III.2Исследование рынка и маркетинг

Mistral-Instruct-Ukrainian-slerp — диалоговая языковая модель, созданная Radu1999 с помощью слияния методом SLERP модели mistralai/Mistral-7B-Instruct-v0.2 и украинской модели Mistral-Instruct-Ukrainian-SFT-DPO. Она предназначена для генерации текста и ответов на инструкции в формате диалога, с акцентом на украинский язык. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Прикладная задача — текстовая генерация; файлы модели доступны в формате Safetensors. Лицензия — Apache 2.0. Качество ответов и следования инструкциям может зависеть от запроса; модель ориентирована на украинский язык, поэтому её результаты на других языках могут быть менее надёжными. README не приводит оценок качества или подробных результатов тестирования.

MN-Chinofun-12B-2 — объединённая языковая модель от автора djuna, созданная методом Model Stock с помощью mergekit на базе ArliAI/Mistral-Nemo-12B-ArliAI-RPMax-v1.2 и с включением ещё пяти моделей Mistral Nemo. Это плотная причинно-языковая архитектура Mistral, содержащая 12,1 млрд параметров; веса опубликованы в формате safetensors, модель рассчитана на генерацию текста и диалоговое взаимодействие. В метаданных указан контекст до 1 024 000 токенов. Модель подходит для генерации ответов в чате, творческого письма и ролевых диалогов. README приводит результаты Open LLM Leaderboard, включая IFEval и BBH, но не описывает специализированные отраслевые задачи. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

NorMistral-11b-translate — дообученная языковая модель для машинного перевода, созданная на базе NorMistral-11b-long. Она переводит предложения и документы во всех шести направлениях между норвежским букмолом, норвежским нюнорском и английским языком. Модель построена на архитектуре Mistral, содержит 11,7 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Для работы с ней используется библиотека Transformers; веса доступны в форматах PyTorch и Safetensors. Модель подходит для перевода текстов между двумя вариантами норвежского и английским, включая перевод документов и диалоговых текстов. Она распространяется по лицензии Apache-2.0. Оценки качества и сведения о конкретных ограничениях в карточке не приведены.

ali-elganzory/open-sci-ref-v0.02-1.7b-mixturevitae-noinstruct-300B-4096-SFT-Tulu3-decontaminated — разговорная модель генерации текста на архитектуре OpensciForCausalLM. Это дообученная с помощью TRL версия ali-elganzory/open-sci-ref-v0.02-1.7b-mixturevitae-noinstruct-300B-4096; в карточке приведён пример ответа на вопрос в формате чата. Модель содержит 1,7 млрд параметров, принимает текст и генерирует текст, поддерживает контекст длиной до 4096 токенов и распространяется в формате safetensors для Transformers. Подходит для диалоговых ответов и генерации текста. README и метаданные не сообщают о специализации по языкам или прикладным областям. Условия лицензии в доступных данных не приведены.

Open-Solar-Ko-10.7B — авторегрессионная языковая модель, разработанная Junbum Lee (Beomi) на основе upstage/SOLAR-10.7B-v1.0. Это продолженное предварительное обучение с расширенным словарём и включением корейского корпуса; архитектура — плотный трансформер LlamaForCausalLM, производный от Llama 2. Модель содержит 10,7 млрд параметров и принимает и выдаёт текст. Модель предназначена прежде всего для генерации текста на корейском языке, а также поддерживает английский. В обучении использовались общедоступные корейские корпуса AI Hub, Modu Corpus и корейская Википедия; расширенный SentencePiece BPE-словарь содержит 46 592 токена. Контекст составляет 4 096 токенов. В README приведены результаты оценки на нескольких корейских задачах понимания текста. Расширенный корейский словарь сокращает число токенов для корейских фраз по сравнению с исходным SOLAR-токенизатором. Карточка описывает первоначальную тестовую версию, поэтому качество и пригодность для конкретных сценариев следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

OpenThaiGPT 1.0.0-alpha — чат-модель для генерации текста, разработанная командой OpenThaiGPT при участии тайских исследователей и организаций. Это дообученная для следования инструкциям версия LLaMA 2 Chat с плотной архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель рассчитана прежде всего на общение и ответы на вопросы на тайском языке; также заявлена поддержка английского. В обучении использовались тайские наборы инструкций, вопросов и ответов, включая данные по налогам, финансам и общим знаниям. Модель подходит для чат-ботов, ответов на вопросы и генерации текстов по инструкциям. Контекст в метаданных указан как 2048 токенов; README описывает увеличение длины контекста до 4096 токенов относительно версии 0.1.0-beta, поэтому фактический предел этого чекпойнта может зависеть от конфигурации. Весы представлены в формате PyTorch и используют библиотеку Transformers. Лицензия — Apache-2.0. Авторы предупреждают, что ответы модели не гарантированы.

PersianLLaMA-13B-Instruct — плотная языковая модель семейства LLaMA с 13 млрд параметров, разработанная командой Мохаммада Амина Аббаси, Араша Гафури, Махди Фирузманди, Хассана Надери и Бехруза Минаеи Бидголи. Модель дообучена на датасете Persian Alpaca и предназначена для выполнения инструкций на персидском языке с помощью генерации текста. Модель подходит для персидскоязычных диалоговых помощников, ответов на инструкции и создания текстовых материалов. Использует архитектуру LlamaForCausalLM, работает с Transformers и распространяется в формате safetensors; нативная длина контекста — 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Модель arefehRajabian/phi_finetune_microsoft_mini_16bit — дообученная разговорная языковая модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM и 3,8 млрд параметров. Она создана arefehRajabian на базе unsloth/phi-4-mini-instruct-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. Метаданные также указывают интерфейс для вызова инструментов. Контекст составляет 4096 токенов, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает обучающие данные, предметную специализацию или результаты оценки качества, поэтому нельзя определить, для каких конкретных задач дообучение улучшило модель. Указанная базовая модель обозначена как 4-битная, однако формат весов этой модели — safetensors; отдельные сведения о её точности и требованиях к запуску отсутствуют.

radlab/pLLama3.2-3B-DPO — польскоязычная диалоговая модель radlab на архитектуре Llama 3.2 с 3,2 млрд параметров. Она дообучена на 650 тысячах инструкций на польском языке, а затем оптимизирована методом DPO на 100 тысячах примеров, чтобы выбирать грамотно написанные варианты текста. Модель предназначена для диалогов, выполнения инструкций и генерации текста на польском языке. Контекстное окно составляет 131 072 токена; доступны веса в формате safetensors. В метаданных также заявлены интерфейс вызова инструментов и поддержка польского, английского, испанского и немецкого языков. Для работы с моделью применяется лицензия Llama 3.2. Карточка рекомендует temperature 0,6 и repetition_penalty 1,0; сравнительные оценки качества или подробные сведения об ограничениях не приведены.

Модель flying-dotori/qwen25_1_5b_gson_unsloth — дообученная разговорная языковая модель семейства Qwen2.5, разработанная flying-dotori на базе unsloth/Qwen2.5-1.5B-Instruct-bnb-4bit. Она предназначена для генерации текста в диалоге и использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров и контекстом до 32 768 токенов. Модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face. Репозиторий распространяется по лицензии Apache-2.0. В карточке указан английский язык; модель подходит для англоязычной генерации и чат-сценариев. Специализация дообучения и результаты оценки качества в карточке не раскрыты, поэтому пригодность для конкретной предметной области следует проверять на собственных данных.

Qwen3.8-27B-Kimiko-2 — объединённая плотная мультимодальная модель семейства Qwen, созданная nlpguy с помощью mergekit методом Karcher Mean. В слияние вошли Qwen/Qwen3.8-27B, TeichAI/Qwen3.8-27B-Fable-Distill, beyoru/Kiwen1.1-27B и nlpguy/Qwen3.8-27B-Fimi-4. Модель содержит 27 млрд параметров и рассчитана на диалоги с текстом и изображениями. Модель предназначена для общения и анализа изображений в формате image-text-to-text. Базовая модель также описана как пригодная для анализа видео, программирования и многошаговых задач, однако карточка этой версии не подтверждает отдельно эти возможности. Репозиторий использует Transformers и формат safetensors. Модель опубликована 25 августа 2026 года. Лицензия и ограничения применения в предоставленных данных не описаны; качество и поведение после слияния могут отличаться от входивших в него моделей.

luisastellet/qwen-metaphor-unke — разговорная текстовая модель на архитектуре Qwen3, опубликованная на Hugging Face. По метаданным, она содержит 507,9 млн параметров, использует библиотеку Transformers, принимает текст и генерирует текст; заявленный контекст — до 40 960 токенов. Модель предназначена для генерации текста в диалоговом формате. Её можно использовать для создания ответов и продолжения беседы. Поиск по заголовку и идентификатору модели не дал результатов, поэтому сведения о разработчике, специализированном назначении, языках обучения и лицензии подтвердить не удалось.

MarkrAI — исследовательская команда, выпустившая RAG-KO-Mixtral-7Bx2-v1.15: корейскую модель генерации текста для сценариев Retrieval-Augmented Generation (RAG). Модель основана на DopeorNope/Ko-Mixtral-v1.3-MoE-7Bx2 и дообучена методом QLoRA на частном датасете Korean-RAG-ver2. В архитектуре используется Mixtral MoE; число параметров — 7,1 млрд, контекст — до 32 768 токенов. Модель предназначена для генерации ответов на корейском языке с опорой на предоставленные при поиске материалы, в том числе в многодоменных сценариях. Для обучения применялись 4-битная квантизация и LoRA с рангом 64. Репозиторий содержит веса safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование; результаты бенчмарков в карточке отсутствуют.

Sensorial-12B — объединённая модель для генерации текста, созданная ClaudioItaly с помощью mergekit методом TIES. В качестве базовой использована PocketDoc/Dans-PersonalityEngine-V1.1.0-12b; в слияние также вошли LatitudeGames/Wayfarer-12B и DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-DARKNESS. Модель построена на архитектуре Mistral, содержит 12,1 млрд параметров и распространяется в формате safetensors с весами float16. Она предназначена для генерации текста и разговорного взаимодействия; метаданные указывают контекстное окно до 1 024 000 токенов. Карточка не уточняет языки, для которых модель оптимизирована, и не описывает отдельные специализированные сценарии.

Это объединённая языковая модель, созданная с помощью mergekit методом Linear из пяти контрольных точек модели unfiltered_e2e_alignment. Разработчик в карточке не назван. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия. Контекстное окно составляет 16 384 токена. Карточка не описывает конкретные сценарии, языковую специализацию или результаты оценки качества, поэтому применимость к отдельным областям установить нельзя. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

SkyTextTiny — авторегрессионная языковая модель семейства GPT-2, представленная компанией 奇点智源 (Singularity-AI) как китайская предварительно обученная GPT-3-модель. В карточке указано около 3 млрд параметров; модель принимает текст и предназначена для генерации текста, диалога, ответов на вопросы и перевода между китайским и английским языками. Контекст составляет 2048 токенов. Разработчик сообщает о многоэтапной очистке обучающих данных и специально оптимизированном для китайского языка кодировании. Репозиторий содержит веса PyTorch, модель опубликована под лицензией MIT. Карточка не приводит количественных оценок качества и подробностей о данных обучения; результаты для задач, кроме генерации текста, могут зависеть от формата запроса.

SonyaKAErisepBeagleNuBuRPInfinWestLakev2-ENDLESSIreneRP-Neural-7B-slerp — языковая модель для генерации текста, созданная объединением моделей с помощью LazyMergekit. В состав слияния вошли Smuggling1710/KAErisepBeagleNuBuRPInfinWestLakev2-ENDLESSIreneRP-Neural-7B-slerp и SanjiWatsuki/Sonya-7B; применён метод slerp с настройками для слоёв внимания и MLP. Модель основана на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Семейство Sonya-7B предназначено для диалогов, творческого письма и ролевых сценариев; модель принимает текст и генерирует текст. В репозитории указаны веса SafeTensors и тип данных bfloat16. Язык лицензирования и конкретная лицензия в доступных сведениях не приведены.

Starling-LM-7B-alpha-ExPO — чат-модель на 7,1 млрд параметров, созданная Berkeley NLP (Berkeley-NEST) методом Weak-to-Strong Extrapolation. Она получена экстраполяцией с коэффициентом 0,2 между контрольными точками SFT и DPO/RLHF на базе Starling-LM-7B-alpha и openchat_3.5; цель — улучшить соответствие ответов человеческим предпочтениям. Модель использует плотную архитектуру Mistral и генерирует текст по текстовому запросу, в том числе в диалоговом режиме. Контекст — до 8192 токенов; в карточке указан английский язык. В README приведены результаты AlpacaEval 2.0 и MT-Bench: для исходной Starling-LM-7B-alpha вариант ExPO показывает более высокие значения на обоих бенчмарках. Эти оценки не гарантируют качество в конкретных сценариях. Модель предназначена для диалоговой генерации текста; сведений о специализированных областях применения нет. Лицензия — Apache 2.0.

Sunflower-Qwen3.8-27B — открытая модель Sunbird AI на базе Qwen3.8-27B, дообученная для 68 африканских языков, с наиболее глубокой поддержкой 31 языка Уганды. Она предназначена прежде всего для перевода между английским и африканскими языками, а также для понимания текста, ответов на вопросы и рассуждений. Модель поддерживает диалоговый формат Qwen3.8; при включённом режиме thinking сама решает, когда применять рассуждение. Для массового перевода thinking можно отключить, чтобы ускорить генерацию без потери качества перевода. По результатам оценок авторов, модель показывает сильные результаты на переводческих наборах, включая FLORES-200 и SAHARA, и особенно эффективна при переводе на языки Уганды. Качество заметно различается между языками в зависимости от объёма обучающих данных: для языков базового уровня авторы рекомендуют проверять результат с носителем. Перевод оптимизирован сильнее, чем общий чат и рассуждения; как и другие большие языковые модели, Sunflower может уверенно выдавать неверную информацию. Модель распространяется по лицензии Apache-2.0.

Synatra-Yi-Ko-6B — языковая модель, дообученная автором maywell на базе beomi/Yi-Ko-6B с использованием набора данных Synatra. Это плотная причинная модель семейства Llama с 5,9 млрд параметров; она генерирует текст и предназначена для диалогового использования по шаблону ChatML без системного сообщения. Указанный контекст составляет 4096 токенов, поддерживаемые языки — английский и корейский. Модель распространяется в формате Safetensors по лицензии CC BY-SA 4.0. Карточка содержит мало сведений о составе обучающих данных и оценках качества, поэтому пригодность для конкретных сценариев следует проверять самостоятельно.

T3Q-LLM/T3Q-LLM2-sft1.6 — разговорная языковая модель семейства Llama, представленная в формате Transformers и распространяемая с весами safetensors. По метаданным, модель содержит 10,6 млрд параметров, имеет контекст длиной 4096 токенов и поддерживает генерацию текста в диалоговом режиме. В карточке приведены результаты отдельных тестов понимания корейского языка, включая KoBEST BoolQ и COPA. Модель подходит для генерации ответов в чате, диалоговых сценариев и других задач генерации текста. Результаты тестов указывают на оценку некоторых задач на корейском языке, но карточка не описывает полный список поддерживаемых языков и область обучения. Разработчик, базовая модель, лицензия и условия использования в доступной карточке не установлены.

Tower-7B-Stair_FS4 — модель Unbabel/TowerInstruct-Mistral-7B-v0.2, дообученная SardineLab полным обновлением параметров для многоязычного машинного перевода фрагментов документов. Она переводит между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским или китайским языком в обоих направлениях. Вариант Stair_FS4 обучен на четырёх последовательных фрагментах документа: для каждого следующего фрагмента можно передать до трёх предыдущих частей исходного текста, чтобы учитывать контекст документа. При подготовке данных использовалось разбиение на фрагменты длиной 256–512 токенов; максимальная длина последовательности модели — 32 768 токенов. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для сценариев, где нужно переводить документы частями с учётом предыдущего контекста; точное разбиение документа и формат промптов важны для соответствия обучению. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий лицензии.

Windstorm Labs опубликовала модель машинного перевода с немецкого на нидерландский. Это дообученная модель MarianMT на 54,6 млн параметров с контекстом до 512 токенов; LoRA-дообучение на параллельных текстах объединено с весами исходной модели Helsinki-NLP/opus-mt-de-nl. Модель загружается через Transformers в формате safetensors и предназначена для перевода текстов в направлении de→nl. В проверке на 48 предложениях FLORES-200 dev модель получила chrF++ 54,81 и BLEU 28,42; авторы характеризуют этот результат как предварительную оценку, а не публикационный результат. Репозиторий лицензирован по Apache-2.0. Модель поддерживает только перевод с немецкого на нидерландский.

WeirdCompound-v1.6-24b — слитая разговорная языковая модель от FlareRebellion, созданная из нескольких предварительно обученных моделей семейства Mistral с помощью mergekit. Это плотная авторегрессионная модель на 23,4 млрд параметров с контекстом до 131 072 токенов и интерфейсом для чата. Модель предназначена для генерации текста в диалоге, включая ролевые сценарии и художественное повествование. В состав слияния вошли модели, ориентированные на сторителлинг, ролевую игру и следование инструкциям; автор подобрал состав и веса экспериментально, по собственным предпочтениям. Использованы методы Model Stock, SLERP и NuSLERP; базой указан TheDrummer/Cydonia-24B-v4.1. В README не заявлена поддержка конкретных языков, а также не описаны результаты оценок качества. Репозиторий содержит веса safetensors для Transformers. Лицензия в предоставленных данных не указана.

Карточка модели Jinstudio/Z-Image-Turbo на Hugging Face совпадает с карточкой Tongyi-MAI/Z-Image-Turbo, поэтому описание составлено по ней. Z-Image-Turbo — быстрая модель генерации изображений по тексту от проекта Z-Image компании Alibaba. Это дистиллированный вариант семейства Z-Image на 6 млрд параметров, построенный на архитектуре Scalable Single-Stream Diffusion Transformer (S3-DiT). Модель использует 8 шагов вычисления и предназначена для генерации изображений с низкой задержкой; в карточке заявлена работа менее чем за секунду на H800 и возможность запуска на потребительских устройствах с 16 ГБ видеопамяти. Модель рассчитана на фотореалистичные изображения, точное следование инструкциям и рендеринг английского и китайского текста внутри изображения. В README также описан Prompt Enhancer для расширения промптов, однако это не отдельная задача pipeline_tag. Указанные характеристики производительности и качества приведены разработчиком; фактический результат зависит от оборудования и настроек генерации. Лицензия репозитория — Apache-2.0.

ShenaoZ/0.00005_withdpo_4iters_bs256_555lr_iter_3 — дообученная разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она основана на ShenaoZ/0.00005_withdpo_4iters_bs256_555lr_iter_2 и обучена на наборах данных updated и original; в метаданных отмечена поддержка чата. Модель предназначена для генерации текста в диалоге, например для ответов на сообщения и продолжения беседы. Размер контекста — до 32 768 токенов; веса доступны в формате safetensors. Лицензия — MIT. README не описывает конкретные области применения, языки или результаты оценки качества.

Это дообученная разговорная модель ShenaoZ на архитектуре Mistral с 7,1 млрд параметров, созданная на базе HuggingFaceH4/mistral-7b-sft-beta. Для дообучения использован датасет HuggingFaceH4/ultrafeedback_binarized; модель предназначена для генерации текста и диалогового общения. Контекст составляет до 32 768 токенов. Карточка не описывает отдельные специализированные области применения или результаты оценки качества. Модель распространяется по лицензии MIT.

Модель ShenaoZ/0.0001_withdpo_4iters_bs256_4444lr_iter_3 — дообученная версия ShenaoZ/0.0001_withdpo_4iters_bs256_4444lr_iter_2, созданная на обновлённом и исходном наборах данных. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. Модель распространяется в формате Safetensors по лицензии MIT. Карточка не приводит подробностей о сценариях применения, оценке качества или ограничениях; возможности и результаты модели сверх генерации текста и чата не подтверждены.

Это дообученная разговорная модель генерации текста, созданная на основе ShenaoZ/0.001_ablation_3iters_bs256_nodpo_iter_1. Репозиторий указывает на архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Она обучена на обновлённом и исходном наборах данных; подробности о данных, методике обучения и оценке в карточке не приведены. Модель распространяется по лицензии MIT. Языковая поддержка и специальные области применения не описаны.

ABEJA-QwQ32b-Reasoning-Japanese-v1.0 — японская языковая модель рассуждений, разработанная командой ABEJA. Она создана слиянием ABEJA-Qwen2.5-32b-Japanese-v0.1 с Qwen/QwQ-32B и последующим дообучением; базовая японская модель, в свою очередь, основана на Qwen/Qwen2.5-32B-Instruct. Модель с архитектурой Qwen2 и 32 млрд параметров генерирует текст и поддерживает диалог, включая сценарии, требующие последовательного рассуждения. Контекст — до 32 768 токенов. Модель предназначена прежде всего для работы на японском языке. Она выводит ход рассуждения в блоке, заключённом в специальные маркеры, а затем формирует итоговый ответ. В README рекомендованы конкретные параметры генерации и особый формат начала запроса; при многоходовом диалоге в историю следует помещать только итоговые ответы. Модель распространяется по лицензии Apache-2.0.