III.2Исследование рынка и маркетинг

h2oai/h2ogpt-gm-7b-mistral-chat-sft-dpo-rag-v1 — разговорная языковая модель H2O.ai, обученная с помощью H2O LLM Studio на базе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых сценариев. Модель подходит для создания ответов в чате, подготовки черновиков и помощи с вопросами по предоставленному контексту. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Карточка сообщает об обучении SFT и DPO, а также указывает RAG в названии, но не описывает отдельные механизмы извлечения документов или гарантии точности ответов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Ответы могут быть ошибочными, бессвязными, предвзятыми или оскорбительными, поэтому важные сведения требуют проверки.

win10/high-speed-mixing-7B-V1 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES. В основу объединения взята MaziyarPanahi/calme-2.8-qwen2-7b; также включена Weyaxi/Einstein-v7-Qwen2-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Она подходит для общения с пользователем и генерации ответов; описание базовой модели указывает на особый акцент на естественных науках и математике, но README не подтверждает, что этот акцент гарантирован для итогового объединения. Используются Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

HMistral-v3-00-fp16 — дообученная текстовая модель семейства Mistral, загруженная разработчиком 1024m и основанная на unsloth/mistral-7b-instruct-v0.3. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; она предназначена для генерации текста, диалогов и выполнения инструкций. Поддерживает контекст до 32 768 токенов и английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Метаданные отмечают интерфейс для вызова инструментов, но не описывают отдельные возможности или качество модели.

Ice0.7-29.09-RP — разговорная языковая модель на архитектуре Mistral, созданная слиянием предварительно обученных моделей методом SLERP с помощью mergekit. В состав слияния вошли Ice0.5-28.09-RP и Ice0.6-29.09-RP; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. В README приведены результаты оценки на Open LLM Leaderboard: средний балл 21,47, IFEval — 51,76, BBH — 30,73. Лицензия в предоставленных данных не указана.

Это версия в формате FP16 модели JAIS-30B-Chat-v3, опубликованная amgadhasan и основанная на core42/jais-30b-chat-v3. Модель с плотной архитектурой JAIS предназначена для генерации текста в диалоговом режиме; её можно применять для общения на естественном языке и получения ответов на вопросы. Контекстное окно составляет 8192 токена. В README указано, что права принадлежат исходным авторам. Условия лицензии не приведены, поэтому перед использованием следует проверить лицензию исходной модели core42/jais-30b-chat-v3.

unsloth/Jan-nano-128k-GGUF — это GGUF-квантизированная версия компактной языковой модели Jan-Nano-128k, разработанной Menlo Research авторами Alan Dao, Bach Vu Dinh и Thinh Le и опубликованной в формате Unsloth Dynamic 2.0. Модель предназначена для генерации текста и исследовательских задач, включая анализ длинных документов, обработку научных статей, синтез информации из нескольких источников, сложные рассуждения и многошаговые диалоги. Она совместима с серверами Model Context Protocol (MCP) и может использоваться локально, в том числе через Jan, с сохранением конфиденциальности данных. Ключевая характеристика модели — нативное контекстное окно до 128 000 токенов, рассчитанное на эффективную работу с длинными контекстами без типичной деградации производительности при их расширении. В README не указаны точный размер модели, базовая архитектура, поддерживаемые языки, модальности и параметры GGUF-квантизации; заявлена поддержка текстовой генерации и языка English. Модель оценивалась на SimpleQA с использованием MCP-методологии, однако численные результаты в предоставленных данных отсутствуют. Сильными сторонами являются большое контекстное окно, ориентация на глубокий анализ и работа с большими объёмами информации, а также возможность локального развертывания. Ограничения включают отсутствие подробных сведений о размере, аппаратных требованиях, конкретных вариантах квантизации и фактических показателях качества. Модель распространяется по лицензии Apache 2.0.

Kosmos-EVAA-gamma-v13-8B — объединённая языковая модель от jaspionjader, созданная из двух предварительно обученных моделей с помощью mergekit и метода SLERP. Она предназначена для генерации текста и диалоговых сценариев. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Репозиторий содержит веса в формате safetensors с точностью bfloat16. Данные о лицензии и конкретных языках модели в предоставленных источниках отсутствуют.

kromcomp/L3.1-Spectrev2-12B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория с помощью mergekit и метода Passthrough. В объединении использована модель merge/imps. Модель содержит 11,4 млрд параметров, построена как плотная авторегрессионная модель для генерации текста и поддерживает диалоговый режим. Модель подходит для генерации ответов в чате и других задач, где требуется продолжать или создавать текст. Заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате Safetensors; для работы указана библиотека Transformers. README и метаданные не описывают специализацию по предметным областям или отдельные ограничения качества. Лицензия в предоставленных данных не указана.

LeoLM/leo-hessianai-13b-chat-bilingual — двуязычная чат-модель, разработанная Björn Plüster и Christoph Schuhmann в сотрудничестве с LAION и HessianAI. Она основана на LeoLM/leo-hessianai-13b — языковой модели семейства Llama, построенной на Llama 2, — и дообучена на немецких инструкционных данных и их английских версиях. Модель предназначена для диалога, написания текстов, объяснений и обсуждений на немецком и английском языках. Это плотный авторегрессионный трансформер с 12,9 млрд параметров и контекстом до 8192 токенов. В опубликованной оценке MT-Bench сильнее всего показала себя в гуманитарных темах, а также в задачах STEM и письма. Модель хуже справляется с математикой и сложными рассуждениями; ответы могут быть неточными или предвзятыми, поэтому для конкретных приложений рекомендуется отдельная проверка безопасности и качества. Лицензия — Llama 2 Community License Agreement.

Linkbricks-Horizon-AI-Korean-Advanced-8B-COT-boost — корейская языковая модель, дообученная Юнсоном Джи (Saxo), специалистом Linkbricks по данным, на базе Saxo/Linkbricks-Horizon-AI-Nous-Hermes-3-Llama3.1-Korean-cpt-8b. Это плотная модель семейства Llama с 7,5 млрд параметров, обученная этапами SFT и DPO. Она предназначена для диалога, генерации текста, перевода между корейским, китайским, английским и японским, суммаризации, вопросов и ответов, а также математических и логических задач. Поддерживает вызов функций и инструментов на корейском языке. Модель заявлена как усиленная для пошаговых рассуждений и имеет контекстное окно 128 тыс. токенов. Обучение использовало корейские данные, в том числе новостные корпуса, наборы для перевода, суммаризации, вопросов и ответов, а также математические и логические примеры; токенизатор унаследован от базовой модели. Для использования опубликованы веса в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Описание не приводит количественных оценок качества. Способность к рассуждениям и точность на переводе, математике и логике могут зависеть от формулировки запроса и требуют проверки для конкретного применения.

Llama 2 70B Chat — разработанная Meta диалоговая языковая модель на 70 млрд параметров. Это авторегрессионный трансформер, дообученный с помощью supervised fine-tuning и обучения с подкреплением на основе обратной связи от людей; версия в репозитории подготовлена для работы с Hugging Face Transformers и хранится в форматах PyTorch и Safetensors. Модель принимает текст и генерирует текст. Она предназначена прежде всего для диалогов в формате ассистента на английском языке: ответы на вопросы, ведение беседы и другие сценарии генерации текста. Контекст составляет 4 тыс. токенов; вариант на 70B использует Grouped-Query Attention для более масштабируемого вывода. Модель может выдавать неточные, предвзятые или нежелательные ответы, а испытания не охватывали все сценарии. Перед внедрением рекомендуется проверка безопасности и настройка под конкретное применение. Использование регулируется лицензией Meta Llama 2; для получения весов требуется принять её условия.

ddobokki выпустил инструкционную модель Llama-2-70b-orca-200k на архитектуре LlamaForCausalLM с плотной архитектурой и примерно 68,7 млрд параметров. Она обучена на выборке из 200 тысяч примеров OpenOrca и предназначена для генерации текста по инструкциям и диалога в формате «Human — Assistant». Метаданные указывают английский язык и контекстное окно 4096 токенов; модель распространяется в формате PyTorch. Модель подходит для ответов на вопросы, выполнения текстовых инструкций и диалоговых сценариев на английском языке. Карточка ссылается на отдельные документы с политикой использования и рекомендациями по ответственному применению. Лицензия в предоставленных данных не указана.

Карточка модели 4bit/Llama-2-7b-chat-hf на Hugging Face совпадает с карточкой NousResearch/Llama-2-7b-chat-hf, поэтому описание составлено по ней. NousResearch/Llama-2-7b-chat-hf — диалоговая языковая модель семейства Llama 2, разработанного Meta и опубликованная в формате Hugging Face Transformers. Это плотный авторегрессионный трансформер с 6,6 млрд параметров; веса представлены в форматах PyTorch и Safetensors. Модель принимает текст и генерирует текст, а её контекст составляет 4096 токенов. Модель дообучена с помощью supervised fine-tuning и обучения с подкреплением по человеческим отзывам для диалогов в формате помощника. Она предназначена для ответов на вопросы, ведения диалога и генерации текста на английском языке. Для ожидаемого поведения нужно соблюдать форматирование Llama 2 Chat с соответствующими маркерами инструкций и токенами. Модель может выдавать неточные, предвзятые или нежелательные ответы, а проведённые оценки не охватывают все возможные сценарии. Данные предобучения имеют срез до сентября 2022 года. Использование регулируется собственной лицензией Meta для Llama 2; для получения весов требуется принять её условия.

vikash06/llama-2-7b-small-model-new — дообученная на небольшой выборке модель семейства Llama 2, опубликованная автором vikash06. Она предназначена для генерации текста и прямого использования в задачах творческого письма, ответов на вопросы по предоставленному отрывку и общих знаний, суммаризации, извлечения информации и классификации. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 6,6 млрд параметров; максимальный контекст — 4096 токенов. Автор описывает обучение на экспериментальной основе для изучения эффекта более длительного обучения на небольшом наборе данных. В README указаны 1000 примеров для каждой категории и результаты оценки на бенчмарках HellaSwag и AI2 Reasoning Challenge. Это экспериментальная модель; результаты бенчмарков не гарантируют качество в иных сценариях. Репозиторий содержит веса Safetensors, лицензия — MIT.

Модель ehristoforu/llama-3-12b-instruct разработана @ehristoforu как объединение нескольких вариантов Llama 3 для диалогов и выполнения инструкций. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 11,4 млрд параметров; она принимает текст и генерирует текст. Поддерживает русский и английский языки, а максимальная длина контекста составляет 8192 токена. Модель подходит для создания чат-ботов, ответов на вопросы и выполнения пользовательских инструкций на русском и английском языках. В её основе лежит Meta-Llama-3-8B-Instruct, объединённая с несколькими моделями Llama 3, включая Saiga, OpenHermes, Smaug, Dolphin и NeuralPaca. В карточке указана лицензия Apache-2.0. Количественных оценок качества и подробных ограничений в доступных данных нет.

Модель promotion/Llama-3.1-8B-TLDR-NBPO-eta0.05 — диалоговая языковая модель на архитектуре Llama, дообученная методом Nash Bargaining Preference Optimization (NBPO) на задаче TL;DR. Она основана на meta-llama/Llama-3.1-8B-Instruct и предназначена для генерации кратких резюме с учётом полноты, точности, лаконичности и полезности. В обучении использовались 300 обновлений оптимизатора и глобальный размер пакета 16; модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке описана оценка независимых показателей предпочтения относительно общей базовой политики на отложенных промптах; качество оценивал Llama-3.3-70B-Instruct. Модель распространяется в формате safetensors по лицензии Llama 3.1. Данные карточки не указывают языковой охват или ограничения на применение сверх условий этой лицензии.

ThomasBaruzier/Llama-3.2-3B-Instruct-GGUF — это инструкционная языковая модель семейства Llama 3.2, представленная в формате GGUF. По идентификатору модели, она основана на версии с примерно 3 миллиардами параметров и предназначена для генерации текста и выполнения инструкций в диалоговых и прикладных сценариях. Базовая разработка Llama 3.2 принадлежит Meta, а данный вариант опубликован пользователем ThomasBaruzier. Модель предназначена для задач текстовой генерации, ответов на вопросы, диалогов, преобразования и обобщения текста, а также других сценариев, где требуется компактная instruction-tuned LLM. В карточке заявлены языки English, German, French, Italian, Portuguese, Hindi, Spanish и Thai. Архитектура, точный размер контекста, конкретный тип квантования и поддерживаемые модальности в README не указаны; формат GGUF обычно используется для локального инференса, но параметры конкретной сборки здесь не описаны. К сильным сторонам относятся относительно небольшой размер, инструкционная настройка и многоязычная ориентация, что может упростить локальный запуск и интеграцию в приложения с ограниченными ресурсами. Ограничения включают отсутствие в предоставленных данных результатов оценивания, сведений о качестве на отдельных языках и характеристик производительности; как и другие генеративные модели, она может ошибаться и требует проверки результатов. Модель распространяется по Llama 3.2 Community License Meta с требованиями к атрибуции, маркировке продуктов, соблюдению Acceptable Use Policy и специальным условиям для организаций с более чем 700 миллионами месячных активных пользователей.

Карточка модели Justbackup/Llama-3.3-70B-Instruct-ablated на Hugging Face совпадает с карточкой NaniDAO/Llama-3.3-70B-Instruct-ablated, поэтому описание составлено по ней. NaniDAO/Llama-3.3-70B-Instruct-ablated — диалоговая модель NaniDAO на архитектуре Llama 3.3, полученная дообучением Meta-Llama-3.3-70B-Instruct с применением техники абляции. Модель предназначена для следования инструкциям и генерации ответов в чате; авторы заявляют, что она реже отказывает на допустимые запросы и рассчитана на более свободное взаимодействие. Модель содержит 69,5 млрд параметров, принимает и генерирует текст, работает с контекстом до 131 072 токенов. В метаданных заявлена поддержка английского, французского, итальянского, португальского, хинди, испанского, тайского и немецкого языков. Доступна в формате safetensors для библиотеки Transformers; лицензия — llama3. Она подходит для диалоговых ассистентов и генерации текста, но заявленное снижение числа отказов требует ответственного применения и не гарантирует точность или безопасность ответов.

Maziyar Panahi разработал Llama-3-8B-Instruct-v0.10 на основе своей предыдущей инструкционной модели MaziyarPanahi/Llama-3-8B-Instruct-v0.9. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров для генерации текста и диалогового взаимодействия; она поддерживает шаблон запросов ChatML и рассчитана на контекст до 8192 токенов. Модель подходит для ответов на запросы, ведения диалога и генерации текста на английском языке. В карточке приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Для работы доступны веса Safetensors и библиотека Transformers; автор также указывает на отдельную версию в формате GGUF. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

QuantFactory/Llama-Sentient-3.2-3B-Instruct-GGUF — квантизированная версия модели Llama-Sentient-3.2-3B-Instruct, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана на базе Meta Llama-3.2-3B-Instruct и дообучена на наборе данных mlabonne/lmsys-arena-human-preference-55k-sharegpt. Модель предназначена для генерации текста и диалоговых сценариев с акцентом на следование инструкциям; указанный язык — английский. Модель подходит для чат-ботов, виртуальных ассистентов, клиентской поддержки, создания контента, суммаризации, объяснений, образовательных систем и технических консультаций. Формат GGUF и квантизация ориентированы на запуск через llama.cpp и совместимые инструменты, что может снизить требования к ресурсам по сравнению с полноразмерной версией. Известный размер — 3B параметров; архитектура основана на Llama, а поддерживаемая модальность в карточке ограничена текстом. Сильными сторонами являются компактный размер, ориентация на диалоговое взаимодействие и instruction following. Ограничения включают отсутствие сведений о конкретном варианте квантизации, максимальной длине контекста, производительности на бенчмарках и качестве в языках, кроме английского. Модельная карточка указывает лицензию creativeml-openrail-m; перед использованием необходимо учитывать её условия и ограничения.

LlongOrca-13B-16k — языковая модель Open-Orca, дообученная на базе LLongMA-2-13b-16k на отфильтрованной части набора OpenOrca с данными, дополненными GPT-4. Это плотная модель семейства Llama с 12,9 млрд параметров, предназначенная для генерации текста и диалогов; она поддерживает контекст до 16 384 токенов и рассчитана на английский язык. Модель обучали полным дообучением в четыре эпохи с использованием Axolotl и упаковки данных OpenChat. Для общения применяется формат ChatML. Авторы сообщают об улучшении результатов относительно базовой модели и сохранении большей части результатов другой модели OpenOrca, однако эти оценки относятся к тестам авторов на момент выпуска и не гарантируют качество на других задачах. Репозиторий распространяет веса PyTorch; лицензия указана как Llama 2.

Карточка модели Edgerunners/Lyraea-large-llama-3.1 на Hugging Face совпадает с карточкой Edgerunners/Lyraea-medium-llama-3.1, поэтому описание составлено по ней. Lyraea-medium-llama-3.1 — разговорная языковая модель семейства Llama 3.1, опубликованная Edgerunners. Это средний вариант серии small, medium и large, созданной на основе llama-3.1-8b-128k uncensored. Модель предназначена для генерации текста в диалоговом формате; автор отмечает, что варианты серии имеют разные сценарии применения. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. В репозитории представлены веса Safetensors. Языковые сведения в карточке не приводятся. Модель предоставляется «как есть» и «по мере доступности», без гарантий; провайдер снимает с себя ответственность за ущерб и не гарантирует соответствие конкретным требованиям или безошибочную работу. Сведения о лицензии в доступных данных отсутствуют.

M7Yamshadowexperiment28_Experiment24Ognoexperiment27 — объединённая модель генерации текста на архитектуре Mistral, созданная из automerger/M7Yamshadowexperiment28-7B и automerger/Experiment24Ognoexperiment27-7B. Она предназначена для генерации продолжений текста и диалоговых ответов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Сведений о специализированной предметной области или дополнительных ограничениях качества в карточке нет.

M7Yamshadowexperiment28_Experiment29Experiment24 — объединённая модель для генерации текста и диалогов, опубликованная MaziyarPanahi. Она создана на основе automerger/M7Yamshadowexperiment28-7B и automerger/Experiment29Experiment24-7B; архитектура — MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — safetensors. Модель принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации продолжений текста и ведения диалогов. Лицензия — Apache-2.0. В доступной карточке не приведены сведения о языках обучения и результаты оценки качества.

M7Yamshadowexperiment28_Strangemerges_32M7 — объединённая модель для генерации текста, созданная MaziyarPanahi. Она получена слиянием моделей automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32M7-7B; архитектура — плотная MistralForCausalLM на 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Модель предназначена для генерации продолжений текста и диалоговых ответов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. README не сообщает о специальных прикладных областях или оценках качества.

Magnolia-v4-12B — языковая модель для генерации текста, созданная автором grimjim слиянием методом SLERP моделей grimjim/Magnolia-v3-12B и intervitens/mini-magnum-12b-v1.1. По сравнению с v3 автор описывает её как вариант с изменённым стилем генерации. Модель построена на архитектуре Mistral, содержит 12,1 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель подходит для диалогов и генерации ответов на нескольких языках, а также для задач продолжения текста. Она распространяется в формате Safetensors; лицензия — Apache-2.0. Качество и языковой охват в README подробно не оцениваются.

MaziyarPanahi/MeliodasPercival_01_Experiment26Shadow — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Experiment26Shadow-7B. Модель предназначена для генерации текста и диалогов, принимает текст и выдаёт текст; поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Данные карточки не уточняют языковую специализацию и дополнительные возможности модели.

MeliodasPercival_01_Inex12Strangemerges_32 — объединённая модель семейства Mistral, созданная из automerger/MeliodasPercival_01-7B и automerger/Inex12Strangemerges_32-7B. Она предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Данных о специальных предметных областях или целевых языках в карточке нет.

MeliodasPercival_01_T3qm7xNeuralsirkrishna — объединённая языковая модель семейства Mistral, созданная слиянием моделей automerger/MeliodasPercival_01-7B и automerger/T3qm7xNeuralsirkrishna-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов на основе текстовых запросов; поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке не приведены сведения о целевых языках, специализированных областях или оценках качества, поэтому её можно описать как модель общего назначения.

Misgit-7B-slerp — объединённая языковая модель, созданная с помощью LazyMergekit из fblgit/UNA-TheBeagle-7b-v1 и mistralai/Mistral-7B-v0.1. В основе лежит архитектура Mistral с плотной причинной языковой моделью на 7,1 млрд параметров; веса объединены методом slerp и сохранены в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев на основе текстового ввода. Указанное контекстное окно составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.