III.2Исследование рынка и маркетинг

fpadovani/rus-cyrl-10mb-100mb_seed10 — модель генерации текста на архитектуре GPT-2, дообученная автором на базе goldfish-models/rus_cyrl_10mb с использованием TRL. Она предназначена для продолжения текста и генерации ответов на запросы; в README приведён пример диалогового запроса. Модель работает с текстом, а её контекстное окно составляет 512 токенов. Модель сохранена в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана. Карточка не сообщает оценок качества или подробностей обучающих данных, поэтому пригодность для конкретных сценариев следует проверять самостоятельно.

Lawrence-cj/Sana_1600M_1024px_BF16_diffusers_ch5632 — вариант модели Sana, опубликованный пользователем Lawrence-cj и основанный на разработке NVIDIA/NVlabs. Это модель преобразования текста в изображение, предназначенная для генерации изображений по текстовым описаниям через библиотеку Diffusers. Модель содержит около 1,6 млрд параметров, использует архитектуру SanaTransformer2DModel с текстовым энкодером Gemma2Model, токенизатором GemmaTokenizerFast, VAE AutoencoderDC и планировщиком DPMSolverMultistepScheduler. Вариант сохранён в формате BF16/Safetensors и ориентирован на генерацию изображений размером 1024×1024 пикселей. Семейство Sana заявлено как эффективное и поддерживающее многоязычную генерацию, однако конкретные языковые коды для этого репозитория не указаны. Модель подходит для создания иллюстраций, концепт-артов, рекламных изображений и других визуальных материалов по промптам. Ограничения включают зависимость результата от качества текстового запроса и параметров инференса, а также повышенные требования к памяти при локальном запуске; сведения о лицензии именно этого репозитория в доступных источниках не установлены.

Speech-Emotion-Classification — модель prithivMLmods, дообученная на базе facebook/wav2vec2-base-960h для классификации эмоций в речи. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель принимает аудиосигнал и относит речь к одному из восьми классов: гнев, спокойствие, отвращение, страх, радость, нейтральное состояние, грусть и удивление. Она предназначена для анализа разговоров, персонализации голосовых помощников, разметки аудиоколлекций и вспомогательных сценариев мониторинга эмоционального состояния. Карточка указывает английский язык; базовая модель рассчитана на английскую речь с частотой 16 кГц. Модель распространяется по лицензии Apache-2.0. Предсказания отражают классификацию акустических сигналов и не подтверждают фактическое эмоциональное или психическое состояние человека.

Trisert/tinyllama-alpaca — языковая модель семейства Llama, разработанная Trisert на основе unsloth/tinyllama-bnb-4bit. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL и предназначена для генерации текста. Её размер составляет 1 млрд параметров, контекст — до 4096 токенов; в метаданных указан английский язык. Модель подходит для генерации английского текста и диалоговых ответов в приложениях, которым достаточно компактной языковой модели. Репозиторий распространяется по лицензии Apache-2.0. README не описывает конкретные наборы данных, результаты оценки качества или дополнительные возможности модели.

WindyTranslate/translate-de-ZH — модель машинного перевода от Windstorm Labs, дообученная на базе Helsinki-NLP/opus-mt-de-ZH. Это компактная encoder-decoder модель архитектуры MarianMT с 56,9 млн параметров; она переводит текст с немецкого языка на китайский. Веса изменены с помощью LoRA-дообучения на параллельных данных, после чего адаптер объединён с базовыми весами. Модель распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Модель предназначена для перевода немецких фраз и документов на китайский. Для неё не опубликованы результаты оценки качества, поэтому точность перевода не подтверждена бенчмарками. Поддерживается только направление de→ZH. Лицензия — Apache-2.0.

Это независимое воспроизведение чекпойнта yuhan-nlp на основе Qwen3-4B, обученного с помощью GRPO на задаче CollabLLM medium по написанию документов. При обучении использовался рецепт verl CollabLLM без предварительного SFT-дообучения. Чекпойнт объединён из шардов FSDP и доступен в формате Hugging Face Transformers; отдельный адаптер для загрузки не нужен. Модель предназначена для диалоговой генерации текста и совместного пошагового написания документов. В ней около 3,7 млрд параметров, используется плотная архитектура Qwen3, контекст — до 40 960 токенов. Карточка указывает английский язык; метрики оценки в README не приведены. Репозиторий распространяется по лицензии MIT.

Модель tiantiaf/wavlm-large-categorical-emotion предназначена для классификации эмоций в речи. Она разработана на основе подхода Vox-Profile и использует обучающий конвейер SAILER, занявший первое место в INTERSPEECH 2025 Speech Emotion Challenge. Модель дообучена на MSP-Podcast и не использует транскрипт речи при классификации. Модель принимает аудио и относит речь к одной из девяти категорий: гнев, презрение, отвращение, страх, счастье, нейтральное состояние, грусть, удивление или другая эмоция. В качестве основы используется WavLM Large от Microsoft; веса доступны в формате safetensors. Лицензия — OpenRAIL. Метаданные указывают английский язык, а описание базовой модели характеризует её как предварительно обученную на английской речи.

Модель francesca9805/zho-hans-10mb-after-ppt-Dp-10mb-packed-bfdiso-ckpt500_seed3407 — дообученная с помощью TRL версия francesca9805/zho-hans-10mb-ppt-Dp-10mb-packed-bfdiso_seed3407 на архитектуре GPT-2. Она предназначена для генерации текста в ответ на запросы; пример в карточке показывает диалоговый ввод и продолжение ответа. Модель принимает текст и выдаёт текст, работает через библиотеку Transformers и имеет контекст длиной 512 токенов. Репозиторий создан 2 октября 2026 года и содержит веса в формате safetensors. Лицензия не указана в предоставленных данных.

Sumail/zhun03 — объединённая языковая модель, созданная Sumail с помощью mergekit методом SLERP из Sumail/copy_sarak7_v1 и Sumail/copy_sarak7_v4. Модель использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста. Веса представлены в формате safetensors; размер составляет 666,8 млн параметров, длина контекста — 1024 токена. Модель может применяться для генерации продолжений текста и диалоговых ответов. README не описывает её специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Algae-550M — англоязычная причинно-языковая модель генерации текста на архитектуре Phi, опубликованная PhelixZhen. В метаданных указано 621,4 млн параметров, а README называет размер 550 млн; длина контекста составляет 1024 токена. Модель обучалась на очищенных и дедуплицированных открытых наборах данных, примерно на 30 млрд обучающих примеров. Модель предназначена для генерации текста на английском языке. Автор отмечает, что она не поддерживает написание кода и может уступать по качеству из-за обучения на потребительском оборудовании без профессионального руководства. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

fpadovani/arb-arab-10mb-ppt-Dp-10mb_seed455 — дообученная модель генерации текста на базе goldfish-models/arb_arab_10mb. По карточке, её обучали с помощью TRL; метаданные указывают на архитектуру GPT-2 и формат весов safetensors. Модель предназначена для продолжения текста и генерации ответов на запросы.

AtlantisMix-21B — объединённая языковая модель, созданная invisietch с помощью mergekit методом passthrough из MarinaraSpaghetti/NemoMix-Unleashed-12B и invisietch/Atlantis-v0.1-12B. Модель построена на плотной архитектуре Mistral и содержит 20,7 млрд параметров; веса опубликованы в формате safetensors. Для генерации текста доступны до 1 024 000 токенов контекста. Модель предназначена для генерации текста, в том числе ролевых диалогов и историй, как указано в описании базовой модели. Данных о языках, конкретных проверках качества и условиях лицензии в предоставленных источниках нет.

malteos/bloom-1b5-clp-german — языковая модель семейства BLOOM с плотной архитектурой, адаптированная к немецкому языку методом CLP-Transfer на немецкой подвыборке OSCAR. Модель разработана автором репозитория на основе многоязычной BLOOM-1b7 и предназначена для генерации текста на немецком языке. Модель содержит около 1,7 млрд параметров, принимает текст и выдаёт продолжение текста. Родная длина контекста — 2048 токенов. В репозитории доступны веса PyTorch и Safetensors. Лицензия — BigScience BLOOM RAIL 1.0.

Chinese-Alpaca-Plus-7B-Merged — китайская языковая модель, созданная разработчиком minlik на основе LLaMA: в базовую модель добавили китайский словарь и продолжили предобучение китайских эмбеддингов, затем выполнили дообучение на инструкционных данных. Модель предназначена для генерации текста и ответов на инструкции на китайском языке. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,7 млрд параметров. Она принимает текст и генерирует текст; нативный контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. README приводит пример запуска через Transformers и SentencePiece. Лицензия в доступных данных не указана.

Карточка модели Josephus67/disal_tts на Hugging Face совпадает с карточкой Josephus67/Appati_tts, поэтому описание составлено по ней. Josephus67/Appati_tts — дообученная Josephus67 модель на архитектуре LlamaForCausalLM с 3,3 млрд параметров, созданная на базе unsloth/orpheus-3b-0.1-ft с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors; модель поддерживает диалоговый режим и принимает текст для генерации текста. В карточке не описаны отдельные задачи обучения или примеры использования, поэтому назначение синтеза речи, потокового озвучивания и клонирования голоса базовой модели нельзя уверенно приписать этой дообученной версии. Метаданные указывают контекстное окно до 131 072 токенов и английский язык. Модель лицензирована по Apache-2.0. Ее практические возможности и качество зависят от дообучения, однако карточка не приводит его данные или известные ограничения.

lyrisha/distilbert-base-finetuned-imdb-sentiment — модель классификации текстов на базе DistilBERT, дообученная на задачу определения тональности отзывов IMDb. Она предназначена для отнесения текста к классам тональности; в README указаны точность 0,9306 и значение loss 0,2441 на оценочном наборе. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. Максимальная длина контекста — 512 токенов; веса представлены в формате safetensors. Карточка не раскрывает состав обучающих данных и подробности оценки, поэтому результаты нельзя напрямую переносить на другие жанры текстов и распределения данных. Модель выпущена под лицензией Apache-2.0.

Это дообученная на английском языке модель генерации текста на базе fpadovani/ppt-wc-zipf-newlex-jpn-100mb_seed10. Разработчик — fpadovani; модель построена на архитектуре GPT-2 и обучалась с помощью TRL. Пример в карточке показывает генерацию ответа на вопрос по заданной теме. Модель предназначена для продолжения текста и ответов на англоязычные запросы в пределах контекста до 512 токенов. Репозиторий содержит веса в формате safetensors. Сведений о лицензии в предоставленных данных нет.

francesca9805/eng-latn-10mb-ppt-Dp-10mb-packed-bfd_seed3407 — дообученная с помощью TRL версия модели goldfish-models/eng_latn_10mb на архитектуре GPT-2. Она предназначена для генерации текста и может использоваться для продолжения текста или получения ответа на текстовый запрос. В примере карточки показана генерация ответа на открытый вопрос с ограничением в 128 новых токенов. Модель распространяется в формате safetensors и рассчитана на контекст длиной 512 токенов. Карточка не уточняет лицензию, языковой охват и специальные области применения; в названии и базовой модели указан английский язык.

gemma-4-31B-anthology-GGUF — это квантизированная GGUF-версия модели gemma-4-31B-anthology, созданная на основе MRockatansky/gemma-4-31B-anthology и подготовленная mradermacher. Модель относится к семейству Gemma 4, использует архитектуру и параметры исходной модели объёмом 31 млрд параметров. В метаданных указаны английский язык и библиотека Transformers; также модель помечена как результат merge-объединения, ориентированный на генерацию текста, творческое письмо и сторителлинг. Репозиторий предоставляет варианты квантизации GGUF размером примерно от 12 до 32,7 ГБ, включая Q2_K, Q4_K_S, Q4_K_M, Q6_K и Q8_0. Это позволяет выбирать между сниженным потреблением памяти и сохранением качества; Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые, а Q6_K — как вариант очень хорошего качества. Для мультимодального использования доступны дополнительные файлы mmproj-Q8_0 и mmproj-f16, однако конкретные поддерживаемые типы входных данных и контекстное окно в README не указаны. Модель предназначена для локального запуска в совместимых инструментах, поддерживающих формат GGUF, и может использоваться для текстовой генерации, творческого письма и создания историй. Ключевые ограничения — отсутствие подробных сведений о базовой архитектуре, контекстной длине, результатах оценки, безопасности и фактических мультимодальных возможностях. Распространение указано по лицензии Apache-2.0.

Gervásio 7B PTPT Decoder — языковая модель семейства Gervásio, разработанная PORTULAN. Это плотный авторегрессионный декодер на архитектуре Llama с 6,6 млрд параметров, предназначенный для генерации текста на европейском португальском языке. Модель принимает текст и выдаёт текст; её родной контекст составляет 4096 токенов. Модель опубликована под лицензией MIT. В карточке она помечена как устаревшая: разработчики рекомендуют вместо неё улучшенную версию gervasio-8b-portuguese-ptpt-decoder.

GISchat-weibo-100k-fine-tuned-bert — модель классификации текста, созданная дообучением bert-base-chinese на датасете weibo-100k. Она предназначена для классификации китайских сообщений из Weibo; на оценочной выборке авторы сообщают accuracy 0,9867 и loss 0,0458. Модель построена на архитектуре BERT для классификации последовательностей, содержит 129,5 млн параметров и принимает текст длиной до 512 токенов. В метаданных указан китайский язык, а веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Модель francesca9805/isl-100mb-after-wc-uniform-newlex-before-ckpt500-packed-bfdiso_seed3407 — дообученная версия GPT-2, созданная на основе francesca9805/ppt-wc-uniform-newlex-isl-before-100mb-packed-bfdiso_seed3407 с использованием TRL. Это плотная авторегрессионная языковая модель для генерации текста и ответов на текстовые запросы; в карточке приведён пример ответа на вопрос в формате диалога. Контекст модели составляет до 512 токенов, веса сохранены в формате safetensors и предназначены для использования с Transformers. Базовая модель ориентирована на английский текст. Лицензия в предоставленных данных не указана.

Модель nestauk/jobbert-base-cased-compdecs разработана Nesta, британским агентством инноваций, в рамках проекта Open Jobs Observatory. Это дообученная для классификации версия jjzha/jobbert-base-cased — англоязычной BERT-модели, предварительно обученной на текстах вакансий. Модель с 135,5 млн параметров принимает текст и относит предложения из объявлений о работе к одному из двух классов: описание компании или не описание компании. Модель предназначена для извлечения описаний компаний из онлайн-вакансий и последующего анализа, например сопоставления компаний с кодами стандартной отраслевой классификации SIC. Для обучения использованы 486 вручную размеченных предложений с описаниями компаний и 1000 предложений без таких описаний длиной менее 250 символов. На тестовой выборке из 147 предложений точность составила 0,92157; показатель F1 для класса описаний компаний — 0,884. Модель использует архитектуру BERT для классификации последовательностей, работает с английским текстом и имеет контекст длиной до 512 токенов. Распространяется по лицензии MIT. Результаты оценки получены на небольшой выборке, поэтому качество на вакансиях других источников и форматов может отличаться.

Модель fpadovani/jpn-100mb-after-eng-baseline-newlexicon-zipf-ckpt500_seed3407 — дообученная версия GPT-2, созданная на основе fpadovani/ppt-art-lang-newlexicon-zipf-eng-baseline-100mb_seed3407 с использованием TRL. Она предназначена для генерации текста и ответов на открытые вопросы; карточка демонстрирует запрос в формате сообщения пользователя и генерацию продолжения. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая текст. Нативная длина контекста — 512 токенов. Базовая модель описана в метаданных как модель для генерации английского текста и ответов на открытые вопросы. README не сообщает отдельные сведения о лицензии или ограничениях качества.

Карточка модели jumtul/LDCC-Hyeogi.04 на Hugging Face совпадает с карточкой rrw-x2/KoSOLAR-10.9B-v0.5, поэтому описание составлено по ней. KoSOLAR-10.9B-v0.5 — корейская языковая модель для генерации текста, созданная объединением моделей с помощью mergekit и метода SLERP. В объединение вошли hyeogi/SOLAR-10.7B-dpo-v1 и LDCC/LDCC-SOLAR-10.7B; карточка также указывает на дообучение с LoRA на наборе kyujinpy/OpenOrca-KO. Архитектура — плотная LlamaForCausalLM, размер — 10,7 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации корейского текста и диалоговых ответов в сценариях на основе текстового ввода. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. README не приводит результатов оценки качества или подробных ограничений применения.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-advice-first-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

neverLife/nllb-200-distilled-600M-ja-zh — дообученная модель перевода на базе NLLB-200 Distilled 600M, предназначенная для перевода между японским и китайским языками. В карточке указаны результаты после одной эпохи: loss 1,3042 и BLEU 55,834 на оценочном наборе; архитектура — M2M100ForConditionalGeneration, число параметров — около 463,7 млн, максимальный контекст — 1024 токена. Модель принимает текст и генерирует перевод. Карточка показывает пример оценки и версии Transformers и PyTorch, но не описывает состав оценочного набора и не приводит условия лицензии; качество на других данных не установлено.

Helsinki-NLP/opus-mt-ja-ms — модель машинного перевода из семейства MarianMT, опубликованная Helsinki-NLP на основе проекта OPUS-MT. Она переводит текст с японского на малайский. Модель содержит 58,3 млн параметров, использует архитектуру Transformer и SentencePiece с подсловным словарём на 32 тыс. токенов; для малайского языка в README указаны варианты Malay, включая индонезийский и малайский латинской графикой. Нативная длина контекста — 512 токенов. Модель подходит для перевода предложений и коротких текстов, например, при локализации материалов или подготовке чернового перевода. В README приведена оценка BLEU 21,5 на тестовом наборе Tatoeba; это ориентир для указанного теста, а не гарантия качества на других текстах. Требуется начальный токен целевого языка вида `>>id<<`. Лицензия — Apache-2.0.

Helsinki-NLP выпускает OPUS-MT rus-vie — модель машинного перевода с русского на вьетнамский. Это компактная модель архитектуры Marian на базе Transformer, насчитывающая 57,4 млн параметров; для обработки текста применяются нормализация и SentencePiece с словарями по 32 тыс. токенов. Длина контекста — 512 токенов. Модель предназначена для перевода отдельных текстов с русского языка на вьетнамский. В тесте Tatoeba-test.rus.vie указаны BLEU 16,9 и chr-F 0,346. Модель поддерживает только направление ru→vi, поэтому качество на других языках и в обратном направлении не подтверждено. Опубликована под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-sv-ZH — модель машинного перевода на архитектуре MarianMT, разработанная Helsinki-NLP для перевода со шведского языка на китайский. Она использует архитектуру Transformer и SentencePiece; размер составляет 56,9 млн параметров, максимальная длина контекста — 512 токенов. Для выбора варианта китайского языка перед текстом требуется указать целевой языковой токен вида >>id<<. Модель обучена на данных OPUS; в карточке приведены результаты на тесте bible-uedin.sv.zh: BLEU 24,2 и chr-F 0,342. Доступны веса PyTorch и TensorFlow. Лицензия Apache-2.0.