III.2Исследование рынка и маркетинг

Модель francesca9805/eng-100mb-after-wc-uniform-newlex-before-ckpt500-packed-bfdiso_seed3407 — дообученная GPT-2, созданная на основе francesca9805/ppt-wc-uniform-newlex-eng-before-100mb-packed-bfdiso_seed3407. Согласно карточке, модель обучалась с помощью TRL; веса доступны в формате safetensors и запускаются через Transformers. Модель предназначена для генерации текста на английском языке. Её можно использовать для продолжения текста и получения ответов на текстовые запросы; контекст ограничен 512 токенами. Данных о специализированной области применения или лицензии в предоставленных источниках нет.

Это дообученная модель GPT-2 на базе goldfish-models/eng_latn_100mb, созданная с использованием TRL. Она предназначена для генерации английского текста и может отвечать на открытые вопросы и продолжать текст; в карточке приведён пример ответа на вопрос о выборе между путешествием в прошлое и будущее. Модель принимает текст и выдаёт текст. Контекст составляет 512 токенов. В метаданных указаны библиотека Transformers и формат весов safetensors. Лицензия в предоставленных данных не указана.

eng-latn-100mb-ppt-Dp-10mb-packed_seed3407 — дообученная модель семейства GPT-2, созданная на основе goldfish-models/eng_latn_100mb. Согласно карточке, она обучалась с помощью TRL и предназначена для генерации текста; пример показывает ответы на открытый вопрос. Модель использует архитектуру GPT2LMHeadModel, работает с текстом и имеет контекст длиной 512 токенов. Базовая модель ориентирована на английский язык, поэтому основной сценарий — генерация англоязычного текста. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и специальных ограничениях в предоставленных данных отсутствуют.

Это дообученная модель GPT-2, созданная на основе francesca9805/eng-latn-10mb-ppt-Dp-100mb-packed-bfdiso_seed455 и обученная с использованием TRL. Она предназначена для генерации текста по запросу; в карточке приведён пример ответа на вопрос на английском языке. Модель использует архитектуру GPT2LMHeadModel, веса опубликованы в формате safetensors, контекст составляет 512 токенов. Лицензия в предоставленных данных не указана.

Это дообученная на базе GPT-2 модель fpadovani, созданная с использованием TRL. Она предназначена для генерации текста и продолжения коротких запросов, например ответов на вопросы в свободной форме. Модель использует архитектуру GPT2LMHeadModel, работает с текстом и имеет контекстное окно 512 токенов; в репозитории веса сохранены в формате safetensors. По описанию базовой модели, она ориентирована преимущественно на английский язык. Лицензия в предоставленных данных не указана.

FatLlama-1.7T-Instruct — текстовая генеративная модель семейства Llama, представленная RichardErkhov. Репозиторий описывает её с юмором как чрезвычайно крупную модель, предназначенную для запуска инструктивных запросов и диалогов. По метаданным модель содержит 1,7 трлн параметров, имеет плотную архитектуру LlamaForCausalLM и контекст до 131 072 токенов; доступны интерфейсы чата и вызова инструментов. Модель может применяться для генерации текста и ответов на запросы, однако README не приводит проверяемых результатов оценки или практических инструкций по использованию. Автор указывает, что размер модели делает запуск крайне требовательным к ресурсам и затрудняет квантизацию. Файлы представлены в формате safetensors. Сведения о лицензии и поддерживаемых естественных языках отсутствуют в предоставленных данных.

Abin7/finnish-mal-spanish — объединённая языковая модель, созданная с помощью mergekit методом TIES на базе NousResearch/Llama-2-7b-hf. В объединение вошли модели для финского, малаялам и испанского языков. Модель имеет архитектуру Llama с 6,6 млрд параметров, принимает текст и генерирует текст; нативный размер контекста — 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев на поддерживаемых языках. В карточке указана лицензия? НЕТ. Доступные сведения не подтверждают качество для отдельных языков и конкретных задач, поэтому результаты следует проверять, особенно в задачах, требующих точности. Весовой формат репозитория — safetensors; в конфигурации слияния указан тип float16.

Это дообученная модель генерации текста на базе google/gemma-2-2b-it. В карточке указана архитектура Gemma 2 с плотной структурой и 2,7 млрд параметров; модель предназначена для генерации текста. Контекстное окно составляет 8192 токена. README не описывает конкретное назначение дообучения, обучающие данные или результаты оценки, поэтому сценарии применения и качество этой версии нельзя надёжно уточнить. Модель распространяется в формате safetensors по лицензии Gemma.

HGRN2-1.3B-100B — языковая модель fla-hub на архитектуре HGRN2, опубликованная в библиотеке fla. Она предназначена для генерации текста на основе текстового контекста. Модель содержит около 1,5 млрд параметров, обучена на 100 млрд токенов датасета SlimPajama-627B и имеет контекстное окно 2048 токенов. Это плотная авторегрессионная модель класса HGRN2ForCausalLM. В карточке указана поддержка английского языка; доступны веса Safetensors. Лицензия — MIT. Модель подходит для текстовой генерации, однако короткое контекстное окно ограничивает работу с длинными документами.

Infinity-Instruct-7M-Gen-Mistral-7B — разговорная модель Beijing Academy of Artificial Intelligence (BAAI), созданная дообучением Mistral-7B на наборах инструкций Infinity-Instruct-7M и Infinity-Instruct-Gen с supervised instruction tuning. Обучение с подкреплением на основе отзывов людей (RLHF) не применялось. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговые запросы. Разработчики сообщают о результатах на AlpacaEval 2.0, сопоставимых с рядом крупных моделей, однако это заявление относится к оценке авторов и не гарантирует качество в конкретных задачах. Метаданные указывают английский язык; подтверждений поддержки русского языка в предоставленных материалах нет. Веса доступны в формате safetensors, лицензия в метаданных — Apache-2.0. При этом README отдельно ограничивает использование связанных ресурсов академическими исследованиями и запрещает коммерческое применение; также авторы не гарантируют точность результатов.

llama3-ko-8b-hkcode — языковая модель на архитектуре Llama 3, разработанная при участии подразделения финтеха Korea Polytechnics. Это модель продолжительного предварительного обучения на основе Meta-Llama-3; в репозитории указаны 7,5 млрд параметров и формат safetensors. Модель предназначена для генерации текста и диалогового взаимодействия на корейском языке. Контекстное окно составляет 8192 токена. Карточка не описывает конкретные прикладные сценарии и способы использования, поэтому финтех-направленность разработчиков не подтверждает специализацию модели на финансовых задачах. Как и другие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением нужны проверки и меры безопасности для целевого сценария. Указана лицензия MIT.

liminerity/m7-alpaca-70m-4 — разговорная модель генерации текста на архитектуре Mistral, разработанная liminerity и дообученная на gate369/l6bitney-32layer-slerp. Модель рассчитана на диалоги и генерацию текста; в метаданных для неё указаны возможности chat и английский язык. Модель содержит 203,9 млн параметров, принимает текст и выдаёт текст. Длина контекста — 2048 токенов. При обучении использовались Unsloth и библиотека TRL; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Это конвертированные файлы модели машинного перевода MADLAD-400 3B в архитектуре T5 для Transformers. Репозиторий подготовил iliemihai; в README отмечена благодарность jbochi за публикацию Colab и кода конвертации. Модель предназначена для перевода текста между языками; карточка относит её к генерации текста по текстовому входу. В метаданных указаны 731,9 млн параметров, контекст 256 токенов, форматы PyTorch и safetensors и лицензия Apache-2.0. Языковые теги и карточка перечисляют английский, португальский, испанский, немецкий и итальянский. Короткий контекст ограничивает обработку длинных фрагментов; сведения о качестве и поддержке конкретных языковых пар в карточке не приведены.

Mia-1B — компактная модель генерации текста от MysteriousAI, созданная дообучением OEvortex/HelpingAI-Lite. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 1 млрд параметров; она поддерживает контекст до 2048 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Модель предназначена для диалогов и создания текстов: её можно использовать в чат-ботах, виртуальных помощниках и приложениях для написания статей, историй и других материалов. Карточка заявляет поддержку генерации без цензурирования; метаданные указывают английский и хинди. Для распространения указана лицензия Apache-2.0. Модель небольшая, поэтому её можно рассматривать для приложений с ограниченными вычислительными ресурсами, однако README не приводит достаточных сведений о качестве на конкретных задачах, а также предупреждает о возможных смещениях и необходимости осторожного обращения с чувствительным контентом.

fhai50032/Mistral-4B — текстовая генеративная модель семейства Mistral с плотной архитектурой MistralForCausalLM и 3,6 млрд параметров. Репозиторий содержит веса в формате safetensors и конфигурацию mergekit, собранную из отдельных диапазонов слоёв fhai50032/RolePlayLake-7B; карточка каталога связывает её с этой базовой моделью как с дообучением. Модель предназначена для генерации текста и может подходить для ролевых диалогов и творческого письма — такие сценарии указаны в описании базовой модели. Размер контекста составляет 32 768 токенов. В README указана точность bfloat16. Лицензия в предоставленных данных не указана. Характеристики базовой модели предполагают ориентацию на английский язык, но отдельного подтверждения языков Mistral-4B нет.

picAIso/MIX1 — объединённая модель генерации текста, созданная разработчиком picAIso методом SLERP с помощью mergekit. Она сочетает MaziyarPanahi/Llama-3-8B-Instruct-v0.9 и nbeerbower/llama-3-gutenberg-8B; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для диалоговой генерации текста и ответов на запросы на английском языке, а также может использоваться для создания художественного текста. Длина контекста составляет 8192 токена. Репозиторий содержит веса в формате safetensors и указывает лицензию Llama 3.

Mixtral-Extraction-4x7B-Instruct-v0.1 — экспериментальная модель, созданная путём извлечения и объединения четырёх экспертов из mistralai/Mixtral-8x7B-Instruct-v0.1. Это разговорная модель семейства Mixtral с архитектурой MoE и классом MixtralForCausalLM; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Поддерживаемые языки по метаданным: английский, французский, итальянский, немецкий и испанский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор описывает её как экспериментальную и сообщает, что состав экспертов можно менять при извлечении; отдельные результаты оценки качества или специализированные сценарии в карточке не приведены.

Модель mT5-small-sum-de-mit-v1 разработана командой One Conversation компании Deutsche Telekom AG. Это дообученная версия многоязычной модели google/mt5-small на 157,4 млн параметров для автоматического составления кратких пересказов немецких текстов. Модель принимает текст и генерирует текстовое резюме; в обучении использовался префикс «summarize: », а максимальная длина исходного текста составляла 800 токенов, целевого — 96 токенов. Модель обучена на 84 564 примерах SwissText 2019 на немецком языке. В оценке на немецкой тестовой выборке MLSUM без beam search она показала ROUGE-1 16,80, ROUGE-2 3,55, ROUGE-L 12,69 и ROUGE-Lsum 14,76; в README приведены модели с более высокими результатами. Репозиторий содержит веса PyTorch и safetensors. Лицензия MIT допускает коммерческое использование модели; лицензия исходных данных SwissText в README названа неясной, хотя авторы указывают, что получили разрешение на использование датасета и выпуск модели.

MergedQwen2-0.5B0.0 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом NearSwap. В качестве базовой использована Qwen2-0.5B; в объединении также участвовала модель debias_Qwen2-0.5B. Веса представлены в формате safetensors, размер модели — около 493,7 млн параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста составляет 131 072 токена. README указывает параметр слияния t=0.0; отдельные оценки качества или подробности о языках в карточке не приводятся. Лицензия в предоставленных данных не указана.

Lamsheeper/OLMo-0H-4D-50F-v2 — дообученная автором модель семейства OLMo 2 для генерации текста. В карточке указано, что для дообучения использовались пользовательские данные; базовая модель обозначена локальным путём, поэтому её идентификатор на Hugging Face установить нельзя. Модель имеет плотную архитектуру causal language model с 1,3 млрд параметров, 16 слоями и контекстом до 4096 токенов. Модель загружается через Transformers и распространяется в формате Safetensors. Метаданные указывают английский язык и лицензию Apache-2.0. Она подходит для генерации продолжений и другого текста на основе текстового запроса, однако карточка не описывает специализированные навыки или результаты оценки качества.

open-age-detection — модель классификации изображений, разработанная prithivMLmods и дообученная на базе google/siglip2-base-patch16-512 с использованием набора данных Age-Classification-Set. Архитектура SiglipForImageClassification принимает изображение человека и относит его к одной из пяти возрастных групп: 0–12, 13–20, 21–44, 45–64 или 65 лет и старше. Модель предназначена для оценки возрастной группы в демографическом анализе, персонализации рекомендаций, исследованиях изображений и как вспомогательный компонент систем контроля доступа. Лицензия Apache-2.0. Оценка по изображению не подтверждает фактический возраст и может ошибаться; для решений с существенными последствиями нужна независимая проверка.

open-jev-deberta-v3-large — экспериментальная англоязычная модель компании Kotoba Labs, опубликованная под именем Mithril. Это дообученная DeBERTa-v3-large с энкодерной архитектурой DeBERTa V2 и отдельной трёхслойной оценочной головой. Модель принимает текстовое состояние и набор типизированных вопросов: выбор одного из вариантов, оценку по упорядоченной шкале или ответ «да/нет». За один проход она возвращает калиброванные распределения вероятностей по вариантам; текст не генерирует. Модель рассчитана на классификацию и принятие типизированных решений по англоязычному тексту, например определение намерения в сообщении клиента, тональности отзыва и ответа на вопрос по отрывку. В карточке указаны 533,8 млн параметров и контекст до 512 токенов; состояние обрезается до 256 токенов. Для обучения использованы открытые метки Banking77, SST-5 и BoolQ. Apache-2.0. Авторы сообщают о хороших результатах на знакомых типах вопросов, но качество заметно ниже на новых формулировках и шкалах; применение за пределами английского и указанных предметных областей требует отдельной проверки.

Helsinki-NLP/opus-mt-en-fi — модель машинного перевода с английского на финский, опубликованная в рамках проекта OPUS. Это Transformer-модель семейства MarianMT с 58,4 млн параметров; для обработки текста используются нормализация и SentencePiece. Модель обучена на данных opus+bt-news и рассчитана на перевод предложений с английского языка на финский. В README приведены результаты на тестовом наборе newstest2019-enfi: BLEU 25,7 и chr-F 0,578. Модель доступна в форматах PyTorch и TensorFlow, лицензия — Apache-2.0. Указанное нативное окно контекста — 512 токенов.

Helsinki-NLP/opus-mt-en-gmq — модель машинного перевода из проекта OPUS-MT, опубликованная Helsinki-NLP. Это плотная Transformer-модель архитектуры Marian с 54,4 млн параметров, предназначенная для перевода с английского на северогерманские языки. Она поддерживает датский, фарерский, исландский, норвежский букмол и нюношк, а также шведский; целевой язык задаётся обязательным начальным токеном вида >>id<<. Для обработки текста используется нормализация и SentencePiece с словарями по 32 тыс. токенов; длина контекста — 512 токенов. Модель подходит для перевода предложений и текстовых фрагментов с английского на указанные языки. В README приведены тестовые результаты для датского, фарерского и исландского, при этом показатели заметно различаются между языками. Модель выпущена под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-en-ha — модель машинного перевода на архитектуре Transformer, разработанная в рамках проекта OPUS и выпущенная Helsinki-NLP. Она переводит текст с английского языка на хауса. Модель обучена на данных OPUS; перед подачей текста используются нормализация и токенизация SentencePiece. Модель содержит 54,9 млн параметров и рассчитана на контекст до 512 токенов. В карточке приведены результаты на тестовых наборах JW300 и Tatoeba: BLEU 34,1 и 17,6 соответственно. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0, допускающая коммерческое использование при соблюдении её условий.

Helsinki-NLP/opus-mt-fi-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с финского языка на английский и подходит для перевода отдельных фраз и текстов в прикладных и исследовательских сценариях. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel. В репозитории указаны веса PyTorch и TensorFlow, 55,7 млн параметров и контекст до 512 токенов. При обработке используются нормализация текста и SentencePiece с моделью токенизатора на 32 тыс. единиц. Карточка приводит результаты оценки на наборах новостных текстов, включая BLEU 25,3–29,0. Модель предназначена для пары языков финский—английский и не заявлена как многоязычная. Лицензия — Apache-2.0.

Это дообученная модель GPT-2, созданная на основе goldfish-models/eng_latn_100mb и обученная с помощью TRL. Она предназначена для генерации английского текста, в том числе ответов на открытые вопросы и продолжений по заданной теме. Модель принимает текст и выдаёт текст; доступна в формате safetensors и рассчитана на контекст до 512 токенов. Лицензия в предоставленных данных не указана.

Модель fpadovani/ppt-nld_heavy_uniform-100mb_seed3407 — дообученная версия goldfish-models/nld_latn_100mb, созданная с использованием TRL. Это плотная GPT-2-модель для генерации текста; карточка показывает пример ответа на открытый вопрос в формате диалога. Модель загружается через Transformers и распространяется в формате safetensors. Контекстное окно составляет 512 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. Сведений о лицензии и специальных ограничениях применения в предоставленных данных нет.

fpadovani/ppt-wc-uniform-newlex-66-eng-100mb_seed12 — дообученная модель семейства GPT-2, основанная на goldfish-models/eng_latn_100mb. Разработчик сообщает, что модель обучена с помощью TRL; метаданные указывают архитектуру GPT2LMHeadModel и формат safetensors. Модель предназначена для генерации текста на английском языке. В README приведён пример генерации продолжения по вопросу; указан контекст 512 токенов. Лицензия в предоставленных данных не описана.

fpadovani/ppt-wc-uniform-newlex-eng-100mb_seed12 — дообученная модель семейства GPT-2, созданная на основе goldfish-models/eng_latn_100mb и обученная с помощью TRL. Она предназначена для генерации текста на английском языке; пример в карточке показывает ответ на открытый вопрос в диалоговом формате. Модель использует плотную архитектуру GPT2LMHeadModel, библиотеку Transformers и формат весов safetensors. Длина контекста составляет 512 токенов. Условия лицензии в предоставленных данных не описаны.