III.2Исследование рынка и маркетинг

ShadowStrangemerges_32-7B — объединённая модель для генерации текста, созданная Maxime Labonne из CorticalStack/shadow-clown-7B-slerp и Gille/StrangeMerges_32-7B-slerp. В основе лежит плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Веса объединены методом SLERP с параметрами, заданными отдельно для слоёв внимания и MLP. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. README не уточняет специализацию по языкам или отдельным прикладным областям.

AdamCodd/tinybert-emotion-balanced — модель классификации эмоций в тексте, созданная дообучением bert-tiny на сбалансированном наборе AdamCodd/emotion-balanced. Она принимает текст и возвращает метку эмоции с оценкой уверенности. В README приведён пример распознавания радости; модель предназначена для быстрого определения эмоциональной окраски коротких текстов и может использоваться через Transformers. Доступны веса PyTorch, Safetensors и ONNX; размер модели — 4,4 млн параметров, максимальный контекст — 512 токенов. На оценочной выборке модель показала accuracy 0,9354 и loss 0,1809. Компактный размер ориентирован на скорость инференса, однако модель может хуже разбирать сложные предложения, отрицания, сарказм и иронию. Набор данных обучен на сбалансированных метках, но README не сообщает перечень меток и поддерживаемые языки. Лицензия — Apache-2.0.

Bailong-orpo-7B — диалоговая языковая модель Lung-Chuan Chen, созданная на основе INX-TEXT/Bailong-instruct-7B. Это плотный decoder-only трансформер семейства Llama с 6,7 млрд параметров; модель предназначена для генерации текста в формате диалога, включая ответы на вопросы, создание рекламных текстов и творческое письмо. В карточке показаны примеры консультационных ответов на традиционном китайском языке, а метаданные отмечают возможность chat. README указывает поддержку английского и традиционного китайского языков. Контекст по метаданным — 4096 токенов; веса доступны в форматах Safetensors и GGUF. Модель распространяется по лицензии Llama 2. Примеры медицинских ответов иллюстрируют общий сценарий использования, но не подтверждают медицинскую точность модели.

CTRL — авторегрессионная однонаправленная Transformer-модель для генерации текста, разработанная Salesforce Research. Она обучена предсказывать следующий токен на корпусе объёмом около 140 ГБ и использует первый токен как управляющий код, задающий, например, домен, стиль, тему, дату, сущности или тип задачи. Модель предназначена для генерации текста с управляемыми параметрами: черновиков и творческих текстов, форматированных материалов и контекстной маркетинговой копии. Её также можно дообучать для других текстовых задач и использовать в исследованиях генерации и выявления искусственного текста. Модель поддерживает главным образом английский язык, а также в меньшей степени немецкий, испанский и французский; указанный для неё контекст составляет 50 000 токенов. Доступны веса PyTorch и TensorFlow. CTRL может воспроизводить вредные стереотипы и предвзятость из обучающих данных, а сгенерированные утверждения могут быть ложными или приписаны не тем людям. Рекомендации разработчиков ограничивают автономное использование и применение для нормативных утверждений. Лицензия — BSD 3-Clause.

Intel distilbert-base-uncased-finetuned-sst-2-english-int8-static-inc — версия DistilBERT, дообученная для классификации тональности отзывов и сжатая до INT8 статической посттренировочной квантизацией. Она определяет, является ли текст положительным или отрицательным; модель предназначена для инференса и не подходит для дальнейшего дообучения в опубликованном виде. Модель принимает текст на английском языке и выдаёт метку тональности. Контекст — до 512 токенов. Репозиторий содержит веса PyTorch и ONNX; для загрузки описаны Optimum Intel и Intel Neural Compressor. На SST-2 точность указана как 0,9037 для PyTorch INT8 и 0,9071 для ONNX INT8, по сравнению с 0,9106 у исходной версии FP32. Модель разработана Intel и распространяется по лицензии Apache-2.0. Она предназначена прежде всего для классификации коротких отзывов, а результаты могут отражать ограничения и смещения данных из интернет-отзывов о фильмах; модель не следует использовать для решений, существенно влияющих на жизнь людей.

Cohee/distilbert-base-uncased-go-emotions-onnx — модель классификации текста на основе DistilBERT, представленная в формате ONNX и квантованная для более эффективного выполнения. Она получена из joeddav/distilbert-base-uncased-go-emotions-student: модель-дистиллят обучали на неразмеченных примерах GoEmotions с псевдометками, созданными NLI-моделью для классификации без примеров. Модель предназначена для определения эмоциональных категорий в тексте и демонстрации более компактной альтернативы ресурсоёмкой zero-shot классификации. Обучение проводилось 10 эпох со смешанной точностью. Контекст составляет до 512 токенов; архитектура — DistilBERT для классификации последовательностей. Исходный набор GoEmotions допускает несколько меток на пример, однако учитель назначал только одну метку, поэтому модель может хуже работать, чем вариант, обученный на полностью размеченных данных. Лицензия — MIT.

MaziyarPanahi/Experiment26Yam_Multi_verse_modelExperiment28 — объединённая модель генерации текста, созданная на основе automerger/Experiment26Yam-7B и automerger/Multi_verse_modelExperiment28-7B. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса доступны в формате safetensors. Модель предназначена для генерации текста по текстовому запросу и поддерживает контекст до 32 768 токенов. Метаданные указывают лицензию Apache-2.0. Карточка не описывает специализированные области применения или языки.

Experiment28M7_Experiment28Inex12 — объединённая модель семейства Mistral, созданная на основе automerger/Experiment28M7-7B и automerger/Experiment28Inex12-7B. Она предназначена для генерации текста и может использоваться в диалоговых и других текстовых сценариях, где требуется продолжать или создавать текст по запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. В карточке не описаны её обучение, целевые языки и специальные области применения; фактическое качество и поведение следует оценивать на задачах конкретного проекта.

Experiment28M7_NeuralsirkrishnaShadow — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/Experiment28M7-7B и automerger/NeuralsirkrishnaShadow-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В карточке указана лицензия Apache-2.0. README и метаданные не описывают специализированные сценарии, языковую поддержку или известные ограничения.

Experiment28T3q_YamM7 — объединённая модель для генерации текста, собранная из automerger/Experiment28T3q-7B и automerger/YamM7-7B. Она основана на архитектуре Mistral и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для сценариев, где требуется генерировать текст по текстовому запросу. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или прикладным областям, а также не приводит оценок качества и конкретных ограничений.

Модель nickmuchi/finbert-tone-finetuned-fintwitter-classification — дообученная версия yiyanghkust/finbert-tone для определения финансовой тональности твитов. Она построена на архитектуре BERT и выдаёт класс тональности для входного текста; при обучении веса классов скорректировали с учётом их несбалансированного распределения. В README на тестовой выборке указаны accuracy 0,884 и F1 0,8838. Модель подходит для классификации тональности финансовых публикаций и анализа настроений вокруг акций. Она принимает текст, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Anwaarma/Improved-mBERT-attempt2 — мультиязычная модель классификации текста на основе BERT, дообученная на базе cardiffnlp/bert-base-multilingual-cased-sentiment-multilingual. По метрикам карточки, на оценочной выборке модель показала accuracy 0,83 и loss 0,4767; датасет и схема меток не описаны. Архитектура — BertForSequenceClassification, размер — 205,1 млн параметров, длина контекста — до 512 токенов. Базовая модель предназначена для определения тональности коротких текстов, в том числе сообщений в социальных сетях, однако назначение дообучения этой версии отдельно не уточнено. Модель опубликована в формате PyTorch; условия лицензии в доступных данных не приведены.

KeawGPT-Base — базовая языковая модель, дообученная KordAI на основе unsloth/qwen3-4b-base-unsloth-bnb-4bit. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 3,7 млрд параметров; она предназначена для генерации текста. Модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 32 768 токенов. Файлы весов опубликованы в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

Kosmos-EVAA-PRP-v26-8B — текстовая генеративная модель, созданная jaspionjader с помощью mergekit. Веса двух предварительно обученных моделей, jaspionjader/Kosmos-EVAA-TSN-v21-8B и jaspionjader/Kosmos-EVAA-PRP-v25-8B, объединены методом SLERP; архитектура — плотная Llama с 7,5 млрд параметров. Модель предназначена для генерации текста по текстовому запросу. Она использует библиотеку Transformers и поддерживает контекст до 8192 токенов. Карточка не описывает специализированную область применения или конкретные языки. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

MatCha — модель визуального языка на базе Pix2Struct, дообученная на наборе PlotQA-v2. Её разработали Fangyu Liu, Francesco Piccinno и соавторы; в экосистему Hugging Face модель добавил Younes Belkada. Архитектура реализована классом Pix2StructForConditionalGeneration и принимает изображение графика вместе с текстовым вопросом, чтобы сформировать текстовый ответ. Модель предназначена прежде всего для ответов на вопросы по графикам и диаграммам, включая задачи, требующие извлечения и сопоставления числовых значений. В основе MatCha — предварительное обучение для математических рассуждений и восстановления структуры графиков; в карточке сообщается о высоких результатах на бенчмарках PlotQA и ChartQA и улучшении переноса на скриншоты, схемы из учебников и иллюстрации в документах. Карточка советует задавать конкретные вопросы для более стабильных ответов. Репозиторий содержит веса PyTorch. Указана лицензия Apache-2.0. Языковые теги метаданных включают английский, французский, румынский и немецкий; основное назначение карточки связано с PlotQA-v2, поэтому отдельный приоритетный язык не выделен.

Модель разработана muhammadkwanso как дообученная версия unsloth/Meta-Llama-3.1-8B-bnb-4bit. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста; конкретная специализация дообучения в карточке не описана. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно до 131 072 токенов. Веса представлены в формате safetensors. Для обучения использовались Unsloth и библиотека TRL. Лицензия — Apache 2.0.

Diary14 разработала адаптер LoRA для RoBERTa-base, предназначенный для бинарной классификации тональности английского текста. Модель использует архитектуру RoBERTa для классификации последовательностей; общий размер указан как 151,8 млн параметров, длина контекста — 514 токенов. Она выдаёт метку POSITIVE или NEGATIVE и может применяться без дополнительного дообучения, например, для анализа отзывов о товарах. Лицензия — MIT. Карточка не сообщает, на каких данных обучалась модель и каковы результаты её оценки. Поэтому её качество на текстах вне сценария отзывов и устойчивость к смещению данных не установлены.

ruGPT-3 Medium — русскоязычная авторегрессионная языковая модель семейства GPT-2, разработанная командой SberDevices. Модель предварительно обучена на 80 млрд токенов в течение трёх эпох, а затем дообучена с контекстом 2048 токенов; для предварительного обучения использовалась длина последовательности 1024 токена. В карточке указана perplexity 17,4 на тестовом наборе. Модель предназначена для генерации текста на русском языке и может использоваться для продолжения заданного текста и создания русскоязычных текстовых черновиков. Архитектура — плотная GPT-2 с головкой языкового моделирования; репозиторий содержит веса PyTorch. Описание архитектуры, предварительного обучения и оценки приведено авторами в препринте о семействе предварительно обученных трансформерных языковых моделей для русского языка. Это базовая языковая модель, поэтому качество ответов зависит от формулировки запроса и может уступать специализированным или инструкционно дообученным моделям. Лицензия в предоставленных источниках не указана.

Stockmark-100b — плотная авторегрессионная языковая модель семейства Llama, разработанная компанией Stockmark Inc. и обученная с нуля на корпусе примерно из 910 млрд токенов японского и английского текста. Модель насчитывает 95,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 4096 токенов. Для обучения использовались, среди прочего, японские веб-страницы о бизнесе, патенты, Википедия и англоязычная выборка RedPajama-Data. Модель предназначена для генерации текста на японском и английском языках, включая деловые вопросы и ответы. В README приведены результаты оценок отдельной инструкционной версии stockmark-100b-instruct-v0.1; они не характеризуют напрямую базовую модель. Указанная лицензия — MIT. Ограничение контекста составляет 4096 токенов; для диалогов и выполнения инструкций в README выделена отдельная инструкционная версия.

T3qm7Strangemerges_32-7B — автоматически созданное Maxime Labonne слияние двух моделей Mistral: nlpguy/T3QM7 и Gille/StrangeMerges_32-7B-slerp. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. README описывает слияние методом SLERP с настройками для слоёв self-attention и MLP. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Tulu V2.5 DPO 13B UltraFeedback Overall — это англоязычная чат-модель-помощник, разработанная Allen Institute for AI (AI2). Она построена на плотной архитектуре Llama и содержит 12,9 млрд параметров. Модель дообучена на Tulu 2 с помощью DPO: примеры из набора UltraFeedback ранжировались по общей оценке, чтобы определить предпочтительные и отклонённые ответы. Для диалога использует шаблон чата, включённый в токенизатор; длина контекста — 4096 токенов. Модель предназначена для следования инструкциям, ответов на вопросы и генерации текста в диалогах с помощником. Она обучалась на смеси инструкций и синтетических диалогов, а затем на данных предпочтений. Лицензия — Apache 2.0. Модель не была специально выровнена для безопасных ответов и не использует фильтрацию ответов во время работы, поэтому может выдавать проблемный контент, особенно по соответствующим запросам. Языковая поддержка заявлена для английского.

Tulu V2.5 PPO 13B — англоязычная разговорная модель-помощник, разработанная Allen Institute for AI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на базе allenai/tulu-2-13b с помощью PPO на промптах UltraFeedback и 70-миллиардной reward-модели, обученной на предпочтениях UltraFeedback. Контекст модели составляет 4096 токенов. Модель предназначена для диалогов с помощником, выполнения инструкций и генерации текста общего назначения. В опубликованных оценках она превосходит Tulu 2+DPO 13B по некоторым показателям и показывает конкурентные результаты на тестах Open-Instruct, но уступает более крупной модели на сложных задачах рассуждения. Для качественной генерации следует использовать шаблон чата, предусмотренный токенизатором. Модель принимает текст и генерирует текст на английском языке. Лицензия — Apache 2.0. В RLHF-фазе модель не была специально выровнена для безопасных ответов и не снабжена встроенной фильтрацией, поэтому может выдавать проблемный контент, особенно при соответствующих запросах.

YamT3qm7xp_Strangemerges_30Pastiche — объединённая модель на архитектуре Mistral, созданная из automerger/YamT3qm7xp-7B и automerger/Strangemerges_30Pastiche-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. Сведений о специализации, языках и известных ограничениях в карточке нет.

Zero-Sentiment-0.2M — компактная модель классификации тональности текста, обученная разработчиком fromziro на 189 тысячах примеров из четырёх наборов данных. Она предназначена для определения эмоциональной окраски коротких текстов и выдаёт классы позитивной, нейтральной и негативной тональности с оценками уверенности. Модель содержит около 298 тысяч параметров и использует двунаправленную архитектуру с 12 слоями, GQA, RoPE, RMSNorm и SwiGLU; для токенизации применяется собственный словарь из 1024 токенов. Максимальная длина контекста — 96 токенов. В README приведена точность 70,34% на наборе Yelp Polarity; автор также отмечает, что модель лучше справляется с явно положительными и отрицательными формулировками, чем с тонкими, нейтральными и неоднозначными. Модель подходит для быстрого анализа коротких отзывов и сообщений, когда важны небольшой размер и скорость. Она выпущена под лицензией Apache-2.0.

Behemoth-123B-v2 — чат-модель BeaverAI, созданная на основе Mistral Large Instruct 2411 и объединённая с адаптером. Это плотная авторегрессионная модель семейства Mistral с 122,2 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса safetensors. Модель предназначена для диалогов и генерации текста, а шаблон Metharme с системными токенами позволяет задавать системные инструкции. Автор карточки сообщает об улучшениях относительно предыдущей версии, но не приводит количественных оценок. Модель рассчитана на творческие сценарии и общение; качество и устойчивость результатов могут зависеть от формата промпта. Лицензия указана как other, поэтому условия использования следует проверить в материалах репозитория.

Big Tiger Gemma 27B v1 — разговорная языковая модель TheDrummer на архитектуре Gemma 2. По карточке, это версия Gemma 27B с ослабленными отказами; модель предназначена для диалога и генерации текста. Метаданные указывают 27,6 млрд параметров, контекст 8192 токена и формат safetensors. Модель подходит для чат-ответов и свободной генерации текста. README заявляет редкие отказы, однако не приводит результатов оценки, описания обучения или сведений о поддерживаемых языках. Лицензия в предоставленных данных не указана.

CM-14 — плотная авторегрессионная языковая модель семейства Mistral на 7,1 млрд параметров, созданная объединением cookinai/CatMacaroni-Slerp и EmbeddedLLM/Mistral-7B-Merge-14-v0.2 методом Slerp с помощью mergekit. Модель предназначена для генерации текста; её нативная длина контекста составляет 32 768 токенов. Модель принимает текст и генерирует текст. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Информация о языках, специализированных областях и измеренных качествах модели не приведена.

Это англоязычная модель классификации тональности финансовых новостей, созданная mrm8488 путём дообучения microsoft/deberta-v3-small. Она предназначена для определения тональности предложений из финансовых новостей и может применяться для анализа новостных потоков и сортировки публикаций по тональности. В основе лежит архитектура DeBERTa V3 с шестью слоями и размером скрытого представления 768; общий размер модели по метаданным — 155 млн параметров, контекст — до 512 токенов. В README указана оценка F1 0,994 на тестовом наборе из 4 840 предложений англоязычных финансовых новостей с метками тональности. Модель распространяется по лицензии MIT. Результаты на этом наборе не гарантируют такую же точность на других источниках и типах финансового текста. README не уточняет название набора данных и детальную схему классов тональности.

rogelioplatt/distilbert-base-multilingual-cased-Sent_Negativo_Esp — дообученная модель Rogelio Platt на базе distilbert-base-multilingual-cased для классификации тональности испанских текстов с определением негативной тональности. Модель использует архитектуру DistilBERT для классификации последовательностей, работает с текстом и принимает контекст длиной до 512 токенов. В README указаны точность 0,9483 и значение loss 0,1577 на оценочном наборе, однако набор данных назван None, а описание обучения и оценки не раскрыто. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет состав классов и ограничения применения, поэтому результаты следует проверять на данных целевого сценария.

aatmasidha/distilbert-base-uncased-finetuned-emotion — модель классификации текста, созданная дообучением distilbert-base-uncased. Она предназначена для определения эмоциональной категории текста и выдаёт метку класса. В README указаны результаты на тестовой выборке: accuracy 0,923 и F1 0,923; датасет и состав классов не раскрыты. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом на входе и рассчитана на контекст до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Поскольку обучающий датасет и набор эмоциональных меток не описаны, качество и применимость результатов за пределами указанной оценки трудно определить.