III.2Исследование рынка и маркетинг

Aquila-7B — плотная языковая модель семейства Aquila с архитектурой LLaMA и классом AquilaForCausalLM. Репозиторий qhduan/aquila-7b содержит модель объёмом 6,9 млрд параметров в формате PyTorch; базовое назначение — генерация текста. Модель рассчитана прежде всего на китайский язык, а длина контекста составляет 2048 токенов. Модель подходит для генерации продолжений текста и других сценариев, основанных на языковой генерации. README указывает, что открытые модели Aquila-7B и Aquila-33B распространяются по лицензии семейства Aquila; исходный код основан на Apache License 2.0. README не уточняет отдельные ограничения качества или безопасного применения.

Модель Francesca9805 — дообученная с помощью TRL версия goldfish-models/arb_arab_10mb на базе GPT-2. Она предназначена для генерации текста в ответ на запросы; в карточке приведён пример ответа на вопрос в формате диалога. Модель работает с текстом и имеет контекст длиной 512 токенов. Модель сохранена в формате Safetensors и доступна для использования через Transformers. README не уточняет набор данных, языки обучения или условия лицензии, поэтому область применения и качество ответов по конкретным темам по карточке определить нельзя.

BELLE-2/BELLE-Llama2-13B-chat-0.4M — чат-модель на архитектуре Llama 2, разработанная командой BELLE. Модель получена полным дообучением Llama-2-13B-chat на 0,4 млн китайских инструкций и предназначена для диалогов и выполнения инструкций с генерацией ответов на китайском языке. Она содержит 12,9 млрд параметров, принимает текст и поддерживает контекст до 2048 токенов. Модель рассчитана на китайские инструкции и диалоги; в метаданных также указана поддержка английского языка. Авторы отмечают, что ответы могут содержать фактические ошибки, вредный контент, а возможности рассуждения и программирования требуют улучшения. Лицензия указана как Llama 2; авторы запрещают коммерческое и потенциально вредоносное использование и ограничивают применение исследовательскими целями.

Модель farsd7ir/bert-base-uncased-finetuned-clinc — дообученная версия DistilBERT для классификации текста. По README, на наборе для оценки она достигла точности 0,9161 при значении функции потерь 0,8061; название указывает на настройку для CLINC, но README сообщает, что обучающий датасет неизвестен. Модель принимает текст и выдаёт метку класса; архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель предназначена для классификации коротких текстовых запросов. Карточка не описывает набор меток, обучающие данные или ограничения применимости результатов. Распространяется по лицензии Apache-2.0.

Aruno/Bloom-FR-160m — авторегрессионная языковая модель семейства BLOOM, разработанная автором репозитория и обученная на корпусе французских текстов. Модель содержит 206,4 млн параметров и предназначена для генерации текста на французском языке. Её можно использовать для продолжения французского текста и создания коротких текстовых фрагментов. В конфигурации указаны словарь размером 10 000 токенов, 12 слоёв и 8 голов внимания. Репозиторий содержит веса PyTorch; модель работает с текстом и выдаёт текст. Модель распространяется по лицензии BigScience BLOOM RAIL 1.0. Карточка не приводит оценок качества или описания специальных ограничений; как небольшая языковая модель, она может генерировать неточные или неуместные продолжения и не гарантирует надёжность фактов.

candor_o_30 — дообученная автором fpadovani GPT-2-модель для генерации текста. В репозитории указаны архитектура GPT2LMHeadModel, формат safetensors и контекст до 1024 токенов. Карточка сообщает результат оценки: loss 3,4925, но не описывает назначение модели, обучающие данные или конкретные сценарии применения. Лицензия и базовая модель не указаны.

Chitti-Base-model-for-GPT-v4 — дообученная модель на базе Dhahlan2000/Chitti-Base-model-for-GPT-v3, разработанная Dhahlan2000. Это текстовая модель архитектуры T5 с 38,5 млн параметров и контекстом 512 токенов; веса опубликованы в формате Safetensors. Метаданные классифицируют её как модель генерации текста по тексту. Карточка сообщает, что модель дообучена на неизвестном наборе данных, но не описывает её целевую задачу, сценарии применения или языки. В оценке указаны Loss 3,1847, BLEU 2,2129 и средняя длина генерации 13,0373; без сведений о наборе данных и методике оценки эти результаты трудно интерпретировать. Лицензия — Apache 2.0.

Карточка модели nick911/flux1-dev-test-fp8 на Hugging Face совпадает с карточкой black-forest-labs/FLUX.1-schnell, поэтому описание составлено по ней. FLUX.1 [schnell] — модель генерации изображений по текстовому описанию, разработанная Black Forest Labs. Это трансформер rectified flow с 12 млрд параметров, обученный методом дистилляции latent adversarial diffusion. Модель создаёт изображения за 1–4 шага и доступна для работы через Diffusers и ComfyUI. Модель предназначена для быстрого создания изображений по промптам и может использоваться в творческих, научных и коммерческих проектах. Качество генерации и следование промпту конкурентоспособны с закрытыми моделями, но результат зависит от формулировки запроса и может не совпасть с ним. Модель не предназначена для предоставления фактической информации и может усиливать общественные предубеждения. Лицензия — Apache-2.0; README также перечисляет ограничения на незаконное и вредоносное использование.

Модель LYTinn/gpt2-finetuning-sentiment-model-3000-samples — дообученная на наборе IMDb модель GPT-2 для классификации тональности текстов. Она использует архитектуру GPT2ForSequenceClassification и предназначена для определения тональности отзывов, в частности отзывов о фильмах. Модель принимает текст и выдаёт метки классов. В карточке приведены результаты оценки на тестовой выборке: accuracy 0,6467 и F1 0,6159; эти показатели указывают на ограниченное качество классификации. Контекст модели составляет 1024 токена. Веса представлены в формате PyTorch, лицензия — MIT. Карточка не уточняет набор меток и языки обучающих данных, поэтому область применения за пределами IMDb не подтверждена.

akahana/gpt2-indonesia — авторская карточка модели не содержит подробностей, однако метаданные указывают на генеративную языковую модель семейства GPT-2, опубликованную пользователем akahana. Она предназначена для продолжения текста и генерации текста на индонезийском языке. Модель использует архитектуру GPT2LMHeadModel с плотными слоями и принимает текст, выдавая текст. Указанная длина контекста — 1024 токена. Репозиторий содержит веса в форматах PyTorch, Safetensors и TensorFlow. Сведения о размере модели, лицензии и конкретных ограничениях качества отсутствуют в доступных источниках.

Kolors-IP-Adapter-FaceID-Plus — модуль весов и код вывода, разработанные командой Kolors на базе Kolors. Он предназначен для генерации изображений по текстовому описанию с сохранением сходства лица и его структуры по референсному изображению. Для этого используются эмбеддинги идентичности лица, полученные с помощью InsightFace, и CLIP-признаки области лица; модуль обучен на крупном наборе качественных изображений лиц. Модель применяется как адаптер к Kolors-BaseModel в библиотеке Diffusers. В оценке на наборе из более чем 200 референсных изображений и текстовых запросов авторы сообщили о более высоких показателях сходства лиц и визуального качества по сравнению с SDXL-IP-Adapter-FaceID-Plus; это сравнение проводилось с китайскими запросами для Kolors и английскими для SDXL. Лицензия репозитория — Apache-2.0. Для работы требуются базовая модель Kolors и компоненты InsightFace.

Модель faxoi/llama-3.2-3b-price-engine-Rev1 — дообученная faxoi языковая модель семейства Llama 3.2 с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она создана на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit и предназначена для генерации текста в формате диалога; название указывает на ценовую тематику, но карточка не описывает специальные функции или подтверждённые сценарии работы с ценами. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет заявленный контекст длиной до 131 072 токенов. В репозитории указаны веса safetensors; базовая модель использует 4-битное представление bnb. Лицензия — Apache-2.0. Карточка не содержит результатов оценки качества и подробностей обучающих данных, поэтому пригодность для конкретных ценовых задач следует проверять на собственных примерах.

MeloTTS-Chinese — китайская модель синтеза речи из текста, разработанная MyShell.ai и входящая в мультиязычную библиотеку MeloTTS. Она предназначена для преобразования текста в речь; для китайского голоса заявлена поддержка смешанного китайско-английского текста. По README, инференс достаточно быстрый для работы в реальном времени на CPU. В репозитории указаны веса PyTorch и лицензия MIT.

Azerbaijan mGPT 1.3B — языковая модель семейства mGPT, разработанная ai-forever для генерации текста на азербайджанском языке. Это дообученная версия mGPT-XL (1,3 млрд параметров), архитектура GPT-2 с плотными слоями. Базовая модель обучалась на 61 языке; эту версию дополнительно обучили на данных для азербайджанского языка в течение 70 000 шагов. Контекстное окно — 2048 токенов. Модель предназначена для продолжения и генерации азербайджанского текста, включая сценарии с латинской и арабской письменностью. В README приведено значение perplexity 5,37 на валидации. Модель распространяется с лицензией MIT. Карточка не описывает диалоговую настройку или специализированные прикладные функции.

Мультиязычная модель анализа тональности коротких текстов, разработанная для классификации твитов о COVID-19. Она основана на XLM-RoBERTa и дообучена для sequence classification на 18 437 530 мультиязычных твитах, собранных с марта 2020 по ноябрь 2021 года. Модель относит текст к одному из двух классов: positive или negative; метки в обучающих данных автоматически назначались по наличию позитивных и негативных эмотиконов. Модель подходит для оценки тональности сообщений о COVID-19 и анализа больших массивов коротких публикаций на разных языках. Число параметров — 305,2 млн, контекст — до 514 токенов. Базовая модель — sentence-transformers/stsb-xlm-r-multilingual; веса доступны в формате PyTorch. Лицензия — Apache-2.0.

NoLBERT — англоязычный двунаправленный трансформерный энкодер, разработанный для анализа текста с учётом временной точки и снижения временной утечки при прогнозировании. Он основан на архитектуре DeBERTa base и использует токенизатор ByteLevelBPE, обученный на том же корпусе. По метаданным модель содержит 136,3 млн параметров, принимает последовательности длиной до 512 токенов и распространяется под лицензией MIT. Модель предобучена на корпусе примерно из 1 млрд слов, собранном из материалов 1976–1995 годов; валидационные данные относятся к 1996 году. Корпус включает парламентские вопросы и ответы, диалоги телешоу, тексты песен, патенты, документы FOMC, книги, газеты, предвыборные материалы и научные статьи. Ограничение периода призвано уменьшить lookahead bias при тестировании стратегий на данных после 1995 года и lookback bias, связанный с изменением значений слов во времени. Основная задача по метаданным — заполнение маскированных токенов; README также описывает получение текстовых представлений. Авторы сообщают о результатах на COLA, SST-2, QQP, MNLI и QNLI, но качество на конкретных задачах зависит от настройки и данных пользователя.

Модель gwonny/nox-solar-10.7b-v4-kolon-ITD-5-v2.0 — языковая модель для диалоговой генерации текста, разработанная для Kolon. Это дообученная версия davidkim205/nox-solar-10.7b-v4: авторы сообщают об использовании QDoRA с параметрами 256 и 64 и NEFTune, пяти эпохах обучения и частных данных. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 10,6 млрд параметров; нативное контекстное окно — 4096 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для генерации ответов и диалоговых сценариев, связанных с Kolon. В карточке указаны корейский и английский языки, однако сведения о качестве на отдельных задачах и более конкретных сценариях использования не приведены. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

RealismEngine_v1 — модель генерации изображений по текстовому описанию, опубликованная digiplay и основанная на Stable Diffusion 2.1. Автор указывает сценарии использования: дизайн интерьеров, рекламный дизайн и создание фэнтезийных постеров. Модель распространяется в форматах Diffusers, PyTorch и Safetensors. README не сообщает размер модели, поддерживаемые языки, длину контекста или лицензионные условия; метаданные обозначают лицензию как other. Практическое качество и ограничения для отдельных сценариев по карточке не описаны.

TinyBrainBot 350M V3 Instruct — англоязычная модель-генератор текста, разработанная автором репозитория nkthebass. Модель с архитектурой Llama и примерно 348 млн параметров предварительно обучена с нуля на 22,7 млрд токенов, затем дообучена на инструкциях. Она поддерживает диалоговый формат и следование инструкциям, а контекст составляет до 2048 токенов. Модель предназначена для коротких ответов на прямые вопросы, ответов на простые фактические вопросы и объяснения понятий. В сравнении с TinyBrainBot 100M V3 Instruct она показала лучшие результаты в четырёх из семи приведённых тестов. При этом точность конкретных фактов ограничена: модель может уверенно выдумывать детали, слабо поддерживает длинный диалог и ненадёжна в арифметике. Обучение почти полностью велось на английском языке. Модель доступна по лицензии Apache-2.0.

WindyTranslate/translate-es-sm — модель машинного перевода с испанского на самоанский, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-es-sm: LoRA-дообучение на параллельных текстах объединено с исходными весами. Модель MarianMT содержит 55 млн параметров, принимает текст и предназначена для одного направления перевода — с испанского на самоанский. Длина контекста составляет 512 токенов; веса доступны в формате safetensors и загружаются через Transformers. В проверке на 48 примерах FLORES-200 модель получила chrF++ 30,76 и BLEU 10,37; авторы обозначают результат как пригодный для использования, но подчёркивают, что это скрининговая оценка, а не результат публикационного исследования. Модель распространяется по лицензии Apache-2.0. Качество перевода зависит от текста, а указанная оценка основана на небольшой выборке.

Модель padmalcom/wav2vec2-large-emotion-detection-german — классификатор эмоций в речи на базе архитектуры wav2vec2, обученный на наборе данных emo-DB. Разработчик README не назван. Модель содержит 402,7 млн параметров и предназначена для классификации аудио на семь классов: гнев, скука, отвращение, страх, счастье, грусть и нейтральное состояние. Модель принимает аудио и выдаёт метку эмоционального класса. Она рассчитана на немецкую речь и может применяться для анализа эмоциональной окраски высказываний, например в записях диалогов. В репозитории указана лицензия Apache-2.0. Качество на других языках и вне данных emo-DB не описано; классификатор ограничен заданными семью классами.

xiaoheizi-3b — китайская языковая модель автора yuanzhoulvpi для генерации текста. Это плотная авторегрессионная модель архитектуры GPT-NeoX на 3,5 млрд параметров, основанная на dolly_v2_3b и дообученная на китайском наборе BelleGroup/train_1M_CN. Она предназначена для генерации китайского текста и ответов в сценариях, где требуется текстовая генерация. Контекст модели составляет 2048 токенов; модель работает через Transformers и опубликована в формате PyTorch. В README указана возможность коммерческого использования. Метаданные указывают лицензию Apache-2.0. Карточка описывает обучение на китайских данных и не приводит оценки качества или подробных ограничений применения.

CogVideoX-2B — открытая модель генерации видео из текста, разработанная командой CogVideoX и происходящая от QingYing. Она создаёт видеоролики по англоязычному текстовому описанию сцены и движения; примеры в карточке показывают как предметные и природные сцены, так и драматические сюжеты. Модель рассчитана на запуск через библиотеку diffusers и использует архитектуру CogVideoXPipeline; веса представлены в формате safetensors. Версия 2B обучена с точностью FP16. Для инференса можно применять оптимизации diffusers и квантизацию модулей, чтобы снизить требования к видеопамяти; квантизация может замедлить генерацию. Описанные проверки памяти проводились на NVIDIA A100 и H100, а применимость оптимизаций на других устройствах явно не подтверждена. Модель принимает только английские запросы; для других языков README предлагает предварительный перевод. Лицензия — Apache-2.0.

CyberRealistic — модель генерации изображений по текстовому описанию от Cyberdelia, основанная на архитектуре Stable Diffusion 1.5. Версия v8.0 распространяется в формате safetensors и включает встроенный VAE; в README указан размер файла около 6,3 ГБ. Модель ориентирована на фотореалистичные изображения, особенно портреты людей, и рассчитана на работу с простыми промптами. Она подходит для создания портретов, fashion-изображений и кинематографичных сцен. В README рекомендованы 25–30 шагов сэмплирования и разрешение 512×512; для большего разрешения предлагается Hires.fix. Лицензия в метаданных указана как CreativeML OpenRAIL-M. Реалистичная направленность может ухудшать результаты для абстрактных и аниме-промптов. В отдельных настройках освещение и кожа могут выглядеть чрезмерно гладкими; модель также способна создавать чувствительный контент.

Dear_My_best_Friends-v2-13B — корейская текстовая генеративная модель, разработанная Сыню Ли (DopeorNope) в сотрудничестве исследовательского консорциума компаний Media Group People and Forest и Marker. Это авторегрессионная плотная языковая модель на архитектуре LLaMA 2 с 12,9 млрд параметров и контекстом 2048 токенов. Модель принимает текст и генерирует текст; она прошла дообучение методом DPO на основе SFT-модели, подготовленной на данных для диалогового обучения и предпочтений. Указанная базовая SFT-модель Dear_My_best_Friend-SFT-v2-13B не опубликована в репозитории. Модель предназначена для генерации корейского текста и диалоговых ответов. Карточка не приводит оценок качества или подробных тестов, а обучающие наборы данных обозначены как закрытые. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ под той же лицензией, но запрещает коммерческое использование.

FineWeb-Marketing Classifier — модель marketeam для оценки качества маркетинговых текстов по шкале от 0 до 5. Это регрессионная модель на базе замороженного энкодера Snowflake Arctic Embed v2.0 объёмом 305 млн параметров и обучаемой MLP-головы примерно на 591 тыс. параметров. Она выдаёт одну оценку для документа по критериям релевантности, компетентности, профессионализма и экспертности. Модель предназначена прежде всего для пакетной фильтрации и ранжирования больших веб-корпусов: отбора материалов для предобучения и дообучения профильных языковых моделей, а также поиска качественных маркетинговых страниц и статей. Обучена на 495 тыс. англоязычных документов FineWeb с оценками, полученными от Gemma-3-27B-it; на отложенной выборке из 50 тыс. документов Spearman достиг 0,7953. Модель поддерживает классификационный интерфейс Transformers и использует форматы PyTorch и Safetensors. Модель доступна по лицензии Apache-2.0. Для загрузки с пользовательской архитектурой требуется transformers версии 4.46.x и включение trust_remote_code; перед этим README рекомендует проверить файлы кода репозитория. Модель обучена только на английских маркетинговых материалах, выдаёт единую оценку без разбивки по критериям, а оценки зависят от калибровки Gemma. Примеров с максимальной оценкой 5 в обучающей выборке почти нет, поэтому абсолютные пороги требуют осторожной настройки.

korean-style-converter-6b — корейская языковая модель для переформулирования текста в заданной манере речи. Она дообучена автором на базе beomi/Yi-Ko-6B с использованием наборов korean_smile_style_dataset и нескольких наборов AIHUB по преобразованию корейской речи и диалектам. Это плотная авторегрессионная модель семейства Llama с 5,9 млрд параметров и контекстом 2048 токенов. Модель принимает исходный корейский текст и название целевого стиля, после чего генерирует переписанный вариант. Поддерживаются вежливые и разговорные регистры, стилизованная интернет-речь, игровые персонажные манеры и диалекты Кёнсандо, Чхунчхондо, Чолладо, Канвондо и Чеджу. Диалектные преобразования могут быть неточными; для остальных стилей автор заявляет взаимное преобразование. Модель ориентирована на корейский язык и распространена в формате Safetensors. Лицензия — CC-BY-NC 4.0, поэтому коммерческое использование не разрешено. Автор также снимает с себя ответственность за результаты генерации.

Карточка модели faxoi/llama-3.2-3b-price-engine-Rev2 на Hugging Face совпадает с карточкой faxoi/llama-3.2-3b-price-engine-Rev1, поэтому описание составлено по ней. Модель faxoi/llama-3.2-3b-price-engine-Rev1 — дообученная faxoi языковая модель семейства Llama 3.2 с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она создана на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit и предназначена для генерации текста в формате диалога; название указывает на ценовую тематику, но карточка не описывает специальные функции или подтверждённые сценарии работы с ценами. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет заявленный контекст длиной до 131 072 токенов. В репозитории указаны веса safetensors; базовая модель использует 4-битное представление bnb. Лицензия — Apache-2.0. Карточка не содержит результатов оценки качества и подробностей обучающих данных, поэтому пригодность для конкретных ценовых задач следует проверять на собственных примерах.

Qwen3-4B-Evasion — разработанная FutureMa специализированная плотная языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для классификации ответов руководителей компаний на вопросы в ходе финансовых звонков. Модель относит ответ к одной из трёх категорий по таксономии Rasiah: прямой ответ, частично уклончивый или полностью уклончивый. Модель предназначена для анализа прозрачности корпоративных ответов, исследования финансовой коммуникации и разметки стенограмм earnings call. Она содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README указаны обучение на 27 097 парах вопросов и ответов и точность 75,08% на тесте из 297 размеченных человеком примеров. Поддерживается английский язык; лицензия — Apache-2.0. На тесте полнота для прямых ответов составляла 54,74%, поэтому модель может пропускать такие ответы; качество на других типах текста не установлено, а оценки уверенности могут требовать калибровки. Результаты не следует использовать как единственное основание для инвестиционных решений; для важных применений рекомендуется проверка человеком.

Alignment-Lab-AI/Vid — репозиторий модели LTX-Video, разработанной Lightricks. Это диффузионная модель для генерации видео по изображению; в карточке также описан режим генерации видео с несколькими визуальными условиями. Модель построена на архитектуре DiT и предназначена для создания реалистичных видеосцен. Для семейства указаны варианты на 2B и 13B параметров, включая ускоренные дистиллированные версии; размер именно этого репозитория в доступных данных не указан. В README заявлена генерация видео с частотой 30 кадров/с и разрешением до 1216×704 в реальном времени. Для работы с моделью подходят разрешения, кратные 32, и число кадров вида 8n+1; рекомендуются разрешения до 720×1280 и ролики короче 257 кадров. Запросы рекомендуется формулировать на английском, причём качество следования запросу зависит от стиля и подробности описания. Модель может не точно передавать запрос, не предназначена для выдачи фактической информации и может усиливать социальные предубеждения. Метаданные указывают лицензию other; README перечисляет лицензии для вариантов семейства, но конкретные условия для этого репозитория требуют проверки соответствующего лицензионного документа.