III.2Исследование рынка и маркетинг

AnFeng v3.1 Avocet — ранняя предварительная версия языковой модели семейства Llama, разработанная NLPark. Модель с архитектурой LlamaForCausalLM содержит 33,9 млрд параметров и предназначена для генерации текста и диалогового общения. В README указаны китайский и английский языки; модель выпущена как часть серии v3.1, охватывающей линейки Shi-Ci, AnFeng и Trigonotis, а Avocet обозначает один из размеров моделей серии. Модель использует формат Safetensors и имеет контекстное окно до 131 072 токенов. Она представлена как ранний preview, поэтому качество и стабильность могут быть ограничены. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

Карточка модели BAAI/AquilaDense-16B на Hugging Face совпадает с карточкой BAAI/AquilaDense-7B, поэтому описание составлено по ней. AquilaDense-7B — плотная авторегрессионная языковая модель семейства AquilaDense, разработанная Пекинской академией искусственного интеллекта (BAAI). Она предназначена для генерации текста и диалогового взаимодействия. По метаданным модель содержит 7,6 млрд параметров, поддерживает контекст до 4096 токенов и распространяется в формате PyTorch. README описывает методику EfficientScale для обучения моделей AquilaMoE и упоминает AquilaDense-7B как одну из моделей, использованных в экспериментах и графике обучения. В карточке также приведены двуязычные данные на китайском и английском языках; метаданные отмечают поддержку английского и китайского. Лицензия модели — Apache-2.0. Модель подходит для генерации текста и диалоговых сценариев на английском и китайском языках. README не приводит отдельных результатов оценки или конкретных рекомендаций по применению AquilaDense-7B; ограничение контекста составляет 4096 токенов.

Chocolatine-3B-Instruct-DPO-v1.2-GGUF — это квантованные версии текстовой генеративной модели Chocolatine-3B-Instruct-DPO-v1.2, исходно разработанной jpacifico и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для диалоговой генерации текста и выполнения инструкций, прежде всего на французском и английском языках. Она обучена с использованием набора данных french-orca-dpo-pairs-revised и поддерживает формат запросов с системным сообщением, пользовательским запросом и ответом ассистента. Модель содержит около 3 миллиардов параметров и распространяется в вариантах от F16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Размер файлов варьируется примерно от 1,42 до 7,64 ГБ, поэтому варианты можно подбирать под доступный объём памяти и требуемое качество. Квантованные файлы предназначены для запуска через llama.cpp и совместимы, в частности, с LM Studio. Более высокие уровни квантования обеспечивают качество, близкое к исходной модели, тогда как низкие уровни экономят память, но заметно снижают качество. Модель подходит для локальных чат-ботов, генерации и преобразования текста, а также выполнения инструкций на французском и английском языках. README не содержит сведений о размере контекстного окна, точной базовой архитектуре, мультимодальности или результатах тестирования, поэтому эти характеристики нельзя определить. Указанная лицензия — MIT.

Darmm/darmm-chat-kazakh-8b — диалоговая языковая модель, созданная Darmm дообучением Qwen/Qwen3-8B с помощью QLoRA. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на генерацию ответов в формате чата и следование инструкциям. Контекстное окно — 40 960 токенов. Модель обучена на примерно 105 тысячах пар инструкций: около 65 тысяч на казахском, 25 тысяч на русском и 15 тысяч на английском языках. Она предназначена для диалогов, ответов на вопросы и выполнения инструкций, прежде всего на казахском языке; русский и английский сохранены. В тестах из карточки модель показала более высокие результаты, чем базовая Qwen3-8B, на казахских наборах Belebele и KazMMLU. Фактическая надёжность ограничена: модель может уверенно сообщать неверные сведения, поэтому важные факты следует проверять или подкреплять поиском по источникам. Значительная часть казахских обучающих данных машинно переведена, из-за чего формулировки могут звучать неестественно. При жадном декодировании длинные ответы на казахском склонны к повторениям; автор рекомендует генерацию с выборкой. Модель не проходила дополнительную настройку безопасности сверх базовой Qwen3-8B. Лицензия — Apache-2.0.

GaMS-2B-Instruct — языковая модель с диалоговой настройкой, разработанная исследовательской командой факультета компьютерных наук и информатики Люблянского университета. Она основана на GaMS-2B, которая, в свою очередь, построена на Gemma 2 и дополнительно обучена на словенских, английских, хорватских, сербских и боснийских текстах. Модель предназначена для генерации текста и диалоговых сценариев: она может помогать составлять и редактировать тексты, отвечать на вопросы, создавать краткие пересказы и поддерживать языковую практику. Наиболее подходящие языки — словенский и английский; также поддерживаются хорватский, сербский и боснийский. Модель имеет плотную архитектуру Gemma 2, содержит 2,7 млрд параметров и поддерживает контекст до 8192 токенов. К ограничениям относятся возможные фактические ошибки, смещения в ответах и трудности с неоднозначными формулировками и сложными задачами; результаты требуют проверки. Модель распространяется по лицензии Gemma, условия которой следует учитывать при использовании.

Мультимодальная модель семейства Gemma 4, дообученная ersindemirel94 на базе unsloth/gemma-4-E4B-it-unsloth-bnb-4bit. Она предназначена для диалога и генерации текстовых ответов по текстовым и визуальным входным данным. Модель относится к архитектуре Gemma4ForConditionalGeneration и распространяется в формате Safetensors. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL. Для текстовой части заявлена поддержка английского языка. Лицензия — Apache-2.0.

Guanaco — многоязычная инструкционная языковая модель, разработанная Josephus Cheung при участии KBlueLeaf и построенная на Meta LLaMA 7B. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров и контекстом до 2048 токенов; веса представлены в формате PyTorch, лицензия — GPL-3.0. Модель предназначена для генерации ответов по инструкциям и многоходового диалога, включая ролевые беседы. В обучающий набор вошли данные Alpaca и более 534 тысяч дополнительных примеров на английском, упрощённом и традиционном китайском, японском и немецком языках, а также задания по грамматике и языку. Разработчики отмечают, что ответы на фактические вопросы могут быть неточными, и рекомендуют опираться на проверяемые источники. Модель не фильтровалась от вредного, предвзятого или откровенного контента. Для вывода рекомендуется fp16; 8-битная точность может ухудшить качество.

Hypa-Gemma4-E2B-v1 — текстовая мультиязычная модель Hypa Intelligence, дообученная методом LoRA на базе Google DeepMind Gemma 4 E2B-it; адаптер объединён с базовыми весами. Вариант E2B содержит 2,3 млрд эффективных параметров, а обучение использовало 1,62 млрд из 6,74 млрд параметров. Модель предназначена для перевода, определения языка, словарных объяснений и выполнения инструкций на английском, французском, испанском и четырнадцати языках Нигерии. Она сохраняет формат диалогов Gemma 4 и структуру запросов для работы с инструментами. Обучение проведено на смеси из 15,9 млн примеров, включавшей словарные, переводные, языковые и синтетические инструкции, а также данные для вызова функций. Модель принимает текст и выдаёт текст. Хотя у базовой Gemma 4 есть возможности работы с изображениями и аудио, в этой текстовой версии эти компоненты не обучались для целевых языков, и их качество не проверено. Качество ответов различается между языками; для малоресурсных языков результаты следует проверять с носителями. Модель не проходила RLHF или DPO и не подходит для неконтролируемого применения в медицинских, юридических, финансовых и психологических сценариях. Лицензия — Apache-2.0.

InternVL2-2B — мультимодальная инструкционно-настроенная модель семейства InternVL 2.0, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель internlm2-chat-1_8b; общий размер составляет около 2,2 млрд параметров. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, понимания документов и диаграмм, чтения текста на изображениях, а также научных и математических задач с визуальным контекстом. Модель принимает текст и изображения; README также сообщает об обучении на данных с видео и длинным текстом. Заявлено окно контекста 8 тысяч токенов. Карточка позиционирует её как мультиязычную, но конкретные языки не перечисляет. Для запуска предусмотрена интеграция с Transformers и LMDeploy. Репозиторий распространяется по лицензии MIT. Среди сильных сторон — сочетание диалоговых возможностей языковой модели с анализом изображений, документов, диаграмм и сценического текста; в README приведены результаты профильных визуальных и видео-бенчмарков. Описание не подтверждает отдельный выход с видео или структурированными рамками объектов: ответы модели формируются в текстовом диалоге.

Leum-VL-8B-preview0320 — мультимодальная модель с открытыми весами, разработанная командой Leum и дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Это плотная модель семейства Qwen3-VL с 8 млрд параметров, предназначенная для структурного анализа коротких интернет-видео с привязкой выводов к временной шкале. Она описывает содержание по шести измерениям: объекты и участники, визуальный стиль, язык камеры, монтаж, повествование и наблюдаемые признаки распространения контента. Модель принимает видео и формирует текстовые структурированные выводы, пригодные для поиска, индексации и анализа. Она рассчитана на разбор хуков и сюжетного развития, переходов между кадрами, темпа монтажа, экранного текста, а также согласованности ролика с обложкой, заголовком и хештегами; связанные комментарии могут учитываться, если предоставлены. В карточке приведены языки zh и en. Для оценки использовались настройки до 768 кадров и до 50 тыс. токенов на видео, но это параметры бенчмарка, а не заявленный предел контекста. Модель обучалась с полным обновлением параметров визуального энкодера, проектора и языковой модели, включая continual pretraining, supervised fine-tuning и RLHF. Лицензия — MIT. Веса помечены как открытые; в карточке пока нет проверенных примеров API и окончательной схемы вывода.

llm-jp-3-8x13b-instruct3 — языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии (NII). Это версия для диалогов и выполнения инструкций, созданная на основе предварительно обученной модели с последующей supervised fine-tuning и Direct Preference Optimization. Модель использует архитектуру Mixtral с разреженной смесью экспертов: 8 экспертов, из которых активируются 2. В README указаны 40 слоёв и контекст 4096 токенов; карточка Hugging Face сообщает 13,2 млрд параметров, а таблица README для варианта 8x13b указывает около 73,2 млрд общих параметров и около 22,2 млрд активируемых параметров. Она предназначена для генерации текста и диалогов, особенно на японском языке; метаданные также отмечают английский. Модель подходит для ответов на вопросы, работы с инструкциями, рассуждений и генерации текста. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена полностью для соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

NeuronAI-Uzbek — открытая языковая модель NeuronUz для генерации текста и диалогов на узбекском языке, а также задач узбекско-английского языка. Она создана на базе Qwen3-4B и дообучена на узбекских и английских текстах и инструкциях; в метаданных указано около 3,7 млрд параметров, а карточка сообщает о расширении словаря до 180 тысяч токенов и контексте в 40 960 токенов. Автор заявляет настройку токенизатора для более компактного представления узбекских текстов и высокие результаты на тесте UzLiB, однако приведённые сравнения основаны на оценке из README. Модель подходит для создания узбекоязычных текстов и чат-ботов, ответов на вопросы, чтения и анализа узбекских материалов, исправления орфографии и грамматики, а также помощи с переводом между узбекским и английским. По архитектуре это плотная модель Qwen3 для причинной генерации текста; доступна в формате safetensors. Лицензия — Apache-2.0. Модель может ошибаться, воспроизводить смещения из обучающих данных и выдавать убедительные, но неверные сведения. Данные обучения имеют дату отсечения знаний; README не приводит её точного значения. Для медицинских, юридических и других критически важных решений требуется проверка человеком.

Petite Elle L’Aime 3 — дообученная компанией Tonic многоязычная причинная языковая модель на архитектуре SmolLM3 с 3,1 млрд параметров. Она предназначена для генерации текста и диалогов; README описывает оценку на французских тестах понимания языка, рассуждений, математики и ответов на вопросы. Модель дообучена на наборе legmlai/openhermes-fr, указанном в README как франкоязычный DPO-датасет размером 800 тысяч примеров. По метаданным контекст модели составляет 4096 токенов; README приводит другое значение — 128 тысяч, поэтому фактический предел контекста следует проверять для используемой конфигурации. В метаданных заявлены английский, французский, испанский, итальянский, португальский, китайский, арабский и русский языки. Репозиторий использует Transformers и содержит веса в форматах PyTorch и safetensors; README также упоминает варианты int4-квантизации, которые могут снижать точность. Лицензия — Apache-2.0. README сообщает о результатах на отдельных французских тестах, но сводная таблица показывает более низкий средний результат, чем у базовой SmolLM3-3B. Как и другие языковые модели, она может давать фактически неверные ответы и наследовать смещения обучающих данных.

Qwen2.5-Taiwan-3B-Instruct 是由 benchang1110 基於 Qwen/Qwen2.5-3B-Instruct 開發的對話模型，經過 tokenizer swapping、監督式微調（SFT）與偏好優化（DPO）訓練，參數量為 3.1 млрд. Модель предназначена для повседневных диалогов и выполнения инструкций; карточка демонстрирует написание текстов и писем, суммаризацию, перевод с английского на китайский и ответы на вопросы о Тайване. Модель использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Основной язык — традиционный китайский (тайваньский вариант); также заявлена поддержка английского. Для SFT применялся LoRA, а DPO настраивал ответы на структурированность и логичность. Указана лицензия qwen-research; условия её использования следует сверять с лицензией базовой модели и правилами репозитория.

onnx-community/Qwen3.5-0.8B-ONNX-OPT — ONNX-версия постобученной мультимодальной модели Qwen3.5-0.8B, разработанной командой Qwen. Это каузальная языковая модель с vision encoder, предназначенная для обработки текста и изображений, включая задачи рассуждения, программирования, визуального понимания, агентных сценариев, прототипирования, исследовательской разработки и специализированного дообучения. Артефакты совместимы с Hugging Face Transformers.js и ONNX Runtime. Модель содержит 0,8 млрд параметров, 24 слоя и скрытое измерение 1024. В архитектуре сочетаются Gated Delta Networks, Gated Attention и feed-forward блоки; заявлена гибридная архитектура с sparse Mixture-of-Experts на уровне семейства Qwen3.5. Нативная длина контекста составляет 262 144 токена. Модель поддерживает 201 язык и диалект, а также мультимодальный ввод текста и изображений. Благодаря небольшому размеру она ориентирована на более экономичный инференс и локальные эксперименты, однако уступает более крупным моделям по качеству и предназначена прежде всего для задач разработки и исследований. Модель распространяется по лицензии Apache 2.0. README не содержит подробностей о требованиях к аппаратному обеспечению, точных форматах входных изображений и ограничениях коммерческого применения, поэтому эти аспекты следует уточнять отдельно.

SambaLingo-Thai-Chat-70B — диалоговая языковая модель SambaNova Systems для генерации ответов на тайском и английском языках. Она построена на архитектуре Llama-2 и содержит 68,9 млрд параметров; базовую модель адаптировали к тайскому языку обучением на 26 млрд токенов тайской части Cultura-X, а чат-версию выровняли с помощью direct preference optimization (DPO). Словарь токенизатора расширен с 32 000 до 57 000 токенов. Контекст модели составляет 4096 токенов. Модель предназначена для диалогов, ответов на вопросы и других сценариев генерации текста на тайском и английском языках. В карточке отдельно отмечены возможные галлюцинации, переключение между языками или диалектами, повторы, ограниченные результаты в программировании и сложной математике, а также риск генерации токсичного или неподходящего текста. Модель не рекомендуется для критически важных задач, влияющих на безопасность или важные решения. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

SauerkrautLM 7B HerO GGUF — квантизированная версия языковой модели SauerkrautLM 7B HerO, разработанной VAGO solutions и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Mistral и предназначена для генерации текста и диалоговых сценариев. Модель содержит около 7 миллиардов параметров, работает с текстом и ориентирована на английский и немецкий языки, включая немецкоязычные приложения. Для взаимодействия используется шаблон ChatML с ролями system, user и assistant. Формат GGUF поддерживается llama.cpp и рядом локальных интерфейсов и библиотек, что позволяет запускать модель на CPU и GPU; доступны варианты квантизации от 2 до 8 бит. К сильным сторонам относятся локальный запуск, поддержка CPU+GPU-инференса, несколько уровней квантизации для выбора компромисса между качеством, скоростью и потреблением памяти, а также ориентация на немецкий язык. Ограничения включают возможную потерю качества при низкой разрядности квантизации, отсутствие заявленной поддержки изображений и других немультимедийных данных, а также отсутствие в README сведений о размере контекста, результатах тестирования и специальных прикладных навыках. Модель распространяется по лицензии Apache-2.0.

Smaug-34B-v0.1-ExPO — языковая модель для диалоговой генерации текста, созданная методом ExPO на основе весов SFT- и DPO/RLHF-чекпойнтов. В README указаны базовые модели abacusai/Smaug-34B-v0.1 и jondurbin/bagel-34b-v0.2; метод описан в статье «Weak-to-Strong Extrapolation Expedites Alignment». Для экстраполяции использован коэффициент alpha = 0.3. Модель построена на плотной архитектуре Llama и содержит 33,9 млрд параметров. Она предназначена для генерации ответов в диалоге с учётом предпочтений людей. Карточка сообщает о тестировании подхода на AlpacaEval 2.0 и MT-Bench, однако приведённые таблицы относятся к другим моделям семейства и не дают результатов именно для Smaug-34B-v0.1-ExPO. Метаданные указывают поддержку английского и китайского языков и контекст до 200 000 токенов. Файлы опубликованы в формате Safetensors. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензиями базовых моделей и репозитория. Доступные сведения не подтверждают результаты качества именно этой версии и не описывают её ограничения в эксплуатации.

Suzume ORPO Borda Top25 — многоязычная диалоговая модель, разработанная Peter Devine и дообученная методом ORPO на базе lightblue/suzume-llama-3-8B-multilingual. Она предназначена для общения и генерации ответов; версия top25 обучена на предпочтительных и менее предпочтительных ответах для 25% наиболее стабильно ранжированных запросов из набора lightblue/mitsu. Модель построена на плотной архитектуре Llama, содержит 7,5 млрд параметров и имеет контекстное окно 8192 токена. В оценке MT-Bench сравнивались результаты на шести языках; README отмечает улучшения относительно базовой модели на большинстве языков. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

tempesthenno-icy-0130 — созданная автором модели Sthenno слитая диалоговая языковая модель на архитектуре Qwen2 с 14 млрд параметров. Она предназначена для генерации текста и общения в формате ChatML; в слиянии методом SCE использованы три модели tempesthenno-icy-0130-01, -02 и -03, а базой указан tempesthenno-nuslerp-0124. Метаданные также связывают модель с miscii-14b-1225. Модель принимает текст и генерирует текст. В карточке указана длина контекста 131 072 токена, поддерживаемые языки — английский и китайский. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает отдельные специализированные области применения или сравнительные результаты; качество ответов может зависеть от запроса и сценария использования.

2Vasabi/tvl-mini-0.1 — LoRA-дообучение мультимодальной модели Qwen2-VL-2B-Instruct, подготовленное для работы с русским языком. Модель использует архитектуру Qwen2-VL с плотной структурой и содержит 1,5 млрд параметров; для работы с изображениями и видео применяется мультимодальная базовая модель. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалогов и генерации текста по запросам, в том числе на русском и английском языках. В карточке указано обучение на наборе GrandMaster-PRO-MAX; описание также перечисляет визуальное рассуждение, создание подписей к изображениям, VQA и классификацию среди направлений данных, но помечает их как находившиеся в процессе обучения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Ultravox v0.4 — мультимодальная речевая LLM от Fixie.ai на базе Llama 3.1 8B Instruct и Whisper medium. Она принимает аудио вместе с текстовым контекстом и генерирует текст, поэтому подходит для голосовых агентов, распознавания и анализа речи, а также перевода устной речи. Модель использует архитектуру Ultravox; в README указана скорость около 150 мс до первого токена и 50–100 токенов в секунду на GPU A100 40 ГБ. Авторы приводят результаты для перевода между английским, немецким и испанским, а также для распознавания английской речи на LibriSpeech. Входные языки по метаданным: английский, арабский, немецкий, испанский, французский, итальянский, японский, португальский и русский. Модель не генерирует аудио, а на момент этой версии не проходила preference tuning. Лицензия — MIT.

Ultravox v0.6 Llama 3.1 8B — мультимодальная речевая языковая модель от Fixie.ai. Она сочетает языковую модель Llama 3.1 8B с речевым энкодером Whisper large-v3-turbo и принимает аудио вместе с текстовым контекстом, например системной инструкцией или текстовым запросом. Модель выдаёт текстовые ответы и предназначена для голосовых агентов, распознавания и анализа речи, а также перевода устной речи. В версии 0.6 расширены данные для хинди, что улучшило понимание хинди и могло немного снизить качество на других языках. Обучение также включало шумовые данные: модель может лучше справляться с шумом и выводить специальную отметку для слишком шумного аудио или неразборчивой речи. README приводит результаты оценки распознавания, перевода, аудиорассуждений и обнаружения шума. Генерация речевого аудио не поддерживается этой версией; предпочтительная настройка ответов не применялась. Лицензия — MIT.

maywell/Yi-Ko-34B-Instruct — 34-миллиардная языковая модель Junbum Lee (Beomi), основанная на семействе Yi-Ko. Это авторегрессионный трансформер с архитектурой на основе Llama 2, представленный в формате Transformers и дообученный для общения: после дальнейшего обучения на корейском корпусе применялись SFT и DPO. Модель принимает текст и генерирует текст; для диалогов указаны шаблон ChatML и контекст до 4096 токенов. Модель рассчитана прежде всего на генерацию ответов на корейском и английском языках. Расширенный словарь SentencePiece содержит 78 464 токена, включая добавленную корейскую лексику; в карточке также приведены результаты на корейских языковых тестах. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и документацией репозитория. Это крупная модель на 34B параметров, требующая значительных вычислительных ресурсов; приведённые бенчмарки сами по себе не гарантируют качество для конкретных сценариев.

BgGPT-Gemma-2-9B-IT-v1.0 — языковая модель INSAIT при Софийском университете, построенная на Gemma 2 9B. Это плотный decoder-only трансформер с 9 млрд параметров и контекстом 8192 токена; модель дообучена для следования инструкциям и диалога. Модель предназначена прежде всего для общения и генерации текста на болгарском языке, включая ответы на вопросы, рассуждения и решение учебных задач. Она также сохраняет возможности на английском. При непрерывном предварительном обучении использовалась стратегия Branch-and-Merge и около 100 млрд токенов, из них 85 млрд на болгарском; затем модель дообучили на болгарских инструкциях, составленных на основе реальных диалогов. Модель доступна по условиям Gemma Terms of Use. Для работы рекомендуется формат чата Gemma 2; README предупреждает, что Flash Attention снижает качество работы. Заявления о результатах на бенчмарках приведены авторами модели и не гарантируют качество на конкретных пользовательских задачах.

Cerbero-7B — итальянская языковая модель, разработанная командой проекта Cerbero и построенная на базе Mistral-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она предназначена для диалогов, генерации текста, ответов на вопросы и понимания итальянского текста. В README приведены результаты оценки на итальянских тестах понимания текста, токсичности, иронии и тональности. Метаданные также отмечают поддержку английского языка. Модель доступна в формате PyTorch и подключается через Transformers. Она выпущена по лицензии Apache 2.0, разрешающей коммерческое использование. Как и другие генеративные языковые модели, может выдавать неверные ответы; результаты тестов не гарантируют качество в конкретных сценариях.

Chocolatine-78B-Instruct-DPO-v1.3 — диалоговая языковая модель, разработанная Jonathan Pacifico в 2024 году. Это модель Qwen2 с архитектурой плотного трансформера и 76,7 млрд параметров; она дообучена методом DPO на наборе jpacifico/french-orca-dpo-pairs-revised поверх CalmeRys-78B-Orpo-v0.1, которая, в свою очередь, основана на нескольких дообучениях Qwen2-72B-Instruct. Модель предназначена для генерации текста в диалоге, прежде всего на французском и английском языках. Контекст составляет 32 768 токенов. Автор описывает её как демонстрацию применения французского DPO-дообучения к моделям размером более 70 млрд параметров и его сочетания с предыдущими дообучениями. Модель не имеет механизма модерации. Распространяется по лицензии Apache 2.0.

SeamlessM4T Medium — мультимодальная модель перевода от Meta, представленная в реализации Hugging Face для Transformers. Вариант на 463,7 млн параметров поддерживает перевод речи и текста между языками, распознавание речи и синтез речи; для задач доступны общая модель и специализированные подмодели. В README указано, что модель принимает речь на 101 языке, текст на 196 языках и генерирует речь на 35 языках. Максимальная длина контекста по метаданным — 4096 токенов. Модель подходит для перевода речи в речь или текст, перевода текста в текст или речь, а также для автоматического распознавания речи. При синтезе можно выбирать голос с помощью идентификатора говорящего и настраивать стратегию генерации. README отмечает, что SeamlessM4T v2 улучшает качество и скорость генерации речи по сравнению с этой версией. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

OsaurusAI подготовила JANG_4M-сборку инструктивной модели Kakao Kanana-2 30B-A3B для запуска на компьютерах Apple Silicon через MLX. Это текстовая диалоговая модель архитектуры DeepSeek V3 с общей ёмкостью 30,7 млрд параметров и примерно 3 млрд активных параметров на токен; контекст — до 32 768 токенов. В README метаданные указывают 2,9 млрд параметров, поэтому размер в каталоге может отражать активную часть модели, а не полное число параметров. Модель предназначена для диалогов и выполнения инструкций на корейском, а также на английском, японском, китайском, тайском и вьетнамском языках. Сборка использует смешанную квантизацию JANG_4M: основные веса экспертов сжаты до 4 бит, проекции внимания — до 8 бит, а маршрутизатор, нормализации и некоторые другие слои сохраняют более высокую точность. Пакет занимает около 17 ГБ и рассчитан на MLX-загрузчик с поддержкой DeepSeek V3 и JANG. Сборка преобразована из kakaocorp/kanana-2-30b-a3b-instruct-2601. README описывает шаблон диалога с поддержкой рассуждений и вызова инструментов, однако возможность инструментов зависит от runtime; режим рассуждений по умолчанию выключен. Качество корейского языка и производительность на Apple Silicon заявлены как сильные стороны, но отдельная оценка этой квантизированной сборки ещё не опубликована. Модель распространяется по Kanana License; метаданные Hugging Face обозначают лицензию как other.

Llama-3-Alpha-Ko-8B-Instruct — диалоговая языковая модель Allganize на архитектуре Llama 3 с 7,5 млрд параметров и контекстом 8192 токена. Она создана методом эволюционного слияния Meta-Llama-3-8B, Meta-Llama-3-8B-Instruct и Llama-3-Open-Ko-8B, а затем доработана с помощью ORPO на наборах для улучшения качества ответов и предпочтений пользователей. Модель предназначена для генерации ответов и диалога на корейском и английском языках, включая задачи рассуждения и понимания текста. В README приведены результаты на корейских тестах LogicKor и KoBEST; карточка заявляет конкурентные показатели на LogicKor, однако результаты представлены авторами и не гарантируют качество на других задачах. Репозиторий содержит веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует уточнить у разработчика перед применением.