III.2Исследование рынка и маркетинг

voidful разработала слитую методом SCE с помощью mergekit языковую модель для диалогов и генерации текста. В объединение вошли DeepSeek-R1-Distill-Llama-8B, Llama-3.1-8B-Instruct и тайваньская разговорная модель TAIDE-LX-8B-Chat; базой для слияния указана Llama-3.1-8B-Instruct. Модель относится к семейству Llama, имеет 7,8 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для ответов на вопросы и ведения диалога, в том числе на традиционном китайском языке с тайваньскими разговорными выражениями. Доступны веса в форматах Safetensors и GGUF. Лицензия в предоставленных данных не указана.

Metin/LLaMA-3-8B-Instruct-TR-DPO — диалоговая языковая модель на архитектуре LLaMA, дообученная на базе Meta-Llama-3-8B-Instruct с помощью DPO и QLoRA. Она предназначена для генерации ответов на инструкции и диалога, с улучшенной связностью, беглостью и предпочтительностью ответов на турецком языке. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Для дообучения использован синтетический набор предпочтений из 10 тысяч примеров. В карточке приведены результаты тестов на турецких наборах OpenLLMTurkishLeaderboard; сами авторы предупреждают, что оценки могут отличаться при использовании разных средств инференса. Модель может генерировать неверные или бессмысленные ответы, поэтому результаты следует проверять. Лицензия — Llama 3.

NekoMix-12B — слитая с помощью mergekit языковая модель Moraliane на архитектуре Mistral с 12,1 млрд параметров. В основе объединения лежит IlyaGusev/saiga_nemo_12b; также использованы NemoMix-Unleashed-12B, Rocinante-12B-v1.1 и Vikhr-Nemo-12B-Instruct-R-21-09-24. Веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогового ролевого общения на русском и английском языках. Автор рекомендует начинать с простого стандартного пресета с температурой 0,7–1,25 и отмечает Mistral V3-Tekken как возможный шаблон контекста и инструкций. Результаты зависят от выбранного шаблона и параметров генерации. Лицензия и ограничения на использование в карточке не описаны.

Aleteian/Neverending-Story-MN-12B — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit. В качестве базовой модели использована Aleteian/base-ground-2; в объединение также вошли три модели, перечисленные в метаданных. Размер модели — 12,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Метаданные заявляют контекст до 1 024 000 токенов и возможность диалогового общения. Модель подходит для генерации продолжений текста и диалогов, в том числе на русском и английском языках: базовая SAINEMO-reMIX описана как русско-английская модель для диалогов, генерации и ролевого общения. Карточка не приводит результатов оценки качества или подробных рекомендаций по настройке, поэтому качество на конкретных задачах и практическую поддержку заявленной длины контекста следует проверять отдельно. Лицензия в доступных данных не указана.

OmniAudio-2.6B — мультимодальная аудиоязыковая модель компании NexaAI на 2,6 млрд параметров для локального запуска на устройствах. Она объединяет Gemma-2-2b, Whisper turbo и проектор, чтобы обрабатывать аудио и текст в одной модели, без отдельной последовательной связки распознавания речи и языковой модели. В карточке Hugging Face указаны варианты GGUF, включая Q4_0, Q4_K_M и Q8_0; лицензия — Apache-2.0. Модель предназначена для голосовых вопросов и ответов, диалога по аудиовводу, создания текстов по голосовым запросам, суммаризации записей и преобразования заметок в более профессиональный стиль. В обучении использовались данные английской речи MLS English 10k, а также этапы supervised fine-tuning и DPO. Заявленная разработчиком цель — быстрый офлайн-инференс на потребительских и периферийных устройствах. Описание не заявляет генерацию аудио или поддержку function calling: эти возможности указаны как планы развития. Языковая поддержка подтверждена для английского; результаты могут зависеть от устройства и выбранной квантизации.

Quan-1.8b — разговорная языковая модель с примерно 1,5 млрд параметров, созданная дообучением KnutJaegersberg/Qwen-1_8B-Llamafied на двуязычных англо-вьетнамских данных. Она использует архитектуру Llama и предназначена для генерации текста в диалоговом формате ChatML; заявленная длина контекста — до 8192 токенов. Модель подходит для чат-ответов и генерации текста на английском и вьетнамском языках. В карточке приведён результат оценки: loss 0,8096, однако подробности набора оценки и методики отсутствуют. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

jaeyong2/Qwen2.5-1.5B-Instruct-Viet-SFT — дообученная разработчиком на вьетнамских данных модель Qwen2.5-1.5B-Instruct для диалогов и генерации текста. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров, рассчитанная на работу через Transformers; модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Метаданные указывают на поддержку вьетнамского и английского языков, а также на интерфейсы чата и вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Kukedlc/Qwen-2.5-7b-Spanish-o1-CoT — плотная причинная языковая модель семейства Qwen2 с 7,1 млрд параметров, опубликованная пользователем Kukedlc на Hugging Face. Модель предназначена для генерации текста в диалоговом формате; название указывает на ориентацию на испанский язык и стиль рассуждений, однако карточка не описывает обучение или подтверждённые языковые возможности. Модель использует Transformers и формат safetensors, поддерживает контекст до 32 768 токенов и имеет интерфейсы чата и вызова инструментов. В карточке приведены результаты Open LLM Leaderboard: средний балл 28,13, IFEval — 42,10, BBH — 36,86. Лицензия Apache 2.0. Подробности о разработчике, обучающих данных и ограничениях в README отсутствуют.

QwQ-0.5B-Distilled — компактная языковая модель для диалогов и генерации текста, разработанная автором репозитория kz919 на основе Qwen. Модель с архитектурой Qwen2 содержит около 494 млн параметров и рассчитана на контекст до 32 768 токенов; она использует формат Safetensors и библиотеку Transformers. Модель создана методом дистилляции: в README указано обучение студента на примерах длинных рассуждений из QwQ-LongCoT-130K с учителем Qwen/QwQ-32B-Preview и применением GKD. Она предназначена для чат-ассистентов, пошаговых объяснений, учебных сценариев, творческого письма и ответов на технические вопросы. README также сообщает об использовании LoRA-настройки при обучении. Автор отмечает, что это незавершённая демонстрационная версия, поэтому ответы могут быть бессвязными, а качество сложных рассуждений может уступать учителю. Лицензия — Apache-2.0.

Sunflower-14B-FP8 — квантизированная версия многоязычной причинно-следственной языковой модели Sunflower-14B от Sunbird AI на архитектуре Qwen3-14B. Она предназначена для генерации текста и перевода между английским и 31 языком Уганды; по данным карточки, модель показала наивысшую точность среди оценённых моделей в 24 из 31 языковой пары. Модель использует динамическую FP8-квантизацию, выполненную с помощью llmcompressor для инференса через vLLM. По README, размер весов сокращён примерно с 28 до 14 ГБ относительно FP16, что снижает требования к памяти и может ускорить генерацию. Лицензия — Apache 2.0. Квантизация может немного снизить качество по сравнению с полной точностью, а для оптимальной производительности требуется совместимый ускоритель NVIDIA и среда vLLM. Для задач, где важна максимальная точность, README рекомендует полную версию модели.

KordAI/ThaiLLM-8B — дообученная языковая модель, разработанная KordAI на базе ThaiLLM/ThaiLLM-8B с архитектурой Qwen3. Это плотная авторегрессионная модель примерно с 7,6 млрд параметров для генерации текста и диалогов; заявленная сильная сторона — понимание и генерация на тайском языке. Модель принимает текстовые запросы и выдаёт текст, поддерживает контекст до 32 768 токенов и может использоваться через Transformers в формате Safetensors. Модель предназначена для тайскоязычных диалоговых помощников, ответов на вопросы и генерации текста. Метаданные также указывают интерфейс вызова инструментов. Поддержка английского отмечена в тегах и карточке базовой модели, но основной акцент этой версии — тайский язык. Модель распространяется по лицензии Apache-2.0. Ответы могут содержать ошибки или неподтверждённые сведения, поэтому их следует проверять, особенно перед использованием в ситуациях с высокими последствиями.

Turkish-LLM-7B-Instruct — диалоговая языковая модель на 7,2 млрд параметров, разработанная Ogulcan Aydogan и дообученная на наборах инструкций на турецком языке на базе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста и выполнения пользовательских инструкций, прежде всего на турецком, а также поддерживает английский язык. Модель использует плотную архитектуру MistralForCausalLM и принимает текстовый контекст длиной до 32 768 токенов. В README отмечена возможность запуска на потребительских GPU при использовании квантизации; для модели также доступны варианты GGUF с квантизацией Q4, Q5 и Q8. Подходит для диалога и генерации ответов на турецком языке. Ограничения качества и результаты оценки в карточке не приведены. Лицензия — Apache-2.0.

Карточка модели ponkyky/ultravox-v0_7-glm-4_6 на Hugging Face совпадает с карточкой fixie-ai/ultravox-v0_7-glm-4_6, поэтому описание составлено по ней. Ultravox v0.7 GLM 4.6 — мультимодальная речевая языковая модель от Ultravox.ai. Она объединяет языковую модель GLM 4.6 с речевым энкодером whisper-large-v3-turbo: принимает речь и текстовый контекст, после чего формирует текстовый ответ. Модель предназначена для распознавания речи, понимания аудио, ответов на вопросы по аудиозаписям и перевода речи. В README сообщается о тестировании на BigBenchAudio, VoiceBench, CoVoST 2 и LibriSpeech; в частности, приведены результаты для аудио-рассуждений, речевого перевода и распознавания. Метаданные указывают архитектуру Ultravox и формат safetensors. Версия v0.7 построена на GLM 4.6; README также описывает обучение на смеси наборов для ASR, речевого перевода и аудио с шумом. Модель принимает аудио вместе с текстом, например текстовую системную инструкцию и голосовое сообщение, и выдаёт текст. В карточке заявлена поддержка многозадачных сценариев работы с речью, однако точные ограничения по языкам и размеру контекста не приведены. Лицензия — MIT. README указывает, что использование собственных системных инструкций учитывалось при оценке; результаты тестов сами по себе не гарантируют качество на других данных.

ShenaoZ/0.001_ablation_5iters_bs256_nodpo_iter_3 — дообученная разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана на основе ShenaoZ/0.001_ablation_5iters_bs256_nodpo_iter_2 и обучена на обновлённом и исходном наборах данных. Модель предназначена для генерации текста в диалоговом формате; заявленная длина контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. В карточке не приведены подробности о качестве, тематике обучения или результатах оценки, поэтому пригодность для конкретных сценариев следует проверять самостоятельно.

AceGPT-v2-32B-Chat — диалоговая языковая модель для генерации текста, разработанная исследователями King Abdullah University of Science and Technology, Chinese University of Hong Kong, Shenzhen Research Institute of Big Data и King AbdulAziz University. Это полностью дообученная чат-версия AceGPT-v2-32B, построенная на плотной архитектуре Llama и содержащая 31,7 млрд параметров. Модель предназначена для диалогов и ответов на вопросы, особенно на арабском языке. Она принимает и выдаёт текст, поддерживает арабский, китайский и английский языки, а её контекст составляет до 32 768 токенов. В карточке описаны результаты на тестах знаний и понимания, включая ArabicMMLU и Arabic BoolQ. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README не приведены подробности о качестве вне описанных бенчмарков и возможных ограничениях ответов; заявленное преимущество относится к сравнению с открытыми арабскими диалоговыми моделями на указанных тестах.

AceGPT-v2-70B-Chat — диалоговая генеративная языковая модель семейства AceGPT, разработанная исследователями KAUST, Китайского университета Гонконга в Шэньчжэне и Shenzhen Research Institute of Big Data. Это полностью дообученная плотная модель на архитектуре Llama с 69,5 млрд параметров и контекстом 8192 токена; она принимает и выдаёт текст. Модель оптимизирована для диалогов и вопросов на арабском языке, в том числе для ответов на вопросы и заданий с выбором ответа. В метаданных также заявлена поддержка китайского и английского языков. По описанию разработчиков, в бенчмарках модель превосходила доступные открытые арабские диалоговые модели; в карточке приведены примеры ответов на арабские вопросы. Распространяется по лицензии Apache-2.0.

Arabic LLaMa 3.1 16 bit Model — дообученная Omartificial-Intelligence-Space языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она создана для генерации текста и ответов на вопросы на арабском языке; в метаданных также указана поддержка английского. Обучение проводилось на датасете Arabic BigScience xP3, а исходная модель — unsloth/Meta-Llama-3.1-8B. Модель принимает текст и генерирует текст. В README упомянуто дообучение с помощью Unsloth в 4-битной точности, тогда как репозиторий содержит веса safetensors и называется 16bit. Метаданные указывают контекст до 131 072 токенов. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества и подробных ограничений применения.

Cozum-4B — языковая модель с 4 млрд параметров, разработанная Yigit-Karaman на архитектуре Qwen и дообученная методом supervised fine-tuning. Модель предназначена для общения и следования инструкциям с учётом турецкого языка и культурного контекста, а также для решения математических задач.

lucifer053/gemma-4-26b-a4b-it-uncensored-th-gguf — текстовая GGUF-производная модели Google Gemma 4 26B A4B IT. Модель модифицирована методом abliteration с использованием Heretic: из неё удалено направление, связанное с отказами, чтобы сократить избыточные отказы. При этом особое внимание уделено сохранению естественного качества генерации на тайском языке; английские маркеры отказа использовались как резервный компонент. Модель предназначена для генерации текста, диалогов и других сценариев, поддерживаемых базовой instruct-моделью, особенно на тайском и английском языках. Это MoE-архитектура с общим размером 26 млрд параметров и примерно 4 млрд активных параметров. В поставке доступны только текстовые GGUF-файлы в вариантах квантования Q3_K_M, Q4_K_M и Q5_K_M; визуальный модуль mmproj отсутствует, поэтому данная публикация не предназначена для мультимодальных задач. Сильными сторонами являются ориентация на тайский язык, уменьшение избыточных отказов и несколько вариантов квантования для разных объёмов памяти. Ограничения включают отсутствие vision-компонента и потенциальную склонность аблированных моделей к зацикливанию при слишком низкой температуре; в README рекомендуется использовать температуру не ниже примерно 0,6. Модель распространяется на условиях Gemma Terms of Use и является производной от google/gemma-4-26b-a4b-it.

s5ya/Ko-Llama-3.1-8B-Lexi-Uncensored-V2 — диалоговая языковая модель на архитектуре Llama 3.1, созданная методом SLERP-смешивания моделей beomi/Llama-3-Open-Ko-8B и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Её можно применять для ведения беседы и создания свободных ответов на запросы; метаданные также указывают интерфейс вызова инструментов. README не сообщает результаты оценок качества или подробные рекомендации по использованию. Модель распространяется по лицензии llama3.1.

flozi00/Llama-2-13B-german-assistant-v2 — дообученная модель семейства Llama 2 с плотной архитектурой LlamaForCausalLM и 12,9 млрд параметров. Её разработал flozi00 в рамках частного исследовательского проекта; модель настроена на немецкие инструкции и диалоги в стиле токенов Open Assistant. Модель предназначена для генерации текста, следования инструкциям и ведения разговоров на немецком языке. В карточке указано, что обучающий набор flozi00/conversations был очищен и дедуплицирован. Поддерживаются немецкий и английский языки; длина контекста составляет 2048 токенов. Доступны веса в форматах PyTorch и Safetensors. Автор рекомендует использовать версию V3. Лицензия в предоставленных данных не указана, поэтому условия использования установить нельзя.

Llama-3.1-Tango-8b-Instruct-f16 — дообученная модель sandbox-ai на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Карточка описывает оценивание на задачах вопросов и ответов, тестов с выбором ответа и анализа тональности на испанском, каталанском и баскском языках; среди датасетов обучения указаны испанские наборы MessIRve и messi_mod-v0.0.2. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и вывод до 4 000 токенов согласно карточке. Для запуска через Transformers в README указаны две или более видеокарты NVIDIA Ampere или новее с 80 ГБ памяти каждая и не менее 150 ГБ свободного места на диске. Метаданные указывают лицензию Llama 3.1; README отдельно заявляет Apache-2.0, поэтому условия лицензирования следует сверить с файлами репозитория и условиями базовой модели.

MERaLiON-3-10B — мультимодальная речевая языковая модель, разработанная I2R при A*STAR в Сингапуре для многоязычной среды Юго-Восточной Азии. Модель объединяет архитектуры Gemma 2 9B IT и Whisper large-v3 и дообучена на 150 000 часах аудио и речи для шести задач: распознавания речи, ответов на вопросы по аудио, суммаризации диалогов, описания аудио, вопросов об аудиосценах и контекстного анализа паралингвистических признаков. В репозитории 8,1 млрд параметров, веса сохранены в формате safetensors; модель рассчитана на монофоническое аудио 16 кГц длительностью до 300 секунд и текстовые запросы. Модель предназначена для мультиязычной транскрибации, анализа речи и звукового окружения, ответов на вопросы о содержании аудио, а также распознавания возрастных и гендерных характеристик говорящего. Поддерживаемые языки включают английский, китайский, малайский, тамильский, индонезийский, тайский и вьетнамский; основное внимание уделено английскому и китайскому в региональном контексте. Авторы сообщают о конкурентных результатах в собственных бенчмарках, однако эти оценки получены с использованием LLM-as-a-Judge и не гарантируют качество для каждого сценария. Лицензия — MERaLiON Public License; модель не предназначена для вызова инструментов, математики и программирования.

MISCHIEVOUS-12B-Mix_0.1v — слитая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit методом SLERP из bamec66557/MNRP_0.5 и bamec66557/MISCHIEVOUS-12B. Она предназначена для текстового общения и генерации ответов; метаданные также указывают интерфейс вызова инструментов. Модель содержит 12,1 млрд параметров и принимает контекст до 1 024 000 токенов. Заявлены английский и корейский языки. По лицензии Apache-2.0. Карточка приводит результаты Open LLM Leaderboard: среднее значение 22,52, IFEval — 36,36, BBH — 34,36; в README указаны дополнительные строки результатов без значений в предоставленном фрагменте. Данных о целевых сценариях, качестве на конкретных задачах и практических ограничениях в доступном описании мало.

Qwen3-4B-GRPO-Indo-Alpaca — языковая модель разработчика caffeinejunkie1 для диалогов и выполнения инструкций, адаптированная под индонезийский язык на основе Qwen3-4B. Это плотная причинная модель семейства Qwen3 с 3,7 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 40 960 токенов. В README описаны начальная настройка на инструкциях с использованием датасета Ichsan2895/alpaca-gpt4-indonesian и последующее выравнивание методом GRPO. Модель предназначена для структурированных рассуждений, диалогового взаимодействия и следования сложным инструкциям, особенно на индонезийском языке; также поддерживается английский. Автор сообщает о предполагаемом улучшении следования ограничениям и снижении повторов по сравнению с вариантом Indo-Alpaca, но эти эффекты в карточке не подтверждены количественными оценками. Модель доступна в формате safetensors и распространяется по лицензии Apache 2.0.

Qwen3.8-27B-Heretic-ara — мультимодальная плотная модель на 27 млрд параметров, созданная разработчиком armand0e на основе Qwen/Qwen3.8-27B с помощью Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA). Изменения затрагивают проекции внимания и MLP в слоях 9–64; README описывает её как версию с ослабленным отказом отвечать на запросы. По метаданным модель поддерживает диалог и обработку изображений, а её основной тег задачи — image-text-to-text. Модель предназначена для диалоговых сценариев с текстом и изображениями, в том числе для вопросов по содержимому изображений. В тестах автора на 100 вредоносных запросах отказов было 7 против 87 у исходной модели; измеренная KL-дивергенция на безопасных запросах составила 0,0528. Эти результаты относятся к указанным в README тестовым наборам и не гарантируют качество или безопасность в других сценариях. Лицензия в предоставленных данных не указана.

SJ-Donald/SJ-SOLAR-10.7b-DPO — языковая модель семейства Llama, разработанная SJ-Donald и дообученная методом Direct Preference Optimization (DPO) на парах предпочтений из датасета orca-dpo-pairs-ko. Модель содержит 10,7 млрд параметров, принимает текст и генерирует текст; карточка отмечает поддержку чатового сценария. Контекст — до 4096 токенов. Модель предназначена для диалоговых ответов и генерации текста, в том числе на корейском языке. В README приведены результаты оценок на общих и корейских наборах тестов, включая ARC, HellaSwag, MMLU и TruthfulQA. Доступны веса Safetensors; в README также указана отдельная версия GGUF. Лицензия CC BY-NC 4.0 разрешает использование с соблюдением условий лицензии, включая ограничения на коммерческое применение.

Starstreak-7B-β — языковая чат-модель серии Starstreak, разработанная на основе HuggingFaceH4/zephyr-7b-beta и дообученная методом QLoRA. Модель построена на плотной архитектуре Mistral и содержит около 7,1 млрд параметров; для генерации текста доступен контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста на английском, индонезийском и ряде языков Индонезии и региона: среди них ачехский, яванский, сунданский, малайский и тетум. При дообучении использовались graelo/wikipedia и uonlp/CulturaX. Это позволяет применять её для ответов и генерации текста на поддерживаемых языках, однако карточка не описывает специализированные сценарии или сравнительные оценки качества. Модель опубликована в формате Safetensors под лицензией CC0 1.0. Среди ограничений карточка отмечает англоязычную основу и возможные культурные и контекстные предубеждения.

TigerResearch/tigerbot-13b-chat-v5 — TigerResearch әзірлеген TigerBot чат-моделі. Бұл Llama архитектурасындағы 13 млрд параметрлі тығыз causal language model; Transformers және PyTorch арқылы іске қосуға болады. Модель қытай және ағылшын тілдеріндегі диалогқа және мәтін генерациясына арналған, ал көрсетілген контекст ұзындығы — 2048 токен. Оны чат-боттарда, сұрақтарға жауап беруде және қытайша не ағылшынша мәтін құрастыруда қолдануға болады. Репозиторий нұсқаулығында inference коды арқылы іске қосу жолы берілген. Apache-2.0 лицензиясымен таратылады.

Vigostral-7B-Chat — французская разговорная языковая модель семейства Vigogne, разработанная Zaion Lab. Это предварительная версия, дообученная на Mistral-7B-v0.1 и предназначенная для диалогов и выполнения инструкций на французском языке. Модель построена на архитектуре Mistral с плотной причинной языковой моделью, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель подходит для французского чат-ассистента, ответов на вопросы и помощи в повседневных задачах. Используется шаблон диалога, адаптированный из формата Llama 2; для работы с Transformers доступен chat template. Модель распространяется по лицензии Apache-2.0. Значительная часть обучающих данных дистиллирована из GPT-3.5-Turbo и GPT-4, поэтому авторы рекомендуют учитывать условия использования этих систем.