III.2Исследование рынка и маркетинг

andupets/real-estate-image-classification — классификатор изображений недвижимости, созданный с помощью HuggingPics. Модель основана на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров; веса представлены в формате PyTorch. Она предназначена для отнесения изображений к классам, связанным с недвижимостью. Карточка не уточняет набор классов, обучающие данные, точность, размер входных изображений или условия лицензии. Поэтому пригодность для конкретного рынка или рабочего процесса следует проверять на собственных данных.

Deepak1206/text-to-video-model — проект генерации коротких видео по текстовым запросам на основе предварительно обученной диффузионной модели из экосистемы Hugging Face. Модель принимает текстовое описание, формирует последовательность видеокадров и сохраняет результат в формате MP4. Для работы используются PyTorch и библиотека Diffusers; предусмотрено ускорение на GPU с CUDA и запуск в Google Colab. В README в качестве базовой модели указана damo-vilab/text-to-video-ms-1.7b. Репозиторий совместим с конвейером TextToVideoSDPipeline и содержит файлы Diffusers в формате safetensors. Лицензия — Apache-2.0. Модель предназначена для создания коротких роликов по текстовым описаниям; сведения о длительности, разрешении и качестве результата в предоставленных данных отсутствуют.

Time Series Transformer — модель архитектуры encoder-decoder Transformer, обученная командой Hugging Face на наборе monashtsf/tourism-monthly в течение 30 эпох. Она предназначена для прогнозирования временных рядов: при использовании модель авторегрессионно генерирует значения по одному временному шагу за раз. Модель подходит для экспериментов и прикладных прогнозов на месячных рядах туристической тематики. В карточке указаны форматы PyTorch и Safetensors, а лицензия — MIT. Данные описывают обучение на конкретном наборе tourism-monthly, поэтому переносимость на другие типы рядов не подтверждена.

Это классификатор изображений недвижимости, созданный пользователем andupets с помощью HuggingPics. Модель на базе архитектуры Vision Transformer (ViT) содержит 113,2 млн параметров и предназначена для отнесения изображений к одному из 30 классов. Модель принимает изображения и выдаёт метку класса. README не описывает состав классов, обучающие данные и показатели качества, поэтому применимость к конкретным типам объектов недвижимости следует проверять на целевых изображениях. Репозиторий содержит веса в формате PyTorch; сведения о лицензии не предоставлены.

Dobby-Mini-Leashed-Llama-3.1-8B — разговорная языковая модель SentientAGI, дообученная на Meta-Llama-3.1-8B-Instruct. Она генерирует ответы в прямолинейном, неформальном стиле и выражает устойчивую поддержку личной свободы, децентрализации и криптовалют, сохраняя общие возможности исходной инструкционной модели. Модель предназначена для диалоговых компаньонов, социальных агентов и ботов, а также для генерации постов и ответов на повседневные вопросы. Модель построена на плотной архитектуре LlamaForCausalLM, содержит около 7,5 млрд параметров и работает с текстом; заявленный контекст — до 131 072 токенов. В карточке указан английский язык. Репозиторий содержит веса Safetensors, а лицензия — Llama 3.1 Community License. Ответы могут быть резкими, субъективными и предвзятыми в отношении криптовалют и свободы; модель не следует считать нейтральным источником советов. Использование регулируется условиями лицензии Llama 3.1.

EXAONE-3.5-7.8B-Instruct-KoCulture — разработанная Hugging Face KREW дообученная версия LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct. Это плотная авторегрессионная языковая модель с архитектурой decoder-only Transformer и 7,4 млрд параметров. Она предназначена для генерации разговорных ответов на корейском языке, с использованием современных сленговых выражений, мемов и интернет-трендов. Модель обучена методом SFT на диалоговом датасете KoCulture-Dialogues-v2; поддерживает контекст до 32 768 токенов и доступна в формате safetensors через Transformers. Модель подходит для неформальных чат-ботов и генерации ответов в стиле дружеской переписки. По данным карточки, дообучение улучшило использование корейских неологизмов и мемов. При этом сленг может быть подвержен быстрой смене значений, а ответы — отражать перекосы онлайн-культур и содержать неуместные формулировки. Модель может ошибаться в фактах и не предназначена для критически важных консультаций. Лицензия указана как other; карточка связывает условия использования с лицензией базовой модели и отмечает, что обучающий датасет распространяется по CC BY-NC-SA 4.0 и ограничивает коммерческое использование.

moralBERT-uncased-mrfc-loyalty — англоязычная модель классификации текста, созданная дообучением google-bert/bert-base-uncased. Она использует архитектуру BERT и предназначена для классификации последовательностей; название указывает на связь с темой лояльности, но карточка не описывает конкретные классы и сценарии применения. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате safetensors. Модель разработана автором репозитория SzymonKozl и опубликована по лицензии Apache-2.0. В карточке нет описания обучающих данных, схемы меток или результатов оценки, поэтому её точность и пригодность для конкретной задачи классификации требуют отдельной проверки.

IPostYellow/TurboWan2.1-T2V-1.3B-Diffusers — конвертированная версия модели TurboWan2.1-T2V-1.3B-480P для генерации видео по текстовому описанию. В карточке указана интеграция с Diffusers и использование конвейера WanDMDPipeline; веса представлены в формате safetensors. Модель предназначена для создания видео по текстовому запросу. README также приводит пример запуска через SGLang на одном GPU. Репозиторий содержит конверсию базовой модели TurboDiffusion/TurboWan2.1-T2V-1.3B-480P; лицензия — Apache 2.0. Карточка не описывает дополнительные ограничения качества или область применения.

Карточка модели SuhaanCoding/Wan2.2-S2V-14B-Diffusers на Hugging Face совпадает с карточкой FastVideo/Wan2.2-S2V-14B-Diffusers, поэтому описание составлено по ней. Wan2.2-S2V-14B-Diffusers — это версия модели Wan-AI/Wan2.2-S2V-14B, упакованная в структуру каталогов FastVideo. Она анимирует изображение человека, синхронизируя движения с голосовой записью, и предназначена для создания видео говорящего персонажа по изображению, аудио и текстовому запросу. Для генерации используются веса видеомодели Wan2.2-S2V-14B; текстовый энкодер, VAE, токенизатор и scheduler взяты из Diffusers-релиза Wan2.1, а аудиоэнкодер wav2vec2 — из официального репозитория S2V. Это конверсия формата и структуры файлов для совместимости с FastVideo: README сообщает, что веса модели не менялись, а тензоры видеомодели побайтно совпадают с официальным релизом. В README проверена загрузка 1260 тензоров с корректными именами и формами, но сквозная генерация видео на GPU ещё не проверена. Репозиторий распространяется по лицензии Apache-2.0.

mradermacher/domain-name-generator-i1-GGUF — квантизированная версия языковой модели hassanij/domain-name-generator, подготовленная mradermacher в формате GGUF. Модель основана на архитектуре Mistral и использует LoRA; в метаданных также указаны задачи генерации текста и доменных имён. Разработчик базовой модели — hassanij, а квантизацию выполнил mradermacher. Модель предназначена для генерации вариантов доменных имён и работает с текстом на английском языке. README не содержит сведений о размере базовой модели, длине контекста, точных параметрах LoRA или поддерживаемых модальностях, поэтому эти характеристики определить нельзя. Доступно множество вариантов квантизации размером примерно от 1,7 до 6,0 ГБ; среди них Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Сильной стороной является возможность локального запуска в компактных квантизированных вариантах. Качество зависит от выбранного типа квантизации: некоторые малые варианты прямо отмечены как низкокачественные, поэтому выбор файла влияет на результат. Лицензия — Apache-2.0.

SoulX-FlashHead-1_3B — модель команды Soul-AILab для генерации реалистичных говорящих голов в потоковом режиме. Она принимает изображение лица и создаёт видео с говорящим человеком; проект описывает подход как генерацию с подсказками от oracle-модели и выпускает облегчённую и профессиональную версии чекпойнта. Модель предназначена для интерактивных аватаров и потоковой генерации видео с лицом. Для версии Lite заявлена скорость до 96 кадров в секунду либо работа трёх потоков в реальном времени с частотой от 25 кадров в секунду на одной RTX 4090; для Pro указаны 10,8 кадра в секунду на RTX 4090 или реальное время на двух RTX 5090. В репозитории указаны архитектура Wan и форматы Diffusers/SafeTensors; лицензия — Apache-2.0.

TacoBeLLM — дообученная автором разговорная модель на основе Llama 2 13B OpenOrca-Platypus. Она совмещает общие способности инструктивного ассистента со специализированными знаниями о Taco Bell, собранными с корпоративного сайта, из Википедии и новостных статей; дополнительно автор дообучил её на данных AIRIC, чтобы смягчить навязчивые рекомендации. Модель предназначена для диалога и ответов на вопросы о меню, событиях, истории и финансовых сведениях, связанных с Taco Bell, и может выполнять некоторые общие задачи, например помогать с Python-скриптами. В README указана квантизация EXL2 4.0 BPW; в метаданных репозитория отмечены веса safetensors. Архитектура — плотная Llama для генерации текста, размер — 12,9 млрд параметров, контекст — 4096 токенов. Основной язык модели — английский. Лицензия — MIT. Автор отмечает, что модель может неожиданно уводить разговор к Taco Bell, выдумывать события и фиктивную общую историю с пользователем, а также продолжать генерацию в формате Alpaca с ложными парами вопросов и ответов. Остановка по строке «### Instruct:» помогает ограничить последнее поведение. Автор не ожидает высоких результатов на бенчмарках; модель не использует RAG.

Карточка модели CurioSeaLab/SoulX-FlashHead-1_3B на Hugging Face совпадает с карточкой Soul-AILab/SoulX-FlashHead-1_3B, поэтому описание составлено по ней. SoulX-FlashHead-1_3B — модель команды Soul-AILab для генерации реалистичных говорящих голов в потоковом режиме. Она принимает изображение лица и создаёт видео с говорящим человеком; проект описывает подход как генерацию с подсказками от oracle-модели и выпускает облегчённую и профессиональную версии чекпойнта. Модель предназначена для интерактивных аватаров и потоковой генерации видео с лицом. Для версии Lite заявлена скорость до 96 кадров в секунду либо работа трёх потоков в реальном времени с частотой от 25 кадров в секунду на одной RTX 4090; для Pro указаны 10,8 кадра в секунду на RTX 4090 или реальное время на двух RTX 5090. В репозитории указаны архитектура Wan и форматы Diffusers/SafeTensors; лицензия — Apache-2.0.

Shankarblr создал специализированную инструктивную модель на основе Llama 3.2 3B Instruct для технического маркетинга и документации в области полупроводников и межсоединений дата-центров. Это плотная авторегрессионная модель на 3,2 млрд параметров, дообученная методом QLoRA и объединённая с базовыми весами в fp16; заявленный контекст — 131 072 токена. Репозиторий также описывает вариант Q4_K_M GGUF для запуска через Ollama или llama.cpp. Модель предназначена для черновиков описаний продуктов, списков характеристик, прикладных заметок, разделов руководств для сетевых адаптеров, коммутаторов, DPU и адаптеров хранения, а также для извлечения спецификаций и ответов по предоставленному фрагменту текста. README указывает английский язык и рекомендует использовать шаблон чата Llama 3.2 Instruct; качество ответов на вопросы по источнику зависит от специального системного промпта. Модель выдерживает заданный стиль документации, но может смешивать характеристики разных поколений продуктов, выдумывать SKU и команды CLI. Сгенерированные числа, спецификации и флаги нужно сверять с первоисточниками; модель не предназначена для готовых к публикации спецификаций или общего чата вне своей предметной области. Лицензия — Llama 3.2 Community License.

Это LoRA-адаптер для базовой модели Qwen/Qwen3.8-27B, разработанный 1jamesthompson1 в рамках проекта AIML589. Адаптер предназначен для генерации текста и дообучен на конфигурации full_string_distribution датасета wvs-nz-value-alignment, в подвыборке overall. Его специализация связана с моделированием или воспроизведением распределения ценностных установок, представленных в данных исследования World Values Survey для Новой Зеландии. Модель использует параметроэффективное дообучение LoRA с rank 64, alpha 128 и dropout 0,05; DoRA не применялась. Обучение проводилось в течение трёх эпох с максимальной длиной последовательности 1024 токена, batch size 2, накоплением градиента 4 и типом данных bf16. README не содержит подтверждённых сведений о языках, модальностях, полном контекстном окне базовой модели или результатах независимого тестирования. Сильной стороной является узкая адаптация Qwen/Qwen3.8-27B к конкретному датасету и задаче ценностного выравнивания при меньших требованиях к хранению и дообучению по сравнению с полной перенастройкой модели. Ограничения включают зависимость от базовой модели, узкую область обучающих данных и отсутствие заявленных оценок качества, поэтому пригодность для общих диалоговых, аналитических или иных задач не подтверждена. Адаптер распространяется по лицензии CC BY-SA 4.0.

unslothai/azure — репозиторий Unsloth Backup Account на Hugging Face с моделью семейства Llama для извлечения признаков. Карточка предлагает загрузку через Transformers как feature-extraction и использует класс LlamaModel. По данным карточки, репозиторий содержит 0 параметров, поэтому доступные сведения не позволяют описать его как рабочую модель или установить её практические характеристики. Лицензия и назначение за пределами извлечения признаков не подтверждены.

Карточка модели localized-ft/Llama-3.1-8B-bad-medical-advice-sip2-f25 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.

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.

Gemma 2 27B IT — инструктивно дообученная текстовая языковая модель Google из семейства Gemma 2. Это декодерная трансформерная модель с открытыми весами, предназначенная для диалога и генерации текста по инструкциям. В репозитории указаны формат safetensors и библиотека Transformers; модель основана на google/gemma-2-27b. Модель подходит для ответов на вопросы, суммаризации, диалоговых помощников, создания текстов и рассуждений по заданному контексту. В карточке семейство описано как англоязычное; модель принимает текст и генерирует текст. Размер модели составляет 27 млрд параметров. Ответы могут содержать фактические ошибки и отражать предвзятости обучающих данных; модель может испытывать трудности с тонкими языковыми нюансами и сложными открытыми задачами. Условия лицензии Gemma определяются лицензией Google Gemma; перед использованием следует ознакомиться с её условиями и политикой допустимого применения.

Jais-2-70B-Chat — двуязычная языковая модель MBZUAI, Inception и Cerebras, обученная с нуля для диалогов и генерации текста на арабском и английском языках. Она рассчитана на современный литературный арабский, региональные диалекты и переключение между арабским и английским в одном сообщении. Это decoder-only Transformer с multi-head self-attention и 70 млрд параметров. Модель использует собственный арабоцентричный словарь размером 150 272 токена, RoPE и активацию Squared-ReLU; длина контекста — 8 192 токена. Подходит для чат-ассистентов, генерации и обработки двуязычных документов, анализа тональности и создания арабоязычного контента. В описанных авторами оценках модель показала конкурентные результаты на IFEval для арабского и английского и высокие результаты на AraGen-12-24. Авторы предупреждают, что её не следует применять для языков, отличных от арабского и английского, или для медицинских, юридических, финансовых и других критически важных решений без контроля человека. Лицензия — Apache-2.0.

Модель yangheng/deberta-v3-base-end2end-absa разработана на основе microsoft/deberta-v3-base и дообучена для сквозного анализа тональности по аспектам. Она совместно выделяет в тексте аспекты и определяет тональность каждого аспекта одной головой классификации токенов, используя метки в формате IOB с категориями Positive, Negative и Neutral. Результаты включают символьные границы найденных фрагментов исходного текста. Модель построена на архитектуре DeBERTa-v3-base, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Карточка указывает поддержку английского и китайского языков. Модель подходит для анализа отзывов и других текстов, где нужно связать оценку с конкретным аспектом продукта или услуги. Распространяется по лицензии MIT. Длинные входы обрезаются до предельной длины последовательности. Схема тональности ограничена положительной, отрицательной и нейтральной категориями; для дополнительных категорий модель нужно переобучить.

LatamGPT 1.0 — авторегрессионная плотная Transformer-модель, разработанная командой LatamGPT на базе Meta Llama 3.1 70B. Модель прошла дальнейшее предобучение на данных Латинской Америки и Карибского бассейна и supervised fine-tuning для следования инструкциям и диалогов. Веса содержат 69,5 млрд параметров, контекст — 4096 токенов; модель рассчитана на работу через Transformers и имеет готовый шаблон чата. Модель предназначена для генерации текста и диалоговой помощи на испанском, португальском и английском языках, с особым вниманием к латиноамериканским вариантам речи, региональным реалиям и культурным контекстам. Её можно применять для суммаризации, классификации, редактирования и аналитической поддержки в исследованиях и приложениях для региона. Лицензия — Llama 3.1 Community License; перед использованием и распространением следует соблюдать её условия. Модель может выдавать фактические ошибки, устаревшую информацию и предвзятые ответы; качество меняется в зависимости от языка, страны, предметной области и формулировки запроса. Для работы с весами в BF16/FP16 требуется около 140 ГБ видеопамяти, а в чувствительных и высокорисковых сценариях результаты требуют проверки специалистом. Для сохранения качества рекомендуется использовать поставляемые шаблон чата, токенизатор и конфигурацию генерации.

Многоязычная модель для анализа тональности по аспектам (ABSA), разработанная автором репозитория yangheng на основе microsoft/deberta-v3-base и обученная с использованием PyABSA. Она классифицирует тональность текста применительно к заданному аспекту; в связке с PyABSA также может использоваться для извлечения аспектов и классификации их тональности за один проход. Модель построена на архитектуре DeBERTa-v3-base с backbone FAST-LCF-BERT и механизмом Local Context Focus, который помогает учитывать слова и фразы, относящиеся к конкретному аспекту. Это текстовый классификатор с 211,6 млн параметров и контекстом до 512 токенов. В карточке заявлена поддержка английского, арабского, китайского, нидерландского, французского, русского, испанского и турецкого языков. Модель подходит для анализа отзывов, обращений в поддержку, публикаций в социальных сетях и рыночных мнений с разбивкой по аспектам. Компактный encoder позволяет выполнять вывод без LLM и с меньшими вычислительными затратами; заявления карточки о превосходстве качества не подкреплены приведёнными здесь численными результатами. Распространяется по лицензии MIT.

Gemma 3 4B IT — мультимодальная модель Google, дообученная для следования инструкциям на базе google/gemma-3-4b-pt. Она принимает текст и изображения и генерирует текст; подходит для диалоговых помощников, ответов на вопросы по изображениям, суммаризации, рассуждений и создания текстов. Модель построена на архитектуре семейства Gemma 3, содержит около 4 млрд параметров и поддерживает контекст до 128 тыс. токенов. Поддерживает более 140 языков и может запускаться на ноутбуках, настольных компьютерах или собственной облачной инфраструктуре. Сильные стороны модели — сочетание визуального понимания и генерации текста, большой контекст и сравнительно компактный размер. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными или сложными запросами. Лицензия — Gemma; применение должно соответствовать условиям лицензии и политике запрещённого использования Google.

google/gemma-3-4b-it-qat-int4-unquantized — мультимодальная диалоговая модель Google из семейства Gemma 3, основанная на Gemma 3 4B IT. Она принимает текст и изображения и генерирует текст; поддерживает чат, ответы на вопросы по изображениям, суммаризацию и другие задачи генерации текста. Семейство Gemma 3 рассчитано на контекст до 128 тыс. токенов и поддерживает более 140 языков. В репозитории указаны веса safetensors и лицензия Gemma. Модель подходит для чат-ботов, виртуальных помощников, создания и редактирования текстов, извлечения сведений из изображений и изучения больших текстовых материалов. Компактный размер семейства позволяет развёртывание на локальных компьютерах и собственной облачной инфраструктуре. Ответы могут содержать фактические ошибки, отражать предвзятость обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами; для приложений с пользовательским контентом необходимы подходящие меры безопасности.

Mistral-Small-24B-Instruct-2501-bf16 — конвертированная в формат MLX версия инструктивной языковой модели Mistral AI Mistral-Small-24B-Instruct-2501, подготовленная сообществом mlx-community для запуска на устройствах Apple с MLX. Модель представляет собой плотную авторегрессионную архитектуру MistralForCausalLM с 23,4 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалогов и генерации текста по инструкциям на нескольких языках. Подходит для ответов на вопросы, составления и редактирования текстов, суммаризации и многоязычных ассистентских сценариев. Метаданные указывают поддержку английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Репозиторий содержит веса в safetensors и описывает конвертацию в MLX с помощью mlx-lm 0.21.1. Лицензия — Apache 2.0. Качество ответов и следование инструкциям зависят от формулировки запроса; как и другие языковые модели, она может генерировать ошибки и недостоверные сведения.

Модель MarieAngeA13/Sentiment-Analysis-BERT разработана авторами GRP209 для определения тональности пользовательских комментариев о товарах и услугах. Это классификатор последовательностей на архитектуре BERT с 136,7 млн параметров; он относит текст к положительной, отрицательной или нейтральной тональности. Модель предназначена для анализа отзывов и комментариев, чтобы помочь компаниям понять реакцию потребителей и выявить проблемы продукта или сервиса. В карточке также описана возможность предлагать более позитивную редакцию нейтрального или негативного текста, но не уточняется, реализована ли она непосредственно этой моделью-классификатором. Модель принимает текст, поддерживает английский язык и имеет контекстное окно до 512 токенов. Опубликованные веса представлены в формате PyTorch. Лицензия — BSD 3-Clause.

Это объединённая модель для генерации текста, созданная слиянием mistralai/Mistral-7B-Instruct-v0.2 и cognitivecomputations/dolphin-2.0-mistral-7b методом SLERP. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для диалога и выполнения инструкций в текстовом формате. Контекст составляет до 32 768 токенов, что позволяет использовать её для многошаговых бесед и работы с длинными текстовыми запросами. В карточке указаны формат safetensors и лицензия Apache-2.0.

Gemma 1.1 7B IT — инструктивно дообученная текстовая языковая модель Google из семейства Gemma, созданного на основе исследований и технологий Gemini. Это декодерная модель с открытыми весами, рассчитанная на диалог и генерацию текста по инструкциям; её можно запускать на компьютере или в собственной облачной инфраструктуре. Модель подходит для ответов на вопросы, суммаризации, рассуждений, создания текстов и разговорных интерфейсов. В карточке семейства указана поддержка английского языка. Относительно компактный размер облегчает развёртывание при ограниченных вычислительных ресурсах, однако конкретный объём параметров и длина контекста в предоставленных данных не приведены. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и не учитывать тонкие языковые нюансы; качество также зависит от формулировки запроса и контекста. Для Gemma действует лицензия Gemma; при использовании следует соблюдать её условия и политику запрещённого использования Google.

Google Gemma 3 27B IT QAT Q4_0 Unquantized — мультимодальная инструктивно настроенная модель на основе Google Gemma 3 27B IT, предназначенная для диалога и понимания изображений. Она принимает текст и изображения, а генерирует текст; семейство Gemma 3 поддерживает контекст до 128 тыс. токенов и более 140 языков. В репозитории указаны веса safetensors и связь с базовой моделью google/gemma-3-27b-it. Модель подходит для ответов на вопросы по изображениям и текстам, диалоговых помощников, генерации и суммаризации текста, а также извлечения и интерпретации визуальной информации. Размер семейства позволяет запускать модели Gemma 3 на локальных компьютерах или собственной облачной инфраструктуре, но для варианта на 27 млрд параметров всё равно требуются заметные вычислительные ресурсы. К ограничениям относятся возможные фактические ошибки, смещения обучающих данных и трудности с неоднозначными формулировками и сложными задачами. Лицензия — Gemma; перед использованием следует учитывать условия лицензии Google Gemma и политику запрещённого использования.