III.2Исследование рынка и маркетинг

ControlMT v2.3 — это компактная модель на 139 млн параметров, разработанная для перевода между каннада и английским языком. Она использует архитектуру encoder-decoder Transformer и предназначена для перевода в обоих направлениях, включая тексты с естественным смешением каннада и английских слов, аббревиатур и названий. Модель подходит для перевода новостей, государственных документов, форм и записей клиентов, материалов электронной коммерции, сообщений в социальных сетях и обращений в поддержку. По данным карточки, на FLORES-200 devtest она показывает COMET-DA выше 0,84 в обоих направлениях; также заявлена работа на потребительском оборудовании, в том числе после int8-квантизации. Метаданные указывают контекст в 320 токенов. ControlMT v2.3 не является универсальным переводчиком, чат-ботом или моделью для следования инструкциям: заявленная задача — только перевод между каннада и английским. Карточка отмечает возможные ошибки в идиомах, редких именах и современной технической лексике; для PAN-подобных идентификаторов при переводе с английского на каннада иногда требуется постобработка. Модель не сертифицирована для критически важных медицинских или юридических сценариев. Лицензия весов — Apache 2.0; лицензии исходных обучающих корпусов отличаются.

DataDecide-dolma1_7-no-code-1B-57500_60000_62500_65000_67500_weightedavg_merge — объединённая языковая модель на основе архитектуры Llama, созданная с помощью mergekit. В неё линейно объединены пять предварительно обученных контрольных точек Dolma 1.7 no-code; базовой указана контрольная точка step67500. Модель содержит 1,2 млрд параметров и работает с контекстом до 2048 токенов. Модель предназначена для генерации текста. Метка no-code указывает на ориентацию исходных контрольных точек на данные без кода, но карточка не описывает конкретные прикладные сценарии или результаты оценки качества. Репозиторий использует Transformers и хранит веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

G-reen/Duet_Minitron8b_v0.5 — диалоговая языковая модель для генерации текста, основанная на архитектуре Mistral и представленная в формате safetensors. В карточке приведены примеры ответов в роли персонажа и упомянуты эксперименты с обучением; автор отмечает, что качество обучения могло пострадать из-за ограниченных вычислительных ресурсов. Модель подходит для диалогов и генерации ответов в заданном стиле или роли. Размер составляет 7,9 млрд параметров, заявленная длина контекста — 8192 токена. Лицензия — CC BY 2.0.

FusionNet_passthrough — экспериментальная англоязычная текстовая модель генерации от TomGrc, созданная методом passthrough Fusion и дополнительного дообучения. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 21,1 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. В карточке приведены результаты оценки на Open LLM Leaderboard: среднее значение 65,94, включая 69,45 на AI2 Reasoning Challenge и 87,72 на HellaSwag. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Распространяется под лицензией MIT. README описывает её как эксперимент, поэтому результаты оценок не гарантируют качество на других задачах.

Это дообученная диалоговая модель Google Gemma 2 на 2,7 млрд параметров, представленная в формате safetensors и предназначенная для генерации текста. Контекст модели составляет до 8192 токенов; в качестве базовой модели указана google/gemma-2-2b-it. README не раскрывает целевые сценарии дообучения, обучающие данные или результаты оценки, поэтому специализацию модели установить нельзя. Базовая Gemma 2 ориентирована на английский язык. Модель распространяется по лицензии Gemma.

Hager290/hager-persona — дообученная Hager290 языковая модель семейства Qwen2 для генерации текста в диалоговом формате. Она основана на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2ForCausalLM с плотной сетью; размер модели — 3,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалогов и генерации ответов на текстовые запросы. В карточке указано, что при обучении использовались Unsloth и библиотека TRL; заявленная цель ускорения обучения не является характеристикой скорости вывода. Поддержка интерфейса вызова инструментов указана в метаданных, однако подробности его применения не описаны. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Репозиторий использует формат Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализацию persona, обучающие данные, качество ответов или результаты оценки.

Honyaku-Multi-Translator-Swallow-ms7b — языковая модель для машинного перевода, созданная на основе Swallow-MS-7b-v0.1 и дообученная разработчиком репозитория aixsatoshi. Она предназначена прежде всего для перевода с английского на японский и с японского на английский; другие языки поддерживаются частично и с переменным качеством. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,2 млрд параметров, принимает текст и выдаёт текст. В метаданных указан контекст до 32 768 токенов. Модель рассчитана в том числе на перевод относительно длинных текстов, но на объёмах свыше примерно 4000 токенов качество может заметно снижаться. Для короткого текста возможны нестабильная остановка генерации и повторный перевод; при работе с незнакомыми понятиями возрастает риск галлюцинаций. Квантизация может ухудшить перевод на других языках и длинных текстах. Лицензия — Apache-2.0.

HRM-Text-1B-Chat — англоязычная чат-модель taykso, дообученная на sapientinc/HRM-Text-1B в два этапа для диалогов и следования инструкциям. Она предназначена для ответов на вопросы, непринуждённого общения, творческих запросов и структурированных рассуждений. Модель использует плотную рекуррентную архитектуру HRM: каждый токен проходит через 8 последовательных шагов — 2 H-цикла и 3 L-цикла. По карточке, обучение на примерах UltraChat улучшило форматирование диалогов и снизило утечку служебных токенов; в небольшой оценке на 30 запросах показатель снизился с 57% у базовой модели до 3%. Размер по метаданным — 3,7 млрд параметров, контекст — 4096 токенов. Модель принимает и выдаёт текст. Модель ограничена английским языком, слабо знает конкретные факты и может галлюцинировать; понимание юмора остаётся буквальным. Инференс медленный — около 5 токенов в секунду по данным карточки. Лицензия — Apache-2.0.

Human-Like-Mistral-Nemo-Instruct-2407 — текстовая диалоговая модель на архитектуре Mistral, созданная дообучением Mistral-Nemo-Instruct-2407 с помощью LoRA и Direct Preference Optimization (DPO). Разработчики настроили её на более естественные, связные и разговорные ответы с эмоционально чутким тоном. Модель предназначена для диалоговых ассистентов и генерации ответов в повседневных беседах на разные темы. Для общения используется шаблон Mistral-Nemo; карточка указывает поддержку английского языка. Размер модели — 12,1 млрд параметров, заявленная длина контекста — 1 024 000 токенов. Доступна в формате safetensors и рассчитана на Transformers. В описанном сравнении улучшились отдельные показатели, включая MuSR, но снизились средние результаты и показатели IFEval относительно базовой модели; качество следования инструкциям может быть слабее. Модель распространяется по лицензии Apache-2.0.

Mungert/HY-MT1.5-7B-GGUF — это GGUF-версия переводческой модели HY-MT1.5-7B из семейства Hunyuan Translation Model 1.5, разработанного Tencent Hunyuan. Данная сборка подготовлена с использованием llama.cpp и предназначена для локального запуска в совместимых приложениях и средах, поддерживающих формат GGUF. Модель рассчитана на машинный перевод в 33 языках и пяти этнических или диалектных вариантах. Она поддерживает перевод между китайским и другими языками, а также между парами без китайского, и ориентирована на объяснительный перевод, смешанные языковые сценарии, перевод с учётом контекста, вмешательство в терминологию и сохранение форматирования. Заявленный размер модели — 7B параметров. В README не указаны точная архитектура, максимальная длина контекста и перечень пяти диалектных вариантов. К сильным сторонам относятся поддержка большого числа языков, контекстного и форматированного перевода, а также возможность локального запуска через GGUF. В этой сборке применяется квантование с выборочным повышением точности отдельных важных слоёв, что, по заявлению автора сборки, может улучшать точность при заданном уровне квантования, особенно для моделей с архитектурой Mixture of Experts, хотя это увеличивает размер файла. Конкретный вариант квантования для данного идентификатора не указан. Лицензия в представленном README не указана.

mlx-community подготовила вариант переводческой модели Tencent Hunyuan Hy-MT2-1.8B для MLX. Это плотная авторегрессионная модель с 1,8 млрд параметров; данный репозиторий содержит веса bf16, преобразованные из официального чекпойнта и предназначенные для запуска через mlx-lm на Apple Silicon. Указанная в метаданных длина контекста — 262144 токена. Модель предназначена для перевода между языками: ей можно передать текст и инструкцию с целевым языком, чтобы получить перевод. В карточке заявлена многоязычность, но конкретные языки не перечислены. Лицензия — Apache 2.0. Карточка рекомендует этот вариант как базовый чекпойнт для Apple Silicon; запуск на Linux CPU может быть слишком медленным для практических запросов.

Ideogram 4 (nf4) — открытая по весам модель генерации изображений по тексту, разработанная Ideogram AI и обученная с нуля. Версия использует квантизацию NF4 и содержит 9,3 млрд параметров; она предназначена для запуска через Diffusers на CUDA-совместимом оборудовании. Модель подходит для создания иллюстраций, фотографий и дизайнерских материалов по текстовым запросам. Структурированный JSON-интерфейс позволяет задавать расположение элементов через ограничивающие рамки и управлять цветовой палитрой. Среди заявленных сильных сторон — точная отрисовка текста на нескольких языках, понимание запросов и генерация изображений с разрешением до 2K. Веса доступны через gated-репозиторий Hugging Face после принятия условий лицензии Ideogram 4 Non-Commercial; коммерческое использование этой лицензией не разрешено. Для простых текстовых запросов в приведённом CLI предусмотрено расширение промпта через размещённый сервис Ideogram, однако можно использовать и собственный LLM-провайдер.

InstaFoodRoBERTa-NER — модель Dizex для распознавания именованных сущностей, дообученная на базе RoBERTa. Она выделяет в неформальных публикациях в социальных сетях названия еды и присваивает им метку FOOD; модель обучена на 400 англоязычных публикациях Instagram из набора InstaFoodSet и подходит для анализа похожих текстов, например постов в Instagram, X и Reddit. Архитектура — RoBERTa для классификации токенов, около 151,9 млн параметров; максимальный контекст составляет 514 токенов. Для InstaFoodSet в карточке указаны F1 0,91, точность 0,89 и полнота 0,93. Модель распространяется по лицензии MIT.

Это набор GGUF-квантизованных версий jpacifico/French-Alpaca-Llama3-8B-Instruct-v1.0, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста и выполнения инструкций в сценариях, совместимых с Llama 3. В README не указаны точные языковые возможности, размер контекста, поддерживаемые модальности и результаты оценки качества. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и IQ4_XS. Размер файлов составляет примерно от 3,0 до 8,1 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества исходной 8B-модели. Формат GGUF обычно ориентирован на локальный запуск в совместимых инструментах, однако конкретные требования к программному обеспечению в README не указаны. Сильной стороной набора является широкий выбор уровней квантизации и возможность адаптировать модель под доступные аппаратные ресурсы. Ограничения и характеристики исходной модели, включая качество на французском и других языках, в предоставленных данных не описаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в карточке базовой модели jpacifico/French-Alpaca-Llama3-8B-Instruct-v1.0.

BlackJagger/Llama-3-8b-Indo-Dicoding-Eksperimen-1 — чат-модель, разработанная BlackJagger путём дообучения unsloth/llama-3-8b-Instruct-bnb-4bit. Она предназначена для генерации текста в диалоге и имеет плотную архитектуру Llama с 7,5 млрд параметров и контекстом до 8192 токенов. При обучении использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текстовые запросы и выдаёт текстовые ответы. В метаданных указан английский язык; название предполагает индонезийский контекст, но README и метаданные не подтверждают поддержку индонезийского, поэтому приписывать её модели нельзя. Лицензия — Apache-2.0. README не описывает специализированную предметную область или проверенные показатели качества.

alfredplpl/Llama-3-8B-Instruct-Ja — японская версия диалоговой модели Llama 3, созданная дообучением Meta-Llama-3-8B-Instruct. Разработчик провёл два этапа supervised instruction tuning с LoRA и объединил адаптеры с весами модели: сначала на примерно 2,4 млн примеров cl-nagoya/auto-wiki-qa в течение одной эпохи, затем на llm-jp/databricks-dolly-15k-ja в течение пяти эпох. Модель предназначена для диалоговых ответов и генерации текста, прежде всего на японском языке. Она основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и имеет контекстное окно 8192 токена. Репозиторий использует формат safetensors и библиотеку Transformers. README указывает лицензию Llama 3 и допускает коммерческое использование при соблюдении её условий; в метаданных лицензия обозначена как other. Модель опирается на базовую англоязычную Llama 3 Instruct, поэтому её японская специализация не означает, что она превосходит базовую модель по всем языкам или задачам.

VIRNECT разработала разговорную языковую модель на архитектуре Llama 3 с 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате и ориентирована прежде всего на корейский язык; в метаданных также указана поддержка английского. Модель принимает текст и генерирует текст, а её контекст составляет до 8192 токенов. Модель дообучена на базе MLP-KTLim/llama-3-Korean-Bllossom-8B. В README перечислены корейский набор данных AI Hub для разработки крупной языковой модели с улучшенными показателями корейского языка и датасет вопросов и ответов по корейской Википедии. Веса опубликованы в формате safetensors; лицензия указана как llama3.

Maestrale chat v0.4 beta — италоязычная чат-модель от mii-llm, разработанная @efederici и @mferraretto на основе Mistral-7B. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для диалога используется формат ChatML. Модель прошла продолженное предобучение на отобранном италоязычном корпусе, затем SFT на 1,7 млн диалогов и инструкций в течение двух эпох и выравнивание с помощью DPO на нескольких наборах данных. Версия 0.4 улучшает работу агента, правдивость, математику и рассуждения; также заявлена поддержка создания mind map в Mermaid, стихов и переводов с латыни. Подходит для италоязычного диалога, ответов на вопросы, выполнения инструкций и генерации текста. Это бета-версия; авторы характеризуют её как достаточно безопасную и отмечают возможность отказа отвечать на токсичные запросы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Ja-ck/Mistral-instruct-IPO-Y24-v1 — текстовая генеративная модель семейства Mistral, опубликованная Ja-ck. Это плотная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Карточка описывает формат запросов Alpaca: инструкция передаётся после «질문:», а ответ ожидается после «답변:». Модель предназначена для генерации ответов по инструкциям и диалоговых сценариев. Метаданные указывают корейский язык; шаблон промпта также использует корейские обозначения вопроса и ответа. Веса доступны в формате safetensors. Лицензия — Apache-2.0. README не приводит результаты оценки качества или сведения о специальной предметной настройке.

ONS-SOLAR-10.7B — плотная языковая модель с архитектурой Llama и примерно 10,6 млрд параметров, разработанная ONS-AI-RESEARCH. Она предназначена для генерации текста; в карточке указана корейская локализация. Модель основана на yanolja/KoSOLAR-10.7B-v0.2 и дообучена на выборках и переводах данных Open-Orca/SlimOrca и Anthropic/hh-rlhf. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и распространяется в формате safetensors. Результаты бенчмарков в карточке не приведены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Helsinki-NLP/opus-mt-ar-it — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с арабского на итальянский; архитектура — Transformer на базе MarianMT, около 57,6 млн параметров. Для предварительной обработки используются нормализация и SentencePiece с словарями размером 32k. Нативная длина контекста — 512 токенов. Модель предназначена для перевода арабских текстов на итальянский, в том числе арабских вариантов, перечисленных в карточке: арабского, египетского и магрибских вариантов. В README приведена оценка BLEU 44,2 на тесте Tatoeba ara-it. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-de-nl — модель машинного перевода из семейства Marian, разработанная проектом OPUS. Она переводит текст с немецкого языка на нидерландский. Модель построена на архитектуре Transformer-align, содержит 54,6 млн параметров и использует нормализацию и SentencePiece для предварительной обработки текста. Нативная длина контекста составляет 512 токенов. В карточке приведён результат BLEU 52,8 и chr-F 0,699 на тесте Tatoeba.de.nl. Модель предназначена для перевода немецких фраз и текстов; указана лицензия Apache-2.0.

Helsinki-NLP/opus-mt-en-sem — модель машинного перевода из проекта OPUS-MT на архитектуре Transformer, реализованная через Marian. Она переводит текст с английского на несколько семитских языков и разновидностей: арабский (включая диалектные варианты), иврит, амхарский и тигринья; также заявлены мальтийский и другие арабские разновидности. Для выбора языка назначения в начале предложения требуется токен вида >>id<< с допустимым кодом языка. Модель содержит 56,5 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. токенов и имеет контекст длиной до 512 токенов. В репозитории доступны веса PyTorch и TensorFlow. Метаданные указывают лицензию Apache-2.0. Качество зависит от языка и тематики: приведённые оценки BLEU составляют 11,2 для амхарского, 12,7 для арабского и 33,8 для иврита; поэтому переводы для отдельных языков могут требовать проверки.

Helsinki-NLP/opus-mt-en-tl — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с английского на тагальский язык и предназначена для автоматического перевода предложений и текстовых фрагментов. Модель основана на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 54,5 млн, длина контекста — до 512 токенов. Для обучения использованы данные OPUS и обратный перевод (opus+bt). В тесте Tatoeba.en.tl указаны BLEU 26,6 и chr-F 0,577. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-hu-de — модель машинного перевода с венгерского языка на немецкий из семейства OPUS-MT, разработанная Helsinki-NLP. Она построена на архитектуре MarianMT с Transformer и предназначена для перевода предложений; при предобработке используются нормализация и SentencePiece. Модель насчитывает 55,2 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. В карточке приведён результат BLEU 44,1 и chr-F 0,637 на тестовом наборе Tatoeba.hu.de. Модель подходит для перевода венгерских текстов на немецкий, однако README не описывает её качество на других наборах данных или для текстов иных жанров. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-no-es — модель машинного перевода из семейства MarianMT, опубликованная Helsinki-NLP для перевода с норвежского на испанский. Она построена на архитектуре Transformer и обучена для пары языков no-es; исходный язык охватывает букмол и нюнорск, целевой — испанский. Для обработки текста применяются нормализация и токенизация SentencePiece с словарями по 12 тысяч единиц. Модель содержит 36,4 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель подходит для перевода текстов и сообщений с норвежского на испанский. В карточке приведён результат BLEU 34,2 и chr-F 0,565 на тесте Tatoeba-test.nor.spa. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Helsinki-NLP/opus-mt-pl-ar — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMTModel. Она переводит текст с польского на арабский; карточка также указывает вариант арабского arz. Модель содержит 58,4 млн параметров и имеет контекст длиной 512 токенов. Перед переводом текст проходит нормализацию и токенизацию SentencePiece. Для выбора целевого языка требуется начальный токен вида >>id<< с допустимым кодом языка. В тесте Tatoeba для пары польский—арабский указаны BLEU 20,4 и chr-F 0,491. Модель распространяется по лицензии Apache-2.0; доступны форматы PyTorch и TensorFlow.

Helsinki-NLP/opus-mt-pl-uk — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с польского языка на украинский и предназначена для перевода отдельных фраз и текстов в приложениях и рабочих процессах обработки языка. Модель построена на архитектуре Marian Transformer с выравниванием, содержит 57,2 млн параметров и использует нормализацию и SentencePiece с словарями размером 32 тыс. токенов. Максимальная длина контекста — 512 токенов. Для набора Tatoeba-test.pol.ukr в карточке приведены BLEU 47,1 и chr-F 0,665. Модель поддерживает одно направление перевода: польский → украинский. Распространяется по лицензии Apache-2.0.

opus-mt-ru-fi — модель машинного перевода из семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст с русского языка на финский и предназначена для автоматического перевода фраз и документов. Модель построена на архитектуре MarianMT с Transformer-align; для предварительной обработки используются нормализация текста и SentencePiece. Размер модели — 57,3 млн параметров, контекст — до 512 токенов. В метаданных указаны реализации для PyTorch и TensorFlow. В карточке приведён результат BLEU 40,1 и chr-F 0,646 на тестовом наборе Tatoeba.ru.fi; эти показатели относятся к указанному набору и не гарантируют такого же качества на других текстах. Модель распространяется по лицензии Apache-2.0.

opus-mt-sv-es — модель машинного перевода из семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст со шведского языка на испанский и основана на архитектуре Transformer-align с предварительной обработкой нормализацией и SentencePiece. Для обучения использован корпус OPUS. Модель содержит 54,9 млн параметров, работает с библиотеками Transformers и Marian и распространяется в форматах PyTorch и TensorFlow; длина контекста — 512 токенов. Модель подходит для перевода фраз и текстов со шведского на испанский. В карточке приведена оценка BLEU 52,1 и chr-F 0,683 на тестовом наборе Tatoeba.sv.es. Лицензия — Apache-2.0.