III.2Исследование рынка и маркетинг

Модель ribhu/llama13b-32k-illumeet-finetune разработана ribhu как дообученная версия unsloth/llama-2-13b-bnb-4bit. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 12,9 млрд параметров. Она предназначена для генерации текста; в метаданных указан контекст длиной до 32 768 токенов и поддержка английского языка. Модель обучалась с использованием Unsloth и библиотеки TRL; репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, результаты оценки качества или дополнительные сценарии, поэтому пригодность для конкретных задач следует проверять на собственных данных.

Bigdefence разработала эту плотную авторегрессионную языковую модель на архитектуре Llama 3.1 и дообучила её на базе meta-llama/Meta-Llama-3.1-8B с использованием набора MarkrAI/KoCommercial-Dataset. Модель содержит 7,5 млрд параметров, принимает текст и предназначена для генерации текста, прежде всего на корейском языке. Модель подходит для создания корейских текстов и ответов на запросы на корейском языке. Заявленная длина контекста составляет 131 072 токена. Файлы весов представлены в формате Safetensors; модель распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять отдельно.

DiscoResearch/Llama3-German-8B — языковая модель DiscoResearch на основе Meta Llama 3 8B, дообученная продолжением предобучения на 65 млрд токенов немецкоязычных данных. Она предназначена для генерации текста на немецком языке и может применяться для ответов на вопросы, подготовки черновиков и других задач с немецким текстом. Модель использует плотную архитектуру Llama для причинной генерации текста; размер составляет 7,5 млрд параметров, контекст — 8192 токена. В карточке приведены результаты начальных экспериментов на нескольких бенчмарках, но они не гарантируют качество на конкретных прикладных задачах. Модель распространяется в формате safetensors по лицензии Llama 3.

LongWriter-glm4-9b — языковая модель для диалоговой генерации текста, разработанная на основе GLM-4-9B. Она предназначена для создания очень длинных ответов: модель способна генерировать более 10 000 слов за один запрос. В качестве примера приводится написание подробного путеводителя; также модель можно развернуть с помощью Transformers или vLLM. Модель имеет плотную архитектуру ChatGLMForConditionalGeneration и 11,4 млрд параметров. В метаданных указан контекст до 1 048 576 токенов; карточка демонстрирует генерацию с лимитом до 32 768 новых токенов. В тегах карточки указаны английский и китайский языки. Модель основана на GLM-4-9B и обучена на наборе LongWriter-6k. Лицензия — glm-4-9b License.

ytu-ce-cosmos разработала ModernBERT-TR Aspect Polarity — турецкий классификатор на базе ModernBERT примерно на 149 млн параметров. Он принимает предложение и указанный аспект, а затем определяет тональность именно этого аспекта: отрицательную, нейтральную или положительную. Модель дообучена на турецких отзывах и наборах пар «аспект — тональность»; поддерживает контекст до 8192 токенов. Модель предназначена для аспектно-ориентированного анализа тональности турецких отзывов, например для оценки отдельных характеристик товара в одном отзыве. На тестовом наборе ABSA-TR опубликованный чекпойнт получил macro-F1 72,87%. Доступны веса Safetensors и ONNX; лицензия — Apache-2.0. Результат может быть менее точным на текстах и предметных областях, отличающихся от турецких отзывов, использованных при обучении.

zelk12/MT3-Gen4-GP-gemma-2-MT5g3MT2g2-9B — слитая модель для генерации текста и диалогового общения, созданная автором репозитория с помощью mergekit. В основе архитектура Gemma 2 с плотной языковой моделью на 9 млрд параметров; модель использует формат safetensors и поддерживает контекст до 8192 токенов. Модель получена слиянием методом SLERP двух предварительно обученных моделей: zelk12/MT5-Gen3-gemma-2-9B и zelk12/MT2-Gen2-gemma-2-9B. Она предназначена для текстовых запросов и генерации ответов в сценариях общения с ассистентом. Метаданные указывают на поддержку чата, но README не описывает конкретные навыки, языки или сравнительные результаты. Лицензия в предоставленных данных не указана. Практические ограничения, помимо контекста до 8192 токенов, не описаны; качество ответов и пригодность для конкретных задач следует оценивать отдельно.

jniechcial/mt5-small-finetuned-amazon-en-de — модель преобразования текста в текст на базе Google mT5-small, дообученная для суммаризации. В карточке указаны результаты оценки: Loss 3,2592, ROUGE-1 14,8917, ROUGE-2 6,2159, ROUGE-L 14,3496 и ROUGE-Lsum 14,3149. Модель содержит 157,4 млн параметров и использует архитектуру MT5ForConditionalGeneration. По названию репозитория она ориентирована на данные Amazon на английском и немецком языках, однако README не описывает датасет и целевые сценарии подробнее. Веса опубликованы в формате safetensors; лицензия — Apache-2.0.

NeXGen — генеративная языковая модель CrabfishAI на архитектуре GPT-2 для создания и продолжения текста. Разработчик описывает её как базовую версию семейства NeXGen; в карточке также названы варианты NeXGen-small и NeXGen-large. Модель предназначена для творческого письма, подготовки черновиков и генерации текстового контента, включая истории, стихи, статьи, письма и публикации для социальных сетей. Модель принимает текст и генерирует текст, поддерживает английский язык. В метаданных указан контекст длиной 1024 токена. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors; лицензия — MIT. Карточка предупреждает о возможных фактических, грамматических и тематических ошибках, предвзятости и неуместном содержании; результаты следует проверять, а модель не рекомендуется для критически важных приложений.

Open-Platypus-Llama-2-7b-hf — дообученная Garage-bAInd модель семейства Llama 2 для генерации текста. Она основана на meta-llama/Llama-2-7b-hf и обучена на наборе данных Open-Platypus; подходит для генерации ответов и выполнения текстовых инструкций на английском языке. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка содержит мало сведений о качестве и специализированных возможностях модели, поэтому её пригодность для конкретных задач следует оценивать отдельно.

Карточка модели jamessucla/retrobust_plusplus_combined_3b_f16 на Hugging Face совпадает с карточкой jamessucla/retrobust_plusplus_3b_f16, поэтому описание составлено по ней. Модель jamessucla/retrobust_plusplus_3b_f16 — дообученная языковая модель семейства Llama 3.2, загруженная scoliono. Она создана на базе unsloth/Llama-3.2-3B-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL для генерации текста. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста на английском языке. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированной области применения или дополнительных возможностях.

Rocket-3B — англоязычная чат-модель примерно на 2,7 млрд параметров, разработанная Pansophic на базе Stability AI StableLM-3B-4E1T. Это плотная GPT-подобная авторегрессионная модель, дообученная на общедоступных наборах данных с помощью Direct Preference Optimization (DPO); для диалога используется формат ChatML. Контекст — до 4096 токенов. Модель предназначена для диалогов, следования инструкциям и генерации развернутых текстовых ответов. В README приведены результаты оценок MT-Bench и AlpacaEval, однако они не гарантируют аналогичного качества в конкретных задачах. Модель в основном рассчитана на английский язык; сведения о поддержке других языков не приводятся. Лицензия — CC-BY-SA-4.0. В карточке отмечено, что у модели нет встроенной фильтрации ответов и дополнительных механизмов безопасности, поэтому она может выдавать проблемный или токсичный текст.

RocRacoon-3b — языковая модель Aixon Lab для генерации текста и диалогов. Она представляет собой причинную Transformer-модель семейства Phi-3 и дообучена на microsoft/Phi-3-mini-128k-instruct; в метаданных указано 3,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для творческого письма, написания статей и тематических многоходовых бесед, а также для генерации связных ответов и другого текстового контента. README сообщает об английском языке как основном и допускает поддержку других языков, но подтверждённых сведений о них нет. В карточке заявлены улучшения связности и креативности относительно базовой модели, однако подробные метрики оценки ещё собираются. Возможны унаследованные смещения; результаты следует проверять, особенно в чувствительных сценариях. Лицензия — MIT.

slerpMergedgpt20.4 — плотная авторегрессионная языковая модель семейства GPT-2, созданная с помощью mergekit объединением моделей /kaggle/working/gpt2 и /kaggle/working/gpt2_debias методом SLERP с параметром t=0.4. Модель предназначена для генерации текста по текстовому запросу и продолжения последовательностей. Она использует архитектуру GPT2LMHeadModel, библиотеку Transformers и веса в формате safetensors. Длина контекста составляет 1024 токена. Имя второй объединённой модели указывает на возможную настройку на снижение предвзятости, но карточка не описывает её обучение или подтверждённый эффект, поэтому нельзя делать выводы о качестве или степени снижения предвзятости. Лицензия в предоставленных данных не указана.

Minibase разработала компактную модель перевода испанского текста на английский на базе плотной архитектуры LlamaForCausalLM. Метаданные указывают 922,7 млн параметров, формат GGUF и контекст до 4096 токенов; в README также заявлена квантизация Q8_0 и размер файла 386 МБ. Модель рассчитана на локальный запуск и перевод без отправки данных во внешние сервисы. Основной сценарий — перевод с испанского на английский. В карточке также заявлены сохранение смысла и оттенков контекста, а также работа с новостными, литературными, техническими, деловыми и академическими текстами. Модель обучалась на парах испанских и английских текстов; указанные языки — испанский и английский. README приводит метрики на тесте из 20 примеров, поэтому эти результаты не гарантируют качество на других текстах. Модель распространяется по лицензии Apache-2.0. Среди ограничений README указывает, что она ориентирована только на испанский вход и английский выход, хуже справляется с узкоспециальной терминологией, а качество может зависеть от диалекта испанского. Для очень коротких и длинных текстов карточка не заявляет оптимальные характеристики; предпочтительным диапазоном названы 50–1000 слов.

TroyDoesAI/Unrestricted-Knowledge-Will-Not-Refuse-15B — разговорная языковая модель для генерации текста, созданная слиянием предобученных моделей с помощью mergekit и метода SLERP. В слиянии участвовали TroyDoesAI/Little-Too-Toxic и TroyDoesAI/UncensoredLM-Medium-NotLeft. Модель относится к семейству Mistral, использует плотную архитектуру MistralForCausalLM и содержит 14,7 млрд параметров. Модель предназначена для диалоговой генерации текста. Заявленная длина контекста составляет 1 024 000 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о поддерживаемых естественных языках и лицензии в предоставленных материалах отсутствуют, поэтому условия распространения по ним определить нельзя.

ConicCat_Qwen3.5-27B-Writer-GGUF — это набор GGUF-квантизованных версий текстовой генеративной модели ConicCat/Qwen3.5-27B-Writer. Исходную модель разработала ConicCat, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на генерацию текста и сценарии письма; точные языки, размер контекстного окна и детали архитектуры в README не указаны. Доступны варианты от BF16 и Q8_0 до более компактных Q6, Q5, Q4, Q3 и IQ-квантизаций с размером файлов примерно от 13,66 до 53,81 ГБ. Более высокие разрядности обычно обеспечивают лучшее сохранение качества, а компактные варианты снижают требования к памяти. Набор можно использовать через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты; для новых форматов может потребоваться обновление программного обеспечения. К сильным сторонам относятся широкий выбор компромиссов между качеством и потреблением памяти, поддержка локального запуска и наличие вариантов, рекомендованных автором для высокого или сбалансированного качества. Ограничения связаны с потерями качества при низкоразрядной квантизации, значительными требованиями к дисковому пространству и отсутствием в README подробных сведений о возможностях, языковой поддержке и контекстном окне. Модель распространяется по лицензии Apache-2.0.

Модель hazrulakmal/distilbert-optimised-finetuned-financial-sentiment — дообученная версия distilbert-base-uncased для классификации тональности финансовых текстов. Она построена на DistilBERT и предназначена для определения эмоциональной окраски финансовых высказываний; поддерживает входной контекст длиной до 512 токенов. В карточке приведены результаты оценки: accuracy 0,8582 и F1 0,8581 при loss 0,3112. Данные для обучения обозначены как None, поэтому результаты нельзя уверенно переносить на конкретные источники и типы финансовых текстов. Модель опубликована под лицензией Apache-2.0.

FinSentinel — модель Ahmed Walid BOUANZOUL для классификации тональности финансовых текстов на французском языке. Она дообучена на базе camembert-base на 12 816 финансовых предложениях и относит текст к одному из трёх классов: негативная (Bearish), позитивная (Bullish) или нейтральная тональность. Модель использует архитектуру CamemBERT с 137,8 млн параметров и принимает текст длиной до 514 токенов. В README указаны точность 78,08% и F1 0,7759; качество неодинаково по классам: нейтральный класс распознаётся заметно лучше, чем негативный и позитивный. Модель распространяется по лицензии MIT.

Anwaarma/Improved-xlm-attempt2 — дообученная модель классификации текста на базе многоязычной XLM-RoBERTa, исходная модель предназначена для определения тональности твитов и коротких текстов. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метку класса; максимальный контекст — 514 токенов. На оценочном наборе указаны accuracy 0,87 и loss 0,3637. Данные обучения и точное назначение классов не описаны, поэтому результаты нельзя уверенно переносить на другие наборы данных и сценарии. Модель опубликована в формате PyTorch; лицензия в предоставленных сведениях не указана.

Карточка модели internlm/internlm-xcomposer-vl-7b на Hugging Face совпадает с карточкой internlm/internlm-xcomposer-7b, поэтому описание составлено по ней. 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.

LaMini-GPT-774M — языковая модель серии LaMini-LM, разработанная MBZUAI и представленная в работе «LaMini-LM: A Diverse Herd of Distilled Models from Large-Scale Instructions». Это декодерная GPT-2-модель, дообученная на 2,58 млн примеров набора LaMini-instruction для выполнения инструкций на естественном языке. В метаданных указаны архитектура GPT2LMHeadModel, формат PyTorch, английский язык и контекст длиной 1024 токена. Модель предназначена для ответов на инструкции и генерации текста. Авторы рекомендуют использовать шаблон обёртки, на котором проводилось дообучение, чтобы получить более качественные ответы. В README упоминаются автоматическая и пользовательская оценки, но подробности результатов здесь не приведены. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое.

LongWriter-llama3.1-8b — языковая модель семейства Llama, разработанная командой zai-org на основе Meta-Llama-3.1-8B и дообученная для генерации длинных текстов. Она предназначена для сценариев, где нужно получить связный ответ объёмом более 10 000 слов за один запрос, например развернутый материал или продолжение длинного текста. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она работает через Transformers и поддерживает контекст до 131 072 токенов. В карточке указаны английский и китайский языки. Для использования требуется соблюдать шаблон диалога LongWriter; системное сообщение необязательно. В README также приведены варианты развертывания через Transformers и vLLM. Модель распространяется по лицензии Llama 3.1. Карточка подтверждает специализацию на длинной генерации, но не приводит оценок качества, поэтому результат стоит проверять на соответствие запросу и фактическую точность.

Lumosia-v2-MoE-4x10.7 — экспериментальная разговорная языковая модель серии Lumosia, построенная на архитектуре Mixtral MoE и предназначенная для роли универсального помощника. В README модель описана как сочетание удачных моделей Solar, выбранных с учётом пользовательского опыта; формат репозитория — safetensors, размер — 10,6 млрд параметров. Модель ориентирована на диалог и запросы, задаваемые обычными фразами, а не ключевыми словами. Автор README заявляет контекстное окно 8 тысяч токенов с сохранением связности до 16 тысяч, тогда как метаданные указывают native context в 4096 токенов. Поэтому практическую длину контекста следует считать неопределённой и сверять с используемой конфигурацией. В карточке нет сведений о поддерживаемых естественных языках или опубликованных значениях оценок: таблица содержит только часть метрик. Модель распространяется по лицензии Apache-2.0. README характеризует её как экспериментальную; результаты и пригодность для конкретных сценариев требуют самостоятельной проверки.

MaziyarPanahi/M7Yamshadowexperiment28_Strangemerges_32Strangemerges_30 — языковая модель для генерации текста, полученная слиянием двух моделей: automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32Strangemerges_30-7B. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; опубликована в формате safetensors. Модель предназначена для генерации текста по текстовому запросу. Контекст составляет до 32 768 токенов. В карточке не описаны специальные сценарии, языки или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

Модель CRWU1/model — дообученная CRWU1 языковая модель семейства Llama для генерации текста. Она основана на unsloth/meta-llama-3.1-8b-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и рассчитана на контекст до 131072 токенов. Модель подходит для генерации текста на английском языке. Репозиторий содержит веса в формате PyTorch; лицензия — Apache-2.0. Карточка не описывает специализацию дообучения или результаты оценки качества, поэтому применимость к узким задачам не подтверждена.

quangvu197/mt5-small-finetuned-amazon-en-es — дообученная модель Google mT5-small для суммаризации. Она построена на архитектуре MT5ForConditionalGeneration с плотными слоями и содержит 157,4 млн параметров; веса представлены в формате safetensors. Название репозитория указывает на настройку для Amazon и английского и испанского языков, однако README не раскрывает назначение датасета и подробности обучения. Модель предназначена для создания краткого текста по входному тексту. Базовая mT5 — многоязычная модель преобразования текста в текст, но результаты этой версии приведены только для суммаризации: ROUGE-1 17,37, ROUGE-2 8,68 и ROUGE-L 16,97 на оценочном наборе. Эти показатели не позволяют оценить качество для иных языков или типов документов. Использование регулируется лицензией Apache-2.0.

Jaykl2910/phobert-vietnamese-sentiment — модель классификации текста, созданная дообучением PhoBERT-base-v2 от VinAI для анализа тональности вьетнамского текста. Она предназначена для определения тональности отдельных текстов; в README приведены результаты оценки: accuracy 0,9378 и macro-F1 0,8704, но набор данных и схема меток не описаны. Модель основана на архитектуре RoBERTa и содержит 162,4 млн параметров; длина контекста — 258 токенов. Доступна в формате safetensors для библиотеки Transformers. Лицензия — AGPL-3.0.

Модель Kostya165/rubert_tiny2_russian_emotion_sentiment разработана как дообученная версия cointegrated/rubert-tiny2 — компактного BERT-энкодера с 29 млн параметров. Она классифицирует русскоязычные сообщения по пяти категориям: агрессия, тревожность, нейтральное состояние, позитив и сарказм. Модель принимает текст и выдаёт метку класса; для работы с ней в README указаны Transformers и PyTorch. Длина контекста составляет 2048 токенов. На валидации автор сообщает accuracy 0,8911 и macro F1 0,8910; точность для сарказма ниже, чем для остальных классов, — 0,8426. Модель можно применять для анализа тональности и эмоций в русскоязычных сообщениях, однако качество на других источниках текста может отличаться. Обучение выполнено на датасете Kostya165/ru_emotion_dvach. Лицензия — CC-BY-SA 4.0.

test2 — объединённая языковая модель, созданная alnrg2arg с помощью mergekit из udkai/Turdus и fblgit/UNA-TheBeagle-7b-v1. Это плотная Mistral-модель с 7,1 млрд параметров, предназначенная для генерации текста. В README указан метод слияния slerp и базовая модель udkai/Turdus; метаданные указывают контекстное окно 32 768 токенов и формат safetensors. Модель подходит для генерации и продолжения текста в сценариях, где используется совместимая с Mistral text-generation модель. Карточка не сообщает о специальных языках, доменах или дополнительных возможностях. Распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

WMT 21 En-X — мультиязычная модель машинного перевода, разработанная Facebook и впервые представленная в исследовательской работе. Это архитектура encoder-decoder семейства M2M100, обученная переводить с английского на семь языков: хауса, исландский, японский, чешский, русский, китайский и немецкий. По README размер модели составляет 4,7 млрд параметров, а метаданные каталога указывают 1,9 млрд параметров; поэтому точный размер по доступным сведениям расходится. Метаданные указывают контекст 1024 токена и формат PyTorch. Модель предназначена для прямого перевода англоязычных текстов, включая новостные материалы и тексты других тематик. Для выбора языка перевода при генерации нужно задать целевой языковой токен как первый токен; README также рекомендует добавлять к входу доменный тег `wmtdata newsdomain` или `wmtdata otherdomain`. Репозиторий распространяется по лицензии MIT. Модель специализируется на переводе с английского и не заявляет перевод между остальными языками без английского как исходного. В README отдельно отмечена зависимость токенизатора M2M100 от SentencePiece.