III.2Исследование рынка и маркетинг

jspr/llama3_8b_instruct_wordcel_merged — дообученная диалоговая языковая модель на архитектуре Llama, созданная разработчиком jspr на основе meta-llama/Meta-Llama-3-8B-Instruct. В репозитории указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста и диалоговых ответов на английском языке. Она содержит 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. Используется формат safetensors. Модель подходит для английских чат-ботов, черновиков и продолжения текста. Специализированные области и дополнительные возможности в карточке не описаны. Распространяется по лицензии Apache-2.0.

Llama-3-ChocoLlama-8B-base — базовая языковая модель семейства ChocoLlama, разработанная Matthieu Meeus и Anthony Rathé и адаптированная для нидерландского языка. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена; она дообучена LoRA на 17 млрд нидерландских токенов. Модель предназначена для генерации и понимания нидерландского текста, а также как основа для последующей адаптации под конкретные задачи. Модель может служить основой для генерации и анализа нидерландских текстов о вакансиях, корпоративной отчётности и законодательстве. Это базовая, а не инструкционная модель: она не рассчитана на надёжный диалог и требует дообучения либо применения инструкционной версии для чат-сценариев. Карточка предупреждает о вероятном ухудшении работы с языками кроме нидерландского, включая английский, и об отсутствии специальной дополнительной фильтрации обучающих данных на предвзятый или вредоносный контент. Репозиторий содержит веса PyTorch; лицензия — Llama 3 Community License.

MAAL (Multilingual Adaptive Augmentation Language-model) — диалоговая модель, разработанная командой maum.ai Brain NLP. Версия 0.1 основана на Meta-Llama-3-8B-Instruct и дообучена методом межъязыкового переноса: навыки следования инструкциям на английском переносятся на корейский. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые запросы; контекст — до 8192 токенов. Модель предназначена для диалогов и генерации ответов на корейском и английском языках. Разработчики рекомендуют использовать заданный в карточке системный промпт, если модель не дообучается. В опубликованной оценке LogicKor MAAL показала конкурентный результат среди сравниваемых моделей до 13 млрд параметров, однако оценка отмечена как собственный отчёт разработчиков. Карточка указывает на ограничения: из-за небольшого обучающего набора модель может создавать мало разнообразные тексты на корейском и недостаточно учитывать корейские знания и культурный контекст. Обработка изображений и видео не поддерживается. Лицензия — Llama 3.

Llama-3-SnowyRP-8B-V1-B — объединённая автором Masterjp123 модель для генерации текста и диалогов на основе семейства Llama 3. Она создана методом TIES merge из Meta-Llama-3-8B-Instruct, L3-Solana-8B-v1, L3-TheSpice-8b-v0.1.3 и предыдущей версии SnowyRP. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и доступна в формате safetensors без квантизации; заявленная длина контекста — 8192 токена. Модель предназначена для диалогового взаимодействия и генерации текста, в том числе ролевых ответов в формате с модифицированным Alpaca-промптом. Автор описывает исходные дообученные модели как менее ограниченные, однако не приводит оценок качества или подробных результатов тестирования. В карточке указаны лицензия Llama 3 и дополнительные лицензии компонентов с ограничениями на коммерческое использование; условия каждой лицензии следует проверить перед использованием.

Llamafia — разговорная языковая модель на архитектуре Mistral, представленная пользователем Hugging Face kevin009. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленное окно контекста — 8192 токена. В метаданных указана поддержка английского языка и формат весов Safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. В README приведены результаты оценивания на отдельных тестах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag; этих данных недостаточно для вывода о качестве в других задачах. Автор описывает модель как находящуюся в разработке или тестировании, поэтому её пригодность для стабильного применения не подтверждена. Лицензия — Apache 2.0.

KKHYA/llavaqwen3-1.7b-finetune — дообученная модель на основе Qwen/Qwen3-1.7B, опубликованная KKHYA. Это плотная языковая модель с архитектурой LlavaQwen3ForCausalLM и 1,7 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов, а метаданные также отмечают интерфейс вызова инструментов. Контекст — до 40 960 токенов. Датасет, сценарии применения, поддерживаемые языки и результаты оценки в карточке не описаны, поэтому качество в конкретных задачах и наличие мультимодальных возможностей подтвердить нельзя. Лицензия — Apache-2.0.

maid-yuzu-v7 — объединённая языковая модель, созданная автором репозитория с помощью mergekit. В README описано последовательное слияние методом SLERP: сначала моделей Orochi и Dolphin с параметром 0,15, затем результата с BagelMIsteryTour-v2-8x7B с параметром 0,2. Архитектура Mixtral — разреженная MoE-модель для авторегрессионной генерации текста; в метаданных указаны 7,1 млрд параметров и контекст до 32 768 токенов. Модель подходит для генерации продолжений и диалоговых ответов. Метаданные указывают исходные модели Dolphin 2.7 Mixtral, MixtralOrochi8x7B и BagelMIsteryTour-v2-8x7B; описание базовой модели в каталоге связывает семейство с генерацией ответов и диалогов на английском языке. Для maid-yuzu-v7 отдельные языковые возможности и специальные сценарии в README не уточняются. Модель опубликована в формате safetensors для Transformers; лицензия в предоставленных данных не указана.

Undi95/MLewd-ReMM-L2-Chat-20B — диалоговая модель генерации текста на архитектуре Llama с 19,8 млрд параметров и контекстом до 4096 токенов. Разработчик собрал её чередованием слоёв моделей Undi95/MLewd-L2-Chat-13B и Undi95/MLewd-ReMM-L2-Chat-20B-Part1; в README это описано как способ найти баланс между моделями на 13B и более чем 30B параметров и сохранить связность ответов. Для общения используется шаблон Alpaca. Модель предназначена для генерации ответов в диалоге и других текстовых задач. README приводит результаты оценок на отдельных тестах, но также отмечает необходимость дальнейшего тестирования и небольшое количество дублированных данных. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

my-first-model — англоязычная модель классификации текста, созданная дообучением DrKanthiKiran модели distilbert/distilbert-base-uncased. Она построена на архитектуре DistilBERT и предназначена для классификации последовательностей текста. В README приведены результаты на наборе оценки: accuracy 0,877 и F1 0,8781; описание датасета и подробности обучения отсутствуют. Модель принимает текст с контекстом до 512 токенов и выдаёт метки классов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ar-de — модель машинного перевода арабского языка на немецкий из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMT. Модель содержит 57,5 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для предобработки используются нормализация и SentencePiece с словарями spm32k; поддерживаются арабский текст, включая несколько его диалектных и латинских вариантов, и немецкий язык. Модель подходит для перевода отдельных фраз и текстов с арабского на немецкий. В карточке приведён результат на тестовом наборе Tatoeba: BLEU 44,7 и chr-F 0,629. Репозиторий содержит веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Карточка модели mijuanlo/opus-mt-es-fr на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-es-fr, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-es-fr — модель машинного перевода из семейства Marian, разработанная проектом OPUS/Helsinki-NLP. Она переводит текст с испанского языка на французский и подходит для перевода отдельных фраз и документов. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece и содержит 63,5 млн параметров; длина контекста — до 512 токенов. Репозиторий содержит веса в форматах PyTorch и TensorFlow. В карточке приведены результаты тестирования на наборах новостных текстов: BLEU 32,0–33,6 и chr-F 0,585–0,610. Эти оценки относятся к указанным тестовым наборам и не гарантируют аналогичное качество на других темах и типах текста. Модель распространяется по лицензии Apache-2.0.

opus-mt-et-en — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с эстонского языка на английский и построена на архитектуре MarianMT с трансформером; число параметров составляет 55,3 млн, а максимальная длина контекста — 512 токенов. Для нормализации текста и токенизации используется SentencePiece. Модель предназначена для перевода отдельных фраз и текстов, включая новости и короткие пользовательские тексты. В карточке приведены результаты на тестах новостного перевода и Tatoeba: BLEU 30,1–30,3 для новостных наборов и 59,9 для Tatoeba. Это опубликованные значения на конкретных тестах, а не гарантия качества для любых текстов. Модель распространяется по лицензии Apache 2.0.

Helsinki-NLP разработала opus-mt-fr-hu — модель машинного перевода с французского языка на венгерский. Она построена на архитектуре MarianMT с трансформерной моделью, содержит 55,2 млн параметров и использует нормализацию текста и токенизацию SentencePiece. Для перевода применяется корпус OPUS; в карточке приведены результаты на тестовом наборе Tatoeba.fr.hu: BLEU 41,3 и chr-F 0,629. Модель принимает текст на французском и выдаёт перевод на венгерский. Она распространяется под лицензией Apache-2.0; доступны форматы PyTorch и TensorFlow. Контекст модели — до 512 токенов.

Helsinki-NLP/opus-mt-id-en — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Она переводит текст с индонезийского языка на английский и обучена на данных OPUS. Архитектура — Marian Transformer; перед обработкой текст нормализуется и токенизируется с помощью SentencePiece. Модель содержит 53,2 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода предложений и коротких текстов, в том числе для локализации материалов и первичного перевода пользовательского контента. В README приведены результаты на наборе Tatoeba.id.en: BLEU 47,7 и chr-F 0,647. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-pl-de — модель машинного перевода с польского на немецкий из семейства OPUS-MT, разработанная Helsinki-NLP. Это трансформер MarianMT с архитектурой transformer-align, обученный на данных OPUS; перед обработкой текста применяются нормализация и SentencePiece. Модель содержит 56,1 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода польских текстов на немецкий. В README приведены результаты тестирования на Tatoeba.pl.de: BLEU 47,8 и chr-F 0,665. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ru-uk — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с русского языка на украинский. Модель содержит 54,7 млн параметров, использует нормализацию и токенизацию SentencePiece с словарями spm32k; длина контекста — 512 токенов. Модель подходит для перевода фраз, сообщений и документов с русского на украинский. В README приведён результат BLEU 64,0 на тесте Tatoeba для этой языковой пары; качество на других наборах и для специализированной лексики может отличаться. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-zls-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на основе проекта Tatoeba-Challenge. Она переводит с южнославянских языков на английский: поддерживаются боснийский, болгарский, хорватский, македонский, словенский и сербский в кириллической и латинской записи. Это трансформер MarianMT с 54,7 млн параметров; при обработке используются нормализация текста и SentencePiece с моделью токенизатора на 32 тыс. единиц. Родной контекст — 512 токенов. Модель подходит для перевода предложений и коротких текстов, включая локализацию и перевод пользовательских материалов с южнославянских языков на английский. В README приведены результаты на тестах Tatoeba для болгарского, хорватского/боснийского и македонского; показатели BLEU составляют 54,9, 55,7 и 54,6 соответственно. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

TheBigBlender/Orca2myth7.2 — слитая языковая модель, созданная ShotMisser64 методом mergekit. В ней объединены слои Orca2flat и PygmalionAI/mythalion-13b; автор отмечает сочетание понимания Orca 2 со стилем диалога Pygmalion и согласованностью Mythalion. Архитектура — плотная Llama для генерации текста, размер — 19,8 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса Safetensors; лицензия указана как other, а README просит соблюдать лицензии исходных моделей. Сведения о конкретной лицензии объединённой модели и поддерживаемых языках не приведены.

PiVoT-10.7B-Mistral-v0.2 — разговорная языковая модель maywell, дообученная методами SFT и DPO на основе объединённой модели Mistral 0.2. Она предназначена для диалоговой генерации текста. Модель имеет плотную архитектуру MistralForCausalLM, содержит 10,6 млрд параметров и поддерживает контекст длиной до 32 768 токенов. В карточке указаны английский и корейский языки, формат весов — safetensors. Модель распространяется по лицензии CC BY-SA 4.0. Карточка не описывает данные обучения, оценки качества или конкретные ограничения; качество ответов и соответствие требованиям конкретного применения следует проверять отдельно.

Timooody дообучил Qwen2.5-1.5B-Instruct-unsloth-bnb-4bit для генерации текста. Это плотная языковая модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не описывает юридическую специализацию, обучающие данные или результаты оценки качества, поэтому такие возможности подтвердить нельзя. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Qwen3-1.7B-reas-int-065 — дообученная модель генерации текста на основе Qwen/Qwen3-1.7B, представленная в формате safetensors и предназначенная для диалогового взаимодействия. Карточка не описывает конкретные дополнительные навыки или обучающие данные, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Базовая Qwen3 — компактная многоязычная модель для генерации текста, диалогов, рассуждений, кода и выполнения инструкций, однако карточка не подтверждает, насколько хорошо эта версия справляется с отдельными задачами или какими языками располагает. Модель распространяется по лицензии Apache-2.0. Данные обучения и результаты оценки не описаны, поэтому качество и ограничения конкретного дообучения оценить нельзя.

Карточка модели sail/Sailor2-14B на Hugging Face совпадает с карточкой sail/Sailor2-1B-Chat, поэтому описание составлено по ней. Sailor2-1B-Chat — чат-модель сообщества Sailor2 для генерации текста на языках Юго-Восточной Азии и других языках региона. Она основана на Sailor2-1B, дообученной версии Qwen2.5, и использует плотную архитектуру Qwen2. Объём модели составляет 851,8 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, включая специализированные сценарии и использование в спекулятивном декодировании. В проекте Sailor2 модели непрерывно предварительно обучались на 500 млрд токенов для поддержки 15 языков: английского, китайского, бирманского, себуанского, илоканского, индонезийского, яванского, кхмерского, лаосского, малайского, сунданского, тагальского, тайского, вьетнамского и варайского. Компактный размер упрощает применение при ограниченных вычислительных ресурсах, но возможностей модели может быть недостаточно для сложных задач по сравнению с более крупными вариантами Sailor2. Модель выпущена под лицензией Apache 2.0. Для загрузки автор рекомендует Transformers версии 4.46.3.

Minbyul/selfbiorag-7b-wo-kqa_golden-iter-sft-step1 — языковая модель, дообученная на базе dmis-lab/selfbiorag_7b на датасете HuggingFaceH4/deita-10k-v0-sft. Модель построена на архитектуре Llama и содержит 6,6 млрд параметров; веса опубликованы в формате safetensors. Она предназначена для генерации текста и может использоваться в сценариях, требующих текстовых ответов и продолжения заданного контекста. Максимальная длина контекста — 4096 токенов. В README приведено значение loss 1,0452 на evaluation set, но подробности оценки и целевые сценарии не описаны. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Soro-GPT — языковая модель от zaddyzaddy, дообученная на базе unsloth/llama-3-8b-bnb-4bit. Она использует плотную архитектуру Llama с причинно-языковой головой и предназначена для генерации текста. В карточке указаны 7,5 млрд параметров и контекст до 8192 токенов; для обучения применялись Unsloth и библиотека TRL. Модель можно использовать для генерации продолжений текста и диалоговых ответов. Карточка не описывает специализацию, обучающие данные или результаты оценки качества, поэтому пригодность для конкретных областей не подтверждена. Лицензия — Apache-2.0.

Stork-7B-slerp — чат-модель для генерации текста, созданная слиянием моделей vigostral-7b-chat и French-Alpaca-7B-Instruct-beta методом SLERP с помощью LazyMergekit. Она предназначена для диалоговых ответов и выполнения инструкций на французском языке. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель объединяет французскую чат-модель на базе Mistral-7B и франкоязычную инструктивную модель. Лицензия в предоставленных данных не указана.

Карточка модели giocorte/totem-slm-rl-v3 на Hugging Face совпадает с карточкой giocorte/totem-slm-rl-v4, поэтому описание составлено по ней. giocorte/totem-slm-rl-v4 — дообученная текстовая модель giocorte на базе unsloth/Qwen3-4B. Это плотная причинно-языковая модель семейства Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста и диалоговые сценарии; для работы предусмотрен контекст до 40 960 токенов. Карточка сообщает, что модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face. Модель подходит для генерации ответов в чате и других задач, сводимых к продолжению текста. Метаданные указывают английский язык. Репозиторий содержит веса в формате Safetensors и опубликован по лицензии Apache-2.0. Специализированная область применения и результаты оценки качества в карточке не описаны.

WindyTranslate/translate-da-ru — модель машинного перевода от Windstorm Labs для перевода текста с датского на русский. Это дообученная версия Helsinki-NLP/opus-mt-da-ru: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 57,4 млн параметров и принимает текст; максимальная длина контекста — 512 токенов. Модель предназначена для перевода в одном направлении: с датского на русский. В проверке на 48 предложениях FLORES-200 dev она набрала chrF++ 42,69 и BLEU 16,29; это скрининговая оценка, а не результат публикационного исследования. Модель распространяется в формате safetensors и доступна по лицензии Apache-2.0.

Windstorm Labs публикует модель машинного перевода английского текста на вьетнамский язык. Это доработанная версия Helsinki-NLP/opus-mt-en-vi на архитектуре MarianMT с 52,7 млн параметров; веса поставляются в формате safetensors и рассчитаны на контекст до 512 токенов. По карточке, параметры намеренно изменены численным преобразованием, а не обучением; конкретная цель этого изменения не описана. Модель подходит для перевода коротких текстов с английского на вьетнамский, включая отдельные фразы и предложения. В скрининговой оценке на 48 предложениях FLORES-200 она получила chrF++ 45,30 и BLEU 25,62; этот результат не является публикационной оценкой и не гарантирует аналогичное качество на других текстах. Поддерживается только направление en→vi. Лицензия — Apache-2.0.

Villanova-2B-VL-2603 — мультиязычная визуально-языковая модель Villanova.AI для диалога и выполнения инструкций по изображениям. Она предназначена для ответов на вопросы о содержимом изображения, создания подписей и описаний, а также понимания документов и диаграмм в сценариях с одним изображением. Модель построена на архитектуре LLaVA: визуальный энкодер SigLIP-SO400M/14 связан с языковой моделью Villanova-2B-Base-2603. Размер — около 2,8 млрд параметров; модель поддерживает английский, французский, немецкий, итальянский и испанский языки. Она также сохраняет текстовые возможности языковой основы. По данным разработчика, модель рассчитана на запуск на одной GPU и выпущена под лицензией Apache 2.0. Модель показывает конкурентные результаты на общих и мультиязычных тестах визуальных вопросов и ответов, однако ответы могут содержать галлюцинации и требуют проверки. Поддерживается только анализ одиночного изображения; качество распознавания плотного мелкого текста уступает специализированным OCR-моделям.

Worldsim-Hermes-7B — разговорная языковая модель на архитектуре Mistral, дообученная автором репозитория на наборе данных vicgalle/worldsim-claude-opus. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; метаданные указывают поддержку чата и контекст длиной до 32 768 токенов. Модель предназначена для диалоговой генерации текста. Карточка приводит пример разговора, но не уточняет конкретные сценарии, языки обучения или результаты оценки качества. Распространяется в формате safetensors по лицензии Apache-2.0.