III.2Исследование рынка и маркетинг

zelk12/MT5-Gen5-gemma-2-9B — объединённая модель для генерации текста, созданная с помощью mergekit методом SLERP из предварительно обученных zelk12/MT5-Gen5-GI-gemma-2-9B и zelk12/MT5-Gen5-MABMUMM-gemma-2-9B. Она основана на архитектуре Gemma 2 с 9 млрд параметров и рассчитана на диалоговое взаимодействие и генерацию текста. Контекст модели составляет 8192 токена; веса представлены в формате safetensors, библиотека для работы — Transformers. Лицензия — Gemma. Карточка не уточняет специализацию, языки или ограничения качества модели.

zelk12/MT-Gen4-MA-gemma-2-S5Sv1IBT-9B — объединённая методом SLERP модель семейства Gemma 2, созданная с помощью mergekit на основе allknowingroger/GemmaSlerp5-10B и gmonsoon/SahabatAI-Lion-9B-TIES-v1. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Её можно использовать для ответов на вопросы, ведения беседы и генерации текста по инструкциям; базовая модель ориентирована на языки Юго-Восточной Азии и английский. Контекстное окно — 8192 токена. В доступных сведениях лицензия не приводится.

zelk12/MT-Gen5-MM-gemma-2-MT4g2MT5g4-9B — объединённая модель семейства Gemma 2, созданная разработчиком с помощью mergekit методом SLERP из zelk12/MT5-Gen4-gemma-2-9B и zelk12/MT4-Gen2-gemma-2-9B. Это плотная авторегрессионная языковая модель с 9 млрд параметров для диалогов и генерации текста; она принимает текст и выдаёт текст. Модель доступна в формате safetensors, работает с Transformers и поддерживает контекст до 8192 токенов. Модель подходит для чат-ботов, ведения диалога и генерации текстовых ответов. В карточке не приведены сведения о целевых языках, специализированных областях или результатах оценки качества, поэтому нельзя определить её сильные стороны и языковый охват точнее. Лицензия в предоставленных данных не указана.

Это объединённая модель Gemma 2, созданная zelk12 из двух предварительно обученных моделей с помощью mergekit и метода SLERP. Она предназначена для генерации текста в диалоговом формате и может использоваться для ответов на запросы и ведения беседы. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 9 млрд параметров. Она работает с текстом, поддерживает контекст до 8192 токенов и опубликована в формате safetensors для библиотеки Transformers. Данные не уточняют поддерживаемые естественные языки или специализированные предметные области. Модель образована слиянием двух моделей Gemma 2; README указывает параметр смешивания t=0.25 и тип bfloat16. Лицензия и конкретные ограничения качества в предоставленных источниках не описаны.

NanoTitan-NLI — компактная англоязычная модель для вывода отношений между парой предложений и классификации текста по заданным категориям. Разработчик позиционирует её как решение для маршрутизации запросов, обработки потоков и развёртывания на CPU-узлах с низкой задержкой. Модель основана на Microsoft MiniLM-L12-H384-uncased и дообучена на MultiNLI; архитектура — BERT-подобный энкодер из 12 слоёв с размерностью 384 и 12 головами внимания. В метаданных указано около 40 млн параметров, в README — 33,36 млн. Модель принимает текстовые пары, а для классификации без заранее обученных меток использует формулировки гипотез; основной pipeline-тег — text-classification. README сообщает о поддержке последовательностей до 512 токенов и обучении с ограничением в 128 токенов. Заявлены точность 85,35% на MNLI Matched и низкая задержка CPU, однако эти результаты приведены автором и не подтверждены независимой оценкой. Лицензия — MIT, допускающая коммерческое использование.

Eric111/openchat-3.5-0106-128k-DPO_dpo-binarized-NeuralTrix-7B — объединённая модель от автора Eric111, созданная с помощью mergekit из Eric111/openchat-3.5-0106-128k-DPO и eren23/dpo-binarized-NeuralTrix-7B методом SLERP. Это плотная причинно-языковая модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Заявленная длина контекста — 131072 токена. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не приводит результаты оценки качества и подробностей о поддерживаемых языках; возможностей за пределами генерации текста карточка не заявляет.

OpenDolphinHermesLlama27B — объединённая разговорная языковая модель на архитектуре Llama 2, созданная sethuiyer методом SLERP с помощью mergekit из cognitivecomputations/dolphin-llama2-7b и Tensoic/Llama-2-openhermes. Модель содержит 6,6 млрд параметров, работает с текстом и использует шаблон диалога ChatML; заявленная длина контекста — 4096 токенов. В карточке указаны обучающие наборы OpenHermes и Dolphin, а среди языков — английский. Модель предназначена для генерации текста и диалоговых сценариев: ответы на вопросы, инструкции и свободное общение. Автор приводит результаты тестирования на Open LLM Leaderboard, включая ARC, HellaSwag, MMLU и GSM8K; эти результаты описывают конкретную оценку и не гарантируют качество в других задачах. Модель распространяется в формате safetensors по лицензии Llama 2.

Ornith-Agents-A1-3.7-35B-A3B-dare_ties — мультимодальная диалоговая модель, созданная tepirale слиянием моделей через mergekit по методу DARE TIES. В основе лежит Qwen/Qwen3.6-35B-A3B; также объединены InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Модель рассчитана на диалог и анализ изображений и использует архитектуру Qwen3.5 MoE с генерацией текста по текстовому и визуальному контексту. Веса опубликованы в формате safetensors и имеют тип bfloat16 согласно конфигурации слияния. Метаданные относят модель к задаче image-text-to-text и отмечают возможности chat и vision. Лицензия в предоставленных сведениях не указана.

Pangea-7B — мультиязычная мультимодальная языковая модель, разработанная командой NEU Lab и обученная в 2024 году на наборе PangeaIns объёмом 6 млн примеров. Она использует архитектуру LLaVA-NeXT с языковой основой Qwen2-7B-Instruct и содержит 7,1 млрд параметров; поддерживает контекст до 32 768 токенов. Модель рассчитана на диалог и генерацию текста, а также на работу с изображениями и текстом на множестве языков. Pangea-7B подходит для мультиязычных диалоговых помощников, ответов на вопросы об изображениях и задач, где требуется сочетать визуальный ввод с текстовым ответом. README сообщает о поддержке 39 языков, включая русский; метаданные содержат языковые теги и более узкий список языков карточки. Модель выпущена под лицензией Apache-2.0. Конкретные ограничения качества и результаты сравнительных тестов в предоставленных материалах не описаны.

bunnycore/Phi-3.5-mini-TitanFusion-0.2 — объединённая модель генерации текста на архитектуре Phi-3.5, созданная с помощью mergekit методом TIES на базе microsoft/Phi-3.5-mini-instruct. В слияние вошли несколько моделей семейства Phi-3.5, включая варианты для диалогов и ролевой генерации, а также phi3.5-gutenberg-4B и адаптер EvolKit. Модель содержит около 3,7 млрд параметров, работает через Transformers и имеет контекстное окно 4096 токенов. Модель предназначена для диалогов и генерации текста. Её можно использовать для интерактивного общения, продолжения текста и творческого письма. Базовая Phi-3.5-mini-instruct описана как многоязычная, но конкретные языки этой объединённой версии в карточке не перечислены. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и специальных ограничениях качества в предоставленной карточке отсутствуют.

heli-stand/Qwen2.5-7B-hh-rlhf-sft — языковая модель семейства Qwen2.5, разработанная на основе Qwen2.5-7B и дообученная методом supervised fine-tuning на данных Anthropic helpfulness-harmlessness из набора hh-rlhf. Это плотная авторегрессионная модель с 7,1 млрд параметров; карточка указывает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы в стиле полезного и безвредного ассистента. В репозитории указаны веса Safetensors и библиотека Transformers. Метрика карточки сообщает лучшую evaluation loss 1,678, но описание не приводит протокол оценки или сравнение с другими моделями. Основой служит Qwen2.5-7B. В README не указаны языковой охват и лицензия, поэтому условия использования и поддерживаемые языки по имеющимся данным определить нельзя. Возможности вызова инструментов отмечены в метаданных как интерфейсная функция; README не описывает отдельную проверку этой способности.

Qwen2.5-Gutenberg-Doppel-32B — дообученная модель семейства Qwen2.5, созданная на основе Qwen/Qwen2.5-32B-Instruct. Разработчик nbeerbower применил ORPO-настройку на наборах данных jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo в течение 1,25 эпохи. Модель предназначена для диалоговой генерации текста. Это плотная авторегрессионная языковая модель на 32 млрд параметров с контекстом до 32 768 токенов; поддерживает многоязычные сценарии, включая английский, русский, китайский, французский, испанский и другие языки из метаданных. Доступна в формате safetensors через Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит отдельных оценок качества или подробных ограничений; как и другие большие языковые модели, она может генерировать фактически неверные ответы.

Модель linchiyi/qwen3-8b-hw3-grpo-lora-merged-16bit — дообученная разговорная языковая модель семейства Qwen3 с плотной архитектурой и 7,6 млрд параметров. Она основана на unsloth/qwen3-8b; для обучения использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors, а длина контекста составляет 40 960 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не уточняет специализацию дообучения или результаты оценки, поэтому пригодность для конкретных предметных областей и качество ответов по ним определить нельзя. Лицензия — Apache-2.0.

RevotenJLM-7B-slerp — языковая модель на базе архитектуры Mistral, созданная объединением RakutenAI-7B-instruct и SakanaAI/EvoLLM-JP-A-v1-7B с помощью LazyMergekit и метода slerp. Модель содержит 7,2 млрд параметров и рассчитана на генерацию текста; её контекстное окно составляет 32 768 токенов. Модель подходит для генерации ответов и диалогового использования на японском и английском языках, унаследованных от базовой модели RakutenAI. В README указана конфигурация слияния и формат весов bfloat16; в метаданных файловый формат репозитория обозначен как safetensors. Лицензия в предоставленных данных не указана.

RefalMachine/ruadapt_llama3_8b_instruct_extended_lep_ft — чат-модель на архитектуре Llama 3 с 7,7 млрд параметров. Это LoRA-дообучение базовой модели RefalMachine/llama3_extended_darulm_20_05_24_part1-2_64000_bpe_full_lr2e4_bs256 на датасете saiga_scored d7; перед дообучением использована процедура Learned Embedding Propagation (LEP) с расширенным токенизатором. Разработчик сообщает, что расширенный токенизатор повышает эффективность работы с русским языком. Модель предназначена для генерации текста и диалогового общения на русском и английском языках. Контекст составляет 8192 токена; веса опубликованы в формате safetensors. Карточка не описывает отдельные специализированные области применения или результаты оценки качества. Лицензия в предоставленных данных не указана.

Sappho_V0.0.4 — языковая модель для генерации текста, созданная Jakolo121 с помощью слияния моделей LazyMergekit. В основу слияния вошли Jakolo121/Sappho_V0.0.3 и VAGOsolutions/SauerkrautLM-7b-HerO; применён метод SLERP. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы. Контекстное окно составляет 32 768 токенов. Базовая SauerkrautLM-7b-HerO описана как немецко-английская диалоговая модель; карточка Sappho не уточняет языковое покрытие и условия лицензии.

SauerkrautLM-gemma-2-2b-it — чат-модель VAGO solutions, дообученная на основе google/gemma-2-2b-it методом Spectrum Fine-Tuning. При дообучении затрагивали 25% слоёв и использовали немецко-английскую смесь данных Sauerkraut Mix v2. Модель предназначена для диалогов и выполнения инструкций, включая рассуждения на здравый смысл и решение задач. Разработчик сообщает об улучшении этих навыков и многоязычности; основной упор сделан на немецкий и английский, хотя в карточке также отмечено улучшение результатов на ряде других языков. Модель имеет архитектуру Gemma 2 с 2,7 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов. Файлы представлены в формате safetensors. Модель распространяется по лицензии gemma. Разработчик предупреждает, что очищенные данные не исключают появления неподходящего контента, а поведение модели не гарантируется как стабильно уместное.

SeamlessM4T v2 Large — мультимодальная многоязычная модель перевода от Meta, построенная на архитектуре UnitY2. Она поддерживает распознавание речи, перевод речи в текст и текста в текст, а также перевод речи и текста с синтезом речи. По карточке модели, она принимает речь на 101 языке, текст на 96 языках и генерирует речь на 35 языках. Версия v2 улучшает качество и скорость генерации речи по сравнению с SeamlessM4T v1. Репозиторий содержит вариант на 664,9 млн параметров, доступный через Transformers; длина контекста — 4096 токенов. Лицензия CC-BY-NC-4.0 разрешает использование на условиях указания авторства и запрещает коммерческое применение.

sfm_filtered_e2e_alignment-1k_2k_3k_weightedavg_merge — объединённая языковая модель, созданная с помощью mergekit из контрольных точек обучения filtered_e2e_alignment на шагах 1000, 2000 и 3000. Для слияния использован линейный метод с контрольной точкой global_step3000 в качестве базовой. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия, с контекстом до 16 384 токенов. Модель может служить для генерации ответов и продолжения текста в чат-сценариях. README и метаданные не сообщают о специализированных предметных областях или поддерживаемых языках. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

Это объединённая языковая модель на 8,8 млрд параметров, созданная методом Linear merge с помощью mergekit из нескольких контрольных точек одного семейства. Архитектура GPT-NeoX; модель распространяется в формате safetensors и предназначена для генерации текста в диалоговом режиме. Модель принимает текст и генерирует текст. Контекст составляет до 16 384 токенов. Карточка не сообщает о специализации на конкретных языках или прикладных областях. Условия лицензии в доступных данных не приведены.

sfmunfilterede2ealignment-3k4k5k6k7kweightedavgmerge — объединённая модель генерации текста, опубликованная пользователем yuhengtu и созданная с помощью mergekit. В README указано, что для слияния Linear использовались чекпойнты unfiltered_e2e_alignment с шагами 3000, 4000, 5000, 6000 и 7000; шаг 7000 указан как базовый. Каталог относит архитектуру к плотным GPT-NeoX, а размер модели составляет 8,8 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. Сведения о специализации по языкам, конкретных прикладных областях и лицензии в доступных данных не приведены. Формат весов — safetensors.

sfmunfilteredmidtrainalignment-4k5k6kweightedavgmerge — объединённая модель, опубликованная yuhengtu-bytedance. Она создана методом Linear с помощью mergekit из контрольных точек обучения на шагах 4000, 5000 и 6000; контрольная точка шага 6000 использовалась как базовая. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает контекст до 16 384 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В карточке указаны формат safetensors и библиотека Transformers. Сведений о конкретных языках, специализированных областях или дополнительных ограничениях в предоставленных данных нет. Условия лицензии не указаны в доступных источниках.

Spaetzle-v12-7b — объединённая автором карточки модель на архитектуре Mistral с 7,1 млрд параметров, созданная с помощью LazyMergekit на основе NeuDist-Ro-7B, discolm-mfto-7b-german-v0.1 и Flora_DPO_7B; в README также указана Wiedervereinigung-7b-dpo-laser как основа слияния. Модель предназначена для генерации текста и диалоговых ответов, с акцентом на немецкий язык. По результатам, приведённым в карточке, версия немного уступает Spaetzle-v8-7b в общих англоязычных тестах и немного превосходит её в отдельных немецких задачах; например, указан результат EQ-Bench (de) 64,81. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Опубликована в формате Safetensors и распространяется по лицензии CC BY-SA 4.0.

Spaetzle-v69-7b — объединённая модель, опубликованная cstr и созданная с помощью LazyMergekit на основе Mistral. В финальном слиянии DARE-TIES сочетаются cstr/Spaetzle-v68-7b и abideen/AlphaMonarch-dora; README перечисляет также модели, вошедшие в предшествующие слияния. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral для генерации текста и рассчитана на контекст до 32 768 токенов. Модель предназначена для локальных задач на английском и немецком языках, включая диалоги, выполнение инструкций и рассуждения. В README приведены результаты нескольких англо- и немецкоязычных тестов; автор отмечает, что при выборе компромисса учитывались качество немецкого языка, следование инструкциям и устойчивость. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. В README также упомянута квантизованная GGUF-версия 4q_k_m, но сама модель в репозитории представлена в формате safetensors.

SphinxMind-14B-normalize-false — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES на основе shuttleai/shuttle-3-mini с включением EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2. Модель содержит 14 млрд параметров и предназначена для диалогового общения и генерации текста; доступна в формате safetensors для библиотеки Transformers. Её контекстное окно составляет 65 536 токенов. Модель может использоваться для ведения диалогов, творческого письма и создания историй. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

Stella-mistral-nemo-12B — созданная nbeerbower объединённая языковая модель на архитектуре Mistral, рассчитанная на генерацию текста и диалоговое взаимодействие. Модель размером 12,1 млрд параметров создана методом Model Stock с помощью mergekit; базой слияния послужила nbeerbower/mistral-nemo-gutenberg-12B-v2. В объединение вошли несколько моделей Mistral Nemo, включая варианты для ролевого общения, инструкций и научного текста. Модель предназначена для генерации ответов и продолжения текста в чат-сценариях. Указанная длина контекста — 1 024 000 токенов; модель использует формат весов safetensors и библиотеку Transformers. README не описывает отдельные целевые языки, поэтому их не уточняю. Качество и поведение зависят от конкретного запроса и объединённых исходных моделей; в карточке нет оценок или подробных ограничений применения. Условия лицензии в предоставленных данных не приведены.

Модель exonics/trendyol_28eylul_mlflow_deneme — дообученная текстовая модель семейства Llama, разработанная exonics на основе Trendyol/Llama-3-Trendyol-LLM-8b-chat-v2.0. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает отдельную специализацию или дополнительные языки помимо английского, поэтому её возможности следует рассматривать как общие для генерации текста и чата.

VAETKI-7B-A1B — языковая модель NC-AI для эффективного вывода. Это авторегрессионная трансформерная модель с архитектурой Mixture-of-Experts: в README указаны 7,25 млрд параметров всего, около 1,2 млрд активных параметров, 24 слоя, 64 эксперта и 5 активируемых экспертов. Метаданные указывают 1,1 млрд параметров; контекст — до 32 768 токенов по метаданным и 16 тысяч токенов по README. Модель прошла предварительное и последующее обучение и поддерживает чат. Она предназначена для генерации текста и диалоговых сценариев на корейском, английском, китайском и японском языках. Формат весов в репозитории — safetensors. Модель может выдавать неточные или неполные ответы и галлюцинации; в README также отмечены ограничения в сложных рассуждениях, математике и генерации корректного кода, а также возможные социальные и культурные предубеждения. Её не рекомендуют для критически важных и регулируемых решений. Лицензия — MIT.

West-Dare-7B — языковая модель с 7,1 млрд параметров, созданная слиянием senseable/Westlake-7B и abideen/DareVox-7B с помощью LazyMergekit. Она построена на плотной архитектуре Mistral и предназначена для генерации текста, включая ролевые диалоги и творческие тексты, согласно описанию базовых моделей в каталоге. Модель принимает текст и выдаёт текст; её контекстное окно составляет 32 768 токенов. В README приведены результаты оценки на задачах рассуждения и понимания текста. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специальные меры безопасности или подробные ограничения применения.

WestLakev2-IreneRP-Neural-7B-slerp — объединённая текстовая модель на базе Mistral, созданная с помощью LazyMergekit из Smuggling1710/IreneRP-Neural-7B-slerp и macadeliccc/WestLake-7B-v2-laser-truthy-dpo. Для объединения использован метод slerp с настройками смешивания для слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста, в том числе диалоговых ответов и продолжения текста. В репозитории представлены веса Safetensors. Лицензия в доступных данных не указана. Качество и поведение унаследованы от объединяемых моделей; отдельные результаты оценки или рекомендации по развёртыванию в карточке не приведены.