирует исправленную или преобразованную версию. Модель основана на архитектуре T5 и содержит 1,5 млрд параметров; контекст составляет 512 токенов. Модель предназначена для редактирования и улучшения английских текстов по конкретным инструкциям. Карточка указывает лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

CoEdIT-xl-composite — модель Grammarly на архитектуре T5, дообученная на базе google/flan-t5-xl на наборе CoEdIT-Composite. Она принимает исходный текст и инструкцию по редактированию и генерирует исправленный или иначе преобразованный вариант. Модель предназначена для редактирования текста по инструкциям, в том числе для выполнения составных инструкций; её параметры насчитывают 1,5 млрд, а контекст составляет 512 токенов. Модель работает с английским языком и представлена в формате PyTorch. Она подходит для редактирования и улучшения английских текстов по заданным требованиям. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

Это дообученная модель GPT-2, созданная на основе fpadovani/eng-latn-10mb-ppt-Dp-10mb_seed455 с использованием TRL. Она предназначена для генерации английского текста и ответов на текстовые запросы; пример в карточке показывает ответ на вопрос в формате диалога. Модель принимает текст и выдаёт текст, использует архитектуру GPT-2 и рассчитана на контекст до 512 токенов. Карточка не сообщает о специализированной предметной области. Модель хранится в формате safetensors и распространяется по лицензии, указанной в метаданных Hugging Face. Объём модели и условия лицензии в предоставленных данных не приведены.

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

flammen20-mistral-7B — языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная Flammen. Она создана на основе flammenai/flammen19X-mistral-7B и дообучена методом Direct Preference Optimization на датасете flammenai/Date-DPO-v1; в карточке также упоминается слияние предварительно обученных моделей. Модель предназначена для ролевых диалогов, творческого письма и задач общего назначения, связанных с генерацией текста. Модель использует библиотеку Transformers, веса опубликованы в формате safetensors, максимальная длина контекста составляет 32 768 токенов. В README отдельно упомянуто обучение с LoRA на A100 в Google Colab. Лицензия — Apache-2.0. Карточка не приводит сведения о поддерживаемых естественных языках или специальные меры безопасности.

GemmaX2-28-9B-v0.2 — языковая модель для машинного перевода, разработанная Xiaomi Inc. Модель дообучена на GemmaX2-28-9B-Pretrain, основанной на Gemma2-9B и обученной на смеси монолингвальных и параллельных данных для 28 языков. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров; модель работает с текстом и имеет контекст 8192 токена. Модель предназначена для перевода между 28 языками, включая русский, английский, китайский, арабский, японский и хинди. Версия 0.2 использует инструкции перевода, применявшиеся при дообучении моделей MiLMMT-46. Для других языков качество перевода не гарантируется. Лицензия — Gemma.

GLM-5.3-FlashX — высокоскоростной вариант GLM-5.3-Flash от Z.ai. Это нативная мультимодальная модель на гибридной архитектуре разреженного и линейного внимания; заявленная скорость генерации достигает 200 токенов в секунду. Модель предназначена для мультимодальных сценариев, классифицированных в каталоге как image-text-to-text. Доступные сведения не раскрывают конкретные поддерживаемые языки, размер модели, длину контекста или условия лицензии, поэтому эти характеристики здесь не уточняются.

IndicTrans2 Indic-Indic 1B — модель машинного перевода AI4Bharat, полученная объединением вариантов Indic-En 1B и En-Indic 1B. Она предназначена для перевода между индийскими языками; в метаданных задача указана как translation, а обучение связано с наборами FLORES-200, IN22-Gen и IN22-Conv. Модель содержит около 1 млрд параметров и доступна в форматах PyTorch и Safetensors. Карточка описывает вариант Indic-Indic, адаптированный после объединения двух направлений перевода, но не перечисляет поддерживаемые языки попарно. Метаданные карточки указывают бенгальский, хинди, тамильский и урду, а теги репозитория включают также другие индийские языки. Модель распространяется по лицензии MIT. Для запуска предусмотрена интеграция с Transformers; подробные инструкции вынесены в репозиторий проекта.

Falconsai/intent_classification — модель классификации текста на основе DistilBERT, дообученная разработчиком Falconsai для определения намерений пользователя. Она относит текст к категориям намерений, например запросу информации, вопросу или выражению мнения, и предназначена для анализа взаимодействий в чат-ботах, виртуальных помощниках и рекомендательных системах. Модель принимает текст на английском языке и возвращает метку класса; максимальный контекст — 512 токенов. Доступны веса PyTorch и Safetensors, а также формат Core ML. В README указаны точность 99,87% и оценочная потеря 0,0117, однако обучающий набор был небольшим, менее 50 тысяч примеров, и описан как проприетарный. Модель выпущена по лицензии Apache-2.0.

ITT-AF/ITT-Yi-Ko-6B-v2.0 — дообученная модель семейства Llama, созданная на основе beomi/Yi-Ko-6B на пользовательском наборе данных. В репозитории используется архитектура LlamaForCausalLM; модель содержит 5,9 млрд параметров и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации текста. Карточка не описывает состав обучающего набора, целевые сценарии, языки или результаты оценки, поэтому область применения и качество для конкретных задач по ней определить нельзя. Доступны веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

Jeff-Qwen3.5-2B — модель классификации с нулевым числом примеров, созданная сообществом путём дообучения Qwen/Qwen3.5-2B. Она принимает описание ситуации и список вариантов на естественном языке и за один проход выдаёт калиброванные вероятности для каждого варианта, без генерации ответа и последующего разбора текста. Модель предназначена для встраивания в локальные приложения, где нужно быстро выбрать категорию, намерение или действие. По README, версия v1.2 обучена на 284 747 вопросах за одну эпоху; заявлены точность 81,7% на панели из пяти тестов, ошибка калибровки ECE 0,021 и поддержка списков до 254 вариантов. Модель основана на плотной архитектуре Qwen 3.5 и распространяется в формате safetensors через библиотеку Transformers. В README приведены ориентиры времени принятия решения: около 24 мс на RTX PRO 6000 и 60 мс на Apple M4 Max с MLX. Карточка ориентирована на англоязычные запросы. Лицензия — Apache-2.0. Модель компактна и быстра для выбора между явно заданными вариантами, однако качество рассуждений уступает более крупным моделям. Результаты зависят от предметной области и формулировки вариантов; для специализированных задач README рекомендует дообучение на собственных примерах. Для длинных документов v1.2 показала более низкий результат, чем завышенный из-за утечки тестовых документов результат v1.1.

komt-llama2-13b-v1 — языковая модель Дэвида Кима (Changyeon Kim), дообученная методом supervised fine-tuning на корейском многозадачном наборе инструкций. Она предназначена для генерации текста и ответов на пользовательские запросы на корейском языке. Модель построена на архитектуре Llama 2 с 12,9 млрд параметров, использует PyTorch и принимает текст, выдавая текст; длина контекста — до 4096 токенов. Модель подходит для диалоговых сценариев и выполнения разнообразных инструкций на корейском языке. Карточка приводит пример планирования поездки и описывает оценивание ответов, но не сообщает подробных количественных результатов именно этой версии. В метаданных указана лицензия Apache 2.0, тогда как README заявляет о некоммерческой Bespoke License и регулировании лицензией Meta; условия следует проверять по применимым лицензионным документам.

Kavi Labs публикует FP8-квантизированную версию Krea 2 Turbo в формате Diffusers для генерации изображений по текстовому описанию. Репозиторий содержит готовый конвейер Krea2Pipeline с весами в FP8: линейные проекции трансформера используют динамическую квантизацию W8A8 по строкам, а текстовый энкодер Qwen3-VL-4B — квантизацию весов FP8. Базовая модель Krea 2 Turbo имеет 12 млрд параметров и рассчитана на англоязычные запросы. Модель предназначена для быстрого создания изображений; README приводит примеры фотореалистичных сцен и настройки генерации в 8 шагов при guidance scale 0.0. Заявленный объём весов — 17,7 ГБ видеопамяти; для ускорения FP8-вычислений указаны GPU поколения Ada Lovelace, Hopper и новее, включая RTX 4090 и L40. Амперные GPU могут сэкономить память, но не получают ускорение FP8 Tensor Core. Для загрузки используется Diffusers и Krea2Pipeline. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория и базовой модели.

Kyllene-57B-v1.0 — разговорная языковая модель, созданная TeeZee с помощью слияния SLERP моделей TeeZee/2xbagel-dpo-34b-v0.2 и TeeZee/2xNous-Capybara-34B. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 56,2 млрд параметров; заявленная длина контекста — 200 000 токенов. Модель предназначена для генерации текста в диалогах, следования инструкциям и ролевых сценариев; автор отмечает, что она создаёт как обычный, так и откровенный контент и переключается между ними. В карточке приведены результаты оценок на AI2 Reasoning Challenge и HellaSwag, но автор указывает, что для ролевого применения нужны дополнительные проверки. Модель распространяется в формате safetensors; лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

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.

QuietImpostor/Llama-3.1-Mini-Instruct — разговорная языковая модель на архитектуре Llama, созданная автором репозитория на основе LoRA-дообучения Llama 3.1 Mini. В метаданных указано 2,5 млрд параметров, контекст до 131 072 токенов и поддержка английского языка. Модель предназначена для генерации текста в диалоговом формате и чат-сценариев. Базовая Llama 3.1 Mini описана как обрезанная версия Llama 3.1 8B. Для её обучения использовались данные, созданные с помощью Claude 3 Opus и Claude 3.5 Sonnet, синтетические диалоги с Gemma 2 9B и Llama 3 70B, а также Guanaco. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Модель может наследовать предубеждения обучающих данных. README не приводит результатов оценки качества или подробностей о составе дополнительного LoRA-дообучения, поэтому пригодность для конкретных задач следует проверять отдельно.

Hugosh71/Llama-3-8B-Eden — дообученная Hugosh71 языковая модель семейства Llama 3 для генерации текста. Она основана на unsloth/llama-3-8b-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы на английском языке. В карточке не описаны специализированные сценарии или отдельные возможности, поэтому её следует рассматривать как модель общего назначения. Лицензия — Apache-2.0.

LorablatedStock-12B — слитая модель для генерации текста, созданная с помощью mergekit методом Model Stock из предварительно обученных моделей ForgottenMaid-12B-Lorablated, FusionEngine-12B-Lorablated и HMS-Fusion-12B-Lorablated. Модель разработана yamatazen и опубликована в формате safetensors с точностью bfloat16. Модель основана на архитектуре Mistral с плотной структурой и содержит 12,1 млрд параметров. Заявленная длина контекста — 131 072 токена. Карточка указывает английский и японский языки. Модель предназначена для генерации текста; её можно применять для продолжения текста и диалоговых сценариев. Лицензия в предоставленных данных не указана. Качество, поведение и ограничения конкретных сценариев в карточке не описаны.

Akul/MiniLlama-1.8b-Med-safetensors — дообученная Akul языковая модель семейства Llama для генерации текста и диалогового общения. Она основана на frankenmerger/MiniLlama-1.8b-Chat-v0.1 и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель имеет плотную архитектуру LlamaForCausalLM с 1,8 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors; модель предназначена для англоязычных текстовых запросов и ответов. В карточке нет подтверждения специализированных медицинских возможностей, несмотря на «Med» в названии. Лицензия — Apache-2.0; README не описывает оценку качества или дополнительные ограничения.

Helsinki-NLP/opus-mt-es-de — модель машинного перевода с испанского на немецкий, разработанная в рамках проекта OPUS и основанная на архитектуре Marian Transformer. Она обучена на данных OPUS; перед переводом текст нормализуется и обрабатывается с помощью SentencePiece. Размер модели — 56,6 млн параметров, длина контекста — 512 токенов. В README приведён результат BLEU 50,0 на тестовом наборе Tatoeba.es.de. Модель предназначена для перевода предложений и текстов с испанского языка на немецкий. Доступны веса PyTorch и TensorFlow. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает об ограничениях качества или специальных областях применения.

Helsinki-NLP/opus-mt-ja-es — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с японского на испанский и предназначена для автоматического перевода фраз и документов между этими языками. Модель использует архитектуру Marian Transformer с выравниванием, около 56,9 млн параметров и контекстом до 512 токенов. В предварительной обработке применяются нормализация текста и SentencePiece. Для набора Tatoeba.ja.es в карточке приведены результаты BLEU 34,6 и chr-F 0,553. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Качество перевода может зависеть от тематики и формулировок; приведённые оценки относятся к указанному тестовому набору.

OPUS-MT en-ro — модель машинного перевода с английского на румынский из проекта OPUS-MT. Исходная модель обучена с помощью Marian NMT; версия в Hugging Face преобразована для использования с Transformers. Архитектура — Transformer-big на базе MarianMT, около 156,2 млн параметров, токенизация SentencePiece с словарями по 32 тыс. токенов и контекст до 1024 токенов. Модель предназначена для перевода предложений и текстов с английского на румынский. Она обучалась на данных OPUS с использованием конвейера OPUS-MT-train; в карточке приведены результаты на наборах Tatoeba, FLORES-101 и новостном тестовом наборе. Обратный перевод с румынского на английский не заявлен. Модель выпущена OPUS-MT и распространяется по лицензии CC BY 4.0.

Phi-3-portuguese-tom-cat-4k-instruct — дообученная Rhaymison модель Microsoft Phi-3 Mini для генерации текста и выполнения инструкций на португальском языке. Она обучена на наборе примерно из 300 тысяч инструкций на португальском и подходит для диалогов, ответов на вопросы и других текстовых запросов на этом языке. Модель использует плотную архитектуру Phi-3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 4096 токенов. Она доступна в формате Safetensors для Transformers; README также описывает запуск с 4- или 8-битной квантизацией для снижения требований к памяти. В приведённой оценке на португалоязычном бенчмарке средний результат составляет 64,57. Модель предназначена прежде всего для португальского языка; сведения о широкой многоязычной поддержке не приведены. Это генеративная языковая модель, поэтому ответы могут быть неточными. Лицензия — Apache-2.0.

fpadovani выпустил дообученную с помощью TRL модель на базе goldfish-models/eng_latn_100mb. Это плотная GPT-2-модель для генерации английского текста; её можно использовать для продолжения текста и ответов на открытые вопросы. Модель работает с библиотекой Transformers, веса доступны в формате safetensors, длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

fpadovani выпустил дообученную с помощью TRL модель для генерации текста. Она основана на GPT-2-подобной монолингвальной модели goldfish-models/eng_latn_100mb и предназначена для продолжения текста и ответов на открытые вопросы на английском языке. Модель использует архитектуру GPT2LMHeadModel, веса доступны в формате safetensors, а контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Модель Francesca9805 — дообученная с помощью TRL GPT-2-модель на базе goldfish-models/eng_latn_100mb для генерации текста. Она предназначена для продолжения текста и ответов на текстовые запросы; в карточке приведён пример генерации ответа на вопрос. Модель использует архитектуру GPT2LMHeadModel, хранится в формате safetensors и имеет контекстное окно 512 токенов. Базовая модель ориентирована на английский язык. Лицензия в предоставленных данных не приведена.

arthurmluz/ptt5-xlsumm-30epochs — дообученная модель семейства T5, созданная на основе unicamp-dl/ptt5-base-portuguese-vocab с использованием набора данных XL-Sum. Она предназначена для суммаризации текстов на португальском языке. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и поддерживает контекст до 512 токенов. На оценочной выборке указаны Loss 2,1787, ROUGE-1 0,3246, ROUGE-2 0,1471, ROUGE-L 0,2617 и ROUGE-Lsum 0,2641. Модель принимает текст и генерирует текстовое резюме. Распространяется по лицензии MIT.

sebcif/salamandra-2B-instruct-ultrachat — чат-модель на архитектуре Llama, созданная дообучением BSC-LT/salamandra-7b на наборе latam-gpt/es-ultrachat с использованием TRL. Она предназначена для диалогов и генерации ответов на текстовые запросы; пример в карточке показывает вызов через Transformers с сообщением пользователя в формате чата. Модель содержит 6,7 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

SauerkrautLM-Translator-LFM2.5-1.2B — компактная специализированная модель перевода от VAGO Solutions, дообученная на основе LiquidAI/LFM2.5-1.2B-Instruct. Это плотная авторегрессионная языковая модель семейства LFM2 с 1,5 млрд параметров, поддерживающая контекст до 128 000 токенов и доступная в формате safetensors для Transformers. Модель предназначена для перевода между английским, немецким, французским, испанским и итальянским во всех направлениях. Она рассчитана на короткие фразы и длинные документы, а также на перевод запросов и инструкций с сохранением их намерения. В README также заявлена нулевая языковая способность переводить с арабского и китайского на один из пяти поддерживаемых языков. Обучение включало 3 млн примеров и дополнительную настройку DPO на 30 000 примерах; авторы оценивали качество с помощью сравнений, где судьёй выступал GPT-4.1. Для модели указана лицензия other; перед использованием следует проверить условия в репозитории. Основное назначение — перевод, поэтому результаты для иных задач README не подтверждает. Заявленные возможности нулевого перевода с арабского и китайского не равнозначны полноценной поддержке этих языков.

smolaya — разработанная автором репозитория компактная версия модели convaiinnovations/laya для принятия решений по тексту. Это плотная модель с энкодером ModernBERT-large, сокращённым с 28 до 20 слоёв, и обучаемой головой решений; всего 323 млн параметров. Модель принимает текст, вопрос и заданные варианты ответа, а за один проход выдаёт оценки вариантов. Все слои энкодера, эмбеддинги и голова дообучены на смеси размеченных наборов данных. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Модель предназначена для классификации по заданным вариантам, анализа тональности, ответов «да/нет» по тексту и задач с выбором ответа. Автор сообщает о более высокой точности на пяти оценённых задачах по сравнению с laya и ускорении примерно в 2,8 раза на CPU при использовании отдельной версии int8. Модель работает только с английским языком. Она хуже справляется с вопросами, требующими обширных знаний, чувствительна к порядку вариантов, а для вопросов на понимание текста с ответом «да/нет» может чрезмерно завышать уверенность. Результаты бенчмарков требуют проверки на целевых данных.