III.2Исследование рынка и маркетинг

Llama-3-11B — плотная авторегрессионная языковая модель на архитектуре Llama, опубликованная MaziyarPanahi и созданная слиянием через mergekit методом passthrough на основе предварительно обученной meta-llama/Meta-Llama-3-8B. Модель предназначена для генерации текста; карточка и метаданные указывают поддержку английского языка. Размер составляет 11 млрд параметров, контекст — до 8192 токенов, для работы заявлена библиотека Transformers и формат весов safetensors. Модель подходит для продолжения текста, создания черновиков и ответов на текстовые запросы. Лицензия указана как other; перед использованием следует сверить условия на карточке модели и у базовой Meta Llama 3.

Apollo Raines представляет вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze методом representation engineering. По описанию автора, изменения вносятся непосредственно в веса для усиления аналитического рассуждения: модель глубже разбирает темы, рассматривает разные точки зрения и даёт более структурированные и подробные ответы. Дополнительное обучение не проводилось. Модель использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка заявляет, что опубликованная версия намеренно ослаблена и служит демонстрацией возможностей метода. Указана лицензия Llama 3.1.

PerfectUsing/llama-3.1-8b-sam-v5-merged — дообученная текстовая генеративная модель на архитектуре Llama 3.1 с плотной архитектурой и примерно 7,5 млрд параметров. Разработчик — PerfectUsing; базовая модель — unsloth/llama-3.1-8b-unsloth-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста. В метаданных указан контекст до 131 072 токенов и английский язык. Карточка не уточняет специальную область применения или особенности обучения. Модель распространяется по лицензии Apache-2.0.

LongWriter-Zero-32B — языковая модель для генерации связных длинных текстов, разработанная командой THU-KEG на основе Qwen2.5-32B-Base. Модель обучали продолжительным предобучением на книгах и технических отчётах, а затем оптимизировали с помощью обучения с подкреплением GRPO и составной функции награды, учитывающей длину, связность, полезность и формат ответа. Модель предназначена для создания текстов объёмом более 10 000 токенов: например, развёрнутых статей, отчётов и других материалов, требующих последовательного изложения и контроля длины. Архитектура — плотная Qwen2 с 32 млрд параметров; нативный контекст составляет 32 768 токенов. Карточка указывает английский и китайский языки. Для работы используется Transformers, веса доступны в формате safetensors. В README заявлены высокие результаты на WritingBench и Arena-Write, однако конкретные значения результатов в доступном тексте отсутствуют. Для генерации применяется специальный шаблон чата и протокол управления ответом; токенизатор и шаблон отличаются от Qwen2.5-32B-Instruct. Модель распространяется по лицензии Apache-2.0.

NeuralsirkrishnaShadow_Experiment29Experiment24 — объединённая языковая модель семейства Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment29Experiment24-7B. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате Safetensors. Модель предназначена для генерации текста и принимает текстовые запросы. Контекстное окно составляет до 32 768 токенов. Языки и специализированные области применения в карточке не обозначены. Модель выпущена под лицензией Apache-2.0.

google/pix2struct-chartqa-base — модель Google из семейства Pix2Struct для визуальных вопросов и ответов по диаграммам. Она использует архитектуру «кодировщик изображений — декодер текста» и выдаёт текстовый ответ на вопрос, заданный по изображению. Вариант ChartQA дообучен для работы с диаграммами; базовый Pix2Struct предварительно обучался преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, а также поддерживает ввод переменного разрешения и интеграцию текстового вопроса с изображением. Модель подходит для извлечения фактов из графиков и диаграмм, например для ответов на вопросы о значениях, сравнениях и тенденциях. В карточке указана поддержка английского, французского, румынского и немецкого языков. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель специализируется на визуальном понимании диаграмм, поэтому ответы зависят от читаемости изображения и корректной интерпретации его элементов. README не приводит численных характеристик размера модели или длины контекста.

google/pix2struct-infographics-vqa-large — модель Google семейства Pix2Struct для визуальных вопросов и ответов по инфографике. Это плотная модель архитектуры Pix2StructForConditionalGeneration: визуальный кодировщик преобразует изображение, а текстовый декодер формирует ответ. Pix2Struct предварительно обучалась на парах изображение–текст, в том числе на разборе замаскированных снимков веб-страниц в упрощённый HTML, и рассчитана на адаптацию к задачам понимания визуально представленного языка. Модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Её можно применять для извлечения сведений из инфографики, чтения подписей и сопоставления визуальных элементов с вопросом. В карточке указана поддержка английского, французского, румынского и немецкого языков; README также описывает широкие области применения семейства, включая документы, иллюстрации, интерфейсы и обычные изображения. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Возможные ошибки распознавания мелкого текста, сложных диаграмм и визуально неоднозначных данных следует учитывать при использовании ответов; отдельные показатели качества для этой версии в карточке не приведены.

RuBERT, разработанный SberDevices, дообучен для многометочной классификации эмоций в коротких русскоязычных текстах. Модель построена на архитектуре BERT и принимает текст, присваивая ему одну или несколько меток: отсутствие эмоции, радость, грусть, удивление, страх и гнев. Модель подходит для анализа эмоциональной окраски коротких сообщений и текстов. На тестовой выборке CEDR общий micro F1 составил 0,81; качество различается по классам: например, F1 для гнева равен 0,44. Длина контекста — 512 токенов, размер — около 205,1 млн параметров. Лицензия — MIT.

keefezowie/sa_mobileBERT — модель классификации текста на основе архитектуры DistilBERT, дообученная на наборе данных emotion. Она предназначена для отнесения текста к эмоциональным категориям. Модель принимает текст и выдаёт метки классов; максимальная длина контекста составляет 512 токенов. В репозитории представлены веса Safetensors и версия TFLite. Разработчик не указал подробности о целевых сценариях, языках, качестве и ограничениях модели. Лицензия в предоставленных данных не указана.

SenseNova-U1-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, объединяющая понимание, рассуждение и генерацию текста и изображений в одной системе. Это плотная модель семейства NEOChat с 8 млрд параметров; карточка описывает нативную обработку изображений и текста без отдельных визуального энкодера и VAE, а также генерацию текста и изображений в чередующемся формате. Модель предназначена для анализа изображений, визуальных рассуждений, редактирования и создания изображений, включая инфографику, постеры и другие материалы с насыщенной информацией. Поддерживаются английский и китайский языки. Для запуска README приводит Transformers и рекомендует для производственного обслуживания связку LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на ряде бенчмарков, однако подробные численные результаты в предоставленном тексте отсутствуют.

CTRL — авторегрессионная причинная трансформерная языковая модель, разработанная Salesforce Research и представленная в работе Nitish Shirish Keskar и соавторов. Она обучена предсказывать следующий токен на корпусе объёмом около 140 ГБ и генерирует текст с учётом управляющего токена, который задаёт домен, стиль, тему или другие параметры генерации. Репозиторий содержит веса PyTorch и TensorFlow; заявленная длина контекста — 50 000 токенов. Модель предназначена для генерации текста при совместной работе с человеком: например, для творческого письма, повторяющихся текстовых задач, форматирования и подготовки маркетинговых материалов. Также её можно дообучать для новых видов текста и использовать в исследованиях генерации и обнаружения синтетического контента. Основной язык — английский; модель также обучалась на немецком, испанском и французском. Лицензия — BSD 3-Clause. Генерации могут содержать стереотипы, вредные высказывания и фактические ошибки; результаты требуют проверки человеком. Разработчики предостерегают от использования модели для нормативных утверждений и генерации без участия человека.

Wernicke-7B-v9 — объединённая модель для генерации текста, созданная CultriX с помощью LazyMergekit. Она сочетает FelixChao/WestSeverus-7B-DPO-v2, CultriX/Wernicke-7B-v8 и vanillaOVO/supermario_v2 методом dare_ties; в конфигурации указана точность float16. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста по текстовому запросу. Контекст составляет до 32 768 токенов; карточка не описывает специализированные области применения или отдельные языковые возможности. Репозиторий использует формат safetensors и лицензию Apache-2.0.

newreyy/xlm-roberta-ner-v2 — дообученная на распознавании именованных сущностей модель XLM-RoBERTa-Base, разработанная для анализа неформальных публикаций и комментариев в социальных сетях. Она выполняет классификацию токенов и размечает сущности в текстах на индонезийском и английском языках, включая людей, организации, географические объекты и другие категории из заданного набора меток. Модель подходит для фильтрации публикаций, помощи в модерации, мониторинга политических тем и отслеживания упоминаний брендов и организаций. Архитектура — XLM-RoBERTa с 305,2 млн параметров; максимальная длина контекста — 514 токенов. В README приведена оценка на валидационном наборе: micro-F1 0,8387. Качество может снижаться на смешанных языках, при обилии сленга, сарказма, коротких или неоднозначных сообщениях; модель не предназначена для формальных академических и юридических текстов. Она может наследовать смещения обучающих данных, поэтому результаты для модерации и других чувствительных сценариев следует проверять человеком. Лицензия — Apache-2.0.

YamshadowInex12_Multi_verse_modelExperiment28 — языковая модель для генерации текста, созданная слиянием моделей automerger/YamshadowInex12-7B и automerger/Multi_verse_modelExperiment28-7B. Она использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста по текстовому запросу и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель опубликована MaziyarPanahi 9 апреля 2024 года и распространяется по лицензии Apache-2.0.

YamshadowStrangemerges_32_Experiment28Experiment26 — слитая модель семейства Mistral, объединяющая automerger/YamshadowStrangemerges_32-7B и automerger/Experiment28Experiment26-7B. Она предназначена для генерации текста и имеет архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

YamshadowStrangemerges_32_Strangemerges_32Yam — слитая модель семейства Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/Strangemerges_32Yam-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров, архитектуру MistralForCausalLM и контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не уточняет особенности обучения, поддерживаемые языки и специализацию, поэтому её можно описать как модель общего назначения для генерации текста.

fsuarez обучил с помощью AutoTrain модель для многоклассовой классификации логотипов 57 известных брендов и компаний. Это модель компьютерного зрения на архитектуре Swin с 33 млн параметров, доступная в форматах PyTorch и Safetensors. Модель принимает изображение и относит логотип к одному из классов брендов, представленных в обучающем наборе LogoIdentifier. Она может использоваться для распознавания бренда на изображениях товаров, рекламных материалах и других визуальных объектах. В README приведены метрики валидации: accuracy и macro F1 по 0,924; результаты на других данных могут отличаться. Условия лицензии в предоставленных данных не описаны.

Barcenas 9B — разговорная языковая модель на архитектуре Llama, разработанная Danielbrdz и дообученная на базе 01-ai/Yi-1.5-9B-Chat с использованием набора yahma/alpaca-cleaned. Модель содержит 8,6 млрд параметров и поддерживает контекст до 4096 токенов. Она предназначена для генерации текста и диалоговых сценариев: виртуальных помощников, создания материалов, анализа тональности и перевода. Карточка описывает её как универсальную модель для связных ответов, однако не приводит результатов оценок качества для перечисленных задач. Поддерживаемый по карточке язык — английский. Модель распространяется под лицензией Apache-2.0. Как и другие генеративные языковые модели, она может выдавать неточные или неподтверждённые ответы; особенно важные результаты следует проверять.

arnabdhar/distilbert-base-amazon-multi — модель классификации текста на основе DistilBERT, дообученная на наборе mteb/amazon_reviews_multi. Она предназначена для классификации отзывов Amazon на нескольких языках. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и рассчитана на контекст до 512 токенов. На тестовой выборке указаны accuracy 0,6055 и коэффициент корреляции Мэттьюса 0,5072. Модель подходит для автоматической категоризации отзывов, но приведённые показатели следует учитывать при оценке качества для конкретного языка и сценария. Лицензия — Apache-2.0.

fukudarh/distilbert-base-uncased-finetuned-emotion — модель классификации текстов на основе DistilBERT, дообученная для распознавания эмоций. В README указана оценка на тестовой выборке: accuracy 0,9225 и F1 0,9220; набор данных не назван. Модель принимает текст и выдаёт метку класса. Контекст — до 512 токенов; веса представлены в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Модель подходит для определения эмоциональной окраски коротких текстов, например сообщений и отзывов. README не описывает набор эмоциональных классов, обучение или ограничения, поэтому результаты на других данных и языках могут отличаться; по идентификатору базовой модели можно заключить, что она рассчитана на английский язык.

gokuls/distilroberta-emotion-intent — модель классификации текста, дообученная на базе distilroberta-base на датасете emotion. Она предназначена для определения эмоциональной категории в тексте и может использоваться для автоматической разметки коротких сообщений и анализа тональности эмоциональных высказываний. Модель построена на архитектуре RoBERTa, содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указаны точность 0,9435 и loss 0,1496 на оценочном наборе данных. Модель распространяется под лицензией Apache-2.0. Карточка не описывает набор меток и ограничения применения, поэтому результаты для иных языков, жанров и распределений данных не подтверждены.

ECE-TW3-JRGL-V5 — текстовая генеративная модель на архитектуре Llama, созданная путём слияния моделей с помощью mergekit. В README указаны источники слияния: moreh/MoMo-72B-lora-1.8.7-DPO и ibivibiv/alpaca-dragon-72b-v1; объём модели составляет 71 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу и диалоговых сценариев. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит отдельной оценки качества или подробных сведений о специализации модели.

EnnoAi-Pro-Llama-3-8B — чат-модель семейства Llama, разработанная Enno-Ai и дообученная для профессиональных задач на французском языке. По карточке, обучение проводилось на примерно 275 тысячах франкоязычных примеров по профессиональным и общим стратегическим темам; заявлена также поддержка английского языка. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, работает с контекстом до 8192 токенов и принимает диалоги в формате ChatML с поддержкой системных сообщений. Модель предназначена для генерации ответов, анализа и использования в сценариях RAG, в том числе для профессиональных запросов на французском и английском языках. README сообщает о применении QLoRA при дообучении, но метаданные не указывают базовую модель, поэтому её идентификатор установить нельзя. Разработчик отмечает, что модель находится в разработке; приведённые в карточке результаты отдельных тестов не описывают её качество во всех сценариях. Лицензия — CreativeML OpenRAIL-M.

MaziyarPanahi/Experiment26T3qm7xp_Ognoexperiment27Multi_verse_model — объединённая модель для генерации текста, созданная на основе automerger/Experiment26T3qm7xp-7B и automerger/Ognoexperiment27Multi_verse_model-7B. Она использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Карточка не описывает специализированные сценарии, обучение, языки или дополнительные возможности, поэтому её следует рассматривать как модель общего назначения. Весовые файлы опубликованы в формате Safetensors; лицензия — Apache-2.0.

MaziyarPanahi/Experiment26Yam_YamMulti_verse_model — объединённая модель генерации текста на базе архитектуры Mistral, созданная слиянием automerger/Experiment26Yam-7B и automerger/YamMulti_verse_model-7B. Модель содержит 7,1 млрд параметров и принимает текстовый контекст длиной до 32 768 токенов. Модель предназначена для генерации текста. Веса доступны в формате safetensors, лицензия — Apache-2.0.

MaziyarPanahi/Experiment28T3q_Experiment26Experiment24 — объединённая модель семейства Mistral для генерации текста. По карточке, она создана слиянием automerger/Experiment28T3q-7B и automerger/Experiment26Experiment24-7B. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста; конкретные языки и специализированные области применения в карточке не описаны. Распространяется в формате safetensors по лицензии Apache-2.0.

Модель prithivMLmods/facial-age-detection разработана на основе SigLIP 2 от Google и дообучена для классификации изображений лиц по возрастным группам. Архитектура — SiglipForImageClassification; модель относит лицо к одному из восьми диапазонов: 1–10, 11–20, 21–30, 31–40, 41–55, 56–65, 66–80 лет или старше 80 лет. Модель предназначена для оценки возрастных распределений на изображениях и может применяться в демографической аналитике, розничных исследованиях и адаптации интерфейсов. Карточка также перечисляет контроль доступа и наблюдение как предполагаемые сценарии. Это оценка возраста по изображению, а не проверка личности или подтверждение возраста документами. Модель работает с изображениями и выдаёт класс возрастной группы. Она дообучена на наборе данных Face-Age-10K; в метаданных указана английская локаль карточки, но это не свидетельствует об ограничении языковой поддержки. Лицензия — Apache-2.0.

HeadlineGPT — языковая модель, дообученная автором репозитория на базе Qwen/Qwen2.5-1.5B-Instruct для создания коротких, привлекательных заголовков по исходному тексту. Она предназначена для заголовков новостей и статей, исследовательских материалов, выступлений, презентаций и публикаций в социальных сетях. Модель использует архитектуру Qwen2 с 1,5 млрд параметров и адаптер LoRA/PEFT ранга 16. При обучении на парах «текст — заголовок» примеры взвешивались по показателю вовлечённости; использовалась случайная выборка из 25 тысяч примеров и два прохода обучения. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно до 32 768 токенов. Взвешивание по вовлечённости нацелено на создание более привлекательных заголовков, но не гарантирует их точность или фактическую корректность. Для применения адаптера требуется базовая модель Qwen/Qwen2.5-1.5B-Instruct. Лицензия — Apache-2.0.

Карточка модели ccrains/larson-72b-dpo-1.0.4 на Hugging Face совпадает с карточкой ccrains/larson-72b-dpo-1.0.3, поэтому описание составлено по ней. Larson-72B-DPO-1.0.3 — языковая модель для генерации текста, опубликованная ccrains. Это плотная модель семейства Llama с 71 млрд параметров, представленная в формате safetensors; для диалога рекомендуется шаблон запросов Llama 2. Карточка описывает её как дообученную версию Qwen-72B, однако точный идентификатор базовой модели не указан. Модель предназначена для генерации текста и диалоговых сценариев. В метаданных указан контекст длиной до 32 768 токенов, а README заявляет поддержку английского языка. Модель распространяется по лицензии Apache-2.0 согласно метаданным; README дополнительно просит соблюдать условия лицензии базовой модели. Карточка не приводит результатов оценки качества или подробных ограничений применения.

Модель NEU-HAI/Llama-2-7b-alpaca-cleaned разработана лабораторией NEU Human-centered AI Lab. Это плотная авторегрессионная модель семейства Llama 2 с 6,6 млрд параметров, дообученная на наборе alpaca-cleaned с исходными гиперпараметрами Alpaca. Она предназначена для общения в формате ассистента и генерации текста на английском языке; максимальный контекст составляет 4096 токенов. Модель подходит для ответов на вопросы, выполнения текстовых инструкций и генерации текстов общего назначения. Карточка не приводит результатов оценки качества и подробного описания ограничений; набор данных и исходная модель могут наследовать смещения и ошибки. Лицензия — CC BY-NC 4.0; применение также должно учитывать ограничения проекта Stanford Alpaca и Llama 2 7B.