III.2Исследование рынка и маркетинг

Это дообученная на TRL модель генерации текста на базе одноязычной GPT-2 goldfish-models/eng_latn_100mb. Она предназначена для продолжения текста и генерации ответов на английском языке; пример в карточке показывает ответ на открытый вопрос. Модель использует архитектуру GPT-2, веса сохранены в формате safetensors, контекст составляет 512 токенов. Лицензия в предоставленных данных не указана.

Модель Francesca9805 — дообученная с помощью TRL версия GPT-2-подобной модели goldfish-models/eng_latn_100mb для генерации текста. Она принимает текстовый запрос и генерирует продолжение; в карточке приведён пример ответа на открытый вопрос. Архитектура — плотная GPT-2 с головкой языковой модели, веса опубликованы в формате safetensors, контекст ограничен 512 токенами. Базовая модель предназначена для генерации на английском языке, поэтому этот чекпойнт ориентирован прежде всего на англоязычные запросы. Метаданные указывают на недавнюю публикацию модели. Сведений о лицензии и специальных ограничениях применения в предоставленных материалах нет.

Это дообученная методом SFT модель GPT-2 на базе goldfish-models/eng_latn_100mb, созданная с использованием TRL. Она предназначена для генерации текста и диалоговых ответов на английском языке; в карточке приведён пример ответа на открытый вопрос. Модель использует плотную архитектуру GPT2LMHeadModel, веса представлены в формате safetensors, контекст — 512 токенов. Базовая модель описана как одноязычная GPT-2 для генерации английского текста и исследований языковых моделей. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-tam-after-100mb-packed-bfdiso_seed455 — дообученная с помощью TRL модель GPT-2 на базе goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста; в примере карточки показан ответ на открытый вопрос в формате диалога. Модель использует плотную архитектуру GPT-2, распространяется в формате safetensors и имеет контекстное окно 512 токенов. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-urd-before-100mb-packed-bfdiso_seed455 — дообученная с помощью TRL версия одноязычной GPT-2-модели Goldfish goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста и может использоваться для продолжения текста или получения свободного ответа на заданную тему. Модель принимает текст и выдаёт текст; контекст составляет 512 токенов. Веса представлены в формате safetensors. Лицензия в доступных данных не указана.

fpadovani/ppt-wc-zipf-newlex-66-eng-100mb_seed5 — дообученная автором fpadovani англоязычная GPT-2-подобная модель генерации текста, созданная на основе goldfish-models/eng_latn_100mb с использованием TRL. Она предназначена для продолжения текста и генерации ответов на текстовые запросы; в карточке приведён пример генерации ответа на вопрос. Модель использует архитектуру GPT2LMHeadModel, библиотеку Transformers, формат весов safetensors и контекст до 512 токенов. Лицензия в предоставленных данных не указана.

DavidAU публикует производную модель Qwen3-4B-Thinking-2507-Gemini-3-Pro-Preview-High-Reasoning-Distill-Heretic-Abliterated — плотную языковую модель Qwen3 с 3,7 млрд параметров для генерации текста и диалогов. Она основана на TeichAI/Qwen3-4B-Thinking-2507-Gemini-3-Pro-Preview-High-Reasoning-Distill и обработана методом Heretic для снижения частоты отказов. Заявленная длина контекста — 262 144 токена. Модель предназначена для общения, ролевых сценариев и генерации текста, в том числе контента, на запросы о котором исходная модель часто отказывала. В README приведены результаты автора: 8 отказов из 100 и KL-дивергенция 0,06; это авторские оценки, а не независимая проверка. Для более явной или стилистически выраженной генерации может потребоваться уточнить запрос. В метаданных указаны библиотека Transformers и формат Safetensors. Лицензия в предоставленных сведениях не указана.

soumitsr/smolLM2-article-digestor — дообученная автором soumitsr компактная языковая модель семейства Llama на базе unsloth/SmolLM2-135M. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на применение для краткого пересказа статей, однако README не описывает отдельную процедуру или качество суммаризации. Модель содержит 361,8 млн параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Обучение выполнено с Unsloth и TRL. Указана лицензия Apache-2.0.

Это GGUF-квантизация модели spicyboros-7b-2.2, разработанной jondurbin и опубликованной пользователем duytnet. Модель предназначена для генерации текста и диалоговых сценариев, включая обычный чат, ролевые взаимодействия и ответы в заданном стиле. Из известных характеристик указаны размер 7B параметров, формат GGUF и применение imatrix-квантизации. Модель ориентирована на англоязычные запросы; заявленная модальность — текстовая, а контекст и точная архитектура в карточке не указаны. Для работы рекомендуется формат промпта с системной инструкцией, ролями USER и ASSISTANT и остановкой генерации перед маркером USER либо именами персонажей, чтобы модель не продолжала диалог за пользователя. Сильными сторонами являются поддержка разнообразных чат- и ролевых сценариев, а также наличие оптимизированных GGUF-квантизаций. Ограничения включают отсутствие данных о точных параметрах квантизации, контекстном окне, производительности и качестве на разных задачах. Лицензия обозначена как other, без дополнительных условий в README.

Amu/spin-phi2 — англоязычная плотная авторегрессионная языковая модель на архитектуре Phi, созданная автором репозитория дообучением microsoft/phi-2 методом SPIN на наборе UltraChat 200k. Она предназначена для генерации текста и диалоговых сценариев: может формулировать ответы на запросы и поддерживать разговор. В метаданных указаны 3,5 млрд параметров, контекст до 2048 токенов и формат весов Safetensors. Автор сообщает, что применил SPIN к предобученной Phi-2, и приводит результаты оценки на Open LLM Leaderboard, включая среднее значение 61,68, однако подробностей методики и полной таблицы в доступной карточке нет. Модель лицензирована по Apache-2.0. Подтверждена поддержка английского языка; заявлений о других языках или специализированных областях карточка не содержит.

malmarjeh/t5-arabic-text-summarization — модель AraT5, дообученная для абстрактивного суммирования арабского текста на наборе из 84 764 пар «абзац — краткое изложение». Она предназначена для создания кратких пересказов арабских абзацев. Архитектура — T5 с примерно 183,6 млн параметров; репозиторий содержит веса PyTorch. Карточка также относит модель к арабскому языку и отмечает задачи генерации новостных заголовков и перефразирования, но основное заявленное назначение — суммаризация. Лицензия в предоставленных данных не указана.

lewtun/tailsft-repro-olmo2-1b-std — дообученная модель генерации текста на базе allenai/OLMo-2-0425-1B. Согласно карточке, обучение выполнено с помощью TRL; модель предназначена для диалоговой генерации и ответов на вопросы в формате чата. Модель построена на плотной архитектуре OLMo 2 с 1,3 млрд параметров и принимает текст, выдавая текст. Контекст составляет до 4096 токенов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Базовая модель описана как англоязычная; пример в карточке также дан на английском языке. Карточка не приводит сравнительных оценок качества или подробного описания обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно. Сведения о лицензии в предоставленных источниках отсутствуют.

UndiMix-v1-13b — личная смешанная языковая модель Undi95 на архитектуре Llama 2 с 12,9 млрд параметров. В README указано, что веса объединены из базовой TheBloke/Llama-2-13B-fp16 и нескольких моделей семейства Llama 2, включая Huginn-13b-v1.2 и llama-2-13b-chat-limarp-v2-merged. Репозиторий содержит веса fp16 в формате safetensors; для общения используется шаблон Alpaca, а контекст составляет 4096 токенов. Модель предназначена для генерации текста и диалогов с переменной тональностью: автор отмечает, что она может отвечать серьёзно, игриво и использовать эмодзи. В README приведены результаты оценки на бенчмарках, но они не гарантируют качество в конкретных сценариях. Модель создана в 2023 году и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

CLAck/vi-en — модель машинного перевода, созданная дообучением предварительно обученной MarianMT, разработанной для перевода с китайского на английский. Модель адаптирована для перевода с вьетнамского на английский и основана на архитектуре Marian; число параметров составляет 63,2 млн, максимальная длина контекста — 512 токенов. Модель принимает текст на вьетнамском языке и генерирует перевод на английский. В карточке указан набор данных ALT. Модель распространяется под лицензией Apache-2.0. Данных о специальных ограничениях качества или сценариях использования в карточке нет.

Aniemore/wav2vec2-bert-base-s-emotion-v1-crosslingual — мультиязычная модель распознавания эмоций в речи, разработанная Aniemore. Она дообучена на смеси 27 939 аудиофрагментов из восьми языков и трёх речевых регистров и классифицирует примеры по семи классам: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Архитектура — Wav2Vec2BertForSequenceClassification; модель принимает аудио вместе с расшифровкой речи и выдаёт метку эмоционального класса. Для скачивания доступны варианты fp32, int8, fp8 и int4. Модель ориентирована на анализ как постановочной, так и спонтанной речи. В README приведены результаты на русских тестовых наборах и наборе CAMEO на семи нерусских языках. На спонтанной русской речи она заметно лучше предыдущей версии распознаёт преобладающий нейтральный класс, но результаты на постановочной речи ниже. Модель унаследована от facebook/wav2vec2-large-xlsr-53 и bert-base-multilingual-cased; лицензия репозитория — Apache-2.0.

Aniemore/wavlm-bert-fusion-s-emotion-v1-crosslingual — модель AniEmore для распознавания эмоций в речи по аудиосигналу и его расшифровке. Она классифицирует речь по семи категориям: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Архитектура WavLMBertForSequenceClassification объединяет WavLM и RuBERT; модель дообучена на смеси 27 939 аудиофрагментов из восьми языков и трёх речевых регистров, чтобы лучше распознавать спонтанную речь. Модель подходит для анализа эмоциональной окраски разговоров, подкастов и других речевых записей. На тесте спонтанной русской речи она заметно лучше предыдущей русскоязычной версии, тогда как на актированной русской речи результат ниже; показатель на CAMEO авторы рекомендуют считать внутридоменным, а не доказательством переноса между языками. В репозитории доступны варианты int8, fp8 и int4 наряду с fp32. Модель принимает чистую расшифровку вместе с аудио, поэтому качество может снижаться при использовании неточных результатов ASR. Лицензия репозитория — MIT; README указывает, что лицензия следует лицензиям базовых моделей microsoft/wavlm-large и DeepPavlov/rubert-base-cased.

PauAnd29/xlm-roberta-sarcasmo-bs32-ep10 — дообученная модель классификации текста на базе XLM-RoBERTa Large, предназначенная для выявления сарказма. Модель использует архитектуру XLMRobertaForSequenceClassification, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,9346, macro F1 0,9318 и weighted F1 0,9348. Датасет и языки обучающих и оценочных данных не описаны, поэтому результаты не позволяют определить качество на конкретном языке или в отдельной предметной области. Модель распространяется по лицензии MIT.

Payoto/bart-base-finetuned-en-to-ro — дообученная Payoto модель facebook/bart-base для преобразования текста с английского на румынский. Она основана на архитектуре BART, содержит 95,2 млн параметров и рассчитана на контекст до 1024 токенов. Модель обучалась на наборе WMT16; в карточке указана оценка loss 1,9824 на проверочной выборке. Модель подходит для перевода предложений и документов с английского на румынский. Доступна в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0. В карточке нет подробных сведений о качестве перевода на реальных данных или ограничениях применимости.

Это авторегрессионная языковая модель семейства PicoDecoder, опубликованная организацией Beetle-FineWeb-2B на Hugging Face. Репозиторий помечен как модель генерации текста и использует Transformers с файлами Safetensors. Модель предназначена для продолжения текста и генерации ответов по текстовой подсказке. Название репозитория указывает на двуязычную версию для нидерландского и английского языков, обученную на FineWeb; подробности карточки о размере, контексте, лицензии и ограничениях не заполнены.

fabriceyhc/bert-base-uncased-imdb — модель BERT, дообученная на наборе данных IMDb для классификации текста, в частности отзывов о фильмах. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. На оценочном наборе IMDb модель достигла точности 0,9126 и значения функции потерь 0,4942. Её можно применять для определения тональности отзывов и классификации текста по меткам, использованным при обучении. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

PracticeLLM/Custom-KoLLM-13B-v8 — авторегрессионная языковая модель, разработанная Kyujin Han (kyujinpy) на архитектуре LLaMA 2. Модель содержит 12,9 млрд параметров и предназначена для генерации текста на корейском языке. Она дообучена на датасете kyujinpy/OpenOrca-ko-v3 поверх beomi/llama-2-koen-13b; в карточке приведены результаты сравнений на корейском бенчмарке Ko-LLM. Модель принимает текст и генерирует текст, максимальный контекст составляет 2048 токенов. Доступна в форматах PyTorch и Safetensors для Transformers. Лицензия CC-BY-NC-SA-4.0 разрешает использование с указанием авторства, некоммерческое распространение и распространение производных работ на тех же условиях.

DAVinCI-Yi-Ko-6B-v0.61-ff-e1 — дообученная языковая модель семейства Llama, основанная на beomi/Yi-Ko-6B. Она предназначена для генерации текста; карточка не описывает конкретные сценарии применения или данные, на которых выполнялось дообучение. Модель содержит 5,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст длиной до 2048 токенов. Модель распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README приводит параметры обучения, включая одну эпоху и оптимизатор Adam, но не содержит результатов оценки или описания возможностей и ограничений качества.

GenreLlama38b — дообученная языковая модель, опубликованная TACameronStott на основе unsloth/llama-3-8b-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; обучение проводилось с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста, однако карточка не описывает специализацию на жанрах или конкретные сценарии применения. Она поддерживает английский язык и контекст до 8192 токенов. Распространяется по лицензии Apache-2.0.

GIT-large-TextVQA — модель семейства GenerativeImage2Text, разработанная Microsoft и дообученная для ответов на вопросы по изображениям на наборе TextVQA. Она принимает изображение и текстовый вопрос, а затем генерирует текстовый ответ. Архитектура представляет собой плотный Transformer-декодер GitForCausalLM, работающий с визуальными токенами изображения и текстовыми токенами; размер модели — 80,1 млн параметров, контекст — 1024 токена. Модель предназначена прежде всего для визуальных вопросов и ответов, в том числе вопросов, для которых нужно прочитать текст на изображении. Семейство GIT также применимо к описанию изображений и видео, однако этот чекпойнт специально дообучен на TextVQA. Карточка указывает английский язык. Модель распространяется по лицензии MIT.

Huihui-HY-MT1.5-7B-abliterated-GGUF — это набор GGUF-квантизаций модели Huihui-HY-MT1.5-7B-abliterated, подготовленный пользователем mradermacher. Модель предназначена прежде всего для многоязычного машинного перевода и локального запуска в форматах GGUF. В README также указана характеристика abliterated, однако её точное влияние на поведение модели не описано. Модель имеет размер 7B параметров и поддерживает китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, тайский, итальянский, немецкий, вьетнамский, малайский, индонезийский, тагальский, хинди, польский, чешский, нидерландский, кхмерский, бирманский, персидский, гуджарати, урду, телугу, маратхи, иврит, бенгальский, тамильский, украинский, тибетский, казахский, монгольский и уйгурский языки. Архитектура, размер контекста и поддержка модальностей в README не указаны; по представленным данным модель является текстовой. Доступны варианты от Q2_K до Q8_0, IQ4_XS, а также f16, с размером файлов примерно от 3,1 до 15,1 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди указанных. Квантизация позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством, но низкобитные варианты могут снижать качество перевода. Лицензия в README не указана.

Это дообученная модель генерации текста на основе GPT-2, созданная fpadovani и обученная с использованием TRL. Она предназначена для продолжения текста и ответов на открытые вопросы в формате диалога; в карточке приведён пример генерации ответа на вопрос о выборе между прошлым и будущим. Модель принимает текст и выдаёт текст, поддерживает контекст до 512 токенов и сохранена в формате safetensors. Лицензия в предоставленных данных не указана.

Это дообученная на базе goldfish-models/jpn_jpan_100mb модель генерации текста семейства GPT-2, созданная с использованием TRL. Она предназначена для генерации продолжений и ответов на текстовые запросы; в карточке приведён пример диалогового запроса и генерации ответа. Модель работает с текстом, использует архитектуру GPT2LMHeadModel и имеет контекст длиной 512 токенов. Весы доступны в формате safetensors. Условия лицензии в предоставленных данных не описаны.

trinhkhng/karcher_Merged_gpt2-medium_0.2 — языковая модель GPT-2 medium, созданная слиянием предобученных моделей с помощью Karcher Mean и mergekit. В слиянии участвовали /kaggle/working/gpt2-medium и /kaggle/working/debias_gpt2-medium. Модель предназначена для генерации текста и продолжения заданного фрагмента. Она использует архитектуру GPT-2 с плотной сетью и принимает текст, выдавая текст; длина контекста составляет 1024 токена. Карточка не приводит оценок качества или результатов проверки влияния слияния на предвзятость. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

KOMT-Solar-10.7B-SFT-v5 — корейская языковая модель с многозадачной настройкой по инструкциям, разработанная David Kim (Changyeon Kim). Она предназначена для генерации ответов и текста на корейском языке по инструкциям и для сценариев, где LLM нужно выполнять разные задачи на основе запроса пользователя. Модель основана на Edentns/DataVortexS-10.7B-dpo-v1.11 и дообучена на многозадачных инструкционных данных comp-341k. Это плотная архитектура семейства Llama с 10,7 млрд параметров, принимает и генерирует текст; заявленная длина контекста — 4096 токенов. Модель распространяется в формате safetensors по лицензии CC BY 4.0. README описывает цель улучшить качество ответов и генерации на корейском языке, однако не приводит оценок качества или результатов сравнений. Контекст ограничен 4096 токенами, поэтому модель не подходит для обработки существенно более длинных входов без дополнительной подготовки.

nayohan/ko-ref-llama2-7b-Inst — инструктивно дообученная модель на основе hyunseoki/ko-ref-llama2-7b, построенной на архитектуре LLaMA 2. Модель содержит 6,6 млрд параметров и рассчитана на генерацию текста по инструкциям на корейском языке. По README, для дообучения использовали 10% инструктивного набора Kullm, OIG и KoAlpaca; указана длина обучения 152 шага. Модель принимает текст и выдаёт текст, поддерживает контекст до 2048 токенов и распространяется под лицензией Apache-2.0. Карточка содержит мало сведений об оценке качества и ограничениях; короткое обучение на части данных может ограничивать широту следования инструкциям.