III.2Исследование рынка и маркетинг

Это языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 8,3 млрд параметров. Репозиторий создан с помощью mergekit: веса исходной модели InstructEnVi_llama2-bkai-120GB_250kx2e собраны методом passthrough из последовательностей слоёв, включая частично перекрывающиеся диапазоны. Модель предназначена для генерации текста; исходная модель ориентирована на инструкции на английском и вьетнамском языках. Контекст составляет 2048 токенов. Модель принимает текст и выдаёт текст, поэтому её можно использовать для диалогов и выполнения текстовых инструкций на поддерживаемых языках. В карточке указана лицензия? Условия лицензии не приведены в доступных данных. Конфигурация с повторно использованными диапазонами слоёв может влиять на качество и согласованность ответов; отдельные оценки качества модели в карточке отсутствуют.

Severian/Jamba-Nexus-4xMoE — дообученная компанией Severian языковая модель на базе ai21labs/Jamba-v0.1. Она использует гибридную архитектуру Jamba с Mamba, Transformer и смесью экспертов (MoE); заявленный размер — 7,2 млрд параметров. Модель предназначена для генерации текста и может применяться для классификации текста. В метаданных указан датасет Internal-Knowledge-Map и английский язык, что указывает на настройку под работу с внутренними знаниями. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не содержит дополнительных сведений о качестве и конкретных ограничениях.

JARVIS-v1.0 — объединённая языковая модель, опубликованная shyamieee на Hugging Face. Она создана методом task arithmetic с помощью mergekit на базе Meta-Llama-3-8B и включает Llama-3-SauerkrautLM-8b-Instruct. Модель предназначена для генерации текста и диалоговых сценариев. Она использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст длиной до 8192 токенов. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Карточка не описывает отдельные языковые или специализированные предметные возможности; из состава модели следует связь с семейством Llama 3.

ko-llama2-v1 — 13-миллиардная плотная языковая модель семейства Llama 2, созданная Jiwoo Chris Jung. Она дообучена методом LoRA на небольшом наборе из 1 944 отобранных по качеству инструкций на корейском и английском языках; адаптер объединён с весами модели, и репозиторий содержит веса fp16. Модель предназначена для генерации текста и выполнения инструкций на корейском и английском. В октябре 2023 года она заняла первое место в снимке Open Ko-LLM Leaderboard среди 230 моделей. Модель принимает текст и генерирует текст; заявленная длина контекста — 2 048 токенов. Весовой чекпойнт занимает около 26 ГБ в fp16, для видеокарт с меньшим объёмом памяти README рекомендует загрузку в 8- или 4-битном формате. Это исследовательский чекпойнт октября 2023 года: модель не обучалась безопасному поведению и может выдавать неверную или вымышленную информацию. Указана лицензия MIT, при этом README отмечает, что базовая модель Llama 2 накладывает собственные условия лицензии.

Lelantos-DPO-7B — разговорная языковая модель на 7,1 млрд параметров, разработанная SanjiWatsuki и основанная на архитектуре Mistral с плотной моделью причинного языкового моделирования. Она предназначена для генерации текста и диалоговых сценариев. В карточке приведены результаты тестирования на AGIEval, GPT4All, TruthfulQA и Bigbench: средний балл указан как 58,54; для Lelantos-DPO-7B приведены сравнительные результаты с Lelantos-7B. Модель работает с текстом, имеет контекстное окно 8192 токена и распространяется в формате safetensors. Языки в карточке явно не перечислены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

FriendliAI подготовила FP8-квантизированную версию диалоговой модели Meta Llama 2 13B Chat для более эффективного инференса. Это авторегрессионный трансформер с 12,9 млрд параметров, дообученный для диалогов с помощью supervised fine-tuning и обучения с подкреплением на основе обратной связи от людей. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст. Модель подходит для чат-ассистентов, ответов на вопросы и генерации текста на английском языке. Для работы требуется совместимый Friendli Container; FP8 поддерживается на GPU NVIDIA Ada, Hopper и Blackwell. Модель может выдавать неточные, предвзятые или нежелательные ответы, поэтому перед внедрением её следует проверить и настроить для целевого применения. Использование регулируется лицензией Meta Llama 2 (llama2); для получения весов требуется принять условия лицензии Meta. README указывает, что модель предназначена для коммерческого и исследовательского применения на английском языке и ограничивает использование другими языками.

ThatsGroes разработал разговорную модель SkoleGPT на базе Meta Llama 3.1 70B Instruct. Это плотная авторегрессионная модель с 69,5 млрд параметров для генерации текста и диалогов; она принимает текст и выдаёт текст. Модель дообучена методом LoRA в течение одной эпохи с rank и alpha 8, используя 4-битную базовую модель. Заявленная длина контекста — 131 072 токена. В карточке указан обучающий набор kobprof/skolegpt-instruct, но подробности о его содержании и специализации SkoleGPT не приведены, поэтому назначение модели за пределами общего диалогового применения не уточняется. Поддерживается английский язык. Лицензия — Apache-2.0.

DeepMount00/Llama-3.1-8b-ITA — плотная авторегрессионная языковая модель семейства Llama, разработанная Michele Montebovi на основе Meta-Llama-3.1-8B-Instruct и дообученная для работы на итальянском языке. Она предназначена для генерации текста и диалоговых сценариев на итальянском; метаданные также указывают поддержку английского языка. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors, поддерживает контекст до 131 072 токенов. Модель подходит для италоязычного чат-бота, составления и продолжения текстов, а также ответов на запросы. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но эти оценки сами по себе не гарантируют качество в конкретном приложении. Лицензия в предоставленных данных не указана.

CreitinGameplays/Llama-3.2-3B-Fable-5-Distill — языковая модель семейства Llama, дообученная CreitinGameplays на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Это плотная авторегрессионная модель с 3,2 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Для обучения использовались Unsloth и библиотека Hugging Face TRL; в карточке указан датасет Glint-Research/Fable-5-traces. Модель поддерживает английский язык и контекст до 131 072 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

Fischerboot/LLama3-8B-Sophie-256 — созданная с помощью mergekit слитая языковая модель на архитектуре Llama 3. Она объединяет предварительно обученные модели Fischerboot/LLama3-Lexi-Aura-3Some-SLERP-SLERP-ql-merge и Fischerboot/ll3-sophie-2-sets-256 методом passthrough; в репозитории представлены веса Safetensors в формате bfloat16. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Карточка базовой модели указывает на ориентацию прежде всего на английский язык; метаданные также отмечают возможность чата. Специальные предметные области не заявлены. Лицензия в предоставленных данных не указана.

llama-3-slerp-kraut-dragon-8B — объединённая чат-модель на базе архитектуры Llama, созданная nbeerbower с помощью mergekit. Веса двух моделей объединены методом SLERP: VAGOsolutions/Llama-3-SauerkrautLM-8b-Instruct и nbeerbower/llama-3-dragonmaid-8B. Репозиторий содержит около 7,5 млрд параметров в формате safetensors; модель предназначена для генерации текста и диалогов, а максимальная длина контекста составляет 8192 токена. Модель принимает текст и выдаёт текст. Базовая модель SauerkrautLM рассчитана на немецкий и английский языки, однако README не уточняет языковой охват получившегося объединения. В метаданных указана лицензия «other» без конкретных условий, поэтому перед использованием следует проверить лицензионные условия обеих исходных моделей и самого репозитория.

Карточка модели unsloth/Llama-4-Scout-17B-16E на Hugging Face совпадает с карточкой meta-llama/Llama-4-Scout-17B-16E, поэтому описание составлено по ней. Llama 4 Scout — мультимодальная авторегрессионная модель Meta с архитектурой mixture-of-experts и ранним объединением модальностей. В модели 17 млрд параметров и 16 экспертов; она предназначена для работы с текстом и изображениями. Модель подходит для диалогового помощника, визуального рассуждения, распознавания содержимого изображений, создания подписей и ответов на вопросы об изображениях. Поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. В README указано, что модель тестировалась на понимание до пяти изображений за один запрос. Модель распространяется по специальной коммерческой лицензии Llama 4 Community License Agreement с ограничениями Acceptable Use Policy. Это статическая модель, обученная на офлайн-данных; качество ответов и работу в конкретных сценариях следует проверять отдельно. Возможности понимания изображений сверх пяти изображений за запрос требуют дополнительного тестирования и настройки.

Это инструктивная языковая модель LLM-jp — совместного проекта, запущенного в Японии. Модель построена на архитектуре Llama с плотной трансформерной сетью и содержит 13,2 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия по инструкциям. Модель дообучена на японских и английских инструкционных и диалоговых данных, включая ichikara-instruction, Dolly и OpenAssistant. Она подходит для ответов на вопросы, выполнения текстовых инструкций и ведения диалога на японском и английском языках. Контекст составляет 4096 токенов; для работы используется формат Transformers и библиотека Transformers. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного следования человеческим намерениям или требованиям безопасности. Лицензия — Apache-2.0.

llm-jp-3.1-8x13b-32K-instruct4 — большая языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это разговорная модель семейства Mixtral с архитектурой MoE: 8 экспертов, из которых активируются 2. Каталог указывает 13,2 млрд параметров; в README приведены 73,2 млрд общих параметров исходной конфигурации 8x13b. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Apache-2.0. Модель предназначена для генерации текста и выполнения инструкций в диалоге. Вариант 32K продолжает предварительное обучение базовой модели на дополнительных 50 млрд токенов, чтобы увеличить контекст с 4K до 32K токенов. README описывает дальнейшее обучение на инструкциях, контролируемую тонкую настройку и выравнивание методом DPO. Основные языки — японский и английский. Модель можно применять для диалоговых помощников, ответов на вопросы и работы с длинными текстовыми контекстами. Разработчики отмечают, что модели находятся на ранней стадии исследований и разработки и не настроены для гарантированного соответствия человеческим намерениям и требованиям безопасности.

Loquace-7B-Mistral — италоязычная языковая модель с настройкой на выполнение инструкций, созданная Cosimo Iaia на основе Mistral-7B-Instruct. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов; опубликованные веса представлены в формате safetensors. Для дообучения применялся QLoRA на наборе Loquace-102k. Модель предназначена для ответов на инструкции и вопросы на итальянском языке, в том числе в сценариях генерации с поиском по документам (RAG). Автор отмечает хорошее следование итальянским инструкциям и восприимчивость к prompt engineering. Лицензия — Apache-2.0. Модель может ошибаться, выдавать бессмысленные или фактически неверные ответы, а также испытывать трудности со сложными, неоднозначными и плохо сформулированными запросами; результаты следует проверять.

Lucie-Boosted-7B-Instruct — языковая модель на 6,4 млрд параметров, разработанная Jonathan Pacifico в 2025 году на основе OpenLLM-France/Lucie-7B-Instruct. Это плотная модель семейства Llama для генерации текста и диалогов; она доступна в формате safetensors и рассчитана на контекст до 32 000 токенов. Модель прошла дообучение методом DPO на наборе jpacifico/french-orca-dpo-pairs-revised. Обучение на французских данных также направлено на улучшение общих возможностей модели. Она подходит для диалоговых приложений, генерации ответов и следования инструкциям на французском и английском языках. В карточке приведены результаты отдельных тестов, но заявленные оценки ограничены, а полноценные результаты MT-Bench и OpenLLM Leaderboard обозначены как ожидаемые. Модель не имеет механизма модерации. Лицензия Apache-2.0.

Magnum-12B-v2.5-kto-GGUF — это GGUF-квантизация текстовой генеративной модели magnum-12b-v2.5-kto, разработанной anthracite-org и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалоговой генерации текста и запуска в локальных приложениях, включая LM Studio. Для общения рекомендуется chat-шаблон с ролями system, user и assistant. Модель поддерживает английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Вариант содержит около 12 миллиардов параметров; архитектура и размер контекста в README не указаны. Доступны версии от F32 размером 49 ГБ до компактных IQ2_M и Q2_K размером около 4,4–4,8 ГБ. Более точные варианты Q6_K_L и Q6_K характеризуются как близкие к исходному качеству, а Q4_K_M предлагается как компромисс между качеством и размером; низкобитные варианты требуют меньше памяти, но заметно уступают по качеству. Сильными сторонами являются широкий набор поддерживаемых языков, несколько уровней квантизации и возможность локального запуска. Ограничения включают отсутствие информации о конкретных бенчмарках, модальностях помимо текста, архитектуре и контекстном окне, а также снижение качества в наиболее компактных вариантах. Лицензия — Apache-2.0.

knkarthick/MEETING_SUMMARY — англоязычная модель суммаризации на архитектуре BART, дообученная на корпусе совещаний AMI, а также на наборах SAMSUM, DIALOGSUM и XSUM. Она предназначена для составления краткого содержания встреч и диалогов, а также для суммаризации текста. Модель содержит 252,8 млн параметров и рассчитана на входной контекст до 1024 токенов. Модель принимает текст и генерирует текстовое резюме. Веса доступны в форматах PyTorch, safetensors и TensorFlow. Лицензия — Apache-2.0.

MISCHIEVOUS-12B-Mix_0.3v — слитая с помощью SLERP модель генерации текста, созданная bamec66557 на основе двух предыдущих версий MISCHIEVOUS-12B-Mix. Это плотная Mistral-модель с 12,1 млрд параметров для генерации текста и диалогов; в метаданных заявлена длина контекста 1 024 000 токенов и поддержка английского и корейского языков. Модель предназначена для диалогового взаимодействия и других задач генерации текста. В метаданных также отмечен интерфейс вызова инструментов, но подробности его применения в карточке не описаны. Репозиторий использует Transformers и формат safetensors; README дополнительно упоминает вариант GGUF Q4_K_M. Лицензия — Apache-2.0. Метка карточки предупреждает, что модель подходит не для всех аудиторий.

mm4.7-3b-slerp — разговорная языковая модель, созданная Liminerity с помощью слияния моделей mergekit методом SLERP. В слиянии использованы liminerity/mm4.5-slerp-3b-comp и liminerity/mm4-3b; архитектура — плотная LlamaForCausalLM с 2,7 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Модель принимает текст и генерирует текст. Её контекстное окно составляет 4096 токенов; веса опубликованы в формате safetensors, лицензия — Apache-2.0. Данных о специализированной предметной области или языках в предоставленной карточке нет.

MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

MotherEarth создала эту объединённую языковую модель с помощью mergekit, применив линейное слияние MotherEarth-Proverbs-1.0-8B и Hermes-ClimateStorm-Sauerkraut-abliterated. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; принимает текст и выдаёт текст. Контекст модели составляет до 8192 токенов. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. README подтверждает способ слияния и состав объединения, но не описывает специальные предметные навыки или языки. Лицензия в предоставленных данных не приведена.

MT2-Gen4-IMU-gemma-2-9B — языковая модель семейства Gemma 2, созданная разработчиком zelk12 с помощью слияния двух предварительно обученных моделей методом SLERP через mergekit. Это плотная авторегрессионная модель на 9 млрд параметров для генерации текста и диалогового взаимодействия; она рассчитана на контекст до 8192 токенов и опубликована в формате safetensors для библиотеки Transformers. В README приведена конфигурация с базовой моделью zelk12/MT2-Gen4-IF-gemma-2-MT4g2S2-9B и коэффициентом смешивания t=0,25. Модель подходит для генерации продолжений текста и ведения текстовых диалогов. Карточка не описывает отдельные специализированные области применения или поддерживаемые естественные языки, поэтому их нельзя достоверно уточнить. Лицензия в предоставленных данных не указана.

zelk12/MT3-Gen5-GP-gemma-2-RAv0.1E-9B_v1 — объединённая автором модель для генерации текста и диалогов на архитектуре Gemma 2. Она создана методом SLERP в mergekit из zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1 и Aashraf995/Gemma-Evo-10B; базовая точка слияния — recoilme-gemma-2-Ataraxy-9B-v0.1. Модель содержит 9 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и опубликована в формате safetensors для библиотеки Transformers. Модель подходит для генерации продолжений и ответов в диалоговом режиме. Сведений о специализации по предметной области или конкретных языках в карточке нет. Лицензия в предоставленных данных не обозначена, поэтому условия использования следует проверить на странице репозитория Hugging Face.

zelk12/MTM-Merge-MA-gemma-2-MTM4MTM5-9B — разговорная языковая модель на архитектуре Gemma 2, созданная слиянием двух предварительно обученных моделей: zelk12/MT-Merge4-gemma-2-9B и zelk12/MT-Merge5-gemma-2-9B. Для слияния применён метод SLERP с параметром t=0,25; веса представлены в формате safetensors, модель рассчитана на работу через библиотеку Transformers. Модель предназначена для генерации текста и диалоговых сценариев. Она содержит 9 млрд параметров и поддерживает контекст до 8192 токенов. Сведения о конкретных языках и специализированных предметных областях в использованных источниках отсутствуют.

OpenBuddy-Mixtral-22B-x8-Preview0-65k — предварительная многоязычная чат-модель OpenBuddy на архитектуре Mixtral с 22,1 млрд параметров. Она предназначена для диалогов и генерации текста; заявлены поддержка девяти языков и контекст до 65 536 токенов. Модель основана на Mixtral 8x22B и выпущена как версия, готовая примерно наполовину: авторы предупреждают, что она ещё не оптимизирована для общих разговорных задач. Для запуска рекомендуется быстрый токенизатор Transformers; README также упоминает возможность развертывания через vLLM. Лицензия — Apache 2.0. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Не следует полагаться на неё в медицинских, финансовых и юридических решениях или в других критически важных сценариях.

OpenBuddy/openbuddy-openllama-3b-v10-bf16 — многоязычная чат-модель проекта OpenBuddy, построенная на плотной архитектуре Llama и предназначенная для генерации текста в диалоге. Модель содержит 3,3 млрд параметров, работает с библиотекой Transformers и распространяется в формате PyTorch; размер контекста — 4096 токенов. Модель ориентирована на общение и генерацию ответов на китайском, английском, французском, немецком, японском, корейском, итальянском и русском языках. Лицензия — Apache 2.0. Ответы могут быть ошибочными, вредными или оскорбительными; разработчики предостерегают от применения модели в медицинских, финансовых, юридических и других критически важных сценариях.

Qwen3.5-27B-ultra-uncensored-heretic-v1 — мультимодальная модель для диалогов и анализа изображений, созданная независимым автором на основе Qwen/Qwen3.5-27B. Автор изменил поведение модели методом abliteration: по приведённой оценке, доля отказов снизилась с 95 до 3 из 100 запросов, а KL-дивергенция относительно исходной модели составила 0,0301. Это вариант для сценариев, где требуется меньше отказов на запросы, которые исходная модель могла бы отклонить. Модель использует плотную архитектуру Qwen3.5 с 27 млрд параметров и поддерживает ввод текста и изображений с генерацией текста. В README указаны контекст 262 144 токена с возможностью расширения до 1 010 000 и широкая языковая поддержка базовой модели; конкретные языки в метаданных этой версии не перечислены. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Снижение отказов не гарантирует точность ответов или сохранение всех свойств исходной модели. В приведённом тесте PIQA результаты версии после abliteration немного ниже исходных; оценка в README не заменяет проверку на целевых задачах. Модель предназначена для генерации ответов и понимания изображений, а не для отдельного специализированного домена.

VladShash/qwen3-8b-classic-with-repair — дообученная модель семейства Qwen3, созданная на базе formalmathatepfl/qwen3-cpt с использованием набора данных SFT. Она предназначена для генерации текста в диалоговом режиме. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Карточка не раскрывает тематику дообучения, поэтому нельзя надёжно определить специализированные сценарии, языки или преимущества варианта «classic-with-repair». Модель распространяется в формате safetensors; лицензия указана как other, без дополнительных условий в предоставленных данных.

Salamandra-7B-Instruct-2606 — многоязычная авторегрессионная языковая модель с архитектурой Llama, разработанная BSC-CNS. Это версия Salamandra-7B, адаптированная для длинного контекста, дообученная на диалогах и выровненная с помощью Direct Preference Optimization (DPO). Модель содержит 6,7 млрд параметров, принимает текст и поддерживает контекст до 163 840 токенов. Модель предназначена для исследовательских и опытно-разработческих сценариев как универсальный помощник: она может вести диалог, отвечать на вопросы, выполнять инструкции, переводить и создавать или кратко пересказывать тексты. Постобучение в первую очередь ориентировано на испанский, каталанский, баскский, галисийский и английский языки; каталог также указывает поддержку каталанского, английского и испанского. Для других языков качество не гарантируется. Модель не поддерживает вызов функций и автономное выполнение действий; сложные рассуждения, математика и генерация кода могут быть ненадёжными. Выводы могут содержать ошибки или небезопасный контент, поэтому их следует проверять. Распространяется по лицензии Apache-2.0; разработчик предоставляет её «как есть» и не гарантирует пригодность для коммерческого или производственного применения.