III.2Исследование рынка и маркетинг

avsolatorio/GIST-Embedding-v0_en-tr_all-jobs — англоязычная модель эмбеддингов предложений на базе Sentence Transformers, дообученная на 380 890 парах вакансий на английском и турецком языках. Она использует архитектуру BERT с 136,7 млн параметров, преобразует текст в нормализованные векторы размерностью 768 и сравнивает их по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов о вакансиях, поиска перефразировок, кластеризации и извлечения признаков для классификации. В README приведена оценка на наборах en-tr-jobs-validation и en-tr-jobs-test, но эти результаты относятся к указанным наборам данных. Лицензия — MIT.

Lanni-ni/hard_3gram_2_4_256_babylm_10m_seed43 — небольшая модель генерации текста, опубликованная на Hugging Face. В метаданных она отнесена к задаче text-generation, использует библиотеку Transformers и содержит около 14,7 млн параметров. README создан автоматически и не предоставляет сведений о разработчике, архитектуре, языках, обучающих данных или исходной модели. Модель может применяться для экспериментов с генерацией текста, тестирования компактных языковых моделей и разработки прототипов на базе Transformers. Лицензия в доступных данных не указана, поэтому условия использования необходимо уточнить перед применением модели.

Модель Humor Intelligence — DistilBERT разработана автором репозитория iamahmadyasin и дообучена на DistilBERT для оценки юмористичности шуток. На вход она принимает текст шутки и выдаёт числовую оценку от 0 до 11, основанную на log-шкале оценок сообщества Reddit. Модель содержит 66 млн параметров, использует архитектуру DistilBERT и контекст до 512 токенов; обучение проводилось на 340 тысячах англоязычных шуток из rJokes. Модель предназначена для ранжирования шуток и анализа их предполагаемой популярности в сценариях вроде сортировки пользовательских шуток или исследовательского анализа юмора. На очищенной от повторов тестовой выборке автор сообщает коэффициент Спирмена 0,4118. Это компактная модель с результатом, близким к RoBERTa-base в указанном сравнении, однако оценки отражают предпочтения сообщества Reddit, а не объективную смешность. Модель склонна к средним значениям и ненадёжна на краях шкалы. Распространяется по лицензии MIT.

HY-WU — разработанная Tencent система условной генерации изображений, которая создаёт для каждого запроса низкоранговые адаптеры LoRA на основе изображения и текстовой инструкции и применяет их к замороженной базовой модели во время прямого прохода. Такой подход позволяет адаптировать генерацию к конкретному экземпляру без оптимизации на этапе вывода и без дообучения базовой модели. Модель предназначена для редактирования и преобразования изображений по инструкциям, включая перенос одежды и текстур, виртуальную примерку и перенос внешности персонажа. В README заявлена совместимость с крупными базовыми моделями; приведён пример конфигурации с базой на 80 млрд параметров и требованием многокарточного GPU-инференса. В метаданных указаны формат safetensors и базовая модель tencent/HunyuanImage-3.0-Instruct. Качество оценивалось в сравнении с другими моделями, но README не приводит подробностей протокола оценки. Для работы необходима базовая модель; сам HY-WU генерирует её адаптеры и не является самостоятельной универсальной моделью генерации изображений. Лицензия в предоставленных данных не указана.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-aligned на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt-aligned-numbered на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

d0rj/looped-51M-base — англоязычная базовая языковая модель, разработанная с нуля для эксперимента по абляциям Tiny LLM. Это плотная авторегрессионная модель семейства looped_lm с архитектурой LoopedLMForCausalLM; в README указано 50,869,760 параметров, а в метаданных — 221,2 млн, поэтому размер в источниках расходится. Контекст — 2048 токенов. Модель обучалась на FineWeb-Edu sample-10BT и предназначена для генерации текста и исследовательской оценки базовых языковых моделей. Модель не проходила настройку на инструкции и не рассчитана на диалог как готовый ассистент. В README приведены авторские результаты zero-shot оценки на языковых бенчмарках и условного продолжения WikiText-2; они не являются подтверждённой оценкой на официальной таблице лидеров. Чекпойнт доступен в формате safetensors для Transformers, загрузка пользовательского кода требует trust_remote_code=True. Лицензия в предоставленных данных не указана.

NextAura-qwen2.5-0.5b-v2 — компактный чат-ассистент компании NextAura Inc., созданный полнопараметрическим дообучением с учителем модели Qwen/Qwen2.5-0.5B-Instruct. Модель содержит 494 млн параметров, использует архитектуру Qwen2 для генерации текста и принимает диалоговые запросы. Её обучали отвечать на вопросы об проектах и приложениях NextAura, а также об истории искусственного интеллекта; контекст модели составляет 32 768 токенов. Модель предназначена для коротких диалогов и ответов на вопросы, особенно по материалам NextAura и отдельным темам истории ИИ. Она работает на английском языке. По опубликованной оценке, дообучение улучшило результаты на небольшом наборе проверочных запросов, однако проверка состояла всего из 10 промптов. Модель может уверенно выдумывать факты, ошибаться в простой арифметике и многошаговых задачах, путать свою идентичность и выдавать фиктивные строки, похожие на ключи или учётные данные. Фактические ответы следует проверять, а сгенерированные строки, похожие на секреты, нельзя считать настоящими. Обучающие данные не опубликованы. Лицензия — Apache-2.0.

camenduru/plushies-pt — модель генерации изображений по тексту на основе Stable Diffusion, обученная автором camenduru на TPU Google Cloud и преобразованная в формат PyTorch для использования с библиотекой Diffusers. В метаданных указаны поддержка английского языка и обучающий набор camenduru/plushies. Модель предназначена для создания изображений плюшевых игрушек по текстовым запросам. Обучение заняло 3 часа 26 минут 44 секунды и включало 18 000 шагов с точностью bf16 и скоростью обучения 1e-6. Репозиторий распространяется по лицензии OpenRAIL. Карточка не сообщает размер модели, длину контекста или подробные сведения о качестве и ограничениях генерации. Результаты зависят от текстового запроса и могут не точно передавать желаемый вид игрушки.

DeepVTO — модель для виртуальной примерки одежды, опубликованная пользователем gouthaml на Hugging Face. Она предназначена для создания изображений с помощью Stable Diffusion и описана как сочетание DreamBooth, извлечения признаков EfficientNetB3 и оценки ключевых точек тела OpenPose. Модель рассчитана на сценарии виртуальной примерки в онлайн-торговле и эксперименты с визуализацией одежды на человеке. В карточке указаны архитектура U-Net и использование Stable Diffusion 1.5; для работы рекомендованы PyTorch и GPU A100 с большим объёмом памяти. Метаданные указывают форматы Diffusers, PyTorch и Safetensors и лицензию CreativeML OpenRAIL-M. Способ подачи входных изображений и точный контекст не описаны.

Recurrent-TinyLlama-3T-train-recurrence-32 — экспериментальная рекуррентная языковая модель из набора Retrofitting Recurrence, разработанная автором smcleish. Модель получена на основе предварительно обученной TinyLlama: её слои преобразованы для рекуррентного выполнения, а обучение проведено на непересекающихся выборках текстовых данных из датасета NVIDIA Nemotron-CC-Math-v1. Это не модель, настроенная на выполнение инструкций. Модель предназначена для генерации текста и экспериментов с глубиной вычислений: параметр num_steps позволяет менять число шагов рекуррентного прохода во время вывода. Архитектура — плотная причинная языковая модель RavenForCausalLM, реализованная через Transformers; указанное нативное контекстное окно составляет 2048 токенов. Для загрузки автор указывает trust_remote_code=True. Модель принимает текст и генерирует текст; карточка указывает английский язык. Лицензия — Apache-2.0. Практическое ограничение: модель не обучалась следовать инструкциям, поэтому её не следует считать готовым чат-ассистентом; поведение при разных значениях num_steps может требовать отдельной оценки.

SCHP-LIP-20 — модель семантической сегментации людей, основанная на ResNet-101 и методе Self-Correction Human Parsing. Разработчик этой карточки упаковал чекпойнт для API Transformers AutoModel; исходный проект — PeikeLi/Self-Correction-Human-Parsing. Модель обучена на наборе LIP и размечает изображение по 20 классам одежды, частей тела, аксессуаров и фона. Она принимает изображение размером 473 × 473 пикселя и выдаёт попиксельные оценки классов, а также выходы parsing и edge heads. Модель предназначена для выделения областей одежды и частей тела на фотографиях людей: эти маски можно использовать для извлечения палитры одежды, маркировки товаров, предварительной обработки для виртуальной примерки и ускорения аннотации данных. На валидационной части LIP указана метрика mIoU 59,36%. Для репозитория доступны форматы Safetensors и ONNX; README приводит результаты ускорения ONNX и INT8-квантизации. Лицензия — MIT. Качество зависит от соответствия изображениям и классам LIP; заявленная метрика относится к валидации этого набора. Модель предназначена для одиночного human parsing и не описана как универсальный сегментатор произвольных объектов.

mandeepmotan/AeroCart-Support-Bot-SFT — дообученная языковая модель на архитектуре Llama для генерации текста. Разработчик — mandeepmotan; модель создана на основе unsloth/llama-3.2-1b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. По названию она предназначена для ответов на вопросы службы поддержки AeroCart. Модель содержит 1,2 млрд параметров, принимает текст и генерирует текст. В метаданных указан контекст до 131 072 токенов и английский язык. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

bcms-bertic-parlasent-bcs-ter — классификатор тональности предложений, разработанный на основе classla/bcms-bertic и дообученный на наборе BCS Political Sentiment. Модель относит текст к одному из трёх классов: Negative, Neutral или Positive. Модель предназначена для определения политической тональности текстов на боснийском, хорватском и сербском языках. Её можно применять для анализа тональности отдельных предложений и сравнительного анализа политических высказываний. Архитектура — ELECTRA с головой классификации последовательностей; размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. В README указана средняя macro F1 0,7941 ± 0,0101 в описанных авторами запусках. Модель принимает текст и выдаёт метку класса тональности. Она обучена на предложениях из политического домена, поэтому результаты на других темах и языках могут быть хуже; классификация ограничена тремя категориями. Условия лицензирования в доступных сведениях не приведены.

ashiqabdulkhader/biriyani-food — модель генерации изображений на основе Stable Diffusion, дообученная автором ashiqabdulkhader методом DreamBooth на изображениях бирьяни. Она создаёт изображения по текстовому описанию; для генерации бирьяни в карточке рекомендуется использовать запрос «a photo of biriyani food». Модель предназначена для иллюстраций еды и тематических визуальных материалов. Репозиторий распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M.

opantama/distilroberta-ai-job-embeddings — англоязычная модель Sentence Transformer, дообученная разработчиком opantama на наборе ai-job-embedding-finetuning для представления запросов и описаний вакансий в общем векторном пространстве. Она использует архитектуру RoBERTa на базе sentence-transformers/all-distilroberta-v1, содержит 95,2 млн параметров и формирует нормализованные эмбеддинги размерности 768; сходство текстов можно оценивать косинусным сходством. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска вакансий по запросу, сравнения текстов, поиска перефразировок и кластеризации. В README приведена оценка cosine accuracy 1.0 на 101 примере валидации и 101 примере теста, однако эти результаты относятся только к указанным небольшим наборам данных. Модель принимает текст и выдаёт векторы; в карточке указаны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

huggingtweets/drsweety303 — модель генерации текста на базе GPT-2, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на твитах Dr. Roberta Bobby (@drsweety303): в наборе было 3227 твитов, включая 415 ретвитов и 346 коротких твитов. Модель предназначена для продолжения коротких текстовых затравок и генерации постов в стиле автора исходных твитов. Её можно запускать через text-generation pipeline библиотеки Transformers. Контекст модели составляет 1024 токена; карточка указывает английский язык и формат PyTorch. Генерация отражает содержание и особенности твитов обучающего пользователя, поэтому вывод может воспроизводить их смещения. Также модель наследует ограничения и предвзятости GPT-2. Лицензия в предоставленных данных не указана.

Gemma-iraqi-finetune-v2 — разговорная модель для общения на иракском диалекте арабского языка, созданная Ameer4wisam на основе google/gemma-4-E12B-it. Модель дообучена методом LoRA, затем объединена с базовыми весами в формате bf16; README описывает настройку только языковых слоёв. В метаданных указаны архитектура Gemma 4 Unified, плотная модель и формат safetensors. Модель предназначена для коротких прямых ответов в диалогах о продажах, покупках, услугах и повседневных ситуациях. В сценариях продавца её можно использовать для ведения беседы, ответов по переданному каталогу и понимания уточняющих вопросов в контексте. Карточка сообщает об обучении на 163 429 диалогах и проверке диалогов до 12 ходов; поддержка общения на арабском и английском указана в метаданных, но специализация — иракский диалект. Для надёжной работы с ценами и другими фактами README рекомендует передавать явный каталог и использовать детерминированную генерацию; скидки и итоги следует рассчитывать внешним кодом. Модель может придумывать числа, ошибаться в вычислениях, предлагать замену отсутствующему товару и отвечать хуже за пределами продаж и услуг. Лицензия — Gemma; применяйте модель на условиях лицензии Google Gemma.

GPT2 中文对话生成模型由 shibing624 发布， предназначена для генерации ответов в бытовом китайском чате. В карточке описана исходная плотная архитектура GPT-2 с классом GPT2LMHeadModel; модель принимает текст и генерирует текст, поддерживает китайский язык, а её контекст составляет 300 токенов. Автор сообщает, что модель обучалась на распространённых китайских разговорных корпусах, включая Xiaohuangji, Douban, диалоги из телесериалов, форумы, Weibo, PTT и Qingyun, и приводит пример ответа на реплику о самочувствии. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Lanni-ni/hard_2gram_4_6_384_babylm_100m_seed43 — небольшая модель генерации текста, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. По метаданным модель содержит 27,6 млн параметров и поддерживает задачу text-generation, то есть продолжение или создание текста по заданному контексту. Модель может использоваться для экспериментов с авторегрессионной генерацией текста, тестирования пайплайнов Transformers и исследовательских задач, где требуется компактная языковая модель. Идентификатор указывает на связь с названием BabyLM и конфигурацией hard_2gram_4_6_384, однако README не содержит подтверждённого описания архитектуры, обучающих данных, языков, разработчика или исходной модели. Сильной стороной модели является небольшой размер, благодаря которому её проще запускать и изучать по сравнению с крупными языковыми моделями. README практически не заполнен: сведения о лицензии, качестве, оценочных метриках, ограничениях и рекомендуемых сценариях отсутствуют, поэтому результаты следует проверять на собственных данных.

camenduru/IDM-VTON-F16 — это опубликованный пользователем camenduru вариант модели IDM-VTON, разработанной авторами во главе с Yisol Choi; в репозитории указана благодарность yisol. Модель предназначена для image-based virtual try-on: по изображению человека и изображению одежды она генерирует изображение человека в выбранном предмете гардероба. Основной сценарий — виртуальная примерка одежды на фотографиях, включая работу с наборами VITON-HD и DressCode, на которых оценивался оригинальный метод. Репозиторий классифицирует модель как Image-to-Image и StableDiffusionXLInpaintPipeline в формате Diffusers. В составе находятся компоненты Stable Diffusion XL inpainting, включая text encoder, UNet, VAE, tokenizer и дополнительные каталоги модели. Это визуальная модель, а не языковая; сведения о поддерживаемых языках, размере контекстного окна и точном числе параметров для данного варианта не указаны. Размер файлов репозитория составляет около 6 ГБ, а для запуска в примере используется torch.bfloat16 и GPU. Сильная сторона модели — генерация реалистичных изображений виртуальной примерки с сохранением внешнего вида человека и характеристик одежды в различных сценах. Ограничения включают зависимость от качества и соответствия входных изображений, необходимость значительных вычислительных ресурсов и отсутствие подробной карточки модели с результатами оценки, ограничениями безопасности и точными характеристиками именно варианта F16. На странице camenduru/IDM-VTON-F16 лицензия не указана; у исходного IDM-VTON разработчики указывают CC BY-NC-SA 4.0, но применимость этой лицензии к производному репозиторию следует проверить отдельно.

huggingtweets/kitsune__spirit — языковая модель GPT-2, созданная Boris Dayma с помощью проекта huggingtweets. Она дообучена на 3248 твитах пользователя KitsuneSpirit Mei 💝🦊「 YOKOMESHI 」 и предназначена для генерации коротких текстов в похожем стиле, например продолжения заданной фразы. Для запуска можно использовать библиотеку Transformers и задачу text-generation. Модель принимает текст и генерирует текст на английском языке. Архитектура — GPT-2 с контекстом до 1024 токенов; веса опубликованы в формате PyTorch. Генерация отражает содержание и особенности обучающих твитов, поэтому стиль и тематика могут быть узкими. В README также отмечены ограничения и смещения, унаследованные от GPT-2. Лицензия в предоставленных данных не указана.

Medalpaca 13B — медицинская языковая модель, разработанная командой medalpaca на базе архитектуры LLaMA. В данном репозитории представлены её квантизированные файлы в формате GGUF, подготовленные TheBloke. Модель предназначена для генерации текста и обработки инструкций, прежде всего в медицинских сценариях: подготовки ответов на запросы, справочной работы и экспериментов с медицинскими текстами. Указан английский язык; поддерживается текстовый ввод и вывод. Модель содержит 13 млрд параметров и рассчитана на запуск через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, KoboldCpp и llama-cpp-python. Доступны варианты квантизации с разной разрядностью, что позволяет выбирать между требованиями к памяти, скоростью и сохранением качества. В README не указаны размер контекста, результаты оценивания, подробные данные обучения или подтверждённые клинические характеристики, поэтому ответы нельзя считать медицинской консультацией без дополнительной проверки. Лицензия обозначена как other, но её конкретные условия в предоставленных данных не раскрыты.

Экспериментальная модель синтеза речи на непальском языке, созданная автором репозитория elitexp путём дообучения FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Она предназначена для озвучивания непальского текста с произношением и просодией в стиле оператора колл-центра. Архитектура CosyVoice 3 включает LLM, Flow и вокодер HiFT; изменён только файл LLM, а Flow и вокодер сохранены без изменений и работают на частоте 24 кГц. Репозиторий содержит форматы ONNX и safetensors. Тембр задаётся аудиоклипом-примером, который подаётся при запуске: сама дообученная модель не задаёт отдельный голос. Для коротких реплик измеренная частота ошибок символов при проверке через телефонный кодек G.711 8 кГц составила 0,294; автор отмечает, что это соответствует измерительному пределу теста. Модель также меняет темп и диапазон высоты голоса в сторону более brisk и выразительной подачи. Модель экспериментальная и не проверена для производственного применения. Структура пауз освоена слабо: речь может звучать торопливо и недостаточно разбиваться пунктуацией. Перед синтезом рекомендуется заменять знак danda точкой, удалять ZWJ/ZWNJ, записывать последовательности цифр словами и делить длинный текст на короткие фразы. Лицензия указана как Apache-2.0, унаследованная от базовых весов.

figmtu/opt-350m-aac — дообученная модель на базе OPT-350M от Meta AI, представленная автором репозитория. Её обучали на разговорных фразах из корпусов DailyDialog и BOLT SMS/Chat, поэтому она предназначена для генерации реплик в диалоговом стиле и исследований разговорного языка. Это плотная авторегрессионная модель архитектуры OPT с 454,1 млн параметров и контекстом до 2048 токенов; она принимает и генерирует текст на английском языке. Репозиторий использует формат safetensors. Модель можно применять для создания коротких диалоговых ответов, имитации стиля SMS-переписки и экспериментов с генерацией разговорного текста. Лицензия — CC BY 4.0. README ссылается на статью EMNLP 2025, но не приводит оценок качества или подробных инструкций по использованию.

Shreyansh234/restaurant_calling_agent — дообученная на неизвестном наборе данных компактная англоязычная модель семейства GPT-2 на базе distilbert/distilgpt2. Она предназначена для генерации текста; название репозитория может указывать на сценарий агента для звонков в рестораны, однако README не описывает его возможности или поведение. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 1024 токена. В README приведено значение loss 0,1524 на оценочной выборке, но нет сведений о методике оценки и практическом качестве. Лицензия — Apache-2.0.

VoiceCore — модель синтеза речи для голосовых ИИ-агентов, разработанная dahara1@webbigdata на основе canopylabs/orpheus-3b-0.1-pretrained. Она предназначена для естественного общения на японском языке и умеет передавать эмоции и создавать невербальные звуки, например смех. Модель использует архитектуру Llama, содержит около 3,3 млрд параметров по метаданным (в README указано 3,7 млрд) и имеет контекст длиной 131 072 токена. Она генерирует аудио с частотой дискретизации 24 кГц. VoiceCore подходит для голосовых агентов и разговорных систем, включая обслуживание клиентов и диспетчеризацию. README приводит результаты инференса в TensorRT-LLM: на RTX 4060 Ti скорость ниже заявленного авторами порога 70 токенов/с для диалога в реальном времени, а на RTX 3090 — выше. Для инференса в bf16 указано около 8 ГБ видеопамяти. README заявляет коммерческое использование на условиях либо LLAMA 3.2 COMMUNITY LICENSE, либо Apache License 2.0; выбор зависит от интерпретации происхождения модели и требует проверки применимых условий лицензии.

Модель Tejasssss23/ai_interior_design_model — дообученный конвейер Stable Diffusion с ControlNet Canny для изменения дизайна интерьеров по изображению. Она принимает фотографию комнаты и текстовое описание желаемого стиля, а затем генерирует визуализацию с новой отделкой, мебелью и освещением, стараясь сохранить геометрию помещения и исходную планировку за счёт управления по контурам. Модель предназначена для виртуального редизайна комнат, визуализации идей для интерьера и приложений для декора жилья или недвижимости. В README указано дообучение на наборах данных об интерьерах, но конкретные базовые репозитории, размер модели и языки не приведены. Лицензия — CreativeML Open RAIL-M. Результат зависит от качества исходного изображения и контурного ввода. Возможны нереалистичная расстановка мебели и освещение, нестабильность мелких деталей и слабая обобщающая способность на отдельных типах помещений и стилях. Визуализации требуют проверки специалистом и не подходят для инженерных или безопасностных решений.

Ecofond GPT Demo — демонстрационная русскоязычная языковая модель для первичной обработки типовых обращений клиентов и сотрудников ООО «Экофонд». Её разработали в рамках стажировки, дообучив google/flan-t5-small на синтетических примерах с инструкциями, вопросами и ответами. Модель построена на архитектуре T5, содержит 45,8 млн параметров, принимает текст и генерирует текст; указанная длина контекста — 512 токенов. Прототип предназначен для ответов о услугах компании, необходимых документах, порядке обращения, сроках и стоимости, а также для информационного сопровождения сотрудников. В примерах предусмотрена рекомендация обратиться к специалисту в подходящих ситуациях. Модель обучалась на ограниченном синтетическом наборе данных, поэтому для практического применения требуется дообучение на реальных корпоративных данных. Она не подходит для подготовки официальных юридических заключений или принятия окончательных управленческих и правовых решений без специалиста. Лицензия — Apache-2.0.

Locutusque разработал экспериментальную диалоговую модель на архитектуре GPT-2, дообучив её на примерах разговоров пользователя с ИИ-ассистентом. Она генерирует текстовые ответы для чат-ботов и виртуальных помощников; в карточке также упоминаются сценарии клиентской поддержки. Модель поддерживает английский язык, использует архитектуру GPT2LMHeadModel и имеет контекст до 1024 токенов. Веса доступны в форматах PyTorch и Safetensors. Автор сообщает о дообучении на 245 тысячах примеров и приводит метрики BLEU 9 и perplexity 19. По его оценке, модель может давать нерелевантные или бессвязные ответы: она слабо обучена, не сохраняет историю диалога для продолжений и не предназначена для надёжных ответов на фактические вопросы. Модель помечена как устаревшая; лицензия — OpenRAIL.