III.2Исследование рынка и маркетинг

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-target-only-no-hallucination-last-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-27B-metro-v24 — дообученная методом QLoRA модель continker на базе Qwen/Qwen3.5-27B для сценария транспортного киоска из бенчмарка MetroLLM-Bench. Модель принимает текстовые диалоги и предназначена для ответов на запросы пассажиров о городском транспорте; опубликована для воспроизведения результатов исследования. В README указаны адаптер LoRA ранга 16 с NF4-квантованием и объединённый файл GGUF Q4_K_M. На отложенной выборке из 238 примеров версия v24 показала результаты ниже исходной Qwen3.5-27B по метрикам Tier-1 и Composite. Авторы рекомендуют для развёртывания использовать базовую модель, а для более эффективного дообученного варианта — версии на 4B или 9B параметров. Репозиторий распространяется по лицензии Apache 2.0.

Qwen3.5-4B-metro-v24 — дообученная методом QLoRA модель continker на базе Qwen3.5-4B для задач MetroLLM-Bench, связанных с транзитными киосками. В репозитории есть LoRA-адаптер ранга 16 и объединённая версия GGUF Q4_K_M размером 2,6 ГБ; метаданные также указывают формат safetensors. Модель предназначена для диалоговых сценариев киоска общественного транспорта. В README сообщается, что версия v24 обучена без утечки данных: обучающие трассы учителя взяты из 717 случаев обучающей части, а 238 случаев оставлены для проверки. На отложенной выборке из 238 случаев средний результат по двум запускам составил 91,32 по Tier-1 и 89,12 по Composite; это результаты бенчмарка, а не гарантия качества в других сценариях. Модель основана на Qwen3.5-4B, имеет текстовый интерфейс генерации и диалога; метаданные отмечают поддержку чата и вызова инструментов, хотя README не описывает конкретные возможности вызова инструментов. Лицензия — Apache 2.0. Для загрузки LoRA-адаптера README указывает базовую текстовую Qwen3.5-4B и необходимость учитывать префикс ключей `.language_model.`; также доступен готовый GGUF-файл для llama-server.

ThakiCloud разработала Qwen3.8-27B-Human-KO-MerchantDesk-v0.1 для автоматизации первичной обработки обращений клиентов небольших ресторанов. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом LoRA на корейских диалогах, а затем объединённая с базовой моделью. Она принимает профиль заведения и сообщение клиента и возвращает структурированный JSON: определяет намерение и слоты, затем выбирает, ответить ли, запросить уточнение, вызвать инструмент или передать обращение владельцу. Цены, меню и часы работы модель должна получать из переданного профиля, а не хранить в параметрах. В описанном сценарии модель показала более высокую точность определения намерений и долю решённых обращений, чем базовая модель. Она рассчитана на корейский язык; карточка указывает поддержку чата и интерфейса вызова инструментов. Для работы предназначен совместимый с Qwen3.8 сервинг, например vLLM, с отключённым thinking. Лицензия — Apache-2.0. Модель следует использовать как компонент системы с программным компилятором действий и проверками, а не отправлять её свободно сформулированный ответ клиенту без контроля: в сложных тестовых случаях она иногда добавляла отсутствующие в профиле факты. Область применения ограничена ресторанами, а результаты в карточке измерены на синтетических профилях и тестовых диалогах; варианты с квантованием отдельно не проверялись.

AbstractPhil/sd15-flow-matching — экспериментальная модель генерации изображений по тексту на базе Stable Diffusion 1.5. Автор описывает подход как попытку дистилляции с v-prediction flow matching и адаптивным взвешиванием блоков UNet по геометрической оценке признаков предварительно обученной модели David. Репозиторий содержит веса PyTorch и Safetensors; модель рассчитана на архитектуру SD 1.5 и работу со стандартными diffusion-сэмплерами DDPM или DDIM. Модель предназначена для проверки гипотезы, что геометрическое руководство помогает перенести внутреннюю структуру SD 1.5 при дистилляции. Автор указывает, что гипотеза ещё не проверена, качество не валидировано, а обучение проводилось на синтетических промптах. Лицензия — MIT. Для применения подхода также требуется конкретная предобученная модель David.

lwaekfjlk разработал jina10-sdft-qwen2.5-7b — дообученную методом rolling self-distillation модель на базе Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для краткосрочного прогнозирования рынков предсказаний: по описанию рынка, примерно 23 часовым значениям цены и подборке новостных заголовков модель оценивает отклонение движения цены за следующий час от базового прогноза возврата к среднему. Результат — объяснение и один из девяти квантильных интервалов отклонения; сама цена напрямую не предсказывается. Контекст составляет 32 768 токенов. Модель обучена на данных Jin10 и поддерживает английский язык. На постоянной отложенной выборке автор сообщает улучшение метрики skill на 0,0251 относительно базового прогноза. Однако точность выбора интервала равна случайному уровню, модель выбирает почти нулевое отклонение примерно в 79% случаев и не предсказывает крайние интервалы. Оценка охватывает одно семейство рынков и ограниченный временной период, а метрики не отражают торговую доходность. Сведения о лицензии в предоставленных материалах отсутствуют.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-ip-negate на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

蜀农 · PENG 是由农业科技创业团队发布的农业领域对话模型，基于 Qwen/Qwen3.5-2B 并通过 QLoRA 进行微调，使用真实业务讨论数据适配农业场景。 Модель предназначена для ответов на вопросы о растениеводстве, животноводстве, борьбе с вредителями и болезнями растений, интеллектуальном орошении, беспилотниках для защиты растений и сельскохозяйственных датчиках. Модель сохраняет архитектуру Qwen3.5-2B: это плотная мультимодальная модель с 2 млрд параметров, текстовым трансформером и визуальным энкодером; заявлена поддержка контекста до 262 144 токенов и входных изображений и видео. Основной заявленный сценарий — диалог на китайском языке по темам агротехнологий. Модель распространяется как адаптер LoRA; для её использования требуется базовая модель Qwen/Qwen3.5-2B. В README указана лицензия базовой модели Apache-2.0, но отдельная лицензия адаптера не приведена. Стандартные бенчмарки и систематическое сравнение с базовой моделью не проводились. Ответы могут содержать правдоподобные, но неверные агротехнические сведения, поэтому важные рекомендации следует проверять специалисту.

Qwen3.5-2B-metro-v24 — дообученная с помощью QLoRA модель continker на базе Qwen3.5-2B, предназначенная для задач MetroLLM-Bench: помощи пассажирам в транзитном киоске. Версия v24 обучена на обучающей части из 717 примеров; 238 случаев были отложены для оценки. В README указаны результаты на отложенной выборке: 81,20 по Tier-1 и 79,69 по Composite в среднем по трём запускам. В репозитории есть LoRA-адаптер ранга 16 и слитый GGUF-файл с квантизацией Q4_K_M размером 1,2 ГБ; метаданные также указывают формат safetensors. Модель доступна для диалогового использования и ориентирована на сценарии транзитного киоска. README сообщает, что GGUF запускается примерно на 39 токенах в секунду на безвентиляторном MacBook Air с M2; это результат для указанного устройства, а не универсальная оценка скорости. Базовая модель описана в каталоге как мультимодальная, но для этой производной модели заявлена задача text-generation. Лицензия — Apache 2.0. Модель специализирована на бенчмарке транзитного киоска; результаты оценки не гарантируют качество за пределами этого сценария.

evex-5.1 — модель японского диалога, созданная автором tako080614 с нуля по журналам одного сервера Discord. Это авторегрессионный decoder-only Transformer на 25,8 млн параметров: 8 слоёв, размерность 384, 6 голов внимания и контекст 1024 токена. Используются RoPE, RMSNorm, SwiGLU, QK-нормализация и вспомогательные Per-Layer Embeddings; токенизатор SentencePiece BPE содержит 12 288 токенов. Модель предназначена для продолжения разговоров в характерном формате исходного сервера и воспроизведения его японской разговорной речи. Она обучалась сначала на внешних японских диалоговых данных и сообщениях сервера, затем на данных только этого сервера. Для корректной генерации требуется собственный формат с управляющими токенами начала разговора, канала и говорящих; обычный instruct-формат и стандартный chat template не подходят. Модель особенно ориентирована на сленг и внутренние темы сообщества, а не на универсальные японские запросы. Автор указывает лицензию CC-BY-4.0. Ответы могут быть фактически неверными; модель не предназначена для проверки фактов. Фильтрация нежелательных выражений применялась к обучающим данным, но встроенного механизма безопасности при генерации нет. В токенизаторе могут сохраняться отображаемые имена участников сервера, а стиль отдельных анонимных токенов говорящих может напоминать стиль конкретных участников.

ERNIE-4.5-300B-A47B-Paddle — текстовая языковая модель семейства ERNIE 4.5, разработанная Baidu и распространяемая с весами для PaddlePaddle. Это модель типа Mixture of Experts: всего 300 млрд параметров, из которых для каждого токена активируется около 47 млрд; архитектура включает 54 слоя и 64 текстовых эксперта, из которых активируются 8. Модель предназначена для диалогов, понимания текста и генерации ответов; контекстное окно составляет 131 072 токена. В карточке также описаны мультимодальное обучение ERNIE 4.5 и визуальные варианты семейства, однако данный чекпойнт обозначен как текстовая модель. Для запуска и дообучения предусмотрены инструменты PaddlePaddle и ERNIEKit. Модель распространяется по лицензии Apache-2.0.

Gemma 3 27B IT — мультимодальная instruction-tuned модель семейства Gemma, разработанная Google DeepMind на основе технологий, использованных при создании Gemini. Данная версия основана на google/gemma-3-27b-it и представлена в формате GGUF, предназначенном для локального запуска совместимыми инструментами. Модель принимает текст и изображения и генерирует текст. Она предназначена для ответов на вопросы, суммаризации документов, рассуждений, генерации и анализа текста, а также понимания изображений и извлечения визуальной информации. Заявлена поддержка более 140 языков. Для версии 27B предусмотрено контекстное окно до 128K токенов, изображения нормализуются до 896×896 и кодируются в 256 токенов, а максимальный объём генерируемого текста составляет 8192 токена. К сильным сторонам относятся мультимодальность, широкий языковой охват, большое контекстное окно и открытые веса, благодаря чему модель можно разворачивать на собственных устройствах или в облачной инфраструктуре. При этом размер 27B означает повышенные требования к памяти и вычислительным ресурсам по сравнению с меньшими вариантами семейства, а качество ответов может зависеть от языка, задачи, используемого квантования и конкретного программного окружения. Модель распространяется по лицензии Gemma; применяются соответствующие условия использования Google.

Gemma 3n E4B — мультимодальная генеративная модель Google с открытыми весами, предназначенная для эффективной работы на устройствах с ограниченными ресурсами. Она принимает текст, изображения, видео и аудио, а выдаёт текст; карточка описывает запуск через библиотеку Transformers. Модель содержит 8 млрд параметров, но благодаря выборочной активации параметров и выгрузке редко используемых матриц рассчитана на объём памяти, сопоставимый с обычной моделью на 4 млрд параметров. Архитектура MatFormer позволяет использовать вложенную подмодель E2B и создавать варианты других размеров методом Mix-and-Match. Обучение охватывает более 140 разговорных языков. Модель подходит для диалоговых помощников, генерации и суммаризации текста, анализа изображений и видео, транскрибирования и перевода речи. Возможны предвзятые, фактически неверные или устаревшие ответы; модель может испытывать трудности с нюансами языка и сложными открытыми задачами. Лицензия — Gemma; условия использования определяются лицензией Gemma.

Linkbricks-Horizon-AI-Japanese-Avengers-V3-70B — дообученная языковая модель компании Linkbricks, созданная дата-сайентистом Юнсоном Джи (Saxo) на основе Saxo/Linkbricks-Horizon-AI-Japanese-Avengers-V2-70B. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате Safetensors по лицензии Apache 2.0. Модель обучали на японских новостях и Википедии, а также на многоязычных данных и примерах для перевода, суммаризации, вопросов и ответов, анализа тональности, математики и логических задач. Она предназначена для диалогов и генерации текста, включая написание и редактирование, анализ отзывов и публикаций в социальных сетях, программирование и сложные рассуждения. Поддерживается интерфейс вызова инструментов. Заявленная языковая направленность — японский, корейский, китайский и английский; метаданные карточки подтверждают корейский и английский, а README описывает обучение на четырех языках. Возможное качество ответов и работы с каждым языком отдельно не приведено. Большой размер модели требует значительных вычислительных ресурсов.

Llama-SEA-LION-v3-8B — многоязычная языковая модель AI Singapore, разработанная командой Products Pillar при финансировании Национального исследовательского фонда Сингапура. Это плотная авторегрессионная decoder-модель семейства Llama 3.1 с 7,5 млрд параметров, созданная продолжительным предобучением Llama-3.1-8B-Instruct примерно на 200 млрд токенов. Она рассчитана на генерацию текста и диалоговые сценарии с языками Юго-Восточной Азии, а также английским и китайским. Поддерживаются бирманский, китайский, английский, филиппинский, индонезийский, кхмерский, лаосский, малайский, тамильский, тайский и вьетнамский языки; контекст модели составляет до 131 072 токенов. Модель подходит для ответов на вопросы, анализа тональности, выявления токсичности, перевода, краткого пересказа, рассуждений и выполнения инструкций на поддерживаемых языках. В карточке приведены оценки на SEA-HELM и SEA-IFEval, включая проверку соблюдения ограничений и ответа на нужном языке. Модель использует архитектуру и токенизатор Llama 3.1; метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Llama 3.1 Community License, условия которой следует учитывать при использовании и распространении модели.

BMOJOF-primed-HQwen3-8B-Instruct — языковая модель для генерации текста, разработанная командой Hybrid Model Factory на основе Qwen3-8B. Это гибридная причинная модель с 7,6 млрд параметров: 18 слоёв Attention чередуются с 18 слоями B’MOJO-F. Каждый слой B’MOJO-F объединяет оконное внимание для точного извлечения недавнего контекста и модель пространства состояний для сжатого представления истории. Модель прошла настройку на следование инструкциям и поддерживает контекст до 131 072 токенов. Модель предназначена для диалога, ответов на вопросы, генерации и анализа текста, в том числе при работе с длинным контекстом. Разработчики сообщают об ускорении вывода до 1,75 раза на длинных контекстах при близком к исходной модели качестве; фактическая скорость зависит от среды и нагрузки. Чекпойнт не поддерживает вызов инструментов и не предназначен для генерации специальных токенов рассуждений. Для запуска используется Transformers, веса доступны в формате safetensors. Модель распространяется по лицензии Apache 2.0.

Карточка модели ckoozzzu/d3 на Hugging Face совпадает с карточкой meta-llama/Llama-3.1-8B-Instruct, поэтому описание составлено по ней. Meta Llama 3.1 8B Instruct — языковая модель Meta для диалогов и генерации текста. Это авторегрессионная модель на основе оптимизированного трансформера с Grouped-Query Attention; версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей (RLHF). Модель принимает и генерирует текст, поддерживает диалоговый режим и предназначена для коммерческого и исследовательского применения. Модель подходит для создания чат-ассистентов, ответов на запросы и других задач генерации текста на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Контекстное окно в предоставленных материалах не указано. Модель обучена на статичном офлайн-наборе данных; возможны ошибки и небезопасные ответы, поэтому результаты следует проверять, а для использования инструментов требуется отдельная интеграция и контроль со стороны разработчика. Условия распространения и применения регулируются лицензией Meta Llama 3.1 Community License и Acceptable Use Policy.

Карточка модели d-matrix/Llama-3.1-8B-Instruct на Hugging Face совпадает с карточкой meta-llama/Llama-3.1-8B-Instruct, поэтому описание составлено по ней. Meta Llama 3.1 8B Instruct — языковая модель Meta для диалогов и генерации текста. Это авторегрессионная модель на основе оптимизированного трансформера с Grouped-Query Attention; версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей (RLHF). Модель принимает и генерирует текст, поддерживает диалоговый режим и предназначена для коммерческого и исследовательского применения. Модель подходит для создания чат-ассистентов, ответов на запросы и других задач генерации текста на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Контекстное окно в предоставленных материалах не указано. Модель обучена на статичном офлайн-наборе данных; возможны ошибки и небезопасные ответы, поэтому результаты следует проверять, а для использования инструментов требуется отдельная интеграция и контроль со стороны разработчика. Условия распространения и применения регулируются лицензией Meta Llama 3.1 Community License и Acceptable Use Policy.

Карточка модели RoyYao233/Llama-3.1-8B-Instruct на Hugging Face совпадает с карточкой meta-llama/Llama-3.1-8B-Instruct, поэтому описание составлено по ней. Meta Llama 3.1 8B Instruct — языковая модель Meta для диалогов и генерации текста. Это авторегрессионная модель на основе оптимизированного трансформера с Grouped-Query Attention; версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей (RLHF). Модель принимает и генерирует текст, поддерживает диалоговый режим и предназначена для коммерческого и исследовательского применения. Модель подходит для создания чат-ассистентов, ответов на запросы и других задач генерации текста на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Контекстное окно в предоставленных материалах не указано. Модель обучена на статичном офлайн-наборе данных; возможны ошибки и небезопасные ответы, поэтому результаты следует проверять, а для использования инструментов требуется отдельная интеграция и контроль со стороны разработчика. Условия распространения и применения регулируются лицензией Meta Llama 3.1 Community License и Acceptable Use Policy.

mlx-community/Llama-3.3-70B-Instruct-8bit — 8-битная версия инструкционно настроенной большой языковой модели Llama 3.3 70B, разработанной Meta и адаптированной сообществом mlx-community для экосистемы MLX. Модель предназначена для генерации и понимания текста, диалоговых сценариев, ответов на вопросы, суммаризации, обработки инструкций и других задач, выполняемых языковыми моделями. По названию модели можно заключить, что она использует 8-битное представление весов, однако точные сведения о формате квантования и требованиях к оборудованию в README не указаны. В заявленных языках присутствуют английский, французский, итальянский, португальский, хинди, испанский, тайский и немецкий. Модель является текстовой; сведения о поддержке изображений или других модальностей отсутствуют. Размер базовой модели составляет 70 миллиардов параметров, но длина контекста и другие архитектурные характеристики в предоставленных данных не указаны. Большой размер и инструкционная настройка предполагают высокое качество в сложных языковых и диалоговых задачах, тогда как 8-битное представление может снизить требования к памяти по сравнению с полноразмерными весами. Ограничения включают возможные ошибки и непредсказуемость генерируемых ответов, а также отсутствие подтверждённых в README характеристик производительности. Модель распространяется по Llama 3.3 Community License от Meta. При распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая предоставление текста соглашения, указание «Built with Llama» и сохранение установленного уведомления об авторских правах. Также требуется соблюдать применимое законодательство и Acceptable Use Policy; для продуктов и сервисов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено получение отдельной лицензии от Meta.

NextSearch-1-S — дообученная модель NextTokenAI на базе Qwen3.6-35B-A3B, предназначенная для агентного веб-исследования в составе системы с оркестратором. Она разбивает вопрос на подзадачи, ищет и загружает материалы из актуального веба через инструменты search и fetch, сопоставляет противоречивые сведения и формирует краткий ответ или структурированный результат исследования. Архитектура — MoE, 35 млрд параметров; модель работает с текстом и поддерживает интерфейс вызова инструментов. Для использования ей нужны системный промпт с датой задачи и настроенные инструменты; в README приведён пример запуска через vLLM с максимальной длиной контекста 65536 токенов. В тестах разработчика на нескольких наборах для поиска и исследования NextSearch-1-S показала сильные результаты на задачах с несколькими ограничениями и структурированными данными; оценки получены на собственном стенде и не сопоставимы напрямую с результатами других публикаций. Карточка не сообщает о специальной языковой специализации. Модель распространяется под лицензией Apache-2.0.

Qwen/Qwen1.5-110B-Chat — чат-модель из серии Qwen1.5, разработанной командой Qwen. Это бета-версия Qwen2: плотная авторегрессионная языковая модель на архитектуре Transformer с 110 млрд параметров, предназначенная для диалогов и генерации текста. Модель обучена следовать инструкциям и выдана в формате safetensors. Модель поддерживает многоязычное общение, а её контекстное окно составляет 32 768 токенов. В архитектуре серии используются SwiGLU, смещение в проекциях внимания QKV и, для версии 110B, групповое внимание запросов (GQA). Для работы подходит актуальная версия библиотеки Transformers; удалённый код модели не требуется. Модель подходит для диалоговых ассистентов, генерации и редактирования текста, а также ответов на вопросы по длинным входным материалам. Карточка не приводит конкретные результаты оценки качества и не перечисляет поддерживаемые языки по отдельности. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория.

Astra-v1-12B — языковая модель на архитектуре Mistral, разработанная P0x0 как дообучение Mistral-Nemo-Base-2407. Модель содержит 12,1 млрд параметров и предназначена для генерации текста и выполнения инструкций в диалоговом формате. Её можно применять для создания и редактирования текстов, суммаризации, ответов на вопросы и диалоговых систем. В README заявлена настройка на качество и стиль ответов Claude 3 Sonnet и Opus. Указанное в метаданных контекстное окно — 1 024 000 токенов. Модель принимает текст и выдаёт текст. Карточка не подтверждает специализацию на конкретном языке или предметной области. Модель распространяется по лицензии Apache 2.0. README предостерегает от использования для принятия решений в реальном времени в критически важных сценариях и от генерации вредоносного или предвзятого контента.

Flan-UL2 — текстовая encoder-decoder модель Google на архитектуре T5 с 7,6 млрд параметров. Она основана на контрольной точке UL2 и дообучена на коллекции Flan с формулировками задач в виде инструкций. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Модель предназначена для выполнения разнообразных текстовых задач по инструкциям, включая генерацию и продолжение текста, ответы на вопросы, суммаризацию, рассуждения и классификацию. Она поддерживает обучение на нескольких примерах в контексте и не требует специальных mode tokens UL2. README приводит контекстное поле 2048 токенов; метаданные указывают native context в 512 токенов. Flan-UL2 сочетает предварительное обучение UL2 с инструкционной настройкой Flan и рассчитана на широкий круг задач обработки естественного языка. Для запуска на GPU авторы рекомендуют загрузку в 8-битном режиме для снижения потребления памяти. Это крупная модель, поэтому для инференса нужны значительные вычислительные ресурсы; опубликованные оценки не гарантируют качество на каждом отдельном сценарии.

CallComply/gemma-2-27b-it — текстовая инструкционная модель семейства Gemma 2 от Google, представленная в формате safetensors и предназначенная для диалоговой генерации. Это плотная decoder-only языковая модель с 27,6 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст. Карточка описывает семейство Gemma как англоязычное, а отдельные сведения о дообучении именно этой версии не приведены. Модель подходит для чат-ботов и виртуальных помощников, ответов на вопросы, суммаризации и создания черновиков текстов. Указанные ограничения включают возможные фактические ошибки, устаревшие сведения, смещения в ответах и трудности с неоднозначностью и сложными инструкциями. Для использования действует лицензия Gemma.

Llama-SEA-LION-v3.5-70B-R — гибридная языковая модель AI Singapore, разработанная командой Products Pillar при финансировании NRF Сингапура. Это плотная авторегрессионная модель-декодер на архитектуре Llama 3.1 с 69,5 млрд параметров, дообученная на инструкциях на базе Llama-SEA-LION-v3-70B-IT. Режим рассуждений или обычной генерации выбирается через шаблон чата токенизатора. Модель предназначена для диалога, генерации текста, рассуждений и выполнения инструкций, в том числе на языках Юго-Восточной Азии. Поддерживает бирманский, китайский, английский, филиппинский, индонезийский, яванский, кхмерский, лаосский, малайский, сунданский, тамильский, тайский и вьетнамский языки. Контекст составляет до 128 тыс. токенов по README; метаданные указывают 131 072 токена. Доступна в формате Safetensors и запускается через Transformers. Модель оценивалась на задачах вопросов и ответов, анализа тональности, обнаружения токсичности, перевода, суммаризации, причинного рассуждения и следования инструкциям. Она может галлюцинировать и давать нерелевантные или непоследовательные ответы. Модель не прошла настройку безопасности, поэтому ответы следует проверять, а для развёртывания предусмотреть собственные меры безопасности. Лицензия — Llama 3.1 Community License.

google/gemma-3-12b-it-qat-int4-unquantized — мультимодальная диалоговая модель Google семейства Gemma 3, представленная как дообученная версия google/gemma-3-12b-it. Она принимает текст и изображения и генерирует текст; подходит для чат-ботов, ответов на вопросы по изображениям, извлечения и пересказа визуальной информации, суммаризации и генерации текстов. Открытые веса и сравнительно компактный размер семейства позволяют запускать модель на локальных компьютерах или собственной облачной инфраструктуре. Gemma 3 поддерживает контекст до 128 тысяч токенов и более 140 языков. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами, а её ответы могут отражать смещения обучающих данных. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Google.

bigscience/mt0-xxl-mt — многоязычная модель семейства mT0 от BigScience, созданная дообучением mT5-XXL на смеси межъязыковых задач xP3. Это encoder-decoder-модель на архитектуре MT5 с 6,7 млрд параметров, предназначенная для выполнения инструкций на естественном языке в режиме zero-shot. Модель подходит для генерации ответов на запросы, сформулированные как инструкции: перевода, классификации тональности, подбора связанных поисковых запросов, объяснений и создания текстов. README указывает поддержку десятков языков; среди языков карточки перечислены, в частности, арабский, английский, испанский, французский, хинди, японский и корейский. Модель принимает текст и генерирует текст. Качество зависит от формулировки запроса: следует ясно обозначать границу входа и задавать нужный язык или формат ответа, а также добавлять достаточный контекст. Модель дообучена на 1,29 млрд токенов за 7000 шагов; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.