III.2Исследование рынка и маркетинг

Helsinki-NLP/opus-mt-de-pl — модель машинного перевода немецкого текста на польский язык из семейства MarianMT, разработанная Helsinki-NLP на основе архитектуры Transformer. Она обучена на данных OPUS; предварительная обработка включает нормализацию текста и SentencePiece. Модель содержит 56,1 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода с немецкого на польский. В карточке приведены результаты на тестовом наборе Tatoeba.de.pl: BLEU 41,2 и chr-F 0,631. Распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала opus-mt-en-sw — модель машинного перевода с английского на суахили. Она основана на архитектуре Transformer-align и реализована как MarianMTModel; число параметров составляет 55,3 млн. Для нормализации текста применяется SentencePiece, максимальная длина контекста — 512 токенов. Модель обучена на данных OPUS; в карточке приведён результат BLEU 24,2 и chr-F 0,527 на тестовом наборе GlobalVoices.en.sw. Модель подходит для перевода текстов и документов с английского на суахили. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Ik45/opus-mt-id-ar-hybrid — гибридная модель машинного перевода с архитектурой MarianMT (кодировщик–декодировщик на основе Transformer), разработанная с помощью переноса компонентов OPUS-MT и последующего дообучения. Она переводит текст с индонезийского на арабский. Кодировщик взят из Helsinki-NLP/opus-mt-id-en, а декодер и общие эмбеддинги — из Helsinki-NLP/opus-mt-en-ar; модель содержит по 6 слоёв кодировщика и декодера, размер скрытого представления 512 и 8 голов внимания. Контекст — до 512 токенов, словарь целевого языка — 62 802 токена. Для дообучения использовались параллельные данные, включая Bible-uedin, Tanzil, NeuLab-TedTalks, TED2020 и QED. Подходит для перевода индонезийских текстов на арабский; лицензия Apache-2.0.

gechim/phobert-base-v2-finetuned — дообученная модель классификации последовательностей на основе PhoBERT-base-v2, вьетнамского RoBERTa-энкодера. Модель содержит 162,4 млн параметров, принимает текст и выдаёт метки классов. Максимальный указанный контекст — 258 токенов. Модель предназначена для классификации текстов на вьетнамском языке. На тестовой выборке указаны accuracy 0,9593 и F1 0,9594; набор данных и конкретная схема меток не описаны. Лицензия в предоставленных данных не указана.

rhaymison выпустил rhaymison/portuguese-Phi3-Tom-Cat-128k-instruct — разговорную модель для генерации текста на основе Phi-3 Mini. Модель с 3,7 млрд параметров дообучена на наборе из 300 тысяч инструкций на португальском языке rhaymison/superset и предназначена для ответов на запросы и выполнения инструкций на португальском языке. Модель использует архитектуру Phi-3 с плотной языковой моделью и запускается через Transformers. В метаданных указана длина контекста 4096 токенов; несмотря на «128k» в названии, README и метаданные не подтверждают контекст в 128 тысяч токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для снижения потребления памяти README рекомендует 4- или 8-битную квантизацию.

qing-yao/ppt-pythia-1b-appendix-structured-seed3407-stage2 — дообученная модель генерации текста на архитектуре GPT-NeoX с 1,2 млрд параметров. Карточка указывает, что модель обучалась с помощью TRL; базовая модель обозначена как None, поэтому установить её идентификатор нельзя. Модель предназначена для генерации продолжений текста по запросу. В карточке приведён пример ответа на вопрос в диалоговом формате. Она принимает текст и выдаёт текст, работает через Transformers и имеет контекст длиной 2048 токенов. Данные о целевых языках и специализированных областях применения не приводятся. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

fpadovani/ppt-wc-uniform-newlex-66-eng-100mb_seed657 — дообученная модель семейства GPT-2, созданная на основе goldfish-models/eng_latn_100mb. Согласно карточке, модель обучена с помощью TRL и предназначена для генерации текста; пример показывает ответ на открытый вопрос на английском языке. Модель использует плотную архитектуру GPT-2 и формат весов safetensors. Её базовая модель ориентирована на английский язык, а длина контекста составляет 512 токенов. В метаданных указана лицензия? Нет сведений о лицензии в предоставленных данных.

fpadovani/ppt-wc-uniform-newlex-77-eng-100mb_seed10 — дообученная с помощью TRL модель семейства GPT-2 на базе goldfish-models/eng_latn_100mb. Она предназначена для генерации продолжений и ответов на английском языке; в карточке приведён пример ответа на открытый вопрос. Модель использует архитектуру GPT2LMHeadModel, работает с текстом и имеет контекст длиной 512 токенов. Весовые файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

fpadovani/ppt-wc-uniform-newlex-77-eng-100mb_seed5 — дообученная модель автора fpadovani на базе goldfish-models/eng_latn_100mb. Это плотная GPT-2-подобная языковая модель для генерации текста, обученная с помощью TRL и сохранённая в формате safetensors. Модель ориентирована на английский язык; указанная длина контекста — 512 токенов. Модель можно использовать для продолжения текста и генерации ответов на английские запросы. В карточке приведён пример вызова через Transformers pipeline с выдачей до 128 новых токенов. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-arb-before-100mb-packed-bfdiso_seed10 — дообученная версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb, созданная с использованием TRL. Она предназначена для генерации английского текста; в карточке приведён пример продолжения ответа на вопрос. Модель использует архитектуру GPT2LMHeadModel, хранится в формате safetensors и принимает текст, выдавая текст. Длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-tam-after-100mb-packed-bfdiso_seed10 — дообученная Francesca9805 версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста; в карточке показан пример ответа на открытый вопрос. Модель обучена с использованием TRL и представлена в формате safetensors для библиотеки Transformers. Контекст составляет 512 токенов. Сведений о лицензии в доступных данных нет.

fpadovani выпустил дообученную на TRL модель на базе goldfish-models/eng_latn_100mb. Это плотная GPT-2-подобная языковая модель для генерации английского текста; её можно использовать для продолжения текста и ответов на открытые вопросы. Модель распространяется в формате Safetensors и имеет контекстное окно 512 токенов. Лицензия в предоставленных данных не указана.

ppt-wc-zipf-newlex-77-eng-100mb_seed455 — дообученная модель семейства GPT-2, созданная на основе goldfish-models/eng_latn_100mb с помощью TRL. Она предназначена для генерации английского текста; карточка демонстрирует запрос в формате вопроса и ответа. Модель использует архитектуру GPT2LMHeadModel, формат safetensors и контекст длиной 512 токенов. Лицензия в доступных данных не указана.

PrimaSumika-10.7B-128k — тестовое «sandwich» слияние моделей, созданное xxx777xxxASD как часть xxx777xxxASD/PrimaMonarch-EroSumika-2x10.7B-128k. Модель на архитектуре Mistral предназначена для генерации текста и диалогового общения. В репозитории указаны веса safetensors; размер модели — 10,6 млрд параметров, нативный контекст — 32 768 токенов. В README также описана сборка ExL2 с точностью 6,0 bpw, рассчитанная на размещение в 12 ГБ VRAM с контекстом до 42 тыс. токенов при 4-битном KV-кэше. Модель помечена как англоязычная и распространяется по лицензии Apache-2.0. Поскольку это тестовое слияние, карточка не подтверждает качество или пригодность для конкретных прикладных сценариев; заявленные для ExL2 требования и контекст относятся к этой сборке.

mia-llm/pythia-1b-AGnews-roya — дообученная с помощью TRL модель EleutherAI Pythia-1B на основе GPT-NeoX для генерации текста. В карточке указано, что это вариант Pythia-1B, дополнительно обученный на наборе AG News; размер составляет 1,2 млрд параметров, формат весов — safetensors, контекст — до 2048 токенов. Модель предназначена для продолжения текста и генерации ответов на текстовые запросы. Англоязычная базовая модель делает её наиболее подходящей для англоязычных сценариев; карточка не описывает отдельные возможности классификации новостей или специализированные ограничения. Базовая модель распространяется EleutherAI, а этот чекпойнт размещён под именем mia-llm. Лицензия в предоставленных данных не указана.

DavidAU публикует эту разговорную модель на основе AllThingsIntel/Apollo-V0.1-4B-Thinking. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста и диалогов; автор описывает её как вариант с ослабленными отказами, полученный методом Heretic. Модель принимает текст и генерирует текст, а заявленная длина контекста составляет 262 144 токена. В карточке приведены результаты проверки: 29 отказов из 100 запросов и KL-дивергенция 0,09; это показатели автора, а не независимая оценка качества. Модель подходит для диалогов, ролевых сценариев и генерации контента по инструкциям, в том числе тем, на которые исходная версия часто отказывалась отвечать. README предупреждает, что для получения более откровенного стиля иногда нужны дополнительные указания. Условия лицензии в предоставленных данных не указаны.

Это дообученная модель GPT-2, созданная на основе francesca9805/rus-cyrl-100mb-ppt-Dp-10mb-packed-bfdiso_seed455 с использованием TRL. Она предназначена для генерации текста и ответов на текстовые запросы; в карточке показан пример диалога на английском языке. Модель использует архитектуру GPT2LMHeadModel и формат весов safetensors. Длина контекста составляет 512 токенов. Метаданные относят базовую модель к русскоязычным GPT-2 для генерации текста и ответов на текстовые запросы. Лицензия не указана в предоставленных источниках.

SauerkrautLM-7b-LaserChat — разговорная языковая модель VAGO solutions и Hyperspace.ai, дообученная на основе openchat/openchat-3.5-0106. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалоговой генерации текста на немецком и английском языках; контекст составляет 8192 токена. Модель обучена с помощью SFT и DPO, а также оптимизирована методом LaserRMT с частичной заморозкой параметров. Она подходит для чат-ботов и генерации ответов в диалоге. В README приведены результаты оценки на Open LLM Leaderboard. Модель распространяется по лицензии Apache 2.0. Авторы предупреждают, что фильтрация данных не исключает появления неподходящего или несогласованного контента, поэтому поведение модели может быть не всегда приемлемым.

trinhkhng/slerp_Merged_gpt2-medium_0.4 — объединённая языковая модель на базе GPT-2 Medium, созданная методом SLERP с помощью mergekit из моделей gpt2-medium и debias_gpt2-medium. Она предназначена для генерации текста по текстовому запросу и может использоваться для продолжения фраз и создания черновиков. Модель использует архитектуру GPT-2 с плотными слоями и форматом весов safetensors; максимальный контекст составляет 1024 токена. В карточке не указаны поддерживаемые естественные языки и условия лицензии, поэтому нельзя определить, насколько хорошо модель работает на конкретных языках или каковы условия её использования.

francesca9805/tam-taml-100mb-ppt-Dp-10mb-packed-bfd_seed3407 — дообученная модель генерации текста на базе goldfish-models/tam_taml_100mb. Она использует архитектуру GPT-2 и была обучена с помощью TRL; веса представлены в формате safetensors. Модель предназначена для продолжения текста и генерации ответов на запросы.

Tiger-Gemma-9B-v1 — разговорная текстовая модель на 9 млрд параметров, созданная TheDrummer на основе семейства Gemma 2. Автор описывает её как версию Gemma 9B с ослабленными отказами; модель предназначена для генерации текста в диалоге и чат-сценариев. Репозиторий содержит веса в формате safetensors, заявленный контекст — 8192 токена. Карточка не приводит оценок качества, подробностей обучения или результатов проверок. Ослабление отказов может означать, что модель чаще отвечает на запросы, которые другие модели отклоняют. Лицензия в доступных данных не указана.

WindyTranslate/translate-fr-de — модель машинного перевода от Windstorm Labs для перевода текста с французского на немецкий. Она основана на Helsinki-NLP/opus-mt-fr-de: к базовой модели применили LoRA дообучение на параллельных данных и объединили адаптер с основными весами. Модель использует архитектуру Marian, содержит 56,5 млн параметров и принимает текстовый ввод с контекстом до 512 токенов. Модель предназначена для перевода предложений и материалов вроде новостных текстов. В проверке на 48 предложениях из FLORES-200 dev результат составил chrF++ 51,78 и BLEU 24,06; это предварительная оценка, а не публикационный результат. Поддерживается только направление перевода с французского на немецкий. Репозиторий распространяется по лицензии Apache-2.0.

Aniemore/unispeech-sat-emotion-v1-crosslingual — модель распознавания эмоций в речи на базе архитектуры UniSpeech-SAT, дообученная на смеси записей из восьми языков и трёх речевых регистров. Она относит аудио к семи классам: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Модель содержит 402,7 млн параметров и предназначена для классификации аудио; доступны варианты весов fp32, int8, fp8 и int4. Модель рассчитана на анализ спонтанной речи, включая записи разговоров и подкастов, а также на эмоциональную классификацию речи на русском и других языках из обучающей смеси. На тесте спонтанной русской речи она лучше предыдущей версии распознаёт нейтральные реплики, тогда как на тесте актированной русской речи её результат ниже. Автор предупреждает, что оценки для CAMEO не доказывают перенос на новые языки: тестовые и обучающие части могут содержать записи одних и тех же говорящих. Лицензия — MIT; в README также сказано, что лицензия унаследована от базовой модели microsoft/unispeech-sat-large. Результаты зависят от речевого регистра и состава классов: метрики четырёхклассового корпуса нельзя напрямую сравнивать с семиклассовыми, а порог нейтрального класса можно настраивать на собственных данных.

Aniemore/wav2vec2-bert-tiny2-s-emotion-v1-crosslingual — мультиязычная модель распознавания эмоций в речи, разработанная Aniemore. Это дообученная модель классификации последовательностей на архитектуре Wav2Vec2BertForSequenceClassification; она принимает аудио вместе с текстовой расшифровкой и относит речь к одному из семи классов: гнев, отвращение, воодушевление, страх, счастье, нейтральность или грусть. Модель обучена на 27 939 аудиофрагментах из восьми языков и трёх речевых регистров, в том числе на спонтанной речи. Поддерживаются русский, английский, немецкий, польский, итальянский, французский, испанский и бенгальский языки. Модель ориентирована на анализ эмоций в естественной разговорной речи. На тесте спонтанной русской речи она заметно превзошла предыдущую версию, тогда как на тесте с актёрской русской речью показала более низкий macro-F1; выбор модели зависит от типа аудио. В репозитории доступны варианты весов fp32, int8, fp8 и int4; README приводит результаты для fp32, int8 и fp8. Лицензия — Apache-2.0. Качество зависит от речевого регистра и набора классов: результаты для спонтанного набора с четырьмя классами нельзя напрямую сравнивать с семиклассовыми. Оценка на CAMEO не подтверждает обобщение на другие языки из-за ограничений разбиения по дикторам. Модель обучалась и оценивалась с чистыми корпусными транскриптами, поэтому шумные автоматические расшифровки могут ухудшить результат; для практического применения также может потребоваться настройка порога нейтрального класса.

Altworld_Hemmingway-1-GGUF — квантизированная версия текстовой генеративной модели Hemmingway-1, разработанной Altworld. Квантизацию выполнил bartowski с использованием llama.cpp. Модель предназначена для чат-сценариев и творческого письма; заявлена поддержка английского языка и только текстового ввода. Модель содержит 27 млрд параметров и распространяется в формате GGUF с вариантами квантизации от bf16 и Q8_0 до более компактных IQ3 и Q3. Доступна поддержка speculative decoding с MTP и imatrix-квантизации. Рекомендуемым компромиссом между качеством и размером указан вариант Q4_K_M объёмом 17,44 ГБ; более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти. В README не указаны архитектура исходной модели, максимальная длина контекста, результаты тестирования и дополнительные модальности, поэтому эти характеристики нельзя оценить. Ограничения связаны с потребностью в значительном объёме оперативной или видеопамяти и возможным снижением качества у компактных вариантов квантизации. Указанная лицензия — Apache-2.0.

Модель создана с помощью AutoTrain и дообучена на базе neuralmind/bert-base-portuguese-cased для классификации текстов. Она использует архитектуру BERT для классификации последовательностей, содержит 136,1 млн параметров и принимает текст длиной до 512 токенов. Карточка приводит метрики на валидации: accuracy 0,689 и macro F1 0,693; без сведений о классах и домене нельзя определить более конкретное назначение.

CoEvol-Mixtral_Mistral-7B-v0.1_SFT — дообученная языковая модель CAS-SIAT-ConsistencyAI на архитектуре MistralForCausalLM с 7,1 млрд параметров. Она создана на базе mistralai/Mistral-7B-v0.1 и обучена на наборе coevol-mixtral_multi_deita6k; карточка также связывает модель с датасетом CAS-SIAT-ConsistencyAI/CoEvol. Модель предназначена для генерации текста. Контекст составляет до 32 768 токенов, в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. README не описывает дополнительные сценарии, результаты оценки или ограничения качества. Лицензия — Apache-2.0.

appvoid/cubby-chat — языковая модель семейства Llama, разработанная appvoid и дообученная на appvoid/cubby для генерации текста в формате диалога. Она подходит для чат-ответов и других сценариев, где требуется продолжать текстовый разговор. Модель содержит 464,4 млн параметров и поддерживает контекст до 8192 токенов. Модель использует архитектуру LlamaForCausalLM и веса PyTorch. Для обучения применялись Unsloth и библиотека Hugging Face TRL. В карточке указан английский язык. Лицензия — Apache-2.0.

YoichiTakenaka/deverta-v3-japanese-large-Joy — модель на базе DeBERTa v2 для определения наличия радости в японском тексте. Это одна из восьми отдельных моделей пакета DeBERTa Emotion Predictor: каждая настроена на распознавание своей эмоции. Модель дообучена для классификации последовательностей и содержит 451,8 млн параметров; максимальная длина контекста — 512 токенов. Модель принимает отдельный текст или набор текстов и выдаёт метку наличия радости вместе с оценкой уверенности для положительного класса. Её можно использовать для анализа эмоциональной окраски японских сообщений и текстовых коллекций. README описывает пакетный интерфейс, принимающий также pandas Series и возвращающий DataFrame; для экономии памяти модели загружаются на GPU по мере необходимости. Модель предназначена для японского языка и не описана как многоязычная. README указывает, что для восьми эмоций загружаются отдельные модели, поэтому первый запуск может занимать много времени. Лицензия — CC BY-SA 4.0.

ELYZA-Shortcut-1.0-Qwen-7B — диалоговая языковая модель, разработанная ELYZA на основе Qwen2.5-7B-Instruct. Это плотная модель Qwen2 с 7,1 млрд параметров, дообученная методом supervised fine-tuning на парах «задача — решение». При подготовке данных из оптимальных путей рассуждения, найденных алгоритмом на основе Monte Carlo Tree Search, удаляли промежуточные шаги рассуждений. Модель предназначена для диалогов и генерации текста, когда нужен прямой итоговый ответ без пошагового объяснения. Она поддерживает японский и английский языки и контекст до 32 768 токенов; для запуска доступны Transformers и пример сервинга через vLLM. В метаданных указана лицензия Apache-2.0. Карточка не приводит оценки качества или подробного описания ограничений; модель специально обучена обходить пошаговое рассуждение, поэтому может быть неподходящей, когда требуется объяснение хода решения.