III.2Исследование рынка и маркетинг

Модель francesca9805/ppt-wc-uniform-newlex-arb-before-100mb-packed-bfdiso_seed455 — дообученная с помощью TRL модель goldfish-models/eng_latn_100mb. Это плотная GPT-2 с весами в формате safetensors, предназначенная для генерации английского текста; в карточке приведён пример ответа на открытый вопрос. Контекст модели составляет 512 токенов. Модель подходит для продолжения текста и генерации ответов на английском языке. README не сообщает результатов оценки качества или специальных возможностей, поэтому пригодность для конкретных сценариев следует проверять отдельно. Лицензия в предоставленных данных не указана.

Модель Francesca9805 — дообученная с помощью TRL одноязычная GPT-2 для генерации английского текста. Она основана на goldfish-models/eng_latn_100mb и предназначена для продолжения текста и генерации ответов на запросы; пример в карточке показывает вопрос о выборе между путешествием в прошлое и будущее. Модель распространяется в формате Safetensors и рассчитана на контекст до 512 токенов. Условия лицензии в предоставленных данных не описаны.

ppt-wc-zipf-newlex-66-eng-100mb_seed12 — дообученная автором fpadovani модель goldfish-models/eng_latn_100mb на базе GPT-2. Модель предназначена для генерации текста на английском языке; пример в карточке показывает продолжение ответа на открытый вопрос. Обучение выполнено с помощью TRL, веса представлены в формате safetensors и используются через Transformers. Контекст модели составляет 512 токенов. Карточка не описывает специальные предметные области или дополнительные возможности. Базовая модель — монолингвальная английская GPT-2-подобная модель Goldfish; лицензия в предоставленных данных не указана.

Pygmalion 2 7B — языковая модель для генерации текста, разработанная PygmalionAI и представленная в GGUF-формате командой TheBloke. Модель основана на архитектуре Llama и имеет около 7 миллиардов параметров. Она предназначена для текстового общения, генерации ответов и ролевых сценариев, включая поддержание заданной персоны и диалогов с историей. Основной заявленный язык — английский. Модель поддерживает текстовую модальность и использует специальный шаблон с ролями <|system|>, <|user|> и <|model|>. Системный промпт может задавать режим работы, персону и желаемую длину ответа. Доступны варианты квантования с разной разрядностью, включая 2-, 3-, 4-, 5-, 6- и 8-битные версии, рассчитанные на запуск с использованием CPU и GPU через llama.cpp и совместимые инструменты. Размер контекста в README не указан. К сильным сторонам относятся ориентация на ролевое общение, поддержка персонажей и возможность локального запуска благодаря GGUF и квантованию. Ограничения включают специализацию преимущественно на англоязычной генерации, неизвестные параметры контекстного окна и отсутствие в README сведений о результатах оценки качества или безопасности. Модель распространяется по лицензии Llama 2; точные условия следует уточнять в лицензии исходной модели.

Мультимодальная модель семейства Qwen3.5, дообученная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step200. Она предназначена для диалогов с текстом и изображениями: принимает текстовые запросы и изображения, а в ответ генерирует текст. Метаданные указывают на поддержку интерфейса вызова инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке нет сведений о размере модели, длине контекста и целевых сценариях обучения.

RoMistral-7b-Instruct — румыноязычная чат-модель OpenLLM-Ro, дообученная на Mistral-7B-v0.3 с использованием наборов инструкций и диалогов на румынском языке. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов с ассистентом и генерации текста на румынском языке. Её можно применять для ответов на вопросы, выполнения инструкций и создания румынского текста; базовое семейство также рассчитано на адаптацию к различным языковым задачам. Карточка ориентирует модель на исследовательское использование и исключает применение на других языках. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Качество ответов и фактическая точность не гарантированы; пригодность результатов следует проверять для конкретного сценария.

Это дообученная модель GPT-2 от Francesca9805, созданная на основе francesca9805/rus-cyrl-100mb-ppt-Dp-100mb-packed-bfdiso_seed455 с использованием TRL. Она предназначена для генерации текста и ответа на короткие вопросы; в примере карточки показана генерация ответа на вопрос на английском языке. Модель использует архитектуру GPT2LMHeadModel и распространяется в формате safetensors. Контекст ограничен 512 токенами. Метаданные не содержат сведений о лицензии. Карточка не приводит результатов оценки качества, поэтому пригодность ответов для конкретных задач следует проверять отдельно.

Это дообученная с помощью TRL модель генерации текста на основе GPT-2, разработанная автором репозитория Francesca9805. Она принимает текстовые запросы и генерирует продолжение; в карточке приведён пример короткого ответа на вопрос в формате диалога. Модель предназначена для текстовой генерации и коротких ответов на запросы на русском языке. Модель использует архитектуру GPT-2 и библиотеку Transformers, распространяется в формате safetensors и имеет контекст длиной 512 токенов. Репозиторий указывает базовую модель francesca9805/rus-cyrl-10mb-ppt-Dp-100mb-packed-bfdiso_seed455; лицензия в предоставленных данных не отражена. Качество и ограничения отдельно не описаны.

FinancialSupport/saiga-7b — италоязычная диалоговая модель на архитектуре Mistral, разработанная как проект с ограниченными временем и бюджетом. Она предназначена для генерации текста в формате чата. Модель содержит 7,1 млрд параметров, использует формат safetensors и имеет контекст до 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard, включая показатели AI2 Reasoning Challenge и HellaSwag. Модель распространяется по лицензии Apache-2.0. README не описывает специальные ограничения или гарантии качества; приведённые оценки относятся к указанным тестам.

mumu-97/SOLAR-KO-various-v0.1 — корейская языковая модель семейства Llama, дообученная на базе beomi/OPEN-SOLAR-KO-10.7B на датасете kyujinpy/Ko-various-dataset. Она предназначена для генерации текста на корейском языке. Модель содержит 10,7 млрд параметров, использует плотную архитектуру Llama и принимает контекст длиной до 2048 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет состав задач датасета, поэтому специализацию за пределами генерации текста определить нельзя.

boapps/szurkemarha-samba — венгерская языковая модель на архитектуре Llama, созданная дообучением sambanovasystems/SambaLingo-Hungarian-Base на датасете boapps/szurkemarha. Модель с 6,7 млрд параметров предназначена для генерации текста на венгерском языке; заявленный контекст составляет 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В карточке указано, что она не проходила этических и безопасностных испытаний, поэтому автор не рекомендует её для использования в производственной среде.

Модель Francesca9805 — дообученная с помощью TRL версия goldfish-models/tam_taml_10mb на базе архитектуры GPT-2. Она предназначена для генерации текста; в примере карточки показан ответ на открытый вопрос в формате диалога. Модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. В карточке не описаны обучающие данные и конкретные языки. Лицензия в предоставленных сведениях не указана.

UndiMix-v2-13b — экспериментальная текстовая генеративная модель Undi95, созданная слиянием нескольких моделей семейства Llama 2. В README описан рецепт слияния на базе TheBloke/Llama-2-13B-fp16 с использованием Airoboros, Athena и предыдущей версии UndiMix; также перечислены модели MythoMax, Huginn и llama-2-13b-chat-limarp-v2-merged как компоненты исходного микса. Репозиторий содержит веса FP16 в формате safetensors, около 12,9 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации ответов и диалогового текста в стиле шаблона Alpaca. По описанию, она может переключаться между серьёзной и игривой подачей и использовать эмодзи. Автор предупреждает, что версия говорит значительно больше, чем v1, и отмечает, что модель находится на этапе тестирования. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

Модель r-f/wav2vec-english-speech-emotion-recognition разработана на основе jonatasgrosman/wav2vec2-large-xlsr-53-english и дообучена для распознавания эмоций в речи. Это модель семейства Wav2Vec 2.0 с архитектурой Wav2Vec2ForCTC, содержащая 402,7 млн параметров и работающая с аудиовходом. Модель классифицирует речь по семи категориям: гнев, отвращение, страх, радость, нейтральное состояние, грусть и удивление. При дообучении использованы наборы SAVEE, RAVDESS и TESS; в README сообщается точность 0,97463 на оценочном наборе. Модель предназначена для анализа эмоциональной окраски английской речи, например в записях разговоров или голосовых материалах. В метаданных задача обозначена как automatic-speech-recognition, однако описание и список меток в README указывают на классификацию эмоций, а не транскрибирование речи; поэтому этот тег приведён как задача каталога, но не следует считать подтверждением распознавания текста. Модель распространяется по лицензии Apache-2.0.

fpadovani/zho-hans-100mb-after-ppt-Dp-100mb-ckpt500_seed455 — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе fpadovani/zho-hans-100mb-ppt-Dp-100mb_seed455 с использованием TRL. Пример в карточке показывает генерацию продолжения ответа на вопрос; модель предназначена для текстовой генерации. Контекст составляет 512 токенов. Модель распространяется в формате safetensors. Лицензия, целевые языки и подробности обучающих данных в предоставленных источниках не описаны.

Someman/bart-hindi — модель суммаризации на основе BART, разработанная дообучением facebook/bart-base на наборе Someman/hindi-summarization. Она предназначена для создания кратких пересказов текста на хинди. Модель использует encoder-decoder архитектуру BART и содержит 95,2 млн параметров; максимальная длина контекста — 1024 токена. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. В карточке приведено значение loss 0,4985 на оценочной выборке; подробности методики оценки и ограничения применения не описаны.

Модель nayan06/binary-classifier-conversion-intent-1.1-l12 — классификатор на основе SetFit и Sentence Transformers, обученный на наборе данных о намерении конвертировать. В README базовая модель названа L6, а в имени репозитория указана L12; точный идентификатор базовой модели не приведён. Метаданные описывают архитектуру BERT с примерно 40 млн параметров и контекстом до 512 токенов. Модель предназначена для классификации текстов по намерению конвертировать и связана с задачами извлечения признаков и оценки сходства предложений. README указывает на обучение с CosineSimilarityLoss и предлагает использовать модель через SetFit. Данных о поддерживаемых языках, лицензии и конкретных классах классификации нет.

chronoboros-grad-l2-13B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория методом BlockMerge_Gradient. В качестве основы использована Chronos 13B v2, а с ней объединена Airoboros l2 13B GPT4 2.0; вклад Airoboros постепенно уменьшается от 0,9 к нулю по слоям. Модель содержит 12,9 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. Модель предназначена для генерации текста и ответов по инструкциям. По описанию автора, градиентное слияние позволяет Airoboros сформировать основу ответа, а Chronos — доработать его. Автор предупреждает, что модель склонна к выразительным и очень длинным ответам и не предназначена для предоставления фактической информации или советов. Язык карточки и метаданных — английский. Файлы представлены в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

DukunLM-7B-V1.0-Uncensored — языковая модель для генерации текста и выполнения инструкций на индонезийском языке, разработанная azale-ai. Это плотная авторегрессионная модель семейства LLaMA объёмом 6,6 млрд параметров, дообученная методом QLoRA на индонезийской части MBZUAI/Bactrian-X. В карточке указан шаблон запросов Alpaca; модель опубликована в форматах PyTorch и Safetensors. Контекст составляет 2048 токенов. Модель предназначена для ответов на запросы и генерации индонезийского текста в диалоговых и инструкционных сценариях. Английский язык унаследован от базовой модели, однако дообучение ориентировано на индонезийский. Разработчик предупреждает, что модель не имеет фильтров и выравнивания, может допускать ошибки, культурные предубеждения и выдавать оскорбительный контент. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

fpadovani/eng-100mb-after-jpn-baseline-newlexicon-zipf-ckpt500_seed10 — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе fpadovani/ppt-art-lang-newlexicon-zipf-jpn-baseline-100mb_seed10 с использованием TRL. Карточка демонстрирует генерацию ответа на вопрос на английском языке. Модель предназначена для продолжения текста и генерации ответов. Контекст ограничен 512 токенами. В репозитории указаны веса в формате Safetensors; размер модели не сообщается. Лицензия в доступных данных не указана.

Это дообученная модель генерации текста на архитектуре GPT-2, созданная на основе fpadovani/ppt-wc-uniform-newlex-eng-100mb_seed3407 с использованием TRL. Она предназначена для продолжения текста и генерации ответов на английском языке; в карточке приведён пример ответа на вопрос в диалоговом формате. Модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Карточка не приводит размер модели, состав обучающих данных или результаты оценки качества. Поэтому пригодность для конкретных задач следует проверять на собственных примерах. Лицензия в предоставленных данных не указана.

vicgalle/gpt2-alpaca — англоязычная инструктивно дообученная модель генерации текста на базе GPT-2. В карточке приведены примеры ответов на инструкции, включая советы, стихи и описание возможностей; метаданные связывают модель с датасетом tatsu-lab/alpaca. Архитектура — плотная GPT2LMHeadModel, веса доступны в форматах PyTorch и safetensors, контекст — 1024 токена. Модель подходит для генерации коротких ответов и текстов по простым инструкциям на английском языке. В карточке также опубликованы результаты оценки на нескольких бенчмарках, включая ARC и HellaSwag. Лицензия — MIT. Примеры показывают возможные ошибки в связности и уместности ответа, поэтому качество следует проверять для конкретного сценария.

Impish_QWEN_14B-1M — дообученная модель SicariusSicariiStuff на базе Qwen/Qwen2.5-14B-Instruct-1M. Это плотная языковая модель семейства Qwen2 с 14 млрд параметров, предназначенная для ролевых диалогов, творческого письма и общих задач. Она поддерживает контекст до 1,01 млн токенов и формат ChatML; автор рекомендует для ролевых сценариев формат Classic Internet RP и шаблон SICAtxt для описания персонажей. По заявлению автора, модель послушная, с низким уровнем цензуры, подходит для игрового отыгрыша и показала результат 78,68 на IFEval. Модель принимает текст и генерирует текст на английском языке. Доступны исходный вариант FP16 и производные варианты в форматах GGUF, EXL2, FP8 и Q4_0 для ARM; сведения о них относятся к предлагаемым вариантам квантования, тогда как репозиторий основной модели содержит safetensors. Модель распространяется по лицензии Apache-2.0. Указанные автором оценки и характеристики относятся к карточке модели; результат UGI обозначен как ожидающий, а данные о систематических ограничениях качества не приведены.

Это дообученная модель генерации текста на базе goldfish-models/ind_latn_10mb. Разработчик сообщает, что модель обучена с помощью TRL; архитектура — GPT-2, веса сохранены в формате safetensors. Она предназначена для генерации продолжения текста и ответов на запросы; в примере карточки показана генерация ответа на вопрос. Контекст ограничен 512 токенами. Карточка не описывает специализацию по предметной области или поддерживаемые естественные языки. Условия лицензии в доступных данных не приведены.

fpadovani опубликовал дообученную с помощью TRL модель на базе goldfish-models/ita_latn_100mb. Это плотная языковая модель GPT-2 для генерации текста; карточка показывает запуск через Transformers с запросом в формате диалога. Модель рассчитана на продолжение текста и ответы на открытые вопросы. Контекст ограничен 512 токенами. Данных о специальных областях применения и лицензии в предоставленных источниках нет.

fpadovani/jpn-100mb-after-wc-uniform-newlex-eng-ckpt500_seed455_seed455 — это дообученная модель генерации текста на архитектуре GPT-2, разработанная fpadovani. Она основана на fpadovani/ppt-wc-uniform-newlex-eng-100mb_seed455 и обучалась с помощью TRL. Пример в карточке показывает генерацию ответа на вопрос на английском языке. Модель предназначена для генерации коротких текстов и ответов на английском языке. Контекст составляет 512 токенов; для запуска в README приведён пример с Transformers pipeline и генерацией до 128 новых токенов. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не указана.

karasu-base-slerp — языковая модель для генерации текста, созданная слиянием моделей lightblue/karasu-1.1B и TinyLlama/TinyLlama-1.1B-Chat-v1.0 методом SLERP с помощью LazyMergekit. Модель использует плотную архитектуру Llama с причинным языковым декодером и содержит 770,2 млн параметров; длина контекста составляет 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов. В состав объединённой модели входит англоязычная чат-модель TinyLlama, однако README не описывает отдельные сценарии или сравнительные результаты именно для этого слияния. Репозиторий содержит веса в формате Safetensors. Лицензия в предоставленных данных не указана. Практические ограничения включают компактный размер модели и контекст до 2048 токенов; качество и языковой охват самого слияния отдельно не охарактеризованы.

SkyAsl/LFM2.5-1.2B-TR-Base — базовая языковая модель для турецкого языка, разработанная SkyAsl на основе LiquidAI/LFM2.5-1.2B-Base методом продолженного предобучения с LoRA. Модель использует гибридную архитектуру LFM2 с линейным вниманием и свёрточными слоями; в метаданных указано 1,5 млрд параметров и контекстное окно 128 000 токенов. Модель обучалась на турецких текстах из Википедии, новостях, переводах выступлений TED и математических задачах. Она предназначена для генерации и автодополнения текста на турецком языке, включая работу с энциклопедическими знаниями, современной прозой и логическими задачами. В README указана длина блоков обучения 4096 токенов; это не подтверждает такой же максимальный контекст при использовании. Это базовая модель без дообучения для следования инструкциям, поэтому она может продолжать текст, но не рассчитана на полноценную работу в роли чат-ассистента. Для диалогового применения рекомендуется instruction tuning. Лицензия в метаданных обозначена как other; конкретные условия использования по имеющимся сведениям установить нельзя.

Pegasus_paraphraser_Com_11 — дообученная модель семейства PEGASUS, разработанная на основе Gayathri142214002/Pegasus_paraphraser_Com_10. Она предназначена для перефразирования текста: принимает текст и генерирует его переформулированный вариант. Модель содержит 366,8 млн параметров, использует архитектуру PegasusForConditionalGeneration и формат весов Safetensors; длина контекста — 60 токенов. В README приведён результат оценки на тестовой выборке: loss 0,1738. Датасет, языки и подробные сценарии использования не описаны, поэтому качество и пригодность модели для конкретных языков и областей по этим данным оценить нельзя. Модель распространяется по лицензии Apache-2.0.

Модель fpadovani/ppt-art-lang-newlexicon-zipf-soft0.7-eng-baseline-100mb_seed455 — дообученная с помощью TRL версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb. Она предназначена для генерации английского текста и может использоваться для продолжения текста или получения ответа на текстовый запрос. Модель построена на архитектуре GPT-2, распространяется в формате safetensors и имеет контекст длиной 512 токенов. В карточке показан пример генерации по вопросу на естественном языке. Данные не описывают специализированную предметную область или дополнительные возможности модели. Качество и ограничения дообученной версии отдельно не охарактеризованы. Сведения о лицензии в доступных материалах отсутствуют.