III.2Исследование рынка и маркетинг

Qwen Egyptian Translator — диалоговая языковая модель на базе Qwen2.5-1.5B-Instruct, разработанная Mohamed Wasef для перевода разговорного египетского арабского и английского в обоих направлениях. Модель дообучена методом LoRA, а адаптер объединён с базовыми весами; используется архитектура Qwen2 с плотной сетью, 1,5 млрд параметров и точностью fp16. Контекст составляет до 32 768 токенов. Модель предназначена для перевода коротких и средних разговорных текстов: сообщений, публикаций в соцсетях и повседневных диалогов. Её особенность — сохранение египетского диалекта вместо перехода к литературному арабскому. В описанной оценке качество на тестовом наборе составило 67,5% по критерию семантической точности от 4 баллов из 5; автоматические метрики отдельно приведены для обоих направлений перевода. Редкие слова и идиомы могут переводиться ошибочно, особенно в коротких фразах без контекста. Модель не предназначена для формальных, юридических, медицинских и технических документов. Лицензия — Apache-2.0.

Envoid/Verdict-DADA-8x7B — экспериментальное объединение моделей Verdict-8x7B и Mixtral-Instruct-ITR-DADA-8x7B. Это разговорная генеративная модель на архитектуре Mixtral MoE с 7,1 млрд параметров и контекстом до 32 768 токенов; для запросов используется формат [INST]...[/INST]. Модель предназначена для диалоговой генерации текста. По карточке она менее стабильна, чем исходная Verdict, но более творческая. Репозиторий содержит веса safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель Aniemore для распознавания эмоций в русской речи. Она основана на архитектуре Wav2Vec2 XLSR-53 и дообучена на датасете Aniemore/resd; модель содержит 402,7 млн параметров по метаданным. Принимает монофоническую аудиозапись с частотой 16 кГц длительностью до 12 секунд и относит её к одному из семи классов: гнев, отвращение, энтузиазм, страх, радость, нейтральное состояние или грусть. Модель предназначена для классификации эмоций в отдельных русскоязычных речевых фрагментах, например при анализе звонков или подкастов. На тестовой выборке RESD README приводит macro-F1 0,7206, но на тестах спонтанной речи из подкастов Dusha и CAMEO результаты значительно ниже. Данные RESD состоят из сбалансированных актёрских записей, поэтому модель склонна переоценивать эмоциональные классы в естественной речи; перед применением на собственных данных нужна проверка и калибровка. Лицензия — MIT.

AI_Pet_code — языковая модель для генерации текста, созданная на базе Google Gemma и дообученная при участии CRM-подразделения KT DataSystem. В карточке модель названа продолжением предварительного обучения Gemma 7B Instruct; метаданные указывают базовую модель google/gemma-7b и архитектуру GemmaForCausalLM с плотными слоями. Размер составляет 8,2 млрд параметров, контекст — 8192 токена. Модель рассчитана на корейский язык и поддерживает диалоговое использование. Карточка не описывает целевые сценарии и результаты оценки качества, поэтому назначение ограничивается генерацией текста и диалогами общего характера. Лицензия — Apache-2.0. Для внедрения следует отдельно настроить меры безопасности под конкретное приложение.

MayankDentsu/bert-finetuned-imdb — модель классификации текста на основе BERT, дообученная от bert-base-uncased. В README указана оценка на наборе проверки: loss 0,3450; данных о составе набора и подробностях обучения нет. Модель предназначена для классификации текстовых последовательностей. По названию репозитория можно предположить применение к отзывам IMDB, однако README не подтверждает назначение меток или точные сценарии классификации. Модель содержит 136,7 млн параметров и принимает до 512 токенов. Использовать её можно по лицензии Apache-2.0.

Wakaka/bert-finetuned-imdb — модель классификации текста на базе BERT, дообученная на датасете IMDb для определения тональности отзывов о фильмах. Она содержит 135,5 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. На оценочной выборке IMDb указана точность 0,866 и значение функции потерь 0,5591. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Модель подходит для анализа тональности англоязычных отзывов о фильмах и классификации похожих текстов. Её оценка приведена для IMDb; качество на других темах и типах текста может отличаться. В карточке не описаны дополнительные ограничения.

minlik/chinese-alpaca-13b-merged — китайская модель семейства Chinese LLaMA/Alpaca, основанная на LLaMA и дообученная разработчиком с расширенным китайским словарём. Авторы продолжили предварительное обучение китайских эмбеддингов, а затем выполнили дообучение на наборах данных с инструкциями. Модель имеет плотную архитектуру LlamaForCausalLM, около 12,9 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов на китайском языке по инструкциям. Её можно применять для китайского чат-бота, ответов на вопросы и создания текстовых черновиков. Карточка указывает на использование Transformers и PyTorch; веса доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

DataVortexS-10.7B-dpo-v1.7 — корейская диалоговая языковая модель, разработанная командой, в состав которой входят Kwangseok Yang, Seunghyun Choi, Jeongwon Choi и Hyoseok Choi. Это дообученная версия beomi/OPEN-SOLAR-KO-10.7B с архитектурой Llama и 10,7 млрд параметров; модель предназначена для генерации ответов и ведения диалога в формате Alpaca Chat. Она рассчитана прежде всего на корейский язык и имеет контекст длиной 2048 токенов. Модель подходит для корейских чат-ботов, ответов на вопросы и генерации текста. В README приведены результаты на корейских тестах KoBEST и Ko-LLM-Leaderboard. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это дообученная модель генерации текста на базе fpadovani/ppt-wc-zipf-newlex-eng-100mb_seed3407. Разработчик обучал её с помощью TRL; архитектура — GPT-2, веса представлены в формате Safetensors. Модель предназначена для продолжения текста и генерации ответов на запросы на английском языке. В карточке приведён пример ответа на вопрос в формате диалога; контекст модели составляет 512 токенов. Карточка не приводит оценок качества или подробных ограничений. Краткое контекстное окно ограничивает работу с длинными запросами и историей диалога. Сведения о лицензии в доступных данных отсутствуют.

gemma-4-31B-anthology-i1-GGUF — квантизированная версия модели gemma-4-31B-anthology, разработанной MRockatansky и подготовленной в формате GGUF пользователем mradermacher. Модель основана на объединении компонентов с использованием mergekit и предназначена для генерации текста, творческого письма и сторителлинга. Модель имеет размер 31 млрд параметров, поддерживает текстовую и визуальную модальности и заявлена для работы с английским языком. Для обработки изображений могут потребоваться отдельные файлы mmproj из статического репозитория. В набор входят варианты квантизации i1 с размерами примерно от 7,3 до 25,3 ГБ; более компактные варианты экономят память, но могут заметно уступать по качеству, тогда как i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как удачный баланс размера, скорости и качества. Размер контекста в README не указан. Основные сильные стороны модели — большой масштаб, ориентация на творческую генерацию и наличие множества вариантов для запуска при разном объёме доступной памяти. Ограничения связаны с потерями качества при низкой квантизации, необходимостью подбирать подходящий вариант GGUF и отсутствием подробных данных о бенчмарках, архитектуре, системных требованиях и фактических возможностях мультимодальной обработки. Модель распространяется по лицензии Apache-2.0.

Модель francesca9805/hin-deva-100mb-after-ppt-Dp-10mb-packed-bfdiso-ckpt500_seed10 — дообученная с помощью TRL модель семейства GPT-2, разработанная на основе francesca9805/hin-deva-100mb-ppt-Dp-10mb-packed-bfdiso_seed10. Она предназначена для генерации текста и ответов на короткие открытые вопросы; в примере карточки показан формат диалога с вопросом пользователя. Модель работает через Transformers и опубликована в формате safetensors; длина контекста составляет 512 токенов. Карточка не приводит сведений о поддерживаемых естественных языках или лицензии.

Humanizer Gemma 4 E4B — модель для перефразирования текстов, созданная автором репозитория jialinyyzz на основе google/gemma-4-E4B. Она преобразует черновики, написанные языковой моделью, в текст, стилистически более похожий на человеческий, стараясь сохранять все факты, числа, имена, даты, цитаты и исходный смысл. Модель предназначена для редактирования научных и государственных текстов, студенческих эссе, электронных писем, сообщений на форумах и китайской прозы. Это текстовая generative-модель примерно на 4 млрд параметров с поддержкой английского и китайского языков. Доступны версия Transformers в формате bfloat16, а также GGUF-варианты Q8_0, Q6_K и bfloat16 для llama.cpp. Модель не является chat-моделью: для корректной работы требуется использовать предусмотренный формат prompt без системного сообщения и chat template. Обучение включало SFT на 28,6 тыс. пар, DPO на 1 898 парах и GRPO; основным критерием была точность сохранения исходной информации, а не прохождение детекторов. Сильные стороны модели — высокая сохранность фактов и низкая склонность к буквальному копированию; в указанной оценке v2 не допускала критических ошибок в 62 английских образцах. Английский работает лучше китайского, короткие тексты менее надёжны. Известны риски потери уточняющих формулировок, случайных искажений отдельных предложений и ошибок в числах, датах и направлении утверждений, поэтому результат требует проверки. Контекстное окно в README не указано. Модель распространяется по лицензии Gemma.

Карточка модели Usama1100/humanizer-llama3-8b-fp16-v2 на Hugging Face совпадает с карточкой Usama1100/humanizer-llama3-8b-fp16-v3, поэтому описание составлено по ней. Usama1100/humanizer-llama3-8b-fp16-v3 — дообученная языковая модель на архитектуре Llama 3, разработанная Usama1100 на основе unsloth/llama-3-8b-bnb-4bit. Карточка сообщает об обучении с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста. Название репозитория указывает на задачу гуманизации текста, однако README не описывает её явно, поэтому конкретные сценарии применения и качество в них не подтверждены. Модель содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и рассчитана на английский язык. В репозитории указаны веса в формате safetensors. Лицензия — Apache-2.0. Данных об оценках качества и известных ограничениях в карточке нет.

GAI-LLM/KoSOLAR-10.7B-mixed-v13 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Donghoon Oh, Hanmin Myung и Eunyoung Kim из SK C&C G.AI Eng. Модель содержит 10,7 млрд параметров, принимает текст и генерирует текст; базовая модель — yanolja/KoSOLAR-10.7B-v0.1. Для обучения использовался смешанный вариант Open Korean Dataset. Модель предназначена для генерации текста на корейском языке и сценариев, где требуется продолжение или создание текста. Контекстное окно составляет 4096 токенов. Для использования доступны веса в формате PyTorch через Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

mssma/ko-solar-10.7b-v0.5 — авторегрессионная языковая модель семейства Llama с 10,7 млрд параметров, опубликованная в формате safetensors для использования через Transformers. Карточка показывает загрузку модели и токенизатора для генерации текста; в метаданных задача указана как text-generation. Модель рассчитана на работу с корейским языком. Её контекст составляет 2048 токенов. Лицензия Apache 2.0 разрешает использование на её условиях. README не описывает специальные прикладные сценарии или результаты оценки качества.

AIdenU/LLAMA-2-13b-ko-Y24-DPO_v2.1 — корейская языковая модель для генерации текста, основанная на Llama 2 и дообученная методом DPO на базе AIdenU/LLAMA-2-13b-ko-Y24_v2.0. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель предназначена для генерации текста на корейском языке. В карточке приведён раздел генерации модели, но подробные сценарии, обучающие данные и сравнительные оценки не описаны. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

Mistral-Lora-Adapter-CS-Slerp — объединённая модель на основе Mistral-7B-Instruct-v0.2 и Mistral-7B-v0.1+predibase/customer_support, созданная Arcee AI с помощью mergekit методом SLERP. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста в диалогах и ответов на инструкции, в том числе на запросы службы поддержки. Модель принимает текст и выдаёт текст; контекст — до 32 768 токенов. Объединение сочетает инструкционную диалоговую модель с вариантом, настроенным для поддержки клиентов. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Языковая поддержка в предоставленных данных не перечислена.

Карточка модели OpenOneRec/OneRec-8B-pro на Hugging Face совпадает с карточкой OpenOneRec/OneRec-1.7B, поэтому описание составлено по ней. OneRec-1.7B — модель генеративных рекомендаций из семейства OpenOneRec, разработанного авторами проекта OpenOneRec. Она основана на плотной архитектуре Qwen3 и содержит около 1,8 млрд параметров. Модель предназначена для рекомендаций коротких видео, рекламы и товаров, а также для понимания пользовательских предпочтений, предсказания меток, диалоговых рекомендаций и объяснения рекомендаций. В модели история взаимодействий представляется последовательностью специальных Itemic Tokens, созданных с помощью иерархической векторной квантизации. По README, обучение включало совместное предварительное обучение, настройку на инструкции, дистилляцию и обучение с подкреплением. Модель работает с текстовым вводом и генерирует текст; контекст составляет до 40 960 токенов. README сообщает о результатах на RecIF-Bench и переносе на наборы Amazon, но практические инструкции по запуску ещё готовятся. Лицензия — Apache-2.0.

Модель ddd saty/OPEN_SOLAR_KO_10.7B_DPO_Adapter_Attach — объединённая версия базовой beomi/OPEN-SOLAR-KO-10.7B, подготовленная разработчиком репозитория. К базовой модели применили Direct Preference Optimization (DPO) на небольшом числе слоёв с использованием набора maywell/ko_Ultrafeedback_binarized, а затем объединили адаптер с базовыми весами. Это плотная авторегрессионная модель семейства Llama с 10,7 млрд параметров, предназначенная для генерации текста на корейском языке; метаданные указывают контекстное окно 2048 токенов. В карточке приведены результаты на Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Модель можно применять для ответов на вопросы, рассуждений и генерации текста на корейском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache 2.0.

GAI-LLM/OPEN-SOLAR-KO-10.7B-mixed-v15 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Donghoon Oh, Hanmin Myung и Eunyoung Kim из SK C&C G.AI Eng. Модель содержит 10,7 млрд параметров, принимает и генерирует текст; максимальная длина контекста — 2048 токенов. Модель предназначена для генерации текста на корейском языке. При обучении использовалась смешанная стратегия на основе набора Open Korean Dataset. Модель загружается через Transformers и хранится в формате PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. README не описывает результаты оценки качества; доступные сведения не позволяют определить её сильные стороны или дополнительные ограничения.

Helsinki-NLP/opus-mt-en-fj — модель машинного перевода проекта OPUS-MT на архитектуре Transformer-align, опубликованная Helsinki-NLP. Она переводит текст с английского языка на фиджийский; обучение основано на данных OPUS, а предварительная обработка включает нормализацию и SentencePiece. Модель содержит 53,8 млн параметров, использует архитектуру Marian и имеет контекст длиной 512 токенов. Модель подходит для перевода отдельных фраз и текстов с английского на фиджийский. В карточке приведены оценки BLEU 34,0 на JW300 и 62,5 на Tatoeba. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP разработала opus-mt-fr-ha — модель машинного перевода с французского языка на хауса. Она основана на архитектуре Transformer и распространяется как MarianMTModel; для обработки текста использует нормализацию и SentencePiece. Модель обучена на данных OPUS и предназначена для перевода отдельных текстов и документов с французского на хауса. В метаданных указаны 55,6 млн параметров и контекст до 512 токенов. Для набора JW300.fr.ha в карточке приведены оценки BLEU 24,4 и chr-F 0,447. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

francesca9805 выпустила дообученную модель goldfish-models/eng_latn_100mb на базе GPT-2. Модель предназначена для генерации текста; в карточке приведён пример ответа на открытый вопрос в формате чата. Обучение выполнено с использованием TRL. Модель использует плотную архитектуру GPT2LMHeadModel, веса опубликованы в формате safetensors. Контекст составляет 512 токенов. Базовая модель предназначена для генерации текста на английском языке; карточка не описывает отдельную предметную специализацию или ограничения качества. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-zipf-newlex-nor-before-100mb-packed-bfd_seed3407 — дообученная на TRL модель для генерации текста, созданная на основе goldfish-models/eng_latn_100mb. Она использует архитектуру GPT-2 и представлена в формате safetensors; метаданные указывают библиотеку Transformers и контекст длиной 512 токенов. Базовая модель предназначена для генерации на английском языке, а в карточке приведён пример продолжения ответа на вопрос на английском языке. Модель подходит для генерации и продолжения англоязычного текста по запросу. Конкретные результаты обучения и специализированные области применения в карточке не описаны. Лицензия в доступных данных не указана.

sungju-finetuned-zh-to-ko1 — дообученная модель перевода на основе alirezamsh/small100, опубликованная пользователем pigeon01. Она предназначена для перевода текста с китайского на корейский. Модель построена на архитектуре M2M-100, содержит 332,5 млн параметров, принимает текстовый ввод и выдаёт текст; родной контекст составляет 1024 токена. В карточке приведены результаты оценки на тестовом наборе: loss 2,0467 и BLEU 10,2096. Датасет обучения не назван, поэтому качество перевода и переносимость на другие типы текстов по этим значениям оценить нельзя. Модель распространяется по лицензии MIT.

Это дообученная с помощью TRL модель генерации текста на базе goldfish-models/tam_taml_100mb, построенная на архитектуре GPT-2. Она предназначена для продолжения текста и генерации ответов на пользовательские запросы; в карточке приведён пример вопроса для свободного рассуждения о выборе между путешествием в прошлое и будущее. Модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Сведения о конкретном наборе данных, качестве ответов и лицензии в предоставленных источниках отсутствуют.

WindyTranslate/translate-efi-fr — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-efi-fr на параллельных текстах для перевода с эфикского языка на французский. LoRA-адаптацию объединили с базовыми весами; модель использует архитектуру MarianMT, содержит 55,6 млн параметров и работает с контекстом до 512 токенов. Она принимает текст и выдаёт перевод. Репозиторий содержит веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

VerwaltungsAnthologie_Disco_simbad_7B — экспериментальная немецкоязычная модель для суммаризации текста, созданная MarcGrumpyOlejak слиянием языковых моделей методом SLERP через mergekit. В основе — архитектура Mistral с плотной причинно-языковой моделью на 7,1 млрд параметров; контекстное окно составляет 32 768 токенов. В карточке заявлены немецкий и английский языки, а основное назначение — сокращение немецких текстов, например новостных материалов. Автор описывает модель как второй пригодный для использования POC и указывает, что масштабные сравнения на текстах Tagesschau ещё предстоят; примеры использования в карточке не заполнены. Поэтому качество суммаризации не подтверждено широкими оценками. Лицензия — Apache-2.0.

Khoa разработал модель распознавания эмоций в английской речи на основе Wav2Vec2ForSequenceClassification. Она принимает аудиозаписи речи и относит их к одному из шести классов: грусть, гнев, отвращение, страх, радость или нейтральное состояние. Модель дообучена на наборе Speech Emotion Recognition Dataset с Kaggle и содержит 113,3 млн параметров. Модель подходит для анализа эмоциональной окраски английских реплик, например, в голосовых интерфейсах и записях разговоров. Репозиторий содержит веса в формате safetensors; для использования указаны Transformers и torchaudio. Лицензия — MIT.

harshit345/xlsr-wav2vec-speech-emotion-recognition — модель классификации эмоций в речи на основе архитектуры Wav2Vec2; по карточке она распознаёт пять классов: гнев, отвращение, страх, радость и грусть. Модель принимает аудио и выдаёт оценки принадлежности записи к эмоциональным классам. В примере README для одной записи наибольшую оценку получил гнев. Модель содержит 402,7 млн параметров, распространяется в формате PyTorch и связана с датасетом AESDD. Она предназначена для определения эмоциональной окраски речи, например для анализа записей разговоров. Указанный в карточке язык — английский. Лицензия — Apache-2.0. Оценка качества в README приведена лишь частично: показаны метрики для трёх классов, поэтому по этим сведениям нельзя судить о качестве на всех классах и на данных вне использованного датасета.