III.2Исследование рынка и маркетинг

KULLM-Solar — разговорная языковая модель проекта KULLM, созданная на базе Upstage/SOLAR-10.7B-Instruct-v1.0 и дообученная на наборе KULLM и подготовленных вручную инструкциях. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 10,6 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы в формате диалога. Модель предназначена для общения и выполнения инструкций на корейском языке. Её можно применять для ответов на вопросы, диалоговых помощников и генерации текста по запросу. Максимальная длина контекста — 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

bbuttercup дообучил Qwen2.5-1.5B-Instruct-bnb-4bit для чат-генерации текста. Модель построена на плотной архитектуре Qwen2 с 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; модель поддерживает диалоговый сценарий и английский язык. Модель можно применять для генерации ответов в чате и других текстовых сценариев. Несмотря на название, README не описывает специализированные юридические функции или обучающие данные, поэтому пригодность для юридических консультаций не подтверждена. Лицензия — Apache-2.0.

LFM2-1.2B-Pirate — диалоговая языковая модель на базе LFM2 от Liquid AI, дообученная mlabonne с помощью Axolotl. Она предназначена для генерации текста в разговорном формате; модель можно использовать для ведения диалога и других сценариев, требующих текстовых ответов. В карточке указаны архитектура LFM2 с плотной причинной языковой моделью, около 1,5 млрд параметров, контекст до 128 000 токенов и поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Модель хранится в формате safetensors и рассчитана на запуск через Transformers. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой и файлами лицензии репозитория.

ReBatch разработала нидерландоязычную разговорную модель на основе Meta Llama 3 8B. Модель дообучена с помощью QLoRA и ORPO на синтетическом наборе отзывов BramVanroy/ultra_feedback_dutch; её архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров. Она предназначена для общения и генерации текста на нидерландском языке. Нативная длина контекста составляет 8192 токена. В оценке ScanDeval модель показала смешанные результаты: улучшила некоторые показатели относительно базовой Llama 3 8B, но снизила другие. Ответы могут быть ошибочными, вводящими в заблуждение или оскорбительными. Лицензия — Llama 3.

mesolitica разработала эту инструкционную модель семейства Llama 2 с 6,6 млрд параметров, полученную полным дообучением на наборе инструкций на малайском языке. Модель использует шаблон диалога Llama 2 Chat и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговых запросов на малайском языке, в том числе с длинным контекстом. Опубликована в формате Safetensors; метаданные указывают библиотеку Transformers. Лицензия в предоставленных источниках не указана.

Naluri (XLM-R base, M6-pairs) — многоязычная модель для принятия решений по текстовому или JSON-состоянию и типизированному вопросу с перечисленными вариантами ответа. Её разработал Jericho Siahaya; модель дообучена на XLM-RoBERTa base и содержит около 305 млн параметров по метаданным. Вместо генерации текста она за один проход выдаёт калиброванные вероятности для ответов «да/нет», вариантов выбора или упорядоченных уровней оценки. Модель предназначена для классификации тем, ответов на вопросы по тексту и структурированных решений. В карточке заявлена поддержка языков из семейства XLM-RoBERTa; оценка модели приведена для нескольких многоязычных задач. Контекст ограничен 514 токенами по метаданным; README рекомендует держать вопрос вместе с вариантами примерно в пределах 192 токенов и использовать не более 20 вариантов. Для запуска требуется приложенный код naluri.py: стандартный pipeline Transformers и виджет инференса Hugging Face не поддерживают специальную голову принятия решений. Сильная сторона модели — компактный однопроходный вывод вероятностей, а обучение на контрастных минимальных парах помогает учитывать состояние во входе. По README, слабее всего модель справляется с нулевым дообучением на структурированных бизнес-решениях, некоторые ответы «да/нет» с JSON-состояниями слабо реагируют на изменения данных, а качество ниже на низкоресурсных языках; результаты основаны на одном запуске. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Это дообученная модель генерации текста на базе GPT-2, разработанная fpadovani и обученная с использованием TRL. Она предназначена для продолжения диалога и генерации ответов на пользовательские запросы; в карточке показан пример ответа на вопрос с открытым рассуждением. Модель принимает текст и выдаёт текст, использует архитектуру GPT2LMHeadModel, а её контекстное окно составляет 512 токенов. Модель представлена в формате safetensors и создана на основе fpadovani/ppt-nld_heavy_zipf-100mb_seed455. В карточке не описаны её языковой охват и специализированная предметная область. Лицензионные условия в предоставленных данных не приведены.

Это дообученная модель генерации текста на базе fpadovani/nld-latn-10mb-ppt-Dp-100mb_seed3407, опубликованная под учётной записью fpadovani. Модель построена на архитектуре GPT-2 и обучена с помощью TRL; карточка демонстрирует генерацию ответа на открытый вопрос. Модель предназначена для генерации продолжений и ответов на текстовые запросы. Указанное нативное окно контекста составляет 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия и поддерживаемые естественные языки в предоставленных данных не обозначены.

OOM-13B_02 — языковая модель giprime на 12,9 млрд параметров с плотной архитектурой LlamaForCausalLM и оптимизированным трансформером на основе Llama 2. Она предназначена для генерации текста; в карточке указана связь с beomi/llama-2-koen-13b, поэтому модель является дообученной производной этой базы. Метаданные карточки отмечают английский и корейский языки и контекст длиной 2048 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. Она распространяется в формате safetensors по лицензии CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование. В карточке не описаны конкретные оценки качества или сценарии применения.

Helsinki-NLP/opus-mt-ja-ru — модель машинного перевода с японского на русский, опубликованная Helsinki-NLP в рамках проекта OPUS-MT. Она построена на архитектуре MarianMT с трансформерной моделью выравнивания и содержит 58,4 млн параметров. Модель принимает японский текст, включая варианты записи кандзи, хираганой, катаканой и латиницей, и генерирует русский перевод. Для предварительной обработки используются нормализация и SentencePiece с словарями по 32 тыс. токенов; длина контекста — 512 токенов. Модель предназначена для перевода предложений и текстовых фрагментов с японского языка на русский. В README приведён результат на наборе Tatoeba-test.jpn.rus: BLEU 23,2 и chr-F 0,441. Доступны веса в форматах PyTorch и TensorFlow. Лицензия Apache-2.0 разрешает использование, изменение и распространение на её условиях.

appvoid/palmer-005 — небольшая языковая модель семейства Palmer, разработанная appvoid для преобразования текста по инструкциям. Она дообучена на appvoid/graphite-004 и предназначена для переписывания и перефразирования, переноса тона, исправления грамматики и стиля, а также других текстовых правок. В карточке указано около 90 млн параметров, тогда как метаданные Hugging Face указывают 60,8 млн; контекстное окно по метаданным — 262 144 токена. Модель построена на Falcon H1 и доступна в формате safetensors для Transformers. Автор сообщает об обучении примерно на миллионе примеров и приводит собственную оценку набора из 100 задач редактирования; результаты получены с квантизацией q8_0, но детали методики и полный состав сравнения ограничены. Модель ориентирована на эксперименты на маломощных устройствах и не проверялась как универсальный чат-ассистент. Для частного использования автор разрешает коммерческое применение при указании модели; компаниям для коммерческого использования требуется получить лицензию у автора.

Модель qing-yao/ppt-pythia-1b-appendix-frequent-structured-seed3408-stage2 — дообученная автором qing-yao языковая модель для генерации текста. Карточка сообщает, что обучение выполнено с помощью TRL; базовая модель указана как None, поэтому определить её по доступным сведениям нельзя. Модель построена на архитектуре GPT-NeoX и содержит 1,2 млрд параметров. Она принимает текстовые запросы и генерирует текст; в карточке приведён пример ответа на открытый вопрос. Контекст составляет 2048 токенов. Для запуска предлагается Transformers pipeline с форматом весов safetensors. Модель подходит для генерации продолжений и ответов на текстовые запросы. Карточка не приводит результатов оценки качества, специальных областей применения или подтверждённого списка языков. Условия лицензирования в предоставленных данных не описаны.

ppt-wc-uniform-newlex-77-eng-100mb_seed12 — дообученная модель семейства GPT-2 от fpadovani, созданная на основе goldfish-models/eng_latn_100mb с использованием TRL. Она предназначена для генерации английского текста; пример в карточке показывает ответ на открытый вопрос в разговорном формате. Модель использует архитектуру GPT2LMHeadModel, хранится в формате safetensors и имеет контекст длиной 512 токенов. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-isl-before-100mb-packed-bfd_seed455 — дообученная с помощью TRL плотная GPT-2-модель на базе goldfish-models/eng_latn_100mb. Она предназначена для генерации текста и может отвечать на вопросы и продолжать заданный пользователем текст. Модель использует библиотеку Transformers, веса представлены в формате safetensors, длина контекста — 512 токенов. Базовая модель Goldfish рассчитана на генерацию английского текста, поэтому модель подходит прежде всего для англоязычных запросов. Лицензия в доступных данных не указана.

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 ответ на запросы; в карточке приведён пример ответа на открытый вопрос. Модель принимает текст и выдаёт текст, а контекст ограничен 512 токенами. Модель опубликована в формате safetensors и доступна через библиотеку Transformers. Размер параметров в предоставленных данных не указан. Условия лицензии не приведены, поэтому их нельзя определить по доступной карточке.

fpadovani выпустил дообученную модель на базе goldfish-models/eng_latn_100mb. Это плотная GPT-2-подобная языковая модель для генерации текста; в карточке приведён пример продолжения ответа на вопрос. Модель обучалась с использованием TRL и распространяется в формате safetensors. Контекст модели составляет 512 токенов. Базовая модель предназначена для генерации на английском языке, поэтому модель подходит для англоязычных текстовых запросов и продолжения текста. Карточка не сообщает отдельные результаты оценки качества или специальные ограничения применения. Лицензия в предоставленных данных не указана.

francesca9805/ppt-wc-zipf-newlex-eng-before-100mb-packed-bfd_seed455 — дообученная авторами репозитория Francesca9805 GPT-2-подобная модель генерации текста, созданная на основе goldfish-models/eng_latn_100mb с помощью TRL. Она предназначена для продолжения текста и генерации ответов на текстовые запросы; карточка показывает пример запроса на английском языке. Модель использует плотную архитектуру GPT-2 и библиотеку Transformers, веса хранятся в формате safetensors. Длина контекста — 512 токенов. Базовая модель описана как монолингвальная модель для генерации английского текста. Условия лицензии в предоставленных данных не приведены.

Модель francesca9805/ppt-wc-zipf-newlex-swe-before-100mb-packed-bfd_seed3407 — дообученная с помощью TRL версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста по текстовому запросу; в карточке приведён пример ответа на открытый вопрос. Модель использует архитектуру GPT-2, веса сохранены в формате safetensors, максимальный контекст составляет 512 токенов. Разработчик и лицензия в предоставленных данных не указаны.

Qwen2.5-0.5B-Instruct-Gensyn-Swarm-pudgy_patterned_anteater — дообученная модель семейства Qwen2.5, созданная на основе unsloth/Qwen2.5-0.5B-Instruct с использованием TRL. Это плотная авторегрессионная языковая модель на 494 млн параметров для генерации текста и диалогов по инструкциям. Модель принимает текстовые запросы и выдаёт текст. Её можно использовать для коротких диалогов, ответов на вопросы и выполнения инструкций; контекстное окно составляет 32 768 токенов. В карточке также упоминаются RL-Swarm и GRPO, однако конкретные результаты и узкая специализация дообучения не описаны. Модель распространяется в формате safetensors; для запуска в README приведён пример через Transformers. Условия лицензии в предоставленных данных не приведены.

realistic-stock-photo-v2 — модель генерации изображений по текстовому описанию, опубликованная stablediffusionapi и предназначенная для работы через API ModelsLab. Карточка демонстрирует создание фотореалистичных портретов и стоковых изображений; параметры запроса включают негативный промпт, размер изображения, число шагов генерации и guidance scale. Модель доступна в формате Diffusers на PyTorch и использует StableDiffusionXLPipeline. В примере показаны изображения размером 512 × 512 и 30 шагами генерации. API также предусматривает параметры для улучшения промпта, панорамной генерации, апскейла и подключения LoRA или embeddings. Лицензия — CreativeML OpenRAIL-M; условия лицензии следует учитывать при использовании и распространении результатов.

RWKV/RWKV7-Goose-World2.9-0.4B-HF — авторегрессионная языковая модель семейства RWKV-7, разработанная Бо Пэном, Юй Чжаном, Сунлином Яном и Жуйчоном Чжаном при поддержке RWKV Project. Это плотная модель с 419,4 млн параметров в формате safetensors, предназначенная для генерации текста и диалогов. Она использует токенизатор RWKV World с размером словаря 65 536 и контекстом до 2048 токенов. Модель обучена на наборе World v3 и распространяется по лицензии Apache-2.0. В карточке README заявлен английский язык, а метаданные каталога перечисляют также китайский, японский, корейский, французский, арабский, испанский и португальский. Для запуска указаны Transformers версии 4.48.0 или новее и библиотека flash-linear-attention версии 0.3.0. Карточка не приводит оценки качества или подробного описания ограничений; сравнительно небольшой размер и контекст могут ограничивать качество сложных задач и длинных диалогов.

SauerkrautLM-Phi-3-medium — языковая модель VAGO solutions для диалоговой генерации текста на немецком и английском языках. Это дообученная версия unsloth/Phi-3-medium-4k-instruct; в README указано выравнивание с помощью DPO и Spectrum QLoRA, применённой к 50% слоёв. Метаданные указывают плотную архитектуру MistralForCausalLM с 13,8 млрд параметров и контекстом до 4096 токенов. Модель подходит для чат-ботов и генерации ответов на запросы, в том числе на немецком и английском языках. В карточке упомянуты оценки на Open LLM Leaderboard, Mix Eval Hard, GPT4ALL, AGIEval и German RAG, однако численные результаты не приведены. Возможны неуместные или нежелательные ответы; авторы не гарантируют стабильно корректное поведение. Лицензия — MIT.

NExtNewChattingAI/shark_tank_ai_7b_v2 — англоязычная диалоговая модель-чатбот, дообученная на внутренних данных и предназначенная для персональных и профессиональных запросов. Она построена на архитектуре Mistral с плотной причинно-языковой моделью MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текстовые ответы на английском языке. Карточка описывает сценарии общения с ассистентом: ответы на вопросы общего и тематического характера, помощь с повседневными задачами и поддержка диалога. В README также заявлены персонализация и возможность выполнять действия вроде планирования встреч, отправки писем и заказа товаров, однако работающие интеграции или интерфейс вызова инструментов не подтверждены метаданными. В карточке приведены результаты Open LLM Leaderboard, включая среднее значение 66,55, но полный набор результатов представлен не полностью. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Подтверждений самостоятельного выполнения внешних действий, постоянного обучения на предпочтениях пользователя или достоверности ответов для критически важных задач карточка не даёт.

lcw99/t5-base-korean-text-summary — дообученная модель семейства T5, созданная на основе paust/pko-t5-base с использованием набора AIHUB «Summary and Report Generation Data». Модель предназначена для краткого пересказа длинных текстов на корейском языке. Она подходит для сокращения корейских документов и подготовки кратких сводок. Архитектура — T5ForConditionalGeneration, размер — 137,8 млн параметров. Доступны версии в форматах PyTorch, TensorFlow и Flax, включая safetensors. Разработчик указывает, что подробности применения, ограничений и оценки качества не приведены. Условия лицензирования в карточке не описаны.

WindyTranslate/translate-en-sw — модель машинного перевода от Windstorm Labs для перевода текста с английского на суахили. Это дообученная версия Helsinki-NLP/opus-mt-en-sw: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,3 млн параметров и распространяется в формате safetensors для Transformers; длина контекста — 512 токенов. Модель предназначена для перевода англоязычных фраз и документов на суахили. Проверка подтверждает, что результат написан на заявленном языке, но качество перевода не оценивалось. Поддерживается только направление en→sw. Лицензия — Apache-2.0.

Trendyol-LLM-7b-chat-v0.1-DPO — диалоговая языковая модель Умара Игана, дообученная на основе Trendyol-LLM-7b-chat-v0.1. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 6,7 млрд параметров; она рассчитана на генерацию текста и чат на турецком языке. Контекст модели составляет 4096 токенов. В карточке указано, что обучение проводилось на переведённом на турецкий язык наборе Falcon instruction. Модель может использоваться для ответов в диалоге и выполнения инструкций на турецком. Распространяется по лицензии Apache-2.0.

TrendyTurkcellMix-LLM-7B_v0.1 — объединённая модель генерации текста, созданная Trendyol и Turkcell с помощью mergekit. Она объединяет TURKCELL/Turkcell-LLM-7b-v1 и Trendyol/Trendyol-LLM-7b-chat-v1.0 методом SLERP; архитектура — плотная MistralForCausalLM с 7,2 млрд параметров. Модель поддерживает диалоговый режим и рассчитана на контекст до 32 768 токенов. Модель подходит для генерации текста и диалоговых ответов на турецком языке. Репозиторий распространяется по лицензии Apache-2.0. В README нет результатов оценки качества или подробных рекомендаций по применению.

Turkcell-LLM-7b-v1 — турецкоязычная разговорная языковая модель, разработанная Turkcell на основе Mistral 7B. Модель обучали на очищенном турецком корпусе объёмом 5 млрд токенов, расширили токенизатор для турецкого языка и дообучили на наборах инструкций из открытых и внутренних источников: сначала методом DoRA, затем с помощью LoRA. Модель предназначена для генерации текста и диалоговых ответов на турецком языке. Архитектура — плотная причинная MistralForCausalLM; число параметров — 7,2 млрд, контекст — до 32 768 токенов. Доступны веса в формате safetensors. Лицензия Apache-2.0. Карточка не приводит результатов оценивания качества или подробных ограничений; заявленные обучающие данные ориентированы на турецкий язык.

WestTemptressTensor-10.7B-v0.2a-SLERP — слитая текстовая модель, созданная с помощью LazyMergekit из jsfs11/TemptressTensor-10.7B-v0.1a и froggeric/WestLake-10.7B-v2. Она использует архитектуру Mistral с плотной causal language model на 10,6 млрд параметров и предназначена для генерации текста; контекст — до 32 768 токенов. Слияние выполнено методом SLERP с настройками для слоёв self-attention и MLP; веса сохранены в формате safetensors, тип данных — bfloat16. Описание базовой модели в каталоге указывает на ролевые диалоги и творческую генерацию, поэтому модель может подойти для таких сценариев. Лицензия в предоставленных данных не указана.

YaYi-7B — языковая модель команды YaYi, дообученная методом instruction tuning на миллионах искусственно созданных высококачественных примеров. Она предназначена для выполнения более ста текстовых инструкций, с акцентом на китайский язык и анализ в областях медиакоммуникаций, общественного мнения, общественной безопасности, финансовых рисков и городского управления. Модель основана на архитектуре BLOOM, содержит 9,1 млрд параметров и поддерживает контекст до 2048 токенов; в README также заявлены улучшения многоходового диалога и возможности работы с плагинами. YaYi-7B подходит для ответов на инструкции, подготовки аналитических материалов и выполнения специализированных задач в указанных областях. Для инференса в FP16 README приводит ориентир около 20 ГБ видеопамяти. Модель может ошибаться в фактических ответах, недостаточно распознаёт вредоносные запросы, а её способности к рассуждению, программированию и многоходовому диалогу ограничены. README разрешает использование весов по отдельной Model License и заявляет исследовательское назначение без коммерческого использования; код распространяется по Apache-2.0, данные — по CC BY-NC 4.0.