III.2Исследование рынка и маркетинг

Helsinki-NLP выпустила opus-mt-ja-de — модель машинного перевода с японского языка на немецкий. Она основана на архитектуре MarianMT с Transformer и обучена на данных OPUS; перед обработкой текст нормализуется и разбивается с помощью SentencePiece. Модель содержит 56,9 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода предложений и текстов с японского на немецкий. В README приведены результаты на тестовом наборе Tatoeba.ja.de: BLEU 30,1 и chr-F 0,518. Модель распространяется по лицензии Apache-2.0.

Phi-4-Uncensored — дообученная с помощью LoRA текстовая модель Justbackup на базе microsoft/phi-4. Она предназначена для диалогов и генерации текста с менее строгими ограничениями на ответы, сохраняя общие знания и следование инструкциям Phi-4. Модель имеет плотную архитектуру семейства Phi, содержит 14,1 млрд параметров и поддерживает контекст до 16 384 токенов. Модель принимает и выдаёт только текст; её основным языком является английский. Она подходит для свободных диалогов и генерации контента для взрослых, однако снятие ограничений не гарантировано: отдельные запросы всё ещё могут вызывать отказ. Распространяется по лицензии MIT.

Это дообученная с помощью TRL модель GPT-2 на базе goldfish-models/eng_latn_100mb, выпущенная Francesca9805. Она предназначена для генерации английского текста; пример использования в карточке показывает ответы на открытый вопрос в формате чата. Модель принимает текст и генерирует текст, а её контекст составляет 512 токенов. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-heb-before-100mb-packed-bfdiso_seed3407 — дообученная версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb, разработанная на базе Transformers и обученная с использованием TRL. Она предназначена для генерации английского текста, в том числе ответов на вопросы и продолжений заданного текста. Архитектура — плотная GPT-2 с классом GPT2LMHeadModel; контекст составляет 512 токенов, веса доступны в формате safetensors. README показывает запуск через конвейер text-generation в Transformers.

Модель francesca9805/ppt-wc-uniform-newlex-jpn-after-100mb-packed-bfd_seed10 — дообученная Francesca9805 модель GPT-2 на базе goldfish-models/eng_latn_100mb, созданная с использованием TRL и сохранённая в формате Safetensors. Она предназначена для генерации текста; пример в карточке показывает ответ на открытый вопрос в формате диалога. Контекст модели составляет 512 токенов. Базовая модель рассчитана на генерацию английского текста, поэтому основным языком этой модели также следует считать английский. Лицензия в доступных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-nld-before-100mb-packed-bfd_seed10 — дообученная Francesca9805 модель GPT-2 на базе goldfish-models/eng_latn_100mb. Согласно карточке, обучение выполнено с помощью TRL; модель предназначена для генерации текста и может отвечать на вопросы в формате диалога. Она использует архитектуру GPT2LMHeadModel, веса сохранены в формате safetensors, а длина контекста составляет 512 токенов. Базовая модель рассчитана на английский язык. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-tur-before-100mb-packed-bfdiso_seed10 — дообученная с помощью TRL модель GPT-2 на базе goldfish-models/eng_latn_100mb. Она предназначена для генерации текста и может использоваться для продолжения заданного текста или получения ответа на текстовый запрос. Модель построена на архитектуре GPT-2, работает с текстом и имеет контекстное окно 512 токенов. Базовая модель Goldfish предназначена для генерации английского текста; примеры в карточке также показывают запрос на английском. Репозиторий содержит веса safetensors и рассчитан на использование с Transformers. Лицензия в предоставленных данных не указана.

francesca9805/ppt-wc-uniform-newlex-urd-before-100mb-packed-bfdiso_seed3407 — дообученная модель GPT-2 на основе goldfish-models/eng_latn_100mb, обученная с помощью TRL. Она предназначена для генерации текста; в карточке приведён пример ответа на открытый вопрос. Модель принимает текст и выдаёт продолжение текста. Контекст составляет 512 токенов, веса доступны в формате safetensors, для работы используется библиотека Transformers. Базовая модель описана как одноязычная модель для генерации английского текста. Лицензия в предоставленных данных не указана.

fpadovani/ppt-wc-zipf-newlex-jpn-100mb_seed455 — дообученная с помощью TRL модель семейства GPT-2 на базе goldfish-models/eng_latn_100mb. Она предназначена для генерации продолжений текста и ответов на текстовые запросы; в карточке приведён пример генерации ответа на вопрос. Модель работает с текстом, использует архитектуру GPT2LMHeadModel и поддерживает контекст до 512 токенов. Базовая модель описана как англоязычная монолингвальная GPT-2-подобная модель. Карточка не сообщает об отдельной специализации дообученной версии, поэтому её можно рассматривать как модель общего назначения для генерации текста на английском языке. Модель опубликована в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Модель francesca9805/ppt-wc-zipf-newlex-nor-before-100mb-packed-bfd_seed10 — дообученная с помощью TRL плотная GPT-2-подобная языковая модель на основе goldfish-models/eng_latn_100mb. Она предназначена для генерации продолжений текста и ответов на запросы на английском языке; в карточке приведён пример генерации ответа на вопрос. Модель использует библиотеку Transformers, веса сохранены в формате safetensors, длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

Это языковая модель Qwen2.5-0.5B-Instruct, созданная командой Qwen и опубликованная участником Gensyn Swarm под именем extinct_fast_lobster. Модель имеет архитектуру Qwen2, около 494 млн параметров и контекст до 32 768 токенов; она принимает текст и генерирует текст, в том числе в формате диалога. Публикация связана с раундами обучения rl-swarm, однако доступные сведения не позволяют точно установить, какие изменения внесены относительно исходной модели. Модель подходит для генерации текста, диалогов и лёгких инструктивных задач. Базовая Qwen2.5-0.5B-Instruct поддерживает множество языков, включая английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский и японский. Для базовой модели указана лицензия Apache-2.0; применимость лицензии к данной копии следует сверять с карточкой самого репозитория. Малый размер ограничивает её возможности по сравнению с более крупными моделями.

Einmalumdiewelt представил дообученную версию T5-Base_GNAD для суммаризации текста на немецком языке. Модель построена на архитектуре T5 и содержит 123,7 млн параметров; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: ROUGE-1 27,54, ROUGE-2 8,56, ROUGE-L 19,15 и ROUGE-Lsum 23,90. Данные обучения не описаны, поэтому область применения и качество на конкретных типах текстов оценить нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

Shahm/t5-small-german — дообученная модель семейства T5, созданная на основе t5-small для суммаризации немецкоязычных текстов. Она обучалась на немецкой части датасета MLSUM и предназначена для создания краткого пересказа исходного текста. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов, выдавая текстовое резюме. В карточке приведены результаты оценки на тестовой выборке: ROUGE-1 42,38, ROUGE-2 32,03, ROUGE-L 38,95 и ROUGE-Lsum 40,45. Модель распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанному набору данных; качество на других типах текстов не установлено.

Tara-3.8B — плотная языковая модель с архитектурой Llama, разработанная Sakalti и дообученная на основе unsloth/Phi-3.5-mini-instruct с помощью Unsloth и TRL. Она предназначена для генерации текста и диалогового общения; в карточке также указан датасет Lazycuber/alpaca-jp. Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст. Указаны английский и японский языки, а нативный контекст составляет 4096 токенов. Распространяется по лицензии MIT.

luckychao выпустил TinyAlpaca-1.1B — плотную авторегрессионную языковую модель семейства Llama с примерно 1 млрд параметров, полученную дообучением TinyLlama-1.1B на наборе инструкций Stanford Alpaca. Модель предназначена для генерации текста и ответов на инструкции на английском языке; её можно применять для простых диалогов, черновиков и выполнения текстовых запросов. Контекст составляет 2048 токенов, веса опубликованы в формате safetensors. README предписывает соблюдать ограничения TinyLlama-1.1B и Stanford Alpaca. Лицензия отдельно в предоставленных данных не указана.

burak/Trendyol-Turkcell-mix — объединение двух предварительно обученных языковых моделей, выполненное методом SLERP с помощью mergekit. В него вошли Trendyol/Trendyol-LLM-7b-chat-dpo-v1.0 и TURKCELL/Turkcell-LLM-7b-v1; архитектура — плотная MistralForCausalLM с 7,2 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Контекст — до 32 768 токенов. Карточка не сообщает результатов сравнительных оценок или подробностей о том, для каких сценариев объединённая модель лучше исходных моделей. Метаданные описывают базовую модель как турецкоязычную, поэтому в первую очередь модель подходит для общения и генерации текста на турецком языке. Файлы представлены в формате safetensors. Условия лицензии в предоставленных данных не приведены.

QuantFactory/Turkish-Llama-8b-Instruct-v0.1-GGUF — это квантизированная GGUF-версия модели Turkish-Llama-8b-Instruct-v0.1, подготовленная QuantFactory с использованием llama.cpp. Базовую модель разработала группа COSMOS AI Research Group кафедры компьютерной инженерии Технического университета Йылдыз; она создана на основе meta-llama/Meta-Llama-3-8B-Instruct и полностью дообучена на турецком наборе данных объёмом 30 ГБ. Модель предназначена для генерации текста и диалоговых сценариев на турецком языке, включая связное продолжение текста и выполнение инструкций в формате чат-модели. Она относится к семейству Llama 3, имеет около 8 миллиардов параметров и поддерживает текстовую модальность. Формат GGUF и совместимость с llama.cpp ориентированы на локальный запуск и использование в инструментах, поддерживающих этот формат. Размер контекста и конкретный метод квантизации в README не указаны. Сильной стороной модели является специализация на турецком языке и возможность локального использования благодаря квантизированному формату. Ограничения включают возможные предубеждения, унаследованные от разнообразных источников обучения, включая веб-сайты и книги; модель следует применять ответственно и проверять её ответы. В README указана лицензия llama3.

Aniemore/wavlm-bert-base-s-emotion-v1-crosslingual — модель распознавания эмоций в речи, разработанная Aniemore. Она принимает аудио вместе с транскриптом и относит речь к семи классам: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Архитектура WavLMBertForSequenceClassification объединяет Microsoft WavLM Large и bert-base-multilingual-cased. Модель переобучена на смеси 27 939 аудиофрагментов на восьми языках и с тремя регистрами речи; доступны веса fp32 и варианты int8, fp8 и int4. Модель предназначена для анализа эмоциональной окраски спонтанной и подготовленной речи, например в подкастах и диалогах. В оценке она показала улучшение на спонтанной русской речи относительно предыдущего русскоязычного выпуска, но более низкий результат на тесте с разыгранной русской речью. Лицензия репозитория — MIT; в README сказано, что лицензия следует лицензии базовой модели.

airochronos-l2-13B — объединённая модель на основе Airoboros L2 13B GPT4 2.0 и Chronos 13B v2. Автор описывает её как сочетание способностей Airoboros к рассуждению с более длинными ответами и возможностями ролевого отыгрыша Chronos. Модель предназначена для генерации текста и диалоговых сценариев, включая ролевые беседы. Веса объединены в пропорции 75/25 с помощью LM_Transformers_BlockMerge; README указывает Airoboros в качестве базовой модели. Это плотная авторегрессионная модель семейства Llama 2 с 12,9 млрд параметров и контекстом 4096 токенов. Поддерживается английский язык; исходный формат репозитория — PyTorch. README также упоминает варианты квантования GPTQ и GGML, предоставленные TheBloke. Лицензия в доступных сведениях не указана.

Модель AISquare-Instruct-yi-ko-6b-v0.9.30 разработана командой UI Platform компании Inswave Systems на базе beomi/Yi-Ko-6B с применением дообучения SFT и DPO. Это плотная авторегрессионная языковая модель семейства Llama с 5,9 млрд параметров, предназначенная для генерации текста и работы в формате инструкций. Для запуска доступна в формате safetensors через Transformers; длина контекста составляет 2048 токенов. В карточке указано обучение на четырёх ускорителях A100. Модель подходит для ответов на инструкции и генерации текста на корейском языке. Для использования весов применяется лицензия CC BY-NC 4.0, которая требует атрибуции и ограничивает коммерческое использование. Небольшое контекстное окно ограничивает работу с длинными документами.

cahya/bert2bert-indonesian-summarization — модель суммаризации на индонезийском языке, разработанная Cahya. Это дообученная архитектура BERT2BERT: энкодер-декодер на основе BERT-base, обученный на наборе данных id_liputan6. Модель предназначена для создания краткого содержания индонезийских текстов, например новостных материалов. Она использует формат PyTorch и доступна по лицензии Apache-2.0. Данных о размере модели и длине контекста в предоставленных материалах нет.

Boogu-Image-0.1-Base — базовая версия семейства моделей генерации и редактирования изображений Boogu-Image, разработанного командой Boogu. Это исследовательский проект; в репозитории доступны веса и код для запуска через Diffusers. Модель предназначена для создания изображений по текстовым запросам, в том числе фотографий, стилизованных иллюстраций, постеров и продуктовых визуализаций. Семейство также включает варианты для редактирования изображений, однако для этой карточки подтверждена задача генерации по тексту. Модель поддерживает запросы на английском и китайском языках и умеет воспроизводить текст на изображениях на этих языках. Репозиторий распространяется в формате Diffusers с весами Safetensors по лицензии Apache-2.0. В README не приведены размер модели и длина контекста. К заявленным ограничениям относятся пробелы в общих и предметных знаниях, нестабильное сохранение деталей при редактировании, ошибки в длинном или мелком тексте и артефакты в сложных позах, а также на небольших лицах и конечностях. Текстовая отрисовка оптимизирована для китайского и английского; другие языки могут давать заметно худший результат.

Hasanur525 разработал deed-summarization_version_5 — модель mT5, дообученную на основе csebuetnlp/mT5_multilingual_XLSum для суммаризации текстов. В репозитории указано, что обучение проводилось на датасете, обозначенном как None; описание модели и сценариев применения не приведено. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration. Базовая модель обучена для многоязычной суммаризации на 45 языках, однако README не сообщает, на каких данных дообучалась эта версия и насколько хорошо она работает. В приведённой оценке ROUGE-1, ROUGE-2, ROUGE-L и ROUGE-Lsum равны 0, поэтому качество суммаризации этой версии не подтверждено. Лицензия в доступных данных не указана.

Это дообученная модель генерации текста на базе GPT-2, разработанная fpadovani и обученная с использованием TRL. Она предназначена для продолжения текста и ответов на открытые вопросы на английском языке; в карточке приведён пример генерации ответа на вопрос о выборе между путешествием в прошлое и будущее. Модель распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Карточка не приводит подробностей о размере модели, обучающих данных и результатах оценки качества. Лицензия в предоставленных сведениях не указана.

Модель fpadovani/eng-100mb-after-wc-uniform-oldlex-eng-ckpt500_seed455_seed455 — дообученная версия fpadovani/ppt-wc-uniform-oldlex-eng-100mb_seed455, созданная с использованием TRL. Это плотная языковая модель семейства GPT-2 для генерации текста; пример в карточке показывает продолжение ответа на вопрос на английском языке. Модель принимает текст и генерирует текст. Её нативный контекст составляет 512 токенов, а файлы весов представлены в формате safetensors. Карточка не описывает специальные предметные области или дополнительные возможности. Условия лицензии в предоставленных данных не указаны.

Модель francesca9805/eng-latn-100mb-ppt-Dp-100mb-packed-wrapped_seed455 — дообученная на TRL англоязычная GPT-2-подобная модель для генерации текста. Она основана на goldfish-models/eng_latn_100mb и предназначена для продолжения текста и ответов на пользовательские запросы; пример в карточке показывает генерацию ответа на открытый вопрос. Модель использует архитектуру GPT2LMHeadModel, формат safetensors и контекст длиной 512 токенов. Карточка не уточняет лицензию и подробности обучающих данных.

fpadovani разработал эту модель как дообученную версию fpadovani/eng-latn-10mb-ppt-shuff-dyck-10mb_seed455. Это плотная авторегрессионная модель GPT-2 для генерации текста; карточка указывает обучение с помощью TRL и демонстрирует ответы на вопросы в формате диалога. Она рассчитана на англоязычные текстовые запросы, а её контекст составляет 512 токенов. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

GLiNER2.5-Decide for LiteRT — это конвертированная в формат LiteRT модель Fastino для классификации текста по меткам, заданным во время вызова. Она использует энкодер DeBERTa-v3-large и классификационную голову GLiNER2.5-Decide: получает текст и набор меток для намерений, маршрутизации, тональности, проверок «да/нет» или многометочной разметки и выдаёт решение с вероятностью для каждой задачи за один проход. Репозиторий содержит графы TFLite с окнами на 128, 256 и 512 токенов; суммарно допускается не более 32 меток. Токенизатор, таблица эмбеддингов и логика подготовки входов и декодирования выполняются на стороне приложения, а не внутри графа модели. Модель предназначена для запуска на Android GPU и CPU, а также включает графы для Qualcomm NPU на Galaxy S26. Для проверенной конфигурации Android GPU требуется LiteRT 2.2.0 и явное вычисление FP32; на Galaxy S26 она совпала с официальными результатами на 126 проверенных парах запрос/окно. Для других семейств Android GPU проверка не проводилась. Версия для NPU проверена на Galaxy S26, тогда как граф по умолчанию на этом NPU давал заметно меньше совпадений. Лицензия — Apache-2.0.

Модель francesca9805/hin-deva-100mb-after-ppt-Dp-100mb-packed-bfdiso-ckpt500_seed455 — дообученная на базе francesca9805/hin-deva-100mb-ppt-Dp-100mb-packed-bfdiso_seed455 GPT-2 для генерации текста. По карточке, модель обучалась с помощью TRL; пример использования показывает подачу текстового вопроса и генерацию ответа. Архитектура — GPT-2 с плотной структурой, веса размещены в формате safetensors, контекст — 512 токенов. Лицензия и целевые языки в предоставленных данных не обозначены.

HunyuanImage-2.1-Diffusers — модель генерации изображений по текстовому описанию, разработанная Tencent Hunyuan и опубликованная в формате, совместимом с библиотекой Diffusers. Модель использует pipeline HunyuanImagePipeline и распространяется с весами в формате Safetensors. Модель предназначена для создания изображений по промптам на английском и китайском языках, включая фотореалистичные сцены, персонажей, предметы, иллюстрации и композиции с текстовыми деталями. В README показан пример генерации изображения размером 2048×2048 за 50 шагов диффузии, а также настройка guidance scale. Для запуска в примере используется PyTorch, GPU CUDA и вычисления в bfloat16. Модель удобна для генерации концепт-артов, рекламных и дизайнерских материалов, иллюстраций и визуальных прототипов. Ограничения по числу параметров и длине контекста в доступных материалах не приведены. Использование регулируется специальной лицензией tencent-hunyuan-community; перед применением необходимо ознакомиться с её условиями.