III.2Исследование рынка и маркетинг

Ahma-SlimInstruct-V1-7B — финноязычная чат-модель генерации текста, созданная mpasila дообучением Finnish-NLP/Ahma-7B на инструкционных наборах LumiOpen и SlimOrca. Модель основана на плотной архитектуре Llama и содержит 6,7 млрд параметров; она предназначена для ответов на инструкции и диалоговых запросов на финском и английском языках. Модель обучалась с использованием Unsloth и TRL. Для диалога в карточке упоминаются форматы ChatML и Mistral, причём автор сообщает, что формат Mistral работал лучше при тестировании LoRA. Контекст ограничен 2048 токенами. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

AlexandriaX-2026 — дообученная NAMAA Community модель mT5-large для перевода диалогов с английского на разговорный арабский. Целевой диалект задаётся текстовым префиксом; модель обучена на распределении по странам с температурной балансировкой и охватывает 13 разновидностей арабского языка. Модель основана на google/mt5-large с архитектурой encoder-decoder T5 и содержит 608,4 млн параметров. Подходит для перевода англоязычных диалогов на заданный арабский диалект. Выпущена в формате safetensors под лицензией Apache-2.0. В README указано использовать bf16 или fp32: fp16 может приводить к переполнению и NaN.

b200-l3-ultra-bsw-lsc-b0p05-s42-v1-a1 — дообученная чат-модель на архитектуре Llama, разработанная на основе W-61/llama-3-8b-base-sft-ultrachat-8xh200. Она предназначена для генерации текста в диалоге. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors; длина контекста — 8192 токена. README не раскрывает особенности обучения, целевые сценарии, языки или результаты оценки, поэтому возможности модели сверх генерации текста в чате не установлены. Лицензия в предоставленных данных не указана.

Beetle-FineWeb/beetle-bilingual-l2-50-simultaneous-b2-fineweb-nld-eng — двуязычная авторегрессионная языковая модель из проекта Beetle-FineWeb, созданного для изучения усвоения второго языка и переноса между языками. По названию это модель с нидерландским как L1 и английским как L2, обученная по сценарию B2: сначала только на L1, затем с плавным переходом к смеси 50:50 примерно в середине обучения; доля токенов L2 составляет около 25%. Семейство использует плотный декодер PicoDecoder на базе LLaMA-подобной архитектуры, BPE-токенизатор с общим словарём 50 тыс. токенов и контекст длиной 512 токенов. Стандартный размер PicoDecoder в описании проекта — 125 млн параметров, но в поисковой выдаче репозиторий этой модели обозначен как 0,2 млрд. Модель предназначена для генерации и продолжения текста на нидерландском и английском, а также для исследовательского изучения динамики двуязычного обучения и межъязыкового переноса. Выпущена в формате safetensors и доступна через Transformers. Проект указывает лицензию Apache-2.0. Оценка качества для конкретных пользовательских задач и ограничения в карточке модели не обнаружены.

haophancs/bge-m3-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для сравнения предложений и поиска по финансовым текстам. Она преобразует предложения и абзацы в нормализованные плотные векторы для вычисления косинусного сходства; архитектура включает XLM-RoBERTa, пулинг по CLS-токену и нормализацию. Размер модели — 658,7 млн параметров, максимальная длина последовательности — 8192 токена. Обучение на 6300 парах запросов и релевантных фрагментов использует MatryoshkaLoss и поддерживает векторы размерности 1024, 768, 512 и 384. Модель подходит для семантического поиска финансовых сведений, оценки сходства и перефразирования, кластеризации и классификации текста. В README приведены метрики поиска по нескольким размерностям векторов, однако название и примеры датасета указывают на финансовое назначение, а результаты нельзя автоматически переносить на другие наборы данных или языки. Указана лицензия Apache-2.0.

Bielik-4.5B-v3-Instruct-ungated — разговорная языковая модель семейства Llama, опубликованная adamo1139. Это контрольная точка Bielik 4.5B v3 Instruct в формате BF16 без механизма gating; модель предназначена для генерации текста и диалоговых сценариев. Метаданные указывают 4,7 млрд параметров, контекст до 32 768 токенов и поддержку польского языка. Модель принимает текст и генерирует текст, поэтому её можно использовать для ведения диалогов и других задач генерации на польском языке. Файлы опубликованы в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0 разрешает использование на её условиях. README не приводит результатов оценки качества или более подробных сведений о назначении варианта без gating.

Bloom-1b7-dialogsum-IT-baseline — дообученная инструктивная версия многоязычной авторегрессионной модели BigScience BLOOM-1b7. Модель предназначена для суммаризации диалогов по инструкции и генерирует текст в ответ на текстовый запрос. Архитектура — плотная языковая модель BloomForCausalLM с 2,1 млрд параметров; длина контекста — до 4096 токенов. Карточка указывает на обучение на датасете для суммаризации диалогов, но не приводит подробностей о данных, оценке качества или ограничениях. Модель распространяется под лицензией bigscience-bloom-rail-1.0.

Borealis 2 26B-A4B Preview — экспериментальная предварительная instruction-tuned модель, разработанная исследовательской лабораторией Norwegian AI Lab (NbAiLab). Она создана для раннего тестирования, получения обратной связи и диалоговых сценариев. Модель основана на google/gemma-4-26B-A4B-it, дополнительно обучена на данных Aurora и дообучена методом supervised fine-tuning на наборе NbAiLab/aurora-sft-2606 в течение двух эпох. Модель содержит 26 млрд параметров, из которых 4 млрд активны, что указывает на разреженную архитектуру. В карточке она обозначена как image-text-to-text, однако подробности о поддерживаемых визуальных входах не приведены. Заявлены норвежский букмол, норвежский нюношк и английский языки; обучающие данные также включали датский, шведский, фарерский, исландский, финский, саамские и другие языки. Контекстное окно и точная архитектура не указаны. Знания обучающего корпуса ограничены 1 января 2025 года. Сильной стороной модели является специализация на норвежских языках и использование крупного корпуса Aurora объёмом около 47,6 млрд слов, а также instruction tuning с вычислением потерь только по ответам ассистента. При этом модель имеет статус preview и экспериментальное качество, поэтому может быть нестабильной и не предназначена для некритичных производственных задач без дополнительного тестирования. Модель распространяется по лицензии nb-license-1.0; в карточке также указано обозначение лицензии other.

Canarim-7B-Instruct — языковая модель на архитектуре Llama, разработанная dominguesm и дообученная на основе Canarim-7B на общедоступных наборах инструкций. Она предназначена для генерации текста и ответов на инструкции, прежде всего на португальском языке. Модель содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В карточке приведены результаты на бенчмарках португалоязычного лидерборда, включая ENEM Challenge и BLUEX. Доступны веса PyTorch и Safetensors для Transformers. Модель распространяется по лицензии Llama 2. Карточка README обозначена как находящаяся в разработке, поэтому описание обучения и оценки ограничено приведёнными сведениями.

Canarim-7B-Instruct-i1-GGUF — квантизированная версия инструкционной языковой модели Canarim-7B-Instruct, разработанной dominguesm и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации и обработки текста, прежде всего на португальском языке; в метаданных также указана связь с экосистемой Llama 2. Обучение связано с набором данных CC-MAIN-2023-23. Модель имеет около 7 миллиардов параметров и представлена в виде набора вариантов квантизации i1, включая IQ1–IQ4, Q4, Q5 и Q6. Размер файлов варьируется примерно от 1,6 до 5,6 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Версии с более низкой точностью занимают меньше места, но могут заметно уступать по качеству; в README рекомендуются отдельные варианты Q4_K_M и Q4_K_S как сбалансированные по размеру, скорости и качеству. Формат GGUF удобен для локального запуска совместимыми инструментами, однако конкретные требования к аппаратному обеспечению и максимальная длина контекста в README не указаны. Модель ориентирована на португалоязычные сценарии, но подробные результаты тестирования, перечень поддерживаемых модальностей и ограничения качества не приведены. Указанная лицензия — llama2.

DeutschGPT-i1-GGUF — набор квантизированных моделей в формате GGUF, созданный mradermacher на основе KordAI/DeutschGPT. Модель предназначена для генерации текста, диалогового взаимодействия и чат-сценариев, прежде всего на немецком языке. В карточке указана библиотека Transformers и теговая принадлежность к text-generation, conversational и chat. Доступны варианты квантизации i1 и imatrix с размерами примерно от 0,6 до 1,5 ГБ. Предлагаются различные уровни IQ- и Q-квантизации: от крайне компактных вариантов с низким качеством до более крупных Q5 и Q6. В качестве оптимальных по соотношению размера, скорости и качества отмечены i1-Q4_K_S и i1-Q4_K_M, при этом конкретное число параметров, размер контекста, точная архитектура и поддерживаемые модальности в README не указаны. Основные преимущества — небольшой размер файлов, возможность локального запуска и широкий выбор вариантов под разные ограничения по памяти и скорости. Ограничения связаны с потерей качества при низких уровнях квантизации; некоторые варианты прямо обозначены как имеющие очень низкое качество. Лицензия базовой модели указана как Apache-2.0, однако отдельные условия распространения квантизированных файлов в README не уточняются.

Это GGUF-конверсия EngGPT2-16B-A3B, опубликованная Roberto Bissanti. Модель относится к семейству EngGPT2 и использует архитектуру mixture-of-experts; файл весов представлен в формате GGUF с точностью BF16. Она предназначена для генерации текста и диалогового взаимодействия на английском, итальянском, французском, немецком, португальском и испанском языках. Модель можно использовать для генерации продолжений текста и ответов в чате. Для запуска требуется версия llama.cpp с патчем поддержки этой модели; стандартные сборки llama.cpp и Ollama могут не загрузить её. Лицензия EngGPT Non-Commercial License разрешает только исследовательское и некоммерческое использование.

EZO-Common-9B-gemma-2-it — компания AXCXEPT дообучила на базе Gemma-2-9B-it, применив несколько методов настройки для улучшения общих возможностей модели. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, предназначенная для диалогов, следования инструкциям и генерации ответов. В карточке особо отмечено качество для задач на японском языке; также заявлена работа с разными языками и областями. Модель принимает текст и выдаёт текст, поддерживает чат-шаблон и имеет контекстное окно 8192 токена. Для обучения использованы инструкционные данные, подготовленные из отобранных материалов японской Википедии и FineWeb, с помощью обычного instruction tuning. Карточка описывает модель как экспериментальный прототип для исследований и разработок, не предназначенный для коммерческого применения или критически важных систем. Условия использования наследуются от Gemma Terms of Use.

Francois-Huali-12B — диалоговая языковая модель семейства Mistral, опубликованная Delta-Vector. По README, это дообученная и объединённая с другой моделью версия Francois-PE, обученная с KTO для повышения связности ответов и качества прозы. Модель рассчитана на чат и генерацию кратких, выразительных текстов; для диалога использует формат ChatML. В метаданных указаны 12,1 млрд параметров и контекст до 1 024 000 токенов. Модель подходит для ответов в диалоге и генерации прозы. README рекомендует использовать системный промпт Euryale или EVA. Карточка перечисляет обучающие наборы диалоговых и экспериментальных данных, в том числе материалы для ролевых сценариев, но не сообщает, какие языки модель поддерживает. В репозитории указаны веса Safetensors; лицензия в предоставленных данных отсутствует.

IlyaGusev/gemma-2-2b-it-abliterated — разговорная текстовая модель на архитектуре Gemma 2, созданная на основе google/gemma-2-2b-it. В README указано, что к ней применена та же методика abliteration, что и к IlyaGusev/gemma-2-9b-it-abliterated; также приведены параметры слоя, использованные при этой обработке. Модель предназначена для генерации текста в диалоговом формате. Её можно использовать для ответов на сообщения и ведения беседы. Размер — 2,7 млрд параметров, контекст — до 8192 токенов. В метаданных указан английский язык и лицензия Gemma. Abliteration изменяет поведение модели при отказах, поэтому ответы на запросы, которые исходная модель могла отклонить, могут генерироваться. Карточка не сообщает результаты оценивания качества или подробности ограничений применения; следует учитывать условия лицензии Gemma.

Gemma 2 9B Neogenesis ITA — модель для генерации текста и диалогов, созданная anakin87 путём дообучения VAGOsolutions/SauerkrautLM-gemma-2-9b-it. Она рассчитана прежде всего на работу на итальянском языке; небольшая часть обучающих данных была на английском. Модель содержит около 9 млрд параметров, использует плотную архитектуру Gemma 2 и поддерживает контекст до 8192 токенов. Модель подходит для диалоговых ответов, следования инструкциям, рассуждений и задач на итальянском языке. В карточке приведены результаты оценки на итальянских наборах MMLU_IT, ARC_IT и HELLASWAG_IT; автор сообщает о среднем результате 66,79. Репозиторий использует формат safetensors, библиотека — Transformers. Лицензия указана как gemma. Модель не проходила специальную настройку безопасности; по словам автора, выборочное обучение помогло сохранить часть защитных свойств исходной модели. Поэтому ответы могут содержать ошибки или небезопасный контент, а результаты оценки не гарантируют качество для конкретного применения.

Модель didula-wso2/gemma4_sft-julia_klgesft_16bit — дообученная didula-wso2 мультимодальная Gemma 4 E4B Instruct. Она предназначена для диалога и генерации ответов по текстовым запросам и изображениям. В основе — плотная архитектура Gemma 4 с поддержкой зрения; веса опубликованы в формате Safetensors. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает, на каких данных и для каких специальных сценариев выполнялось дообучение, поэтому качество и ограничения именно этой версии не описаны.

GLiNER2.5-Decide — англоязычная модель классификации Fastino из семейства GLiNER2.5, дообученная на базе fastino/gliner2-large-v1. Модель размером 340 млн параметров принимает текст и заданный при вызове набор меток, а затем классифицирует текст за один проход; несколько задач классификации можно выполнить одновременно. Для одиночной метки возвращается один класс, для многометочной — все классы выше порога. Модель использует архитектуру GLiNER2 и запускается через Transformers с AutoExtractor. Она предназначена для операционных решений: классификации намерений и тональности, маршрутизации сообщений, определения срочности и приоритета, модерации и других задач с настраиваемыми метками. Разработчик приводит бенчмарк на английском наборе fastino/fast-decisions: средняя точность exact match — 60,2% по 17 областям. По описанию автора, модель не является универсальной: она не предназначена для рассуждений, объяснений или ответов на открытые вопросы. Лицензия — Apache-2.0.

win10/high-speed-mixing-7B-V2 — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода TIES. В основу объединения вошла Orion-zhen/Meissa-Qwen2.5-7B-Instruct, также использована win10/high-speed-mixing-7B-V1. Модель построена на архитектуре Qwen2 для генерации текста и диалогов. Она содержит 7,1 млрд параметров, рассчитана на контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Базовая модель Meissa-Qwen2.5-7B-Instruct предназначена для художественных текстов и ролевых диалогов; эти сценарии подходят и для использования объединённой модели. Сведения о лицензии и подробных ограничениях в доступных материалах отсутствуют.

Karen_TheEditor_V2_STRICT_Mistral_7B-Mistral-7B-Instruct-v0.1 — объединённая авторами репозитория MaziyarPanahi чат-модель на архитектуре Mistral, содержащая 7,1 млрд параметров. Она получена слиянием Mistral-7B-Instruct-v0.1 и FPHam/Karen_TheEditor_V2_STRICT_Mistral_7B методом SLERP; в репозитории представлены веса Safetensors. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы, включая редактирование текста, проверку орфографии и грамматики. Контекстное окно составляет 32 768 токенов. Поддерживает текстовый ввод и выдаёт текст; в карточке упоминаются английские термины для проверки правописания и грамматики, но отдельный список естественных языков не приведён. Репозиторий распространяется по лицензии Apache-2.0. Качество редактирования и языковой охват зависят от запроса; модель унаследовала ограничения базовой Mistral-7B-Instruct и может ошибаться или менять смысл при правке.

King-AI-Chat-v3.0 — разговорная языковая модель, разработанная UX4567 путём дообучения Qwen/Qwen2-3B-Instruct. Это плотная decoder-only модель с архитектурой Qwen2 и 3,1 млрд параметров, предназначенная для диалогов, следования инструкциям и общения на английском, хинди и Hinglish, включая хинди, записанный латиницей. Метаданные указывают контекст до 32 768 токенов; в примере загрузки README задано ограничение последовательности 8 192 токена. Модель рассчитана на быстрый инференс с небольшим объёмом видеопамяти и повседневные чаты. Она принимает текст и генерирует текстовые ответы; для загрузки можно использовать Transformers и Unsloth, а в README показан режим 4-битной загрузки. Модель распространяется по лицензии Apache-2.0. Количественные оценки качества и сравнительные результаты в предоставленных материалах не приведены.

Q-PING — дообученная разговорная модель Gemma 2 с 9 млрд параметров для генерации текста и ответов в диалоге. Она основана на unsloth/gemma-2-9b-it, имеет плотную архитектуру Gemma2ForCausalLM и поддерживает контекст до 8192 токенов. Модель подходит для диалоговых ассистентов и продолжения текста. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; доступен формат safetensors. Лицензия — Apache-2.0. Карточка не описывает специализированные навыки или дополнительные языки помимо английского.

L3.1-Pneuma-Allades-8B — языковая модель семейства Llama 3.1, созданная ZeroXClem слиянием моделей L3.1-Pneuma-8B-v1 и Llama3.1-Allades-8B методом della_linear. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и работает с контекстом до 131 072 токенов. Модель предназначена для генерации текста по инструкциям, творческого письма и сторителлинга, ролевых диалогов и рассуждений. Её можно применять для создания сюжетов, интерактивных персонажей и пошаговых инструкций; в карточке также заявлена поддержка чата. Данных о языках, на которые модель рассчитана, нет. Модель распространяется под лицензией Apache-2.0. Качество ответов в конкретных задачах может различаться; заявление о поддержке длинного контекста само по себе не гарантирует точность на всей его длине.

Badger Mushroom 4x8b — разговорная MoE-модель на архитектуре Mixtral, собранная автором maldv с помощью нестандартного слияния нескольких моделей Llama 3 8B. В состав объединения Badger входят модели для диалогов, ролевых сценариев, письма и логики; README также описывает второе слияние в конфигурацию 4x8b. В метаданных указано 7,5 млрд параметров и контекст 8192 токена. Модель предназначена для генерации текста в формате чата: автор отмечает результаты в ролевых диалогах, рассуждениях, письме и поведении ассистента. Поддерживает формат инструкций Llama 3; по оценке автора, минимальный формат диалога также может давать творческие ответы. Репозиторий содержит веса Safetensors, а README обсуждает также GGUF-квантизации. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение. В README приведены отдельные результаты тестирования, но они не устанавливают качество для всех задач или сценариев. Как смесь моделей, Badger может давать неоднородные ответы; оценка автора ограничена четырьмя проверенными областями. Модель не описана как мультимодальная.

Bluuwhale/L3-SthenoMaidBlackroot-8B-V1 — языковая модель для генерации текста и разговорных ролевых диалогов. Она создана объединением методом Model Stock трёх моделей на базе Llama: Sao10K/L3-8B-Stheno-v3.2, NeverSleep/Llama-3-Lumimaid-8B-v0.1-OAS и Hastagaras/Jamet-8B-L3-MK.V-Blackroot. Репозиторий подготовлен с помощью mergekit; модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат Safetensors. Модель предназначена для чата, ролевых сценариев, написания историй и следования инструкциям на английском языке. Контекст составляет 8192 токена. Лицензия в предоставленных данных не указана, поэтому условия распространения и использования следует уточнять в карточке модели.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-first-third-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-last-third-v2-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Llama-3.2-11B-Vision-Instruct-Swallow-8B-Merge — объединённая модель Kendamarron на архитектуре mllama. Она создана методом Chat Vector на основе Llama-3.2-11B-Vision-Instruct с добавлением японских языковых возможностей из Llama-3.1-Swallow-8B-v0.1; в рецепте также используется Llama-3.1-8B. Модель предназначена для диалогов и работы с изображениями вместе с текстом, включая японские запросы. Карточка указывает лицензию llama3.2. Число параметров и длина контекста для этой версии в предоставленных данных не указаны.

llm-jp-3-1.8b-instruct3 — инструктивная языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотный трансформер семейства Llama с 1,7 млрд параметров, доступный в формате Transformers и предназначенный для диалогов и генерации текста по инструкциям. Модель обучалась на корпусе объёмом 2,1 трлн токенов; постобучение включает supervised fine-tuning и выравнивание методом Direct Preference Optimization. Модель подходит для ответов на вопросы и выполнения текстовых инструкций, особенно на японском языке; метаданные также отмечают поддержку английского. Контекст составляет 4096 токенов. Карточка описывает серию как находящуюся на раннем этапе исследований и разработки и предупреждает, что ответы не настроены для надёжного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

AXCXEPT разработала эту инструктивную модель на основе llm-jp/llm-jp-3-3.7b-instruct, применив несколько методов настройки для улучшения общих возможностей. Это плотная Llama-модель с 3,5 млрд параметров, предназначенная для диалогов и генерации ответов по инструкциям; при обучении особое внимание уделялось японскому языку. Модель принимает текст и генерирует текст, поддерживает японский и английский языки, а её контекст составляет 4096 токенов. Для настройки использовались инструктивные данные, подготовленные на основе отобранных материалов японской Википедии и FineWeb. Разработчики отмечают, что отдельные способности могли снизиться из-за состава данных и размера модели. Лицензия — Apache-2.0, как у базовой модели. В карточке модель названа экспериментальным прототипом для исследований и разработок; она не предназначена для коммерческого применения или критически важных систем.