III.2Исследование рынка и маркетинг

SenseNova-U1-8B-MoT-SFT — мультимодальная модель SenseNova, обученная для совместного понимания, рассуждения и генерации текста и изображений. Она построена на плотной архитектуре NEO-unify с MoT и содержит 8 млрд параметров. Модель принимает изображения и текст, поддерживает визуальное понимание, редактирование и генерацию изображений, а также создание чередующихся фрагментов текста и изображений в одном ответе. Модель предназначена для диалоговых сценариев, где нужно описывать или анализировать изображения, отвечать на вопросы по визуальному содержимому, редактировать изображения по текстовому запросу и создавать насыщенные информацией визуальные материалы. В README заявлена поддержка английского и китайского языков; веса доступны в формате safetensors. Лицензия — Apache 2.0. Это SFT-чекпойнт серии SenseNova-U1. В README также говорится, что финальные модели серии после этапов унифицированного обучения проходят начальный раунд обучения с подкреплением для генерации текста в изображение; не утверждается, что этот SFT-чекпойнт содержит этот этап. Показанный пример запуска редактирования использует репозиторий SenseNova-U1-8B-MoT, поэтому параметры контекста и отдельные характеристики именно варианта SFT не приведены. Опубликованные сведения не позволяют оценить ограничения качества на конкретных задачах.

Technographics Marketing Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком репозитория на базе BAAI/bge-base-en-v1.5 на 396 парах примеров по тематике маркетинга и technographics. Модель кодирует предложения и абзацы в плотные текстовые векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Контекст ограничен 512 токенами. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, связанных с маркетингом, сегментацией клиентов и технологическими профилями. Обучение Matryoshka позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64. Лицензия Apache-2.0. Небольшой обучающий набор ограничивает основания для ожиданий широкой предметной точности; качество следует оценивать на целевых данных.

Trendyol разработала Trendyol-LLM-7b-chat-v0.1 — чат-модель на основе Llama 2 7B с авторегрессионной плотной архитектурой LlamaForCausalLM. Модель содержит 6,7 млрд параметров, принимает текст и генерирует текст; максимальный размер контекста по метаданным — 4096 токенов. Чат-версия дообучена на 180 тысячах наборов инструкций с помощью LoRA. Она предназначена для диалогов и генерации ответов на текстовые запросы на турецком и английском языках. Распространяется в формате safetensors по лицензии Apache-2.0. Модель может выдавать неверную информацию, ошибаться на сленге и языках, отличных от английского и турецкого, а также генерировать предвзятый или вредоносный текст. Разработчик отмечает, что её надёжность в реальных сценариях широко не проверялась; результаты следует проверять, а для публичных приложений применять фильтры и человеческий контроль.

WangChanGLM-7.5B-sft-en — мультиязычная инструкция-ориентированная модель, разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand. Это дообученная на инструкциях версия Facebook XGLM-7.5B с архитектурой XGLMForCausalLM; в репозитории представлены веса PyTorch. Модель содержит 8,6 млрд параметров и поддерживает контекст до 2048 токенов. Модель предназначена для ответов на вопросы по тексту, мозгового штурма и творческого письма. Англоязычный вариант дообучен на наборе инструкций на английском; авторы также оценивали возможности работы на тайском, японском и вьетнамском. Для лицензии модели указана CC-BY-SA 4.0. Модель может быть полезна для типовых задач следования инструкциям, но авторы предупреждают о слабых результатах в математике, рассуждениях и фактической точности, а также о нежелательных предубеждениях и токсичных ответах. Перед применением в конкретном сценарии её следует оценить и при необходимости дополнительно настроить.

Azure_Dusk-v0.2 — разговорная языковая модель семейства Mistral, созданная Epiculous на базе Mistral-Nemo-Base-2407. Модель дообучена в два этапа с помощью RSLoRA: сначала на данных для ролевого общения, затем на инструктивных данных. Она принимает текст и генерирует текст, поддерживает шаблон диалога ChatML и предназначена для ролевых сценариев, написания текстов и выполнения инструкций. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и распространяется в формате safetensors. В карточке заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков, а длина контекста указана как 1 024 000 токенов. Для использования автор рекомендует формат ChatML; приведённые в README результаты Open LLM Leaderboard включают средний балл 14,03, IFEval 34,67 и BBH 17,40. Модель распространяется по лицензии Apache-2.0. README не приводит подробных сведений о качестве на отдельных языках и сценариях; заявленная длина контекста не сопровождается описанием условий её практического использования.

swardiantara/bert-tiny-amazon_reviews-k3-fixed-cosine — компактная модель Sentence Transformers, дообученная автором swardiantara на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает двухслойный BERT с усредняющим pooling; в метаданных указано 4,4 млн параметров. Модель принимает текст, поддерживает последовательности длиной до 128 токенов по карточке модели и имеет предел контекста 512 токенов в метаданных. Обучение проводилось на 200 120 парах текстов и оценок, связанных с отзывами Amazon. Это делает модель подходящей для поиска похожих отзывов и извлечения текстов по смысловой близости. Базовая модель англоязычная, и примеры обучающих данных также на английском; подтверждений поддержки других языков нет. Лицензия в предоставленных источниках не указана.

Copywriter-Gemma4-31B — дообученная модель на 31 млрд параметров, созданная независимым разработчиком на базе Google Gemma-4-31B-it. Она предназначена для написания маркетинговых текстов: объявлений, писем, посадочных страниц, описаний товаров, сценариев и сообщений для рекламных и клиентских кампаний. Модель использует архитектуру Gemma 4 и распространяется в формате safetensors; карточка указывает библиотеку Transformers и лицензию Gemma. Модель ориентирована на англоязычный direct-response копирайтинг: помогает готовить тексты с выразительными заголовками, конкретными выгодами и краткими формулировками. В описании приводится сравнение с базовой моделью на 30 заданиях, где оценивание выполнялось языковой моделью-судьёй; результаты относятся к этому набору заданий и не гарантируют аналогичного качества для других сценариев. Ограничения: специализация модели — маркетинг на английском языке; для длинных списков возможны повторы. Модель не проверяет достоверность рекламных утверждений, поэтому тексты требуют проверки фактов, соответствия требованиям и безопасности бренда; она не предназначена для медицинских, юридических, финансовых или критически важных рекомендаций.

MaziyarPanahi/Experiment28M7_Strangemerges_32Inex12 — объединённая модель Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана слиянием automerger/Experiment28M7-7B и automerger/Strangemerges_32Inex12-7B и предназначена для генерации текста; поддерживает контекст до 32 768 токенов. Модель подходит для генерации и продолжения текста, а также для диалоговых сценариев на основе текстовых запросов. Данные карточки не уточняют специализацию, языки или результаты оценки качества, поэтому их нельзя уверенно определить. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Это модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, дообученная для работы с парами текстов о продуктах питания. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Архитектура включает MPNet, усреднение токенов при пулинге и нормализацию; в метаданных указан контекст до 514 токенов, а в README — максимальная длина последовательности 384 токена. Модель предназначена для семантического поиска и сравнения названий продуктов и других коротких текстов, а также для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для обучения указаны 1,2 млн пар текстов и CosineSimilarityLoss. README приводит высокие значения корреляции на валидационном наборе, однако его состав и область применимости не уточнены. Сведений о лицензии в предоставленных данных нет.

GrayLine — диалоговая языковая модель, созданная на основе Qwen3-14B и дообученная soob3123. Она предназначена для прямых ответов на вопросы, выполнения инструкций и диалогов без встроенных этических фильтров и склонности добавлять предупреждения или комментарии. Модель принимает текст и генерирует текст; её архитектура — плотная Qwen3ForCausalLM, размер — 14 млрд параметров, контекст — до 40 960 токенов. В метаданных указан английский язык. Модель ориентирована на ответы по широкому кругу тем и исполнение текстовых запросов; в карточке также заявлено использование для поиска информации и ответов в стиле рассуждений. Такая настройка может быть полезна там, где нужны краткие прямые ответы, но модель может выдавать вредный, неподходящий или недостоверный контент без предупреждений и гарантий точности. Доступна по лицензии Apache-2.0.

Модель daliabess7/Llama-3.1-8B-lora-merged — дообученная автором daliabess7 версия текстовой модели Llama 3.1 8B от Meta. Она предназначена для генерации текста; карточка не описывает специализацию или конкретный сценарий дообучения. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Веса опубликованы в формате safetensors, лицензия — Apache 2.0. В README указано, что обучение проводилось с использованием Unsloth и библиотеки TRL для Hugging Face. Метаданные отмечают английский язык, однако дополнительных сведений о языковых возможностях и качестве модели нет.

Jolly-Q/Llama-3.3-70B-Inst-Ablit-Flammades-SLERP — диалоговая языковая модель, созданная автором репозитория слиянием моделей flammenai/Llama3.1-Flammades-70B и huihui-ai/Llama-3.3-70B-Instruct-abliterated методом SLERP с помощью mergekit. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 69,5 млрд параметров; её контекстное окно составляет 131 072 токена. Модель предназначена для генерации текста и диалогов с более человечной и творческой манерой ответов при следовании инструкциям. Карточка приводит пример ролевого диалога и отмечает, что результаты зависят от настроек семплирования; автор сообщает о случаях, когда модель продолжала генерировать чрезмерно длинные ответы. Указана лицензия llama3.3.

Llama 4 Scout 17B 16E Instruct — мультимодальная инструкционная модель Meta для диалогов и визуального рассуждения. Она использует авторегрессионную архитектуру Mixture of Experts с ранним объединением модальностей; в активной конфигурации заявлено 17 млрд параметров и 16 экспертов. Модель принимает текст и изображения и предназначена для понимания изображений, визуального распознавания, создания описаний и ответов на вопросы по изображениям. Модель поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. В карточке указано, что проверено понимание до пяти входных изображений; для большего числа изображений требуется дополнительная проверка и настройка. Модель выпущена как статический чекпойнт, обученный на офлайн-данных. Для использования доступны веса в формате safetensors через Transformers. Лицензия — собственное коммерческое соглашение Llama 4 Community License; применение регулируется его условиями и Acceptable Use Policy.

MaziyarPanahi/M7Yamshadowexperiment28_AlloyingotneoyExperiment26 — объединённая модель Mistral для генерации текста, созданная путём слияния двух моделей: automerger/M7Yamshadowexperiment28-7B и automerger/AlloyingotneoyExperiment26-7B. Она имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Модель подходит для сценариев генерации текста. В README не описаны специальные предметные области, языки, отдельные возможности чата или результаты оценки качества. Распространяется в формате safetensors по лицензии Apache-2.0.

clibrain/mamba-2.8b-chat-no_robots — разговорная модель для генерации текста и выполнения инструкций, созданная дообучением Mamba на датасете HuggingFaceH4/no_robots. В карточке указана архитектура Mamba — модель пространства состояний с аппаратно-ориентированной реализацией; метаданные указывают 6 млрд параметров и формат PyTorch. Модель предназначена для диалогов, генерации ответов, открытых вопросов, мозгового штурма и других преимущественно одношаговых инструкций. Датасет содержит 10 000 примеров, созданных людьми-аннотаторами; карточка характеризует его как данные для supervised fine-tuning улучшения следования инструкциям. Основной язык модели — английский. Карточка модели помечена как незавершённая, а результаты оценки не приведены. Лицензия указана как WTFPL.

NAMAA-T5-Saudi2English — модель машинного перевода, разработанная NAMAA-Space для перевода саудовского разговорного арабского на английский. Она дообучена на базе T5 с инициализацией эмбеддингов mBERT и использует архитектуру T5 Encoder–Decoder с 183,7 млн параметров. Модель предназначена для перевода текстов на диалектах Наджд, Хиджаз, Южного, Северного и Восточного регионов Саудовской Аравии, включая сообщения в социальных сетях, разговорные выражения и местную лексику. В обучающем наборе около 120 тысяч пар предложений из разговорных, культурных, социальных и устных источников. В оценке на поддиалектах качество заметно различается: средний BLEU составил около 19,8, а отдельные группы показали низкие результаты. Модель принимает арабский текст и генерирует английский перевод. Для её использования применяются Transformers и веса Safetensors. Лицензия Apache-2.0.

NeuralsirkrishnaShadow_YamExperiment24 — объединённая модель генерации текста, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/YamExperiment24-7B. В карточке Hugging Face указаны архитектура Mistral с плотной причинно-языковой моделью, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Лицензия — Apache-2.0. README не приводит специальных сценариев применения или результатов оценки качества, поэтому практическую пригодность для конкретных задач следует проверять отдельно.

ZeroXClem/Qwen2.5-7B-HomerCreative-Mix — языковая модель, созданная ZeroXClem слиянием четырёх предварительно обученных моделей семейства Qwen2.5 методом Model Stock с помощью mergekit. Она объединяет возможности для творческой генерации, следования инструкциям и диалогов. Модель предназначена для генерации текста, интерактивного сторителлинга и ролевых диалогов, а также для создания маркетинговых материалов, объяснений и ответов на вопросы. Архитектура — плотная Qwen2, 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Карточка указывает английский язык. Репозиторий содержит веса safetensors; конфигурация слияния использует bfloat16 и INT8-маску. Модель рассчитана на запуск через Transformers и требует достаточных вычислительных ресурсов, особенно GPU. Для специализированных сценариев может потребоваться дополнительная настройка; результаты для перечисленных применений не гарантированы. Лицензия — Apache-2.0.

alunadiderot подготовил модель классификации текста на базе SetFit и intfloat/multilingual-e5-base. Она дообучена методом few-shot: Sentence Transformer сначала адаптирован контрастивным обучением, затем поверх его признаков обучен классификатор LogisticRegression. Модель распределяет тексты по 12 категориям; среди примеров в карточке указаны Business и Politics. Заявленная точность на наборе оценки составляет 0,8222. Модель предназначена для тематической классификации коротких текстов, например новостных статей и сообщений. Архитектура включает XLM-RoBERTa, размер составляет 305,2 млн параметров, максимальная длина последовательности — 512 токенов. Базовая модель multilingual-e5-base ориентирована на многоязычные текстовые эмбеддинги; конкретный перечень поддерживаемых языков для классификатора не приведён. Лицензия в предоставленных данных не указана.

YamshadowStrangemerges_32_Experiment26Experiment26 — слитая языковая модель, опубликованная MaziyarPanahi. Она объединяет модели automerger/YamshadowStrangemerges_32-7B и automerger/Experiment26Experiment26-7B и предназначена для генерации текста. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Карточка не описывает специализированные области применения или языки, поэтому её можно рассматривать как модель общего назначения для генерации текста; сведений о сравнительных преимуществах и конкретных ограничениях качества нет.

Модель christian-phu/bert-finetuned-japanese-sentiment — BERT для классификации тональности японских отзывов. Она дообучена автором на базе cl-tohoku/bert-base-japanese-v2 на 20 000 предложениях из отзывов Amazon, размеченных как положительные, нейтральные или отрицательные. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров; модель принимает текст и обрабатывает контекст до 512 токенов. Модель предназначена для определения тональности японских предложений и отзывов, например, для анализа отзывов о товарах Amazon. В карточке приведены результаты оценки: accuracy 0,813 и F1 0,728. Эти показатели получены на указанном наборе данных и не гарантируют такого же качества на других текстах или доменах. Модель распространяется по лицензии CC BY-SA 4.0. Она обучена на отзывах Amazon, поэтому её пригодность для других жанров и языков не подтверждена.

beto-emotion-analysis — модель классификации текста, разработанная на основе BETO, испаноязычной версии BERT. Она дообучена на корпусе TASS 2020 Task 2 для распознавания эмоций в текстах на испанском языке. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель подходит для автоматической разметки эмоциональной окраски испаноязычных текстов, например сообщений и публикаций. Доступны веса в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

KOlCi выпустил модель distilbert-financial-sentiment — дообученную для классификации тональности финансовых текстов версию DistilBERT. Она основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBertForSequenceClassification. Модель принимает текст и относит его к классам тональности; карточка сообщает точность 0,8535 и значение loss 0,4849 на оценочном наборе, но не уточняет состав классов и набор данных. Модель подходит для автоматической разметки тональности финансовых новостей, комментариев и других текстов. Она работает с контекстом до 512 токенов, использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Англоязычная базовая модель указывает на английский язык, однако отдельное описание языков в карточке отсутствует.

tasinhoque/distilbert-go-emotions — модель классификации текста на основе DistilBERT, дообученная на наборе данных GoEmotions. Она предназначена для распознавания эмоциональных категорий в тексте и может применяться, например, для анализа пользовательских сообщений. Модель принимает текст, использует архитектуру DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,4287 и F1 0,4702. Эти показатели дают ориентир по качеству, но карточка не описывает схему меток, данные обучения и ограничения применения. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

MaziyarPanahi/Experiment26Yam_Experiment28Experiment29 — объединённая модель генерации текста на архитектуре Mistral, созданная слиянием automerger/Experiment26Yam-7B и automerger/Experiment28Experiment29-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и работы с длинными текстовыми запросами в сценариях, поддерживаемых базовыми моделями. Карточка не описывает специализированную предметную область или дополнительные возможности. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Experiment28M7_YamYam — объединённая модель семейства Mistral на 7,1 млрд параметров для генерации текста. По README, она создана слиянием моделей automerger/Experiment28M7-7B и automerger/YamYam-7B; репозиторий содержит веса в формате safetensors. Модель подходит для генерации текста по текстовому запросу, а её контекстное окно составляет до 32 768 токенов. В карточке не приведены сведения о специализации, поддерживаемых естественных языках или оценках качества. Модель распространяется по лицензии Apache-2.0. Поскольку это слияние двух моделей, её поведение и качество могут зависеть от задачи; независимые результаты оценки в предоставленных материалах отсутствуют.

Experiment28T3q_PasticheAlloyingotneoy — слитая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она объединяет automerger/Experiment28T3q-7B и automerger/PasticheAlloyingotneoy-7B и предназначена для генерации текста. Модель принимает текст и выдаёт текст; размер её контекстного окна — до 32 768 токенов. Карточка не описывает специализацию, языки или отдельные возможности диалогового взаимодействия. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Tencent HY-MT1.5-1.8B-GGUF — GGUF-версия модели перевода HY-MT1.5-1.8B, разработанной командой Tencent Hunyuan. Модель содержит 1,8 млрд параметров и предназначена для взаимного перевода между 33 языками, а также поддерживает 5 этнических и диалектных вариантов. Она ориентирована на высокую скорость и качество перевода, включая сценарии реального времени и развёртывание на периферийных устройствах после квантования. Модель подходит для машинного перевода общего назначения, терминологического вмешательства, контекстного и форматированного перевода. GGUF-вариант может использоваться с llama.cpp и Ollama; в README приведён пример квантования Q8_0. Заявляется производительность, лидирующая среди моделей сопоставимого размера, и качество, близкое к более крупной версии HY-MT1.5-7B. Поддерживаемые языки включают китайский, английский, французский, португальский, испанский, японский, турецкий, русский и другие языки из заявленного набора. README не указывает архитектуру базовой нейросети, размер контекстного окна, точный состав диалектов, результаты измерений, ограничения применения или лицензию. Поэтому эти характеристики нельзя надёжно определить по представленным данным; условия лицензирования требуют проверки в карточке модели или сопутствующих документах.

HenryJJ/Instruct_Mistral-7B-v0.1_Dolly15K — авторегрессионная языковая модель Mistral с 7,1 млрд параметров, дообученная HenryJJ на датасете Databricks Dolly 15k. README сообщает об обучении с LoRA в течение двух эпох и разделении данных на 90% для обучения и 10% для проверки. Модель предназначена для генерации текста по инструкциям, например для написания коротких текстов по заданной теме. Модель принимает текст и генерирует текст; в метаданных указан контекст 32 768 токенов, тогда как README сообщает об окне контекста 1 024 токена при обучении. Карточка называет английский основным языком. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. В README есть несогласованность в названии Mixtral и утверждении об архитектуре Llama 2; метаданные указывают на семейство Mistral и архитектуру MistralForCausalLM.

InternLM-XComposer-7B — мультимодальная модель семейства InternLM-XComposer, разработанная командой InternLM на основе InternLM. Это плотная авторегрессионная модель примерно на 6,9 млрд параметров с контекстом 2048 токенов, представленная в формате PyTorch и распространяемая по лицензии Apache-2.0. Модель предназначена для понимания изображений и текста, работы в роли ИИ-ассистента и создания материалов, в которых текст чередуется с изображениями. Она может составлять связные тексты по инструкциям, предлагать места для изображений, описывать визуальный контент и выбирать подходящие изображения. Карточка сообщает о мультиязычном обучении и результатах на англоязычных и китайских мультимодальных тестах. Для непосредственного понимания визуального содержимого модель принимает текст и изображения и формирует текстовые ответы. Указанное описание композиции с изображениями включает поиск и выбор изображений; карточка не уточняет, выдаёт ли этот репозиторий сами изображения. Данные о конкретных ограничениях применения не приведены.