III.2Исследование рынка и маркетинг

Helsinki-NLP разработала эту модель в рамках проекта OPUS-MT для машинного перевода с каталанского, окситанского и испанского на английский. Модель построена на архитектуре Transformer-big и реализована как MarianMT; в репозитории доступны веса PyTorch и TensorFlow. Объём модели — 156,7 млн параметров, максимальный контекст — 1024 токена. Модель подходит для перевода предложений и текстов с каталанского, окситанского или испанского на английский. Она обучена на данных OPUS с применением конвейера OPUS-MT-train и использует токенизацию SentencePiece с словарями размером 32 тыс. токенов. В README приведены результаты тестирования на Tatoeba и FLORES для отдельных языковых пар. Модель выпущена под лицензией CC BY 4.0. Оценки из тестовых наборов не гарантируют качество на других тематиках и типах текстов; направление перевода ограничено переводом на английский.

Helsinki-NLP/opus-mt-vi-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMT. Она переводит текст с вьетнамского на испанский; направление перевода одноязычное, с предварительной нормализацией и токенизацией SentencePiece с словарями spm32k. Размер модели — 55,1 млн параметров, родной контекст — 512 токенов. В тесте Tatoeba-test.vie.spa указаны BLEU 32,9 и chr-F 0,540. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Phr00tyMix-v4-32B — 32-миллиардная плотная языковая модель на архитектуре Qwen2, созданная Phr00t слиянием нескольких предварительно обученных моделей методом Model Stock через mergekit. Базой слияния стала Phr00t/Phr00tyMix-v3-32B; среди других компонентов указаны Qwen2.5-32b-RP-Ink, Virtuoso-Medium-v2, Archaeo-32B-KTO и DeepSeek-R1-Distill-Qwen-32B-Uncensored. Модель предназначена для генерации текста и диалогов, в частности для творческого письма и сторителлинга. Автор описывает её как творческую и способную следовать инструкциям и сохранять связность лучше, чем предыдущая версия; заявлена возможность выдавать контент без цензурных ограничений по запросу. Контекст составляет до 131 072 токенов. Модель опубликована в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

Модель fathulhudoyo/qwen25-1.5b-alpaca-id-grpo разработана fathulhudoyo и дообучена на основе fathulhudoyo/qwen25-1.5b-alpaca-id-sft. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель принимает текст и генерирует текст; её контекстное окно составляет 32 768 токенов. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Английский указан среди языковых тегов, а название базовой модели указывает на обучение для индонезийского языка, но степень поддержки языков в README не описана. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества и подробностей обучения GRPO, поэтому пригодность для конкретных задач следует проверять отдельно.

Qwen3-14B-sk — словацкая языковая версия языковой модели Qwen3 с 14 млрд параметров. Её создали специалисты Технического университета в Кошице, Словацкой академии наук и ČZ, o.z.; модель получена полным дообучением Qwen/Qwen3-14B на словацких веб-текстах, словарных данных и материалах энциклопедии Beliana. Модель предназначена для генерации текста и диалогов на словацком языке. Её можно использовать для ответов на вопросы, подготовки текстов и других задач, где нужна языковая модель, ориентированная на словацкий. Она работает через библиотеку Transformers, принимает текст и выдаёт текст; заявленная длина контекста — 40 960 токенов. В ответах модель иногда повторяется, а её уровень галлюцинаций сопоставим с другими моделями похожего масштаба. Модель не оснащена фильтрацией безопасности или модерацией вывода. Лицензия — Apache 2.0.

Модель muzafin/Qwen-Legal-SFT-Dicoding-Final — дообученная версия Qwen2.5-1.5B-Instruct, созданная muzafin с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная модель на 1,5 млрд параметров для генерации текста и диалогового взаимодействия; заявленная длина контекста составляет 32 768 токенов. Карточка не описывает специальный правовой сценарий, поэтому назначение модели можно уверенно определить только как генерацию текста. Модель распространяется в формате safetensors по лицензии Apache-2.0. Базовая модель — unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Метаданные карточки указывают английский язык; отдельные сведения о данных дообучения, правовой точности и оценках качества отсутствуют.

Карточка модели sail/Sailor2-L-1B 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.

Карточка модели sail/Sailor2-L-8B 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.

SeaLLM-7B-v1 — первая версия семейства SeaLLMs, языковая модель на архитектуре Llama с 7 млрд параметров, разработанная для работы с языками Юго-Восточной Азии. Она предназначена для диалогов и генерации текста; для запуска подходит кодовая база Llama 2, а запросы следует оформлять в формате инструкций, предусмотренном для чат-модели. README сообщает о поддержке вьетнамского, индонезийского, тайского, малайского, кхмерского, лаосского, тагальского и бирманского языков; английский и китайский также присутствуют в тегах метаданных. Модель выпущена в формате safetensors. Авторы отмечают, что SeaLLM-7B-v1 заметно уступает SeaLLM-7B-v2 и рекомендуют использовать более новую версию. При генерации возможны неточные, вводящие в заблуждение или вредоносные ответы. Использование весов, кода и демо регулируется условиями SeaLLMs Terms Of Use.

Statim Decide Multilingual Base — модель для типизированной классификации и принятия решений по тексту, разработанная для движка Statim. Это дообученная на нескольких наборах данных модель-энкодер mmBERT-base на основе convaiinnovations/laya-multilingual. Она отвечает на заданный вопрос о тексте одним из вариантов, оценкой или ответом «да/нет» и предназначена для маршрутизации обращений, определения намерений, модерации и других решений по коротким текстам и JSON. Модель не генерирует текст и рассчитана на один проход энкодера; доступны веса GGUF F32 и Q8_0, а также checkpoint в формате Laya. По заявленным измерениям, ответы можно получать на CPU и GPU без Python во время выполнения. Модель поддерживает несколько языков, включая русский, английский, арабский, немецкий, испанский, французский, хинди, итальянский, японский, польский, турецкий, китайский, индонезийский, португальский, нидерландский и персидский. В README приведены результаты на наборах для классификации намерений, типизированных решений и других задач; качество зависит от задачи и языка. Авторы отмечают слабые результаты на понимании прочитанного и семантическом сходстве и рекомендуют проверять уверенность модели, передавая ответы с низкой уверенностью на проверку человеку. Для решений с существенными последствиями для людей требуется человеческий контроль. Веса распространяются по лицензии PolyForm Noncommercial 1.0.0; часть обучающих данных имеет некоммерческие, ShareAlike или неизвестные условия лицензирования.

legionlm/strawberry-llama-3.2-3b — дообученная разговорная модель семейства Llama 3.2, разработанная legionlm на базе unsloth/llama-3.2-3b-instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 3,2 млрд параметров, предназначенная для генерации текста и диалогов на английском языке. Заявленная длина контекста составляет 131 072 токена. Модель подходит для ответов в диалоге и генерации текста. В метаданных также отмечен интерфейс вызова инструментов, однако README не описывает специализированные сценарии или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

NlpHUST/t5-vi-en-base — модель машинного перевода вьетнамского и английского языков на архитектуре T5. Разработчики обучили её на 4 млн пар предложений на английском и вьетнамском языках. Модель содержит около 291,2 млн параметров и доступна в форматах PyTorch и Flax. Модель предназначена для перевода текста между вьетнамским и английским языками. Её можно применять для перевода предложений и текстовых фрагментов в обе стороны. Для использования доступны реализации на базе Transformers. В карточке не указаны длина контекста и лицензия; условия распространения следует проверить отдельно. Качество может зависеть от тематики и длины входного текста.

Windstorm Labs опубликовала модель машинного перевода с немецкого на эстонский. Это дообученная версия Helsinki-NLP/opus-mt-de-et на параллельных данных OPUS-100; архитектура MarianMT, размер — 54,9 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для перевода немецких текстов на эстонский и доступна в формате safetensors для Transformers. В ограниченной проверке на 48 предложениях FLORES-200 dev модель получила chrF++ 46,05 и BLEU 16,77; авторы характеризуют этот результат как скрининговую оценку, а не результат публикационного исследования. Поддерживается только направление de→et. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с эстонского на английский на архитектуре MarianMT. Это дообученная версия Helsinki-NLP/opus-mt-et-en: LoRA-дообучение на параллельных данных объединено с базовыми весами; изменены 36 из 254 тензоров. Модель содержит 55,3 млн параметров, рассчитана на контекст до 512 токенов и распространяется в формате safetensors для Transformers. Модель предназначена для перевода текстов с эстонского на английский. В карточке приведена скрининговая оценка на 48 предложениях FLORES-200 dev: chrF++ 59,81 и BLEU 32,98; это не результат публикационного исследования и не гарантирует качество на других данных. Модель поддерживает только направление et→en. Лицензия — Apache-2.0.

Модель samandar1105/translation-eng-kr — дообученная версия Helsinki-NLP/opus-mt-tc-big-en-ko для перевода текста с английского на корейский. Она использует архитектуру Marian transformer-big и предназначена для задач машинного перевода. Контекст модели — до 1024 токенов; веса опубликованы в формате safetensors. В карточке приведены результаты оценки: BLEU 6,226 и loss 3,0721, однако набор данных и методика оценки не описаны. Модель распространяется по лицензии CC BY 4.0.

Ba2han/TR_SFT2 — текстовая генеративная модель, дообученная автором с помощью TRL. Карточка показывает пример диалогового запроса и генерации ответа; модель предназначена для продолжения текста и ответов на пользовательские сообщения. Модель основана на архитектуре Qwen3 и содержит 1,3 млрд параметров. Она использует формат Safetensors и поддерживает контекст до 16 384 токенов. README не уточняет обучающие данные и конкретную специализацию; базовая модель обозначена как None, поэтому установить её идентификатор нельзя. Лицензия в предоставленных данных не указана.

WangchanLION-v3-IT — мультиязычная языковая модель с инструкционной настройкой для тайского языка, разработанная Products Pillar, AI Singapore и VISTEC. Это декодер на архитектуре Llama 3 с 7,5 млрд параметров, дообученный на примерно 3,76 млн тайских пар «инструкция — ответ»; базовая модель — aisingapore/WangchanLION-v3. Модель поддерживает тайский и английский языки, использует контекст до 131 072 токенов и предназначена для диалогов и выполнения инструкций. Подходит для ответов на вопросы, создания текстов и других задач генерации по запросу, особенно на тайском языке. Модель склонна к галлюцинациям и может выдавать нерелевантные или непоследовательные ответы. Она не обучена работе с системными промптами и вызову инструментов, а также не прошла настройку безопасности. Лицензия — Llama 3.1 Community License.

dokyoungkim/wmt19-finetuned-it-de-to-en-3 — дообученная модель семейства FSMT для машинного перевода с итальянского и немецкого на английский. Она содержит 100,7 млн параметров, принимает текст и выдаёт текст; длина контекста — до 1024 токенов. В README указаны результаты оценки: BLEU 47,4497 и loss 0,1299. Модель подходит для перевода текстов с итальянского или немецкого на английский. Она создана дообучением dokyoungkim/wmt19-finetuned-it-de-to-en-2 на датасете, который в карточке не раскрыт. Лицензия — Apache-2.0. README не приводит дополнительных сведений о сценариях применения или ограничениях качества.

ale-bay/zephyr-2b-gemma-sft — дообученная модель генерации текста на базе Google Gemma 2B. Она предназначена для диалогов и ответов на запросы; каталог также отмечает поддержку чата. Модель содержит 2,5 млрд параметров, использует плотную архитектуру Gemma и принимает контекст длиной до 8192 токенов. Обучение выполнено методом SFT на наборе HuggingFaceH4/deita-10k-v0-sft; в README приведено значение loss 1,0529 на оценочной выборке. Модель ориентирована на английский язык, как и базовая Gemma 2B. Карточка не описывает специальные предметные области и не приводит подробных оценок качества или ограничений. Лицензия — Gemma; условия лицензии следует учитывать при использовании и распространении модели.

Aira-2-portuguese-560M — инструктивно дообученная модель генерации текста из серии Aira-2, разработанная Nicholas Kluge на основе BLOOM от BigScience. Модель содержит около 659 млн параметров по метаданным и обучена на португалоязычном наборе Instruct-Aira Dataset, состоящем из синтетических пар запросов и ответов, созданных с помощью уже настроенных моделей. Модель предназначена для диалоговых ответов и выполнения инструкций на португальском языке. Она использует архитектуру BLOOM с причинным языковым моделированием и доступна в форматах PyTorch и Safetensors для Transformers. В README описаны риски галлюцинаций, воспроизведения предубеждений и токсичных ответов, а также повторов и многословия. Лицензия — BigScience BLOOM RAIL 1.0.

airochronos-33B — объединённая языковая модель Henk717 на архитектуре Llama с 32,3 млрд параметров. Она создана с весами 75% Chronos 33B и 25% airoboros-1.4 33B. Модель предназначена для генерации текста: её проверяли с форматом запросов Alpaca, в режимах instruct и chat KoboldAI Lite, а также для написания историй и базовых задач на рассуждение. Контекст модели — 2048 токенов; доступны веса PyTorch и Safetensors. Модель мало проверялась на фактическую точность, поэтому ответы на вопросы о фактах могут быть ненадёжными. Лицензия указана как other, конкретные условия использования из доступных данных установить нельзя.

webbigdata опубликовал квантованную версию ALMA-7B-Ja-V2 для машинного перевода между японским и английским языками. Модель основана на архитектуре Llama и содержит 6,6 млрд параметров; для перевода использует текстовый ввод и выдаёт текст. Указанная длина контекста — 4096 токенов. Весы преобразованы методом GPTQ в 4-битный формат с группой 128, что уменьшает размер и ускоряет запуск, хотя может снизить качество перевода. Модель предназначена для перевода с японского на английский и с английского на японский, в том числе для пакетной обработки текстовых файлов. Для использования применяется лицензия Llama 2; её условия распространяются на применение и распространение модели.

BananaMind-Translate-V3.4-i1-GGUF — квантизированная версия модели BananaMind-Translate-V3.4, разработанной Banaxi-Tech и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для машинного перевода между английским и немецким языками, включая направления en→de и de→en, и относится к семейству моделей на базе Qwen. В метаданных также указано наличие дообучения на пользовательском наборе данных. Это vision-модель, поэтому для работы с визуальными входными данными могут потребоваться дополнительные файлы mmproj из статического репозитория. Точные сведения о размере базовой модели, архитектуре, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Репозиторий содержит набор вариантов квантизации с размером примерно от 1,5 до 3,6 ГБ; более компактные варианты экономичнее по памяти, но могут заметно уступать по качеству, тогда как Q4_K_M обозначен как быстрый и рекомендуемый вариант. Модель подходит для локального запуска и сценариев перевода при ограниченных вычислительных ресурсах. Основные ограничения связаны с потерями качества при низких уровнях квантизации, отсутствием подробных результатов оценки и неполной документацией характеристик. Лицензия — Apache-2.0.

cmarkea разработала bloomz-7b1-mt-sft-chat как чат-ориентированную донастройку языковой модели bigscience/bloomz-7b1-mt. Модель построена на плотной архитектуре BLOOM с причинным языковым моделированием; в репозитории указано 9,1 млрд параметров. Веса представлены в форматах PyTorch и safetensors, тип данных преобразован с float16 на bfloat16. Модель предназначена для диалоговой генерации текста и как отправная точка для дообучения под более узкие задачи. Она обучалась на 0,9 млрд токенов диалоговых данных, сбалансированных между французским и английским языками. Авторы отмечают, что мультиязычные возможности исходной модели могли ухудшиться после изменения типа данных; для других языков качество не гарантируется. В README заявлены эффективность токенизации для французского языка и целевая работа на стандартной промышленной инфраструктуре, но также отмечена скорость около 8 токенов в секунду на указанной конфигурации из четырёх A100 40 ГБ. Лицензия BigScience BLOOM RAIL 1.0 допускает промышленное использование на её условиях.

BLOSSOM-v5-34b — разговорная языковая модель, разработанная командой Blossom и дообученная на базе Yi-34B. Это плотная модель семейства Llama с 33,9 млрд параметров; она генерирует продолжение диалога и рассчитана на ответы на вопросы, выполнение инструкций и математические задачи. Обучение проходило в два этапа на смешанных наборах Wizard, Orca, Math и Blossom Chat; данные для обучения включали китайский и английский языки и были частично дистиллированы из GPT-4-0125-preview. Модель предназначена для диалогового использования: ей передают историю переписки в формате продолжения диалога, после чего она формирует ответ. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате Safetensors, лицензия — Apache 2.0. Карточка заявляет о сильных общих способностях и понимании контекста, однако не приводит количественных результатов оценки. Качество русскоязычных ответов и пригодность для специализированных областей не подтверждены; контекст ограничен 4096 токенами.

logan7000/cogrpo-n3-ring-qwen25-3b-x-llama32-3b-x-phi4mini-math345-groupB-llama32-end — дообученная Logan7000 диалоговая модель на архитектуре Llama для генерации текста. В карточке указано, что она создана на базе meta-llama/Llama-3.2-3B-Instruct с использованием TRL; метаданные указывают 3,2 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалогов и генерации ответов на пользовательские запросы. Она использует библиотеку Transformers и формат весов Safetensors. В карточке приведён пример запуска через text-generation pipeline, но дополнительные специализированные сценарии или результаты оценки качества не описаны. Модель поддерживает многоязычные возможности базовой Llama 3.2, однако конкретные языки этой версии в предоставленных данных не перечислены. Лицензия не указана в предоставленных источниках.

trinhkhng/della_Merged_Qwen2-0.5B_0.5 — объединённая языковая модель на архитектуре Qwen2, созданная методом DELLA с помощью mergekit. В качестве основы использована Qwen2-0.5B, объединённая с debias_Qwen2-0.5B; в метаданных указано около 494 млн параметров и формат safetensors. Модель предназначена для генерации текста и диалогового взаимодействия, а контекстное окно составляет до 131 072 токенов. Модель может использоваться для генерации продолжений текста и ответов в чате. README не сообщает результатов оценки качества или конкретных преимуществ объединения. Лицензия в предоставленных данных не указана.

CLAck/en-vi — модель машинного перевода на базе MarianMT, дообученная для перевода между английским и вьетнамским языками. Разработчик указывает, что исходная MarianMT была предварительно обучена на английско-китайских данных, после чего модель сначала обучали на смешанном наборе английско-китайских и английско-вьетнамских предложений, а затем — только на английско-вьетнамских данных. Модель содержит 63,2 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для перевода между английским и вьетнамским языками. Опубликованные сведения не уточняют качество перевода, направление или особенности обработки длинных текстов. Распространяется по лицензии Apache-2.0.

flammen15-gutenberg-DPO-v1-7B — языковая модель Mistral с 7,1 млрд параметров, созданная Flammen и дообученная методом Direct Preference Optimization на наборе Gutenberg DPO от Jon Durbin. В README также указано, что при создании использовалось слияние предварительно обученных моделей, однако базовой моделью в метаданных названа flammen15-mistral-7B. Модель предназначена для генерации текста, особенно ролевых диалогов с выразительными персонажами и творческого письма; заявлена также общая языковая компетентность. Архитектура — плотная MistralForCausalLM, формат весов — safetensors, библиотека — Transformers, контекст — до 32 768 токенов. README приводит результаты оценки на Open LLM Leaderboard, включая среднее значение 21,46 и IFEval 47,98. Лицензия — Apache-2.0. Карточка не сообщает поддерживаемые естественные языки и не описывает специальные ограничения качества или безопасности; результаты приведённых тестов сами по себе не гарантируют качество в конкретном сценарии.

Gemma4-E4B-SFT-Fable5 — модель ermiaazarkhalili, дообученная методом supervised fine-tuning на базе мультимодальной Gemma 4 E4B Instruct от Unsloth. Веса LoRA-адаптера объединены с базовой моделью; архитектура — Gemma4ForConditionalGeneration, размер — 8 млрд параметров. Модель предназначена для генерации текста в диалоговом формате после дообучения на датасете Fable-5-Complete-2M-Clean. Её можно применять для диалогов и генерации текста в сценариях, близких к обучающим инструкциям. Метаданные относят её к text-generation и указывают возможность чата; базовая модель мультимодальная, однако README не описывает проверенные сценарии обработки изображений для этого чекпойнта. Репозиторий использует формат safetensors, библиотека — Transformers; лицензия — Apache-2.0. Для модели не проводилась оценка на бенчмарках: опубликованы только значения обучающего loss. Поведение вне распределения единственного обучающего датасета не проверено; модель наследует смещения и ошибки базовой модели. Объединённый адаптер нельзя отделить от дообученных весов.