III.2Исследование рынка и маркетинг

Это компактная GPT-2 для генерации текста, разработанная Francesca9805 и дообученная с помощью TRL на базе francesca9805/rus-cyrl-10mb-ppt-Dp-10mb-packed-bfdiso_seed10. Модель предназначена для продолжения текста и генерации ответов на запросы; пример в карточке показывает диалоговый ввод и генерацию ответа. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая текст. Контекст составляет 512 токенов. В названии базовой модели и описании каталога указана ориентация на русский язык. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Sailor-0.5B — базовая языковая модель из серии Sailor, разработанной для языков Юго-Восточной Азии. Она построена дообучением Qwen1.5-0.5B и предназначена для генерации текста и диалогового использования на индонезийском, тайском, вьетнамском, малайском и лаосском языках. В документации серии отмечены ответы на вопросы и рассуждения на распространённых знаниях на языках региона. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 463,9 млн параметров и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст; файлы модели представлены в формате safetensors. Карточка описывает серию Sailor, включающую модели разных размеров и отдельные версии Sailor-Chat для следования инструкциям; Sailor-0.5B указана как базовая модель, поэтому её пригодность для диалогов по инструкциям может быть ограничена. Модель выпущена под лицензией Apache-2.0. Её специализация — языки Юго-Восточной Азии; карточка не приводит оценок производительности для этой конкретной версии 0.5B, поэтому качество на отдельных задачах может различаться.

Модель jkhan447/sarcasm-detection-Bert-base-uncased — дообученная версия BERT base uncased для классификации текстов и выявления сарказма. Она принимает текст и возвращает метку класса. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и поддерживает контекст до 512 токенов. В README указана точность 0,7127 на оценочном наборе, однако описание набора данных отсутствует, поэтому этот результат нельзя переносить на другие данные без проверки. Модель распространяется по лицензии Apache 2.0.

Карточка модели Discidius/Speech-Emotion-Classification на Hugging Face совпадает с карточкой prithivMLmods/Speech-Emotion-Classification, поэтому описание составлено по ней. 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.

Summer — модель суммаризации текстов на тайском языке, разработанная KordAI и дообученная на базе facebook/mbart-large-50 с архитектурой MBartForConditionalGeneration. Она создаёт краткие связные выжимки, сохраняя ключевые сведения исходного материала, и рассчитана на обработку входов длиной до 1024 токенов. Модель подходит для краткого пересказа тайских новостных статей, отчётов, документов и академических работ, а также для подготовки дайджестов и извлечения основных сведений из длинных текстов. Лицензия — Apache-2.0. Качество может снижаться на узкоспециализированных технических, юридических и медицинских текстах. Длина резюме может отличаться от заданной, а факты и редкие имена требуют проверки; на неоднозначном или ироничном тексте модель также может ошибаться.

dongxq/test_model — модель для суммаризации текста на архитектуре Pegasus, представленная в формате PyTorch. По метаданным, она содержит 319,6 млн параметров и рассчитана на контекст до 1024 токенов; карточка указывает китайский язык. Модель предназначена для создания краткого изложения исходного текста. Данных о разработчике, обучении, лицензии и практических ограничениях в использованных источниках нет.

ThinkSafe-Qwen3-0.6B — текстовая генеративная модель, представленная как LoRA-адаптер для Qwen/Qwen3-0.6B. В карточке не указаны разработчик адаптера, назначение ThinkSafe, языки, данные обучения и результаты оценки, поэтому область применения можно описать только в общих чертах: модель предназначена для генерации текста в сценариях, поддерживаемых базовой моделью Qwen3-0.6B. Адаптер обучен методом supervised fine-tuning (SFT) с использованием PEFT и TRL и рассчитан на подключение к базовой модели Qwen/Qwen3-0.6B через экосистему Transformers. Указана модальность текста и тег text-generation; размер адаптера или точные характеристики базовой архитектуры, длина контекста и список поддерживаемых языков в README не приведены. Преимущество такого формата — возможность дообучить поведение небольшой базовой модели, распространяя отдельно только параметры LoRA. При этом отсутствуют сведения о сильных сторонах, ограничениях, безопасности, качестве, тестах и рекомендуемых сценариях использования, поэтому модель не следует применять в критически важных задачах без самостоятельной проверки. Лицензия в карточке не указана.

kadirnar/turkish-gemma2b-v2 — текстовая генеративная модель, разработанная kadirnar и дообученная на основе unsloth/gemma-2-2b. Она предназначена для генерации текста, в том числе на турецком языке, о чём говорит название модели; README не приводит подробностей о данных обучения и конкретных сценариях применения. Модель построена на плотной архитектуре Gemma 2 с 2,7 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. При обучении использовались Unsloth и библиотека TRL. Модель распространяется по лицензии Apache-2.0.

ninte/twi-en-nllb-v2 — модель машинного перевода, разработанная на основе facebook/nllb-200-distilled-600M и дообученная для перевода с твийского языка (Twi, Akan, twi_Latn) на английский (eng_Latn). Это последовательная модель семейства M2M-100 с архитектурой M2M100ForConditionalGeneration; метаданные указывают контекст до 1024 токенов, а README — ограничение входной длины 128 токенами. Модель предназначена для перевода стандартных и формальных текстов на твийском языке, в том числе предложений на языке с ограниченными ресурсами. В README сообщается о дообучении на наборе GhanaNLP TWI-ENGLISH Parallel Text, содержащем около 9 600 пар предложений, и оценке на 967 тестовых парах: BLEU 27,30 и chrF 51,03. На тесте она превзошла использованный авторами базовый MarianMT v1. Качество на текстах вне обучающей области может варьироваться; диалектные варианты Twi отдельно не учитывались, а длинные входы свыше 128 токенов могут обрезаться. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Whisper-base-ser-dusha — модель распознавания эмоций в русской речи, созданная путём дообучения энкодера OpenAI Whisper Base с классификационной головой на датасете Dusha-crowd. Модель принимает аудио и относит речь к одному из пяти классов: злость, грусть, нейтральная эмоция, позитивная эмоция или категория «другое». Она реализована на Transformers, содержит 51,7 млн параметров и распространяется в формате safetensors. Модель предназначена для автоматической классификации эмоциональной окраски русской речи, например для анализа голосовых записей и изучения эмоциональных реакций в аудио. При дообучении применялись сдвиг аудиосигнала, маскирование временных участков, цветной шум и взвешенная выборка классов. Точность на независимых данных и ограничения по условиям записи в карточке не описаны. Лицензия в предоставленных данных не указана.

PauAnd29/xlm-roberta-sarcasmo-bs16-ep10 — дообученная модель XLM-RoBERTa Large для классификации текста. По названию модель предназначена для распознавания сарказма; README сообщает о дообучении на неизвестном наборе данных. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстом до 514 токенов. На оценочном наборе указаны F1-мера Macro 0,9330, F1 Weighted 0,9361 и точность 0,9361. Датасет, поддерживаемые языки и подробности предполагаемых сценариев в карточке не описаны, поэтому эти результаты нельзя уверенно переносить на другие источники текста. Модель распространяется по лицензии MIT.

PauAnd29/xlm-roberta-sarcasmo-bs16-ep6 — модель классификации текста на основе XLM-RoBERTa Large, дообученная разработчиком PauAnd29 на неизвестном наборе данных. Она предназначена для определения сарказма в тексте. Модель содержит 658,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors под лицензией MIT. В README приведены результаты на оценочной выборке: macro F1 0,9336, weighted F1 0,9369 и accuracy 0,9372. Эти показатели относятся к неизвестному набору данных, поэтому не позволяют оценить качество на других текстах или языках. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей; сведения о языках обучения и поддерживаемых языках отсутствуют.

soob3123/amoral-qwen3-14B — дообученная модель Qwen3-14B от автора soob3123 для генерации диалоговых ответов с нейтральной аналитической подачей. Она предназначена для ответов на чувствительные и спорные вопросы с акцентом на фактическую точность, сдержанный тон и отказ от оценочных формулировок. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров и принимает текст. Заявленная длина контекста — 40 960 токенов. В карточке указаны английский язык, чат и интерфейс вызова инструментов; доступны веса safetensors. Модель подходит для обсуждения спорных тем и аналитических запросов, где важна нейтральная формулировка. Эти свойства описаны автором, но карточка не приводит результатов оценивания качества или конкретных показателей нейтральности. Лицензия — Apache-2.0.

Anger_binary — дообученная модель Microsoft DeBERTa-v3-base для бинарной классификации текста по признаку гнева. Модель построена на архитектуре DeBERTa-v2 для классификации последовательностей и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса в формате safetensors. Модель подходит для определения наличия гнева в тексте и оценки эмоциональной окраски коротких сообщений. В README приведены результаты на оценочной выборке: accuracy 0,6438, precision 0,6237, recall 0,7232, F1 0,6697 и AUC 0,7104. Обучающий датасет описан как None, поэтому его состав и переносимость результатов на другие данные оценить нельзя. Лицензия — MIT.

Edentns/DataVortexS-10.7B-dpo-v1.4 — корейская диалоговая языковая модель, созданная командой Kwangseok Yang, Seunghyun Choi, Jeongwon Choi и Hyoseok Choi на базе yanolja/Bookworm-10.7B-v0.4-DPO. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 10,6 млрд параметров. Она предназначена для генерации текста в формате чата, ответов на вопросы и помощи в поиске информации на корейском языке. Модель принимает диалог в формате ChatML; заявленная длина контекста — 4096 токенов. В README приведены результаты оценивания на корейских наборах Ko LM Eval Harness и Ko-LLM-Leaderboard. Для использования доступны веса safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

ethicalabs разработала Echo-DSRN-v0.1.4-Embed-Intent-CLF — многоязычный классификатор намерений на 60 классов, дообученный на базе ethicalabs/Echo-DSRN-v0.1.3-Embed-Intent. Модель использует архитектуру Dual-State Recurrent Neural Network (DSRN) с классификационной головой EchoForSequenceClassification; в репозитории указано 49,9 млн параметров. Для классификации усредняются 2048-мерные медленные рекуррентные состояния, после чего линейная голова определяет класс. Модель принимает обычный текст без чат-шаблона; контекст — до 2048 токенов. Классификатор обучен на Amazon MASSIVE со всеми 51 локалью: линейная голова инициализирована SGDClassifier на 1,78 млн высказываний, затем модель дообучалась пять эпох с функцией потерь cross-entropy. На подмножестве en-US из 100 примеров карточка сообщает точность 79%; это небольшой набор оценки и не гарантирует аналогичного качества на других языках и данных. Модель подходит для маршрутизации пользовательских запросов и определения намерений в многоязычных приложениях. Распространяется по лицензии Apache-2.0.

Ektome-Nemotron-Nano-8B-PristinelyUncensored — текстовая генеративная модель, разработанная Zynerji на базе NVIDIA Llama-3.1-Nemotron-Nano-8B-v1. Она предназначена для генерации текста и сценариев, где требуется модель без встроенных отказов на потенциально вредные запросы. Заявленный язык — английский; поддерживаемые модальности и размер контекста в README не указаны. Доступны варианты в формате GGUF с квантованием от 3 до 8 бит, включая imatrix-варианты для повышения качества при низкой точности. По данным README, метод Ektomē удаляет компонент, связанный с отказами, без дополнительного обучения или дистилляции. В сравнении с исходной моделью указаны результаты MMLU-val 0,463 против 0,458 и показатель compliance на вредных запросах 1,000 против 0,010. Тест сертификации сохранения возможностей признан неубедительным: общая оценка не подтверждает сохранение характеристик, а ось reasoning осталась статистически неразрешённой. Поэтому приведённые результаты нельзя считать гарантией качества, точности или отсутствия деградации. Модель намеренно нецензурирована и, согласно README, не будет отказываться от запросов, поэтому ответственность за применение и результаты несёт пользователь. Сертификация не подтверждает безопасность, фактическую точность или пригодность для конкретных задач; показатель compliance основан на классификаторе ключевых слов и может быть обманут уклончивыми формулировками. Лицензия обозначена как other, без дополнительных условий в предоставленном README.

Модель touchtech/fashion-images-gender-age-vit-large-patch16-224-in21k-v2 разработана Touchtech и дообучена на наборе touchtech/fashion-images-gender-age на основе google/vit-large-patch16-224-in21k. Это ViT-Large с архитектурой ViTForImageClassification и примерно 402,7 млн параметров; модель принимает изображения и классифицирует их по категориям, связанным с полом и возрастом в контексте модных изображений. В карточке указаны точность 0,9939 и loss 0,0213 на оценочном наборе. Модель подходит для классификации людей на изображениях одежды и модных товаров по возрасту и полу, например для анализа ассортимента или организации визуальных каталогов. Она распространяется по лицензии Apache-2.0. Приведённые метрики относятся к оценочному набору; данных о переносимости на другие источники изображений нет.

AIdenU/Gemma-7b-ko-Y24_v2.0 — языковая модель семейства Gemma, основанная на google/gemma-7b. По метаданным это плотная авторегрессионная модель примерно на 8,2 млрд параметров с контекстом до 8192 токенов, предназначенная для генерации текста. В карточке указан корейский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README указывает базовую модель, но не описывает конкретный сценарий дообучения или сравнительные результаты, поэтому специализацию сверх генерации корейского текста установить нельзя.

benjamin/gpt2-wechsel-ukrainian — языковая модель на архитектуре GPT-2, перенесённая на украинский язык методом WECHSEL. Метод использует эффективную инициализацию субсловных эмбеддингов для переноса одноязычных языковых моделей между языками; модель предназначена для генерации украинского текста. Модель работает с текстом и имеет контекстное окно 1024 токена. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT. Карточка не приводит результатов оценки качества или иных характеристик поведения модели.

Huihui-HY-MT1.5-1.8B-abliterated-GGUF — GGUF-квантизированная версия модели Huihui-HY-MT1.5-1.8B-abliterated, разработанной huihui-ai и подготовленной квантизацией пользователем mradermacher. Модель ориентирована прежде всего на машинный перевод и поддерживает широкий набор языков, включая китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, немецкий и другие языки. Модель имеет размер 1,8 млрд параметров и поставляется в формате GGUF, что делает её пригодной для локального запуска в совместимых инструментах. Доступны варианты квантизации Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размеры файлов составляют примерно от 0,9 до 3,7 ГБ. В README рекомендуются варианты Q4_K_S и Q4_K_M как быстрые, а Q6_K и Q8_0 — как обеспечивающие более высокое качество. К сильным сторонам относятся компактный размер, поддержка множества языков и возможность выбора между скоростью, требованиями к памяти и качеством через разные варианты квантизации. Ограничения — отсутствие в представленном README сведений об архитектуре, размере контекста, результатах оценки, мультимодальности и точных сценариях использования; заявлена только текстовая переводческая специализация. Лицензия в README не указана.

Infinirc-Llama3-8B-2G-Release-v1.0 — модель на основе Llama 3, разработанная Чэнь Чжаожу (Infinirc.com) и дообученная на материалах, связанных с культурой Тайваня: новостях, литературе и интернет-текстах. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев, в том числе для автоматических ответов и работы с текстами о Тайване с учётом местных культурных особенностей и языковых привычек. Карточка указывает китайский и английский языки; метаданные отмечают китайский традиционный вариант. Поддерживается лицензия Llama 3, ограничения которой необходимо соблюдать. Разработчик предупреждает о риске дискриминационного или вредоносного содержания и рекомендует проверять результаты. Карточка не приводит оценок качества или подробных сведений о безопасности.

wikeeyang/Krea2-Turbo-HD-V1 — модель генерации изображений по текстовому описанию, разработанная как дообученная версия Krea-2-Turbo. Модель предназначена для создания визуальных материалов по промптам, включая портреты, фотографии, художественные изображения, сценические композиции, предметные и рекламные концепты. Модель работает в экосистеме PyTorch и библиотеки Diffusers, относится к задачам text-to-image synthesis и поддерживает английский и китайский языки. В карточке не указаны точная архитектура, количество параметров, максимальный размер контекста и разрешение генерируемых изображений. Примеры демонстрируют работу с фотореалистичными и художественными сценами, деталями одежды, аксессуарами, освещением, композицией и различными визуальными стилями. Сильной стороной модели является широкий диапазон поддерживаемых сюжетов и стилей, включая портретную, предметную, природную и концептуальную съёмку, а также китайскую и восточноазиатскую визуальную эстетику. Ограничения, показатели качества и особенности HD-режима в README не описаны. Модель распространяется по лицензии Krea-2 Community License; подробные условия приведены в файле лицензии Krea.

trinhkhng/linear_Merged_gpt2-medium_0.1 — языковая модель семейства GPT-2, созданная с помощью mergekit линейным слиянием GPT-2 medium и debias_gpt2-medium с весами 0,9 и 0,1 соответственно. Для токенизатора использован ComCom/gpt2-small. Модель предназначена для генерации текста и может использоваться для продолжения заданного текста и создания простых текстовых ответов. Модель построена на архитектуре GPT2LMHeadModel, распространяется в формате safetensors и рассчитана на контекст до 1024 токенов. README не описывает отдельные оценки качества или подтверждённые языковые и предметные специализации. Лицензия в предоставленных данных не указана.

AIdenU/LLAMA-2-13b-ko-Y24_v2.0 — текстовая генеративная модель на архитектуре Llama 2, разработанная на основе meta-llama/Llama-2-13b-hf. Она предназначена для генерации текста на корейском языке. Модель содержит 12,9 млрд параметров, использует формат PyTorch и имеет контекстное окно 4096 токенов. Модель подойдёт для генерации корейского текста и диалоговых сценариев на его основе. Репозиторий указывает лицензию Apache-2.0. Подробности обучения, оценок качества и конкретные ограничения в доступных материалах не приведены.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-advice-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.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-advice-sft-seed5 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.

QuantFactory/Llama-3-8B-TKK-Elite-V1.0-GGUF — квантованная версия модели Llama-3-8B-TKK-Elite-V1.0, созданная с использованием llama.cpp. Исходную модель разработал Tarık Kaan Koç в рамках выпускного проекта по программной инженерии в университете Malatya Turgut Özal при научном руководстве доцента доктора Harun Bingöl. Модель предназначена для генерации текста и взаимодействия в формате ассистента. Модель основана на архитектуре LLaMA с 8 миллиардами параметров, работает только с текстовыми входами и выдаёт текстовые ответы. Она дообучалась методом LoRA на очищенных турецких данных, включавших 1 миллион инструкционных примеров; набор данных является закрытым. Указаны параметры LoRA: lora_alpha 16, lora_dropout 0,1, r 64, bias none и тип задачи CAUSAL_LM. Основной сценарий применения — генерация ответов и выполнение инструкций на турецком языке, однако точный список поддерживаемых языков, размер контекста и результаты оценки качества не указаны. К сильным сторонам относятся адаптация к турецким инструкциям, компактный размер базовой модели и наличие GGUF-версии для использования с llama.cpp. Ограничения связаны с отсутствием опубликованных сведений о конкретном формате и уровне квантования, контекстном окне, тестах качества, области знаний и устойчивости ответов. Модель распространяется по лицензии Apache-2.0.

appvoid/merging-2 — текстовая модель семейства Llama, созданная разработчиком appvoid с помощью mergekit. В README указано, что это слияние методом passthrough двух диапазонов слоёв одной модели appvoid/palmer-003; метаданные также отмечают связь с этой базовой моделью. Модель содержит около 1,3 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Она предназначена для генерации текста; базовая модель описана как компактная чат-модель для английского, испанского и французского языков. Длина контекста составляет 2048 токенов. Модель может использоваться для генерации ответов и другого текста в приложениях на базе Transformers. README не приводит оценок качества или подробных рекомендаций по применению, поэтому возможности именно этой версии сверх генерации текста не следует предполагать. Лицензия в предоставленных данных не указана.

fpadovani/nld-latn-100mb-100mb_seed455 — дообученная модель GPT-2 на базе goldfish-models/nld_latn_100mb. Она предназначена для генерации текста; карточка указывает, что модель обучалась с помощью TRL. Модель одноязычная и рассчитана на нидерландский язык. Максимальная длина контекста составляет 512 токенов, веса опубликованы в формате safetensors. В README приведён пример генерации продолжения по запросу пользователя. Лицензия в предоставленных данных не указана.