III.2Исследование рынка и маркетинг

Llama-3-DARE-v2-8B — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES. В основе лежит meta-llama/Meta-Llama-3-8B, в объединение также включена meta-llama/Meta-Llama-3-8B-Instruct. Модель разработана автором репозитория rmihaylov и предназначена для генерации текста и диалоговых ответов. Модель имеет архитектуру LlamaForCausalLM с плотной структурой и примерно 7,5 млрд параметров. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 8192 токенов и рассчитана преимущественно на английский язык. Файлы представлены в формате safetensors; библиотека для работы — Transformers. Лицензия указана как other, поэтому условия использования следует сверять с карточками базовых моделей и условиями, указанными автором репозитория. Карточка не сообщает результаты оценки качества или отдельные ограничения модели.

C10X/LongWriter-Qwen2.5-7B-Instruct — дообученная авторами репозитория модель на базе Qwen2.5-7B-Instruct, предназначенная для генерации длинных текстов. Авторы сообщают, что модель способна создавать более 10 000 слов за один запрос; в обучении использованы отфильтрованные примеры LongWriter-6k и выборки китайских и английских данных Magpie-Qwen2-Pro-200K. Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров, работает через Transformers и принимает текст, выдавая текст. Метаданные указывают контекст 32 768 токенов, поддержку английского и китайского языков, чат-возможности и интерфейс вызова инструментов. Карточка описывает дообучение с использованием ms-swift и стратегию annealing; сведения о лицензии в доступных данных отсутствуют.

openaccess-ai-collective/mpt-7b-wizardlm — языковая модель OpenAccess AI Collective на архитектуре MPT-7B, дообученная на наборе WizardLM Alpaca Evol Instruct 70K. Модель предназначена для генерации текста и ответов на инструкции на английском языке. Модель обучали три эпохи на одном ускорителе A100 с 80 ГБ памяти. В метаданных указаны формат PyTorch и задача text-generation. Карточка не приводит сведений о длине контекста или лицензии.

AnasAlokla разработала мультиязычную модель для многометочной классификации эмоций в тексте. Модель основана на BERT и дообучена на AnasAlokla/multilingual_go_emotions_V1.1; в метаданных указаны архитектура BertForSequenceClassification и 205,1 млн параметров. Контекст ограничен 512 токенами. Модель определяет до 27 категорий эмоций и нейтральный класс, поэтому подходит для анализа отзывов, обращений в поддержку и публикаций в социальных сетях, а также для систем мониторинга настроений и чат-ботов. README заявляет поддержку арабского, английского, французского, испанского, нидерландского и турецкого языков; метаданные подтверждают пять из них, но не нидерландский. Лицензия — MIT. Классификация может отражать эмоциональные сигналы в тексте, но сама по себе не устанавливает намерения или состояние человека. Результаты на языках и типах текста, не представленных в обучающих данных, могут быть ненадёжными; README не приводит полную таблицу оценки в предоставленном фрагменте.

Модель seara/rubert-tiny2-russian-emotion-detection-cedr — дообученная автором seara модель RuBERT-tiny2 для распознавания эмоций в коротких русскоязычных текстах. Это BERT-классификатор последовательностей размером 29 млн параметров с контекстом до 2048 токенов. Он выполняет многометочную классификацию по шести классам: отсутствие эмоции, радость, грусть, удивление, страх и гнев. Модель подходит для анализа эмоциональной окраски коротких сообщений, отзывов и других текстов на русском языке. На тестовой выборке CEDR общий micro F1 составил 0,79; качество заметно ниже для класса «гнев» (F1 0,41), поэтому результаты этого класса требуют особой проверки. Модель распространяется по лицензии MIT.

Карточка модели developerjeremylive/SenseNova-U1-8B-MoT-etheroi на Hugging Face совпадает с карточкой sensenova/SenseNova-U1-8B-MoT, поэтому описание составлено по ней. 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.

ShadowYamshadow_Experiment31Experiment29 — объединённая модель генерации текста, опубликованная MaziyarPanahi. Она создана слиянием automerger/ShadowYamshadow-7B и automerger/Experiment31Experiment29-7B. Модель построена на архитектуре Mistral с плотной структурой и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживая контекст длиной до 32 768 токенов. Веса представлены в формате safetensors. Подходит для генерации продолжений текста и других сценариев текстовой генерации. Метаданные не уточняют специализацию или поддерживаемые языки. Лицензия — Apache-2.0.

Solar Pro 3 — языковая модель Upstage с архитектурой Mixture-of-Experts (MoE). Она содержит 102 млрд параметров, из которых 12 млрд активируются при каждом проходе. Модель предназначена для генерации текста; в карточке она описана как мощная и вычислительно эффективная. README обрывается до подробностей об оптимизации, поэтому конкретные сценарии, поддерживаемые языки, размер контекста и ограничения установить нельзя. Метаданные указывают задачу text-generation и дату публикации 27 января 2026 года; лицензия не указана в предоставленных источниках.

Trismal-7B-Base-v1v2-Ties — объединённая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit из unsloth/mistral-7b и unsloth/mistral-7b-v0.2 методом TIES. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и использует точность float16. Её контекстное окно составляет 32 768 токенов. Модель предназначена для генерации и продолжения текста на основе текстового запроса. Карточка не описывает специальную настройку под конкретную область или диалоговый режим. Лицензия в предоставленных данных не указана.

Tulu V2.5 DPO 13B HelpSteer — англоязычная языковая модель-помощник от Allen Institute for AI (AI2), предназначенная для диалогов и генерации текста. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом до 4096 токенов. Модель создана на базе allenai/tulu-2-13b: сначала настроена на смеси инструкций и диалогов Tulu V2, затем дообучена методом DPO на наборе HelpSteer для выравнивания ответов по предпочтениям. Подходит для ответов на инструкции, ведения диалога и генерации текста на английском языке. Для диалогов используется шаблон чата, включённый в токенизатор. Модель распространяется по лицензии Apache 2.0. В карточке отмечено, что она не настроена на безопасные ответы и не использует фильтрацию в процессе генерации; поэтому возможны проблемные ответы, особенно при соответствующих запросах.

Модель Cardiff NLP для многометочной классификации тем в англоязычных твитах. Она основана на языковой модели TimeLMs, обученной примерно на 124 млн твитов за период с января 2018 по декабрь 2021 года, и дообучена на корпусе из 11 267 твитов для распознавания тем. Архитектура — RoBERTa с 151,8 млн параметров; модель принимает текст и может назначить ему несколько тематических меток из набора категорий, включая новости и общественные вопросы, спорт, технологии, развлечения, еду и путешествия. Модель подходит для тематической разметки англоязычных сообщений в соцсетях, анализа интересов аудитории и группировки твитов по темам. Указанный размер контекста — 514 токенов. Лицензия MIT разрешает свободное использование при соблюдении её условий. Модель обучалась на твитах и специализированном корпусе ограниченного размера, поэтому качество на других жанрах, языках и более поздних темах может отличаться; она предназначена для классификации тем, а не для генерации текста.

Модель sanvo/vietnamese-sentiment-phobert — дообученная VinAI/PhoBERT-base модель для классификации тональности отзывов о товарах на вьетнамском языке. Она использует архитектуру RoBERTa с классификационной головой и присваивает тексту одну из трёх меток: положительную, нейтральную или отрицательную. Модель обучалась на более чем 10 тысячах вьетнамских отзывов, сбалансированных по классам и обработанных с сегментацией слов. В README указаны точность 85% и взвешенная F1-мера 0,84. Модель принимает текст и выдаёт метку тональности с оценкой. Размер — 162,4 млн параметров, максимальная длина контекста — 258 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия MIT.

YaYi-13B-Llama2 — китайская языковая модель компании Wenge Research, дообученная на базе LLaMA 2 для выполнения инструкций в нескольких прикладных областях. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст; заявленная длина контекста — 2048 токенов. Модель предназначена для генерации ответов и многошагового диалога, а также анализа задач в сферах медиапродвижения, анализа общественного мнения, общественной безопасности, финансовых рисков и городского управления. Разработчики сообщают об усилении китайских языковых и аналитических возможностей, пользовательской обратной связи при оптимизации и частичной поддержке плагинов. Карточка не приводит условия лицензии. Данные обучения описаны как миллионы искусственно созданных высококачественных примеров, но подробные оценки качества и конкретные ограничения не указаны.

Модель AmaanP314/youtube-xlm-roberta-base-sentiment-multilingual — дообученная на комментариях YouTube мультиязычная XLM-RoBERTa для классификации тональности. Она принимает текст комментария и присваивает ему одну из трёх меток: положительная, нейтральная или отрицательная. Модель основана на cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual, содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для анализа реакции аудитории в системах рекомендаций видео, панелях аналитики и других задачах обработки комментариев. В README сообщается о точности 80,17% на отложенной выборке; результаты могут отличаться на данных с иным сленгом, тематикой или распределением тональности. Модель опубликована под лицензией CC BY 4.0.

Zephyr 7B β — чат-модель, разработанная Hugging Face H4 как вторая версия серии Zephyr. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, дообученная методом Direct Preference Optimization на синтетических диалогах UltraChat и предпочтениях из UltraFeedback. Она предназначена для общения в формате помощника и генерации ответов на английском языке; длина контекста составляет 32 768 токенов. В карточке описаны хорошие результаты на MT-Bench и AlpacaEval на момент выпуска. Модель уступает более крупным и проприетарным системам в сложных задачах программирования и математики. Она не прошла этап RLHF для выравнивания с человеческими предпочтениями по безопасности и может выдавать проблемный контент, особенно по соответствующему запросу. Распространяется по лицензии MIT.

Ziya-Writing-13B-v2 是 IDEA-CCNL 开发的 языковая модель с 12,9 млрд параметров, построенная на архитектуре LLaMA 2 и дообученная следованием инструкциям для задач письма. Она генерирует китайские и английские тексты: официальные отчёты, речи, письма и рекламные или творческие материалы, а также отвечает на общие инструкции. Модель использует архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Для обучения разработчики использовали очищенные примеры человеческого письма, инструкции, созданные с помощью GPT-3.5 и проверенные вручную, а также данные предпочтений для выравнивания ответов. Качество письма оценивали сравнением ответов бок о бок; по данным README, в сравнении с Ziya-Writing-LLaMa-13B-v1 модель получила долю побед 72,5%. Этот результат относится к описанной авторами оценке и не гарантирует качество для каждого запроса. Модель распространяется под лицензией GPL-3.0, однако README указывает, что из-за ограничений лицензии LLaMA её нельзя использовать в коммерческих целях и следует соблюдать политику использования LLaMA. Это модель генерации текста, поэтому она не принимает изображения или аудио.

Модель albert-fa-sentipers-3class разработана MahdiAlikhah для классификации персидского текста по тональности. Это дообученная модель ALBERT-base с классификационной головой: она относит предложение или короткий фрагмент к одному из трёх классов — отрицательному, нейтральному или положительному. Модель предназначена прежде всего для анализа отзывов о товарах, похожих на отзывы Digikala из обучающего набора DeepSentiPers. Для текстов из отложенной тестовой выборки DeepSentiPers указаны точность 0,830 и macro F1 0,802. Контекст модели — 512 токенов; при описанной авторами предобработке вход обрезается и дополняется до 128 токенов. Лицензия в метаданных — Apache-2.0; README отмечает, что она унаследована от базовой модели и рекомендует сверить её условия с лицензией базового репозитория. Обучающие данные происходят с одной платформы электронной коммерции, а положительных примеров в наборе больше, чем отрицательных. Качество может снижаться на других жанрах, регистрах, диалектах, смешанном тексте и языках, кроме персидского; сведение исходной пятибалльной шкалы к трём классам теряет различия в интенсивности тональности.

Карточка модели HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-multi на Hugging Face совпадает с карточкой HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary, поэтому описание составлено по ней. HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary — модель классификации тональности персидских текстов, разработанная на основе ParsBERT. Авторы дообучили ParsBERT v1.1 на новых персидских корпусах; эта версия предназначена для бинарного определения тональности отзывов о цифровых товарах: положительной или отрицательной. Для обучения и оценки использовался сбалансированный набор DeepSentiPers, в котором нейтральные примеры исключены из бинарной разметки. Модель построена на архитектуре BERT и имеет около 190 млн параметров; максимальная длина контекста составляет 512 токенов. Она принимает текст и выдаёт метку класса, а карточка сообщает результаты F1 для бинарной классификации SentiPers на уровне 92,42. Подходит для анализа отзывов и пользовательских комментариев на персидском языке. Распространяется по лицензии Apache-2.0.

hilariooliveira/bertimbau_base — дообученная модель классификации текста на основе neuralmind/bert-base-portuguese-cased. Она использует архитектуру BERT с примерно 136,1 млн параметров и принимает последовательности длиной до 512 токенов. По карточке модели, на оценочном наборе получены loss 0,1139 и F1 0,9310. Назначение модели — классификация текстов; конкретные классы, данные обучения и сценарии применения не описаны. Модель распространяется по лицензии MIT.

Experiment26Yamshadow_Experiment26Strangemerges_30 — объединённая модель семейства Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/Experiment26Strangemerges_30-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; она принимает текстовые запросы и выдаёт текстовые ответы. Модель поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены сведения о специальных областях применения, поддерживаемых языках или результатах оценки качества.

MaziyarPanahi/Experiment28T3q_Experiment24Alloyingotneoy — объединённая модель генерации текста, созданная на основе automerger/Experiment28T3q-7B и automerger/Experiment24Alloyingotneoy-7B. Это плотная причинно-языковая модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста по текстовому запросу и поддерживающая контекст до 32 768 токенов. Модель можно применять для продолжения текста, диалоговых ответов и других задач генерации на основе текстового ввода. В карточке не описаны отдельная специализация, языковая ориентация или дополнительные возможности, поэтому назначение следует считать общим. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Модель 1024m/GEMMA2-27B-NLI-16bit разработана 1024m и представляет собой дообученную языковую модель Gemma 2 на 27,6 млрд параметров. В качестве основы использована unsloth/gemma-2-27b-bnb-4bit; для обучения применялись Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и поддерживает контекст длиной до 8192 токенов. Карточка не описывает специальную настройку для задач NLI, поэтому её практическое назначение по доступным сведениям — генерация текста общего назначения. Указанная лицензия — Apache 2.0. Данные карточки не сообщают о целевых оценках качества или ограничениях модели.

Ingot-7b-slerp-3 — слитая модель на архитектуре Mistral, созданная с помощью LazyMergekit из flemmingmiguel/MBX-7B и liminerity/Ingot-7b-slerp. Веса объединены методом SLERP; в конфигурации flemmingmiguel/MBX-7B указан как базовая модель, а тип данных — bfloat16. Модель предназначена для генерации текста по запросу. Она содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Карточка не приводит сведений о целевых языках, специальных областях применения или оценках качества. Модель опубликована в формате safetensors. Лицензия в предоставленных сведениях не указана.

Instruct_Mixtral-8x7B-v0.1_Dolly15K — языковая модель Brillibits для генерации ответов на инструкции и диалоговых запросов. Она дообучена методом QLoRA на датасете Databricks Dolly 15K от базовой модели Mixtral-8x7B-v0.1; README сообщает о 1 эпохе обучения и разделении данных на обучающую, валидационную и тестовую выборки. В репозитории указаны веса в формате safetensors, а метаданные описывают архитектуру как Mixtral MoE с классом MixtralForCausalLM и размером 7,1 млрд параметров. Метаданные указывают контекст до 32 768 токенов, тогда как README сообщает, что при обучении использовалось окно 1 024 токена. Модель рассчитана на генерацию текста по инструкциям на английском языке, включая ответы на вопросы и создание текстов. Лицензия — Apache-2.0. Карточка показывает настройку на Dolly 15K, но не приводит результаты оценки качества; фактическое качество и пригодность для конкретных сценариев следует проверять отдельно.

DazzlingXeno/MagnumChronos — объединённая текстовая модель, созданная автором репозитория с помощью mergekit и метода della. В качестве базовой модели использована elinas/Chronos-Gold-12B-1.0; в объединение также включена anthracite-org/magnum-v2-12b. Модель построена на архитектуре Mistral с плотной causal language model и содержит 12,1 млрд параметров. Она предназначена для генерации текста и диалогового общения. В метаданных заявлена длина контекста 1 024 000 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана. README не описывает оценку качества или специальные ограничения модели; возможности работы на длинном контексте и качество ответов следует проверять в целевом сценарии.

cloudyu/Mixtral_7Bx4_MOE_DPO — версия модели Mixtral, дообученная методом Direct Preference Optimization (DPO) на основе cloudyu/Mixtral_7Bx4_MOE_24B. Она предназначена для генерации текста; карточка сообщает об улучшении метрик после DPO, но не приводит сами метрики или подробности обучения. Модель использует архитектуру MixtralForCausalLM с механизмом смеси экспертов (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

NeuralsirkrishnaShadow_Inex12Yam — слитая языковая модель на архитектуре Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Inex12Yam-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию, языки или дополнительные возможности, поэтому модель можно характеризовать только как генеративную модель общего назначения.

Undi95/ReMM-v2-Kimiko-v2-13B — текстовая генеративная модель семейства Llama с 12,9 млрд параметров, предназначенная для генерации текста. Модель представлена в формате PyTorch и использует контекст длиной до 4096 токенов. В README указано, что модель получена объединением LoRA-адаптера с базовой моделью с весом 0,50. Идентификаторы базовой модели и адаптера не приведены, поэтому установить их по доступным данным нельзя. Лицензия CC BY-NC 4.0 разрешает использование на условиях указания авторства и ограничивает коммерческое применение.

RuBERT Russian Financial Sentiment — русскоязычный классификатор тональности финансовых и экономических текстов, разработанный автором репозитория на основе модели blanchefort/rubert-base-cased-sentiment-rusentiment. Это BERT-модель для классификации последовательностей объёмом 205,1 млн параметров; она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель дообучена на наборе mteb/SentiRuEval2016 и рассчитана на анализ новостных заголовков и статей, публикаций в социальных сетях и комментариев об экономике, компаниях и рынках. Метаданные указывают максимальный контекст в 512 токенов, тогда как README сообщает ограничение обучения и использования в 128 токенов; для длинных текстов автор рекомендует разбиение или усечение. На тестовой выборке из 3 000 примеров указаны accuracy 0,8123 и macro F1 0,8108; чаще всего модель смешивает нейтральные и положительные высказывания. Она лицензирована по Apache 2.0. Результаты не следует использовать как единственное основание для финансовых решений.

SBERT-ru-sentiment-RuReviews — модель семейства SBERT-Large, дообученная на наборе RuReviews с русскоязычными отзывами о товарах категории «Женская одежда и аксессуары» на крупной российской площадке электронной коммерции. В метаданных указана архитектура BERT для классификации последовательностей, размер около 525,7 млн параметров и контекст до 512 токенов. Модель предназначена для классификации тональности русскоязычных отзывов о товарах. Её можно применять для автоматической сортировки отзывов по тональности и анализа мнений покупателей в указанной товарной категории. Доступны версии весов PyTorch и Flax; карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.