III.2Исследование рынка и маркетинг

DictaLM 2.0 Instruct — инструкционно дообученная версия генеративной модели DictaLM 2.0, разработанная командой Dicta при участии Shaltiel Shmidman, Avi Shmidman, Amir DN Cohen и Moshe Koppel. Модель ориентирована на диалоговое взаимодействие и выполнение инструкций, особенно на иврите, и распространяется в формате GGUF для локального запуска через LM Studio или llama.cpp. Модель поддерживает английский и иврит. Она использует подход к дообучению, основанный на рецепте Zephyr-7B-beta, с расширенным набором инструкционных и разговорных данных для иврита. Доступны варианты с точностью float16 и 4-битной квантизацией Q4_K_M, что позволяет выбирать между качеством и требованиями к вычислительным ресурсам. Контекстное окно и точный размер модели в README не указаны. Сильной стороной модели является адаптация к ивриту и возможность локального использования в совместимых приложениях. Ограничение — отсутствие встроенных механизмов модерации и защитных ограничителей, поэтому модель требует осторожного применения в сценариях, где важны контролируемые ответы. Также она не поддерживает системный промпт. Модель распространяется по лицензии Apache 2.0.

Это англоязычная модель ответов на вопросы от Hugging Face: DistilBERT-base-uncased, дополнительно дообученная методом дистилляции на SQuAD v1.1. Она принимает вопрос и текстовый контекст и извлекает из контекста краткий ответ; подходит для ответов по предоставленным документам и фрагментам текста. Архитектура — компактный Transformer DistilBERT; модель была создана для более быстрого и экономичного вывода, чем BERT-base, при сохранении высокой точности на языковых задачах. Контекст ограничен 512 токенами. Модель ориентирована на английский язык и задачу question answering. На валидационном наборе SQuAD v1.1 указана оценка F1 86,9. Она может выбирать неподтверждённый контекстом или неверный ответ, а также воспроизводить стереотипы и предвзятость из данных; её не следует считать источником проверенных фактов о людях и событиях. Лицензия — Apache 2.0.

Модель lovelyan/llama-3.2-Korean-Bllossom-3B-itsos — дообученная автором lovelyan разговорная модель семейства Llama 3.2 с 3,2 млрд параметров. Она основана на Bllossom/llama-3.2-Korean-Bllossom-3B и предназначена для генерации текста и диалогов. Для обучения использовались Unsloth и Hugging Face TRL. Модель принимает текст и выдаёт текст; метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Базовая модель рассчитана на корейский и английский языки. Распространяется по лицензии Apache-2.0. Карточка не описывает отдельную специализацию или результаты оценки качества этой версии.

Loes — мультимодальный ассистент HostYourAI для разговоров на нидерландском и английском языках. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом supervised fine-tuning на нидерландских инструкциях на основе orcarouter/Qwen3.8-27B-Uncensored. В репозитории опубликованы объединённые веса в bfloat16 в формате Safetensors; лицензия весов — Apache 2.0. Модель предназначена для диалоговых приложений, исследований и оценки качества ответов на нидерландском и английском языках. Она принимает текст и поддерживает обработку изображений благодаря унаследованной от базовой модели vision-компоненте; видеовозможности также унаследованы. Vision tower не дообучался, а мультимодальные возможности этой версии отдельно не оценивались. Модель может галлюцинировать, воспроизводить предубеждения и следовать вредоносным инструкциям; базовая модель uncensored и не должна считаться надёжной системой отказов. Обучение проводилось на последовательностях длиной до 1 024 токенов, а более длинный контекст не оценивался систематически. Не следует полагаться на ответы как на единственное основание для решений с высокими последствиями.

MiMo-V2.5-ASR — сквозная модель распознавания речи, разработанная командой Xiaomi MiMo. Это плотная модель семейства Qwen2 с 7 млрд параметров; в репозитории представлены веса Safetensors, а для работы используется Transformers. В метаданных указана длина контекста 8192 токена. Модель предназначена для транскрибирования речи на китайском и английском языках, включая китайские диалекты, переключение между китайским и английским, песни, техническую и другую насыщенную терминами речь. Она рассчитана на шумные записи, дальний микрофон и многоголосые разговоры; пунктуацию добавляет при распознавании. README сообщает о высоких результатах на ряде публичных тестов, но конкретные оценки здесь не приведены. Лицензия — MIT.

Qwen3.8-27B-tq3-mini-g64 — мультимодальная плотная модель семейства Qwen, представленная в репозитории manjunathshiva и подготовленная как сборка TurboQuant с 3-битной квантизацией для запуска через MLX на компьютерах Apple Silicon. В основе лежит Qwen/Qwen3.8-27B с 27,8 млрд параметров; архитектура включает 64 декодерных слоя, в том числе 48 слоёв Gated DeltaNet и 16 слоёв полного внимания, а также зрительный модуль. Модель принимает текст и изображения и предназначена для диалогов, анализа визуальных данных и ответов на вопросы по изображениям. Сборка занимает около 11,55 ГиБ вместо 55,6 ГБ в bf16 и проверена на Mac mini с 16 ГБ памяти. По данным README, она показала результат 4/4 на тестах зрения с ограничением размера изображений. На 16-гигабайтном Mac генерация медленная — около 3,6–3,9 токена в секунду; для интерактивных диалогов и агентных циклов такая конфигурация не подходит. README сообщает об увеличении perplexity на 10,4% относительно 4-битной сборки. Лицензия — Apache-2.0.

TAPAS small — модель Google на архитектуре TAPAS, дообученная на задаче последовательных вопросов и ответов по таблицам (SQA). Она принимает вопрос и таблицу, представленную в текстовом виде, и выбирает ячейки таблицы для ответа; это подходит для диалогового поиска фактов в табличных данных. Модель содержит 32,4 млн параметров, использует контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Дообучению предшествовали маскированное языковое моделирование и промежуточное обучение на примерах числовых рассуждений по таблицам. По умолчанию используется вариант с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Модель обучена для английского языка на наборе SQA и предназначена для ответов на вопросы о таблицах. Лицензия — Apache-2.0.

Yug — модель временных рядов с 271,8 млн параметров, разработанная Birla AI Labs для вероятностного прогнозирования с нулевым дообучением. Она принимает исторический контекст и горизонт прогноза и формирует прогнозное распределение, представленное квантилями; одна архитектура поддерживает как одномерные ряды, так и прогнозирование с использованием ковариат. Архитектура включает 12 слоёв декодера и имеет размерность модели 960. Модель предназначена для прогнозирования ранее не встречавшихся временных рядов без настройки под конкретную задачу или ряд. Её можно применять к рядам с ковариатами и получать вероятностные оценки неопределённости прогноза. В обучении использовались подмножества Chronos Datasets и GIFT-Eval Pretrain, а также синтетические данные, обозначенные разработчиком как проприетарные. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

AI21 Jamba Mini 1.6 — разработанная AI21 гибридная инструкционная модель семейства Jamba, сочетающая архитектуры State Space Model (Mamba) и Transformer. В модели 12 млрд активных параметров и 52 млрд параметров всего; она принимает текст и предназначена для генерации текста в диалоге, следования инструкциям, вызова функций, структурированного вывода JSON и генерации ответов с опорой на заданные источники. Контекстное окно составляет 256 тыс. токенов. Модель рассчитана на длинные контексты и деловые сценарии; для запуска README рекомендует CUDA и vLLM версии 0.6.5 или выше. Поддерживаются английский, испанский, французский, португальский, итальянский, нидерландский, немецкий, арабский и иврит. Заявленные разработчиком преимущества — скорость инференса и качество обработки длинного контекста. Модель распространяется по Jamba Open Model License, допускающей исследования и коммерческое использование на её условиях.

Jamba2 Mini — компактная языковая модель, разработанная AI21 Labs для надёжных корпоративных сценариев. Она использует архитектуру Jamba, сочетающую слои SSM и Transformer с разреженной экспертной моделью (MoE), и содержит 7,2 млрд параметров по метаданным. Модель предназначена для генерации текста и диалогов, ответов на вопросы, следования инструкциям и работы с длинными документами; поддерживает контекст до 262 144 токенов. Модель обучалась на основе предобучения Jamba 1.5 с последующим дообучением на длинных документах, коде, математике и веб-текстах, а также этапами SFT, DPO и обучения с подкреплением. Разработчик сообщает о настройке на точное следование инструкциям и опору на предоставленный контекст. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование. Для запуска через vLLM в README рекомендуется версия 0.12.0 или выше.

Cohere Labs Command R7B Arabic — авторегрессионная языковая модель Cohere и Cohere Labs примерно с 8 млрд параметров: 7 млрд параметров трансформера и 1 млрд параметров эмбеддингов. Она оптимизирована для современного литературного арабского языка (MSA) и английского, а контекст составляет до 128 000 токенов. Архитектура использует чередование слоёв с локальным скользящим вниманием и слоя глобального внимания; после предварительного обучения модель прошла дообучение на инструкциях и обучение предпочтениям. Модель предназначена для диалогов, следования инструкциям и генерации ответов в сценариях RAG. При подаче фрагментов документов она может формировать ответы с внутритекстовыми ссылками на источники. Также подходит для извлечения информации, суммаризации, перевода и классификации; режим работы задаётся шаблоном промпта. README отмечает хорошие результаты на арабских тестах понимания языка, следования инструкциям и RAG. Весам доступна лицензия CC-BY-NC-4.0; также требуется соблюдать политику допустимого использования Cohere Labs. Модель принимает и выдаёт только текст. Хотя она оптимизирована прежде всего для арабского и английского, в обучающих данных присутствовали и другие языки; уровень её работы на них не гарантирован.

LFM2-24B-A2B — универсальная инструктивная языковая модель компании Liquid AI из семейства LFM2, предназначенная для локального развёртывания на устройствах и компьютерах. Это гибридная архитектура MoE с 24 млрд параметров, из которых активны около 2,3 млрд на токен; в метаданных указано 3,4 млрд параметров. Модель имеет 40 слоёв: 30 сверточных и 10 attention-слоёв, поддерживает контекст до 128 000 токенов и работает через Transformers. Для хранения весов используется safetensors. Модель подходит для диалогов, вызова инструментов, локальных RAG-систем, суммаризации документов и ответов на вопросы. Её можно использовать для приватных сценариев на собственном оборудовании, включая поддержку клиентов и многошаговые агентные процессы. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского, испанского и португальского языков. Разработчик не рекомендует модель для программирования; она не использует цепочки рассуждений в ответах. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.

Dolphin 2.9.1 DBRX — разговорная и инструкционная языковая модель, дообученная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на базе databricks/dbrx-base. Она использует архитектуру DBRX и формат диалога ChatML; базовая модель поддерживает контекст до 32 тысяч токенов, а дообучение проводилось с длиной последовательности 4 тысячи токенов. Модель предназначена для диалоговых ответов, выполнения инструкций, генерации кода и начальных агентных сценариев, включая вызов функций. Для коммерческого и иного использования README указывает лицензию databricks-open-model-license, а метаданные — лицензию other; условия следует сверять с лицензией репозитория. Модель описана авторами как uncensored и может охотно отвечать на небезопасные запросы, поэтому перед предоставлением пользователям рекомендуется добавить собственный слой фильтрации.

MiniCPM5-2B-GPTQ — GPTQ-квантованная версия MiniCPM5-2B, разработанная OpenBMB. Это плотная Transformer-модель на 2 млрд параметров для генерации текста, локального и on-device-развертывания, а также сценариев с ограниченными ресурсами. Модель ориентирована на английский и китайский языки и интегрируется с библиотекой Transformers. Модель предназначена для следования инструкциям, программирования, математических рассуждений, работы с длинным контекстом, использования инструментов и агентских задач. Заявлена конкурентоспособность с моделями класса 4B, а среди моделей сопоставимого размера отмечаются сильные результаты в коде, математике, long-context, tool use и agentic-сценариях. Поддерживаемая модальность — текст; максимальный размер контекста в предоставленных данных не указан. Ключевое преимущество — сочетание компактного размера, возможностей для локального запуска и высокой производительности в ряде прикладных задач. Ограничения включают меньший размер по сравнению с крупными моделями и отсутствие сведений о точных требованиях к памяти, форматах квантования и результатах независимого тестирования. Модель распространяется по лицензии Apache-2.0.

LFM2-2.6B-Exp — экспериментальный языковой чекпойнт Liquid AI, построенный на LFM2-2.6B с применением обучения с подкреплением. Модель содержит около 2,4 млрд параметров и предназначена для следования инструкциям, ответов на вопросы, математических задач и диалогов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки; карточка указывает контекст до 128 000 токенов. Архитектура — гибридная: блоки коротких свёрток сочетаются с блоками группового внимания запросов. Модель поддерживает чатовый шаблон и вызов инструментов. Разработчик отмечает пригодность для агентных сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов, а также сильный результат на тесте следования инструкциям. Из-за небольшого размера для максимального качества рекомендуется дообучение под узкие задачи; модель не рекомендуется для задач с интенсивным использованием знаний или программирования. Лицензия указана как other, конкретные условия использования следует сверять с карточкой модели.

Solar Pro 4 — большая языковая модель компании Upstage, предназначенная для длительных задач и агентных сценариев. В карточке указано контекстное окно размером 524 тыс. токенов. Модель рассчитана на работу с длинными документами и задачи офисной продуктивности. README также отмечает поддержку агентных рабочих процессов, но не приводит подробностей об архитектуре, размере модели, языках или условиях лицензии.

EXAONE 4.5-33B — открытая по весам мультимодальная модель LG AI Research для диалога и анализа изображений. Она сочетает причинную языковую модель с визуальным энкодером и содержит 33 млрд параметров, из которых около 1,29 млрд приходятся на визуальную часть. Архитектура использует плотные слои, гибридное внимание с локальными окнами и глобальными слоями; контекст — до 262 144 токенов. Модель предназначена для ответов на вопросы по изображениям и документам, распознавания и интерпретации их содержимого, а также для текстового диалога и рассуждений. Разработчик отмечает сильные результаты в понимании документов и корейских контекстов. Основные языки карточки — английский, корейский, испанский, немецкий, японский и вьетнамский. Для обслуживания рекомендуются оптимизированные движки, например vLLM, TensorRT-LLM или SGLang; запуск с длинным контекстом требует мощных GPU. Модель может выдавать неверные, предвзятые или неподходящие ответы, а её знания ограничены данными до декабря 2024 года. В метаданных указана лицензия «other»; конкретные условия следует сверять с лицензией репозитория и правилами LG AI Research.

Qwen3.6-35B-A3B-UDT-MTP-GGUF — это квантизированная в формате GGUF версия модели Qwen3.6-35B-A3B, подготовленная Atomic Chat на основе оригинальных весов Qwen. Модель предназначена для локального и полностью офлайн-использования в llama.cpp, Ollama, LM Studio, Jan и Atomic Chat, включая диалоговые сценарии, агентное программирование, работу с фронтенд-задачами и рассуждения на уровне репозиториев. Модель имеет 36 млрд параметров, 40 слоёв и архитектуру Mixture-of-Experts с 256 экспертами, из которых выбираются 8, а также 16 attention heads и 2 KV heads. Заявленный контекст составляет 262 144 токена. Поддерживаются текстовая и визуальная модальности; для обработки изображений в репозитории доступен vision-проектор mmproj-BF16.gguf. Квантизация выполнена с использованием importance matrix для разных уровней точности, что должно помогать сохранять качество при низкобитных форматах. К сильным сторонам относятся мультимодальность, большой контекст, MoE-архитектура, локальная работа без передачи данных во внешние сервисы и квантизация, откалиброванная importance matrix. Ограничения включают необходимость выбора подходящего GGUF-кванта, значительные требования к ресурсам и обязательное применение шаблона чата Qwen3.6 через параметр --jinja; для изображений требуется vision-проектор и совместимый интерфейс. Базовая модель выпущена под лицензией Apache 2.0, квантизация выполнена Atomic Chat.

UTC-DeBERTa-large-v2 — универсальная модель для классификации токенов, разработанная Knowledgator. Это prompt-tuned версия DeBERTaV3-large, дообученная на нескольких задачах извлечения информации. Модель анализирует текст вместе с инструкцией-запросом и выделяет соответствующие фрагменты: сущности, предложения и абзацы. Модель предназначена для распознавания именованных сущностей, извлечения отношений и фактов, разрешения кореференции, ответов на вопросы, очистки и суммаризации текста. В карточке приведены результаты на CrossNER: для версии large указаны оценки Micro F1 от 0,8779 до 0,9247 в пяти предметных категориях. Модель имеет 533,8 млн параметров и контекст до 512 токенов; для запуска предусмотрена библиотека Transformers и pipeline token-classification. Модель рассчитана на англоязычный текст. Длинные документы могут потребовать разбиения на части из-за ограничения контекста, а качество зависит от формулировки запроса и задачи. Лицензия — Apache-2.0.

German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI — авторегрессионная языковая модель на базе Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Модель дообучена для сценариев генерации с использованием найденных документов и предназначена прежде всего для немецкоязычного рынка. В метаданных указаны архитектура Llama, 3,7 млрд параметров и контекст до 131 072 токенов; веса доступны в формате safetensors. Модель отвечает на вопросы по предоставленному контексту, извлекает релевантную информацию, составляет краткие сводки и выполняет задачи рассуждения. README также описывает обучение на примерах RAG и поддержку немецкого и английского языков. Лицензия в метаданных Hugging Face — MIT; README указывает Apache 2.0, поэтому сведения о лицензии расходятся и требуют проверки перед использованием. Ответы могут содержать фактические ошибки, а без фильтрации модель способна выдавать вредоносный или чувствительный контент. Результаты следует проверять, а для пользовательских приложений учитывать риски предвзятости и генерации небезопасного текста.

Bogula/pinktilde30b_64k — дообученная с помощью LoRA и SFT модель на базе TildeAI/TildeOpen-30b-64k, созданная для немецкоязычного обучения и ответов с опорой на документы. Она использует архитектуру Llama, содержит 29,9 млрд параметров и принимает текстовый контекст длиной до 65 536 токенов. Модель предназначена для диалогового обучения и работы с длинными корпоративными документами и материалами по управлению, продажам и педагогике. Обучение проходило в два этапа: на инструкциях, немецких сводках и корпоративных диалогах, затем на многоходовых диалогах и RAG-документах с отвлекающими фрагментами. Поддерживается немецкий язык; формат весов — SafeTensors, библиотека — Transformers. Модель может ошибаться; её ответы не следует использовать для принятия юридических, финансовых или медицинских решений без проверки. Лицензия указана как «other»; в обучающих данных использовался NVIDIA Nemotron под лицензией ODC-By, для которой требуется атрибуция.

DeepSeek-AI выпустила DeepSeek-VL2 — семейство плотных по структуре Mixture-of-Experts моделей для мультимодального понимания изображений и текста. Полная версия построена на DeepSeekMoE-27B; для семейства также представлены варианты Tiny с 1,0 млрд и Small с 2,8 млрд активируемых параметров, а полная версия использует 4,5 млрд активируемых параметров. Модель принимает изображения и текст и предназначена для визуальных вопросов и ответов, распознавания текста на изображениях, понимания документов, таблиц и диаграмм, а также визуального заземления. README сообщает о конкурентных результатах при сопоставимом или меньшем числе активируемых параметров по сравнению с рядом открытых плотных и MoE-моделей. Метаданные указывают архитектурное семейство DeepSeek-VL2, библиотеку Transformers и формат весов safetensors. Для входных изображений README рекомендует разрешение 384×384 без разбиения на фрагменты. Лицензия обозначена как other, поэтому конкретные права использования следует сверить с условиями репозитория.

Карточка модели OpenBuddy/openbuddy-yi1.5-34b-v21.2-32k на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-yi1.5-34b-v21.6-32k-fp16, поэтому описание составлено по ней. OpenBuddy-Yi1.5-34B-v21.6-32K-FP16 — многоязычная чат-модель OpenBuddy для генерации ответов в диалоге. Она основана на плотной архитектуре семейства Llama и содержит 33,9 млрд параметров; репозиторий включает веса Safetensors для Transformers. Модель рассчитана на общение на китайском, английском, французском, немецком, японском, корейском, итальянском, русском и финском языках. Модель подходит для чат-ботов, ответов на вопросы и генерации текста в многоязычных сценариях. В README описан специальный формат запросов и отмечена совместимость с Transformers и vLLM; в названии модели указано 32K, а метаданные сообщают о нативном контексте 131072 токена. Лицензия — Apache 2.0. Разработчики предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными, и не рекомендуют использовать модель для медицинских, финансовых, юридических и иных критически важных решений.

OpenBuddy-Yi1.5-34B-v21.6-32K-FP16 — многоязычная чат-модель OpenBuddy для генерации ответов в диалоге. Она основана на плотной архитектуре семейства Llama и содержит 33,9 млрд параметров; репозиторий включает веса Safetensors для Transformers. Модель рассчитана на общение на китайском, английском, французском, немецком, японском, корейском, итальянском, русском и финском языках. Модель подходит для чат-ботов, ответов на вопросы и генерации текста в многоязычных сценариях. В README описан специальный формат запросов и отмечена совместимость с Transformers и vLLM; в названии модели указано 32K, а метаданные сообщают о нативном контексте 131072 токена. Лицензия — Apache 2.0. Разработчики предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными, и не рекомендуют использовать модель для медицинских, финансовых, юридических и иных критически важных решений.

MiniMax-M2.5-bf16 — текстовая MoE-модель для диалогов и выполнения задач с помощью агентных сценариев. Модель разработана MiniMax и обучалась с подкреплением на сложных задачах из реальных сред. В карточке указаны сильные результаты в программировании, поиске, вызове инструментов и офисной работе, включая подготовку материалов для Word, PowerPoint и Excel. Модель предназначена для планирования и разработки программных систем, исправления и проверки кода, многошагового поиска информации, работы с инструментами и создания офисных материалов. README сообщает об обучении на более чем десяти языках программирования; это не устанавливает поддержку конкретных естественных языков. Метаданные указывают 2,9 млрд параметров, контекст до 196 608 токенов, библиотеку Transformers и формат safetensors. Доступна версия MiniMax-M2.5 в формате bf16. Лицензия указана в README как Modified-MIT, а в метаданных — как other; перед использованием следует свериться с условиями лицензии в репозитории. Результаты бенчмарков приведены разработчиком и не гарантируют аналогичного качества в конкретном приложении. Модель описана как чат-модель; README рекомендует SGLang для локального развёртывания.

Whisper-Podlodka-Turbo — дообученная bond005 модель на базе Whisper Large v3 Turbo от OpenAI, предназначенная прежде всего для распознавания русской речи. Модель с архитектурой Whisper и примерно 905,2 млн параметров принимает аудио и выдаёт текст; она также поддерживает распознавание английской речи, перевод русской и английской речи, определение языка и выявление сегментов без речи. Настройка модели направлена на повышение точности русской транскрипции, восстановление пунктуации и заглавных букв, устойчивость к фоновому шуму и сокращение галлюцинаций на неречевых сигналах. Поддерживаются транскрипция длинных записей и выдача временных меток для фрагментов речи. Модель распространяется в формате safetensors и работает с Transformers. По README, статистически значимое преимущество подтверждено только для распознавания русской речи; качество улучшений для английского и перевода не подтверждено столь же убедительно. Перевод с английского на русский может содержать заметные ошибки, а качество на речи с переключением между русским и английским отдельно не оценивалось. Модель лицензирована по Apache-2.0.

A.X 3.1 Light — компактная языковая модель SKT, обученная с нуля на многоязычном корпусе с приоритетом корейского языка. В метаданных указаны 6,8 млрд параметров, архитектура Llama с плотной авторегрессионной моделью и контекст до 32 768 токенов; доступны веса в формате Safetensors. Модель предназначена для диалогов, понимания корейского языка и корпоративного развёртывания, а интерфейс поддерживает вызов инструментов. SKT сообщает, что модель обучалась на 1,65 трлн токенов и показывает результаты на корейских языковых бенчмарках KMMLU и KoBALT-700. Компания также заявляет о снижении вычислительных затрат относительно моделей со сравнимыми результатами. В карточке приведён пример использования с Transformers версии 4.46.0 или новее и vLLM для функций вызова инструментов. Лицензия — Apache 2.0.

danskgpt-v4-31b — дообученная на датских данных текстовая модель syvai на базе google/gemma-4-31B-it. Это плотная причинная языковая модель Gemma4ForCausalLM с 27,4 млрд параметров, поддерживающая диалоги и контекст до 262 144 токенов. Для работы следует использовать шаблон чата Gemma-4. Модель предназначена для задач на датском языке: понимания текста, ответов на вопросы по знаниям и рассуждениям, классификации, распознавания именованных сущностей и работы в роли общего помощника. Она также подходит для перефразирования и краткого пересказа датских текстов. Чекпойнт описан как текстовый; формат файлов — safetensors, обучение выполнено методом QLoRA. На открытых запросах модель может отвечать более кратко и категорично, чем исходная модель. Она наследует смещения и ограниченность знаний базовой модели; для решений с высокими последствиями требуется проверка человеком. Лицензия — CC BY 4.0.

OpenThai 2.0 Qwen3.8-27B — дообученная компанией OpenThai мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров. Она принимает текст и изображения и предназначена прежде всего для работы с тайскими документами: распознавания печатного и рукописного текста, транскрипции страниц, извлечения структуры и ответов на вопросы по документам. Также подходит для ответов на тайском и английском языках, следования инструкциям, программирования и использования инструментов. Модель заявлена с контекстом 262 144 токена; в производственном API используется контекст до 131 072 токенов. В README приведены результаты оценки тайских экзаменационных знаний, следования инструкциям и распознавания документов, включая улучшение распознавания рукописного текста относительно базовой модели. Модель распространяется под лицензией Apache-2.0. Качество структурированного извлечения данных примерно соответствует базовой модели и слабее в разборе таблиц, извлечении ключевой информации и вопросах по диаграммам. Текст на вывесках и других сценах распознаётся хуже, а рукописный текст остаётся сложным: на сложных примерах возможны ошибки примерно в каждом четвёртом символе. Возможны галлюцинации на нечитаемых изображениях; длинные ответы могут различаться между запусками.

Карточка модели kingartyqueen/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.