III.2Исследование рынка и маркетинг

transformer3/H1-keywordextractor — модель суммаризации, созданная с помощью AutoTrain. Это плотная encoder-decoder модель семейства BART с 252,8 млн параметров, предназначенная для генерации краткого текста по входному тексту. Карточка указывает датасет transformer3/autotrain-data-finance6, поэтому модель обучалась на финансовых данных. Модель принимает текст и выдаёт текстовое резюме. Валидационные метрики карточки: ROUGE-1 30,417, ROUGE-2 20,332 и ROUGE-L 28,167; указанная средняя длина генерации — около 20 токенов. Максимальный контекст составляет 1024 токена. Модель опубликована в формате PyTorch под лицензией, не установленной по предоставленным сведениям.

HumanFlow-Llama3-8B — дообученная модель на основе Llama 3, разработанная для переписывания текста, сгенерированного ИИ, в более естественном и читаемом стиле. Она меняет не только отдельные слова, но также ритм предложений, структуру, тон и связность. Модель предназначена для редактирования и генерации текста, включая улучшение блогов, SEO-переписывание, персонализацию писем и интеграцию в контентные сервисы. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Она принимает текст и выдаёт текст; заявленная карточкой поддержка языка — английский. Указаны формат safetensors и библиотека Transformers. В README приведены внутренние оценки, но методика и независимая проверка не описаны, поэтому эти показатели не гарантируют качество на других типах текстов. Лицензия — Apache-2.0.

karcher_Merged_gpt2_0.4 — объединённая модель генерации текста на архитектуре GPT-2, созданная методом Karcher Mean с помощью mergekit. В слиянии использованы предварительно обученные модели /kaggle/working/gpt2 и /kaggle/working/debias_gpt2; токенизатор взят из GPT-2. Модель предназначена для продолжения текста и других задач генерации на основе текстового запроса. Модель работает с текстом и использует библиотеку Transformers; файлы представлены в формате safetensors. Контекст ограничен 1024 токенами. Карточка не сообщает результаты оценки качества или конкретные языки. Лицензия в предоставленных данных не указана.

Keural Cortex 8B v1.0 — выпущенная компанией MKD локально развёртываемая языковая модель для взаимодействия на корейском и английском языках в корпоративных приложениях. Это плотный decoder-only Transformer семейства Qwen3 с 7,6 млрд параметров и контекстом до 65 536 токенов; модель распространяется в формате safetensors и рассчитана на обслуживание через OpenAI-совместимый API vLLM. Модель предназначена для диалогов и генерации структурированных вызовов инструментов в корпоративных сценариях. При подключении приложением разрешённых инструментов она может формировать вызовы для веб-поиска, получения веб-страниц, поиска по документам и уточнения запроса. Самостоятельного доступа к интернету, документам или внешним действиям у неё нет: исполнение инструментов, разрешения и данные контролирует хост-приложение. В карточке описаны успешные проверочные сценарии работы через vLLM, включая корейский диалог и несколько типов вызовов инструментов. Эти проверки не заменяют оценку на рабочих данных. Ответы могут быть неточными или непоследовательными; модель не следует использовать как единственное основание для решений с высокими последствиями. Лицензия — Apache 2.0.

shitshow123/moe_scratch — языковая модель для генерации текста с архитектурой Mixtral и разреженной смесью экспертов (MoE). В репозитории указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат весов safetensors. Модель классифицирована для задачи генерации текста. Карточка README не содержит сведений о разработчике, обучении, языках, целевых сценариях или проверенных качествах. Лицензия — Apache-2.0.

Fixaro разработала модель много меточной классификации для выявления аспектов в отзывах на товары и услуги на бирманском языке. Это первый этап двухэтапного конвейера аспектно-ориентированного анализа тональности (ABSA): для каждого отзыва модель определяет наличие до пяти аспектов — качества товара или услуги, доставки и скорости выполнения заказа, цены и ценности, работы персонала и сервиса, а также разнообразия и доступности товаров. Модель основана на XLM-RoBERTa Base (xlm-roberta-base) с архитектурой XLMRobertaForSequenceClassification: 12 слоёв трансформера, размер скрытого представления 768 и классификационная голова с пятью выходами. Она содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Для обработки аспектов каждого отзыва используется независимая многометочная классификация; README сообщает Macro F1 0,9314 и Micro F1 0,9279 на тестовой выборке из 529 отзывов. Модель обучена на отзывах о товарах и услугах, поэтому её качество на других темах не гарантируется; возможны ошибки на смешанном бирманско-другом языке и неоднозначных отзывах. Порог 0,5 может потребовать настройки под конкретное применение. Лицензия — MIT.

Helsinki-NLP/opus-mt-es-ru — модель машинного перевода из испанского языка на русский, разработанная Helsinki-NLP в рамках проекта OPUS. Это Transformer-модель семейства MarianMT с архитектурой transformer-align, обученная на данных OPUS; перед обработкой применяются нормализация текста и токенизация SentencePiece. Размер модели — 57,6 млн параметров, максимальный контекст — 512 токенов. Доступны веса PyTorch и TensorFlow. Модель предназначена для перевода испанских текстов на русский, включая отдельные фразы и более длинные фрагменты в пределах контекста. В карточке приведены результаты на тестовых наборах newstest2012, newstest2013 и Tatoeba; качество зависит от тематики и формулировок текста. Распространяется по лицензии Apache-2.0.

Vicuna 13B Cocktail — экспериментальная доработанная версия Vicuna 1.1 от автора репозитория reeducator. Модель построена на плотной архитектуре Llama и содержит 12,9 млрд параметров; она предназначена для генерации текста в диалоговом формате, ответов на вопросы, творческого письма, ролевых игр и сторителлинга. В README описана цель усилить творческие способности Vicuna и уменьшить цензурирование. Для обучения использовались наборы ShareGPT, GPTeacher и другие датасеты Vicuna; модель обучена на формате диалога USER/ASSOCIATE. Модель ориентирована на английский язык, а её контекст составляет 2048 токенов. В метаданных указаны форматы PyTorch и Safetensors; в README также приведены варианты квантования для llama.cpp и GPTQ, однако карточка не описывает их как форматы текущих файлов модели. Модель может генерировать ответы на чувствительные и спорные темы, поэтому для пользовательских приложений может потребоваться отдельная проверка содержания. Условия лицензирования в предоставленных данных не указаны.

Это англоязычный Sentence Transformer, разработанный dtunkelang и дообученный на базе sentence-transformers/all-MiniLM-L6-v2 на парах запросов и документов, составленных из товарных данных Amazon ESCI. При обучении использовались сложные отрицательные примеры, найденные с помощью FAISS, и функция MultipleNegativesRankingLoss. Модель кодирует предложения и абзацы в нормализованные плотные векторы размерности 384 для семантического поиска и сравнения текстов по косинусному сходству. Она также подходит для поиска перефразирований, кластеризации и классификации текстов; в первую очередь настроена на сопоставление коротких товарных запросов с описаниями товаров. В README указана максимальная длина входа 256 токенов, а метаданные указывают контекст до 512 токенов; для практического использования следует учитывать ограничение из конфигурации Sentence Transformers. Модель содержит 25,9 млн параметров и распространяется по лицензии Apache-2.0.

Модель edumunozsala/bertin_base_sentiment_analysis_es — испаноязычный классификатор тональности, созданный Эдуардо Муньосом Салой. Это дообученная для классификации последовательностей модель RoBERTa на базе Bertin base, предобученной на испанской части mC4. Модель содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Она предназначена прежде всего для определения тональности испанских отзывов о фильмах; автор отмечает, что её можно применять и к другим отзывам. Обучение проводилось на сбалансированном наборе примерно из 50 тысяч испаноязычных кинорецензий. В описании приведены accuracy 0,899 и F1 0,899. Модель выдаёт метки классификации текста. Она лицензирована по Apache-2.0. Результаты описаны для отзывов о фильмах, поэтому качество на других жанрах и тематиках может отличаться.

Tayyab-ilyas/distilbert-finetuned-feedback — дообученная модель классификации текста на базе DistilBERT, разработанная пользователем Tayyab-ilyas. Она предназначена для отнесения входного текста к классам; название репозитория указывает на обратную связь как целевую область применения, однако карточка не раскрывает метки классов и конкретные сценарии. Модель использует архитектуру DistilBertForSequenceClassification, веса сохранены в формате safetensors, максимальная длина контекста составляет 512 токенов. Базовая модель — distilbert/distilbert-base-uncased, ориентированная на английский язык. В карточке приведено значение loss 0,5989 на оценочном наборе, но датасет указан как None, а его состав, метрики и условия оценки не описаны. Лицензия — Apache-2.0. Из-за недостатка сведений о классах и данных качество модели для конкретной задачи обратной связи следует оценивать отдельно.

metarank/esci-MiniLM-L6-v2 — модель эмбеддингов предложений, созданная Roman Grebennikov на базе sentence-transformers/all-MiniLM-L6-v2 и дообученная на датасете Amazon ESCI. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения текстов и кластеризации. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и ONNX. Обучение с MultipleNegativesRankingLoss и косинусным сходством ориентирует модель на сопоставление связанных текстов, что подходит, например, для поиска товаров по запросу. Карточка не сообщает лицензию, поэтому условия использования следует проверить отдельно. README не указывает языки обучения; не следует считать модель специально оптимизированной для русского языка.

EuroBERT-SentimentAnalysis-French — модель классификации тональности французских текстовых отзывов о категории «оснащение» в опросе об удовлетворённости ИТ. Она разработана на основе EuroBERT-210m и дообучена для отнесения текста к одному из трёх классов: NEGATIF, NEUTRE или POSITIF. Модель содержит 211,7 млн параметров, построена на архитектуре EuroBERT для классификации последовательностей и поддерживает контекст до 8192 токенов. Модель обучена на примерно 50 тысячах ответов из опроса; метки для обучающих данных были созданы с помощью Mistral Small 24B. Качество сравнивали с ручной разметкой 500 ответов. Возможны ошибки на субъективных или смешанных высказываниях: например, модель может переоценить локальные негативные замечания в целом положительном отзыве. Данные обучения несбалансированы по классам, а повторяющиеся ответы сохранены. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

ClaudioItaly/Evolutionstory-7B-v2.2 — объединённая языковая модель от ClaudioItaly, созданная с помощью mergekit методом SLERP на основе BarraHome/Mistroll-7B-v2.2 и ClaudioItaly/Evolutionstory. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса safetensors, библиотека — Transformers. Модель предназначена для связной генерации историй по заданной подсказке и может использоваться для ответов на вопросы по предоставленному контексту в сценариях RAG. В README отмечены результаты на IFEval и BBH, а также слабые результаты на сложных задачах по математике и рассуждению. Это указывает на пригодность для творческого письма и генерации текста, но не для точных вычислений или сложных формальных рассуждений. Лицензия — MIT. Язык модели и контекст её обучения не уточняются в предоставленных данных.

Модель heranm/finetuning-sentiment-model-3000-samples — дообученная версия distilbert-base-uncased для классификации тональности текстов отзывов. Она использует архитектуру DistilBERT и обучалась на датасете IMDb; в карточке указаны точность 0,8733 и F1 0,8766 на оценочной выборке. Модель рассчитана на классификацию текста, в частности отзывов о фильмах, в пределах контекста до 512 токенов. Модель принимает текст и выдаёт метку класса тональности. Она может быть полезна для автоматической сортировки отзывов и анализа мнений пользователей. Опубликована в формате PyTorch под лицензией Apache-2.0. Данные карточки не уточняют набор меток и ограничения применимости за пределами IMDb.

vashuag/HindiEmotion — модель классификации эмоций в тексте на основе Indic-BERT от AI4Bharat, дообученная разработчиком репозитория на датасете google_go_emotions_hindi_translated. Она принимает текст и оценивает вероятности шести классов: гнев, отвращение, радость, удивление, нейтральное состояние и грусть. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 266,8 млн параметров и поддерживает контекст до 512 токенов. Основной сценарий — определение эмоциональной окраски коротких сообщений на хинди, например отзывов или пользовательских обращений. В README приведены accuracy 0,8085 и F1 0,7983 на тестовой выборке из 47 примеров; результаты отдельных классов заметно различаются. Метрики в описании также содержат отдельные значения для другой оценки, поэтому их не следует считать гарантией качества на новых данных. Лицензия модели — MIT.

cringepnh разработал модель классификации корейских отзывов о покупках в Naver Shopping по четырём оценкам: 1, 2, 4 и 5. Это дообученный энкодер ELECTRA на базе monologg/koelectra-base-v3-discriminator с архитектурой ElectraForSequenceClassification; модель содержит 140,1 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель подходит для автоматической оценки отзывов покупателей и анализа качества товаров или обслуживания по корейским текстам. На указанном тестовом наборе она получила точность 71,66% и QWK 0,837. Оценка 3 отсутствует в обучающей выборке и среди выходных классов, поэтому модель не может её предсказать. Для применения на естественном потоке отзывов потребуется корректировать вероятности классов: исходный набор сбалансирован иначе, чем реальные оценки Naver Shopping. В README указана низкая полнота для оценки 4 — 13,5%, а также ограничение предметной областью отзывов Naver Shopping. Модель распространяется по лицензии MIT; для исходного набора данных отдельно заявлена лицензия Public Domain.

PeterBrendan дообучил модель PeterBrendan/llama-2-7b-Ads на базе meta-llama/Llama-2-7b-chat-hf на наборе из 7 097 примеров рекламных креативов для программной интернет-рекламы. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации рекламного текста по текстовым запросам, в том числе с учётом размеров рекламного блока. Контекст модели — 2 048 токенов; карточка указывает английский язык, формат весов — PyTorch. Модель подходит для создания черновиков рекламных объявлений и персонализированных вариантов текста для разных аудиторий и размеров креативов. Её специализация — рекламные креативы, поэтому качество для запросов вне этой области может быть ниже; результаты требуют проверки человеком. Лицензия — MIT.

LlamaForecaster-8B-i1-GGUF — квантизированная версия языковой модели LlamaForecaster-8B, разработанной nikhilchandak и дополнительно подготовленной в формате GGUF пользователем mradermacher. Модель обучалась с использованием набора данных OpenForesight и ориентирована на задачи прогнозирования, рассуждений, вопросно-ответного взаимодействия, reinforcement learning и калибровки ответов. Модель имеет размер 8 миллиардов параметров и поддерживает английский язык. Представлена в формате GGUF с различными вариантами квантизации i1 и imatrix, поэтому подходит для локального запуска при разных ограничениях по памяти и скорости. Доступны файлы размером примерно от 2,1 до 6,7 ГБ; варианты различаются компромиссом между качеством, скоростью и требованиями к ресурсам. Рекомендуемыми в README названы i1-Q4_K_M и i1-Q4_K_S, при этом качество некоторых низкобитных вариантов может быть существенно ниже. Сильной стороной модели является специализация на прогнозировании и связанных с ним рассуждениях, а также широкий выбор квантизированных сборок для локального использования. Ограничения включают отсутствие в README сведений о размере контекста, точных результатах тестирования, поддерживаемых модальностях помимо текстовой работы и подробностях обучения; качество зависит от выбранного варианта квантизации. В метаданных указана лицензия MIT.

MetaCLIP-2-Age-Range-Estimator — модель классификации изображений, разработанная prithivMLmods на основе facebook/metaclip-2-worldwide-s16 и дообученная для определения возрастной категории человека на фотографии. Она использует архитектуру MetaClip2ForImageClassification и относит изображение к одному из пяти классов: ребёнок 0–12 лет, подросток 13–20 лет, взрослый 21–44 года, средний возраст 45–64 года или 65 лет и старше. Модель предназначена для оценки возрастного распределения на изображениях и может применяться в исследованиях, розничной торговле и системах контроля доступа. Она принимает изображения и выдаёт метку возрастной категории. Модельный репозиторий использует Transformers и формат safetensors; базовая MetaCLIP 2 — мультиязычная модель сопоставления изображений и текста. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое применение.

ModernFinBERT — модель классификации тональности финансовых текстов, разработанная на базе ModernBERT-base. Она относит текст к одной из трёх категорий: NEGATIVE, NEUTRAL или POSITIVE. Модель содержит 149 млн параметров, использует архитектуру ModernBERT с rotary positional embeddings, Flash Attention и активациями GeGLU; поддерживает контекст до 8192 токенов. Модель предназначена для анализа тональности финансовых новостей, пресс-релизов, стенограмм звонков о доходах, вопросов аналитиков и финансовых сообщений. Она дообучена на финансовом корпусе, включающем FinancialPhraseBank и дополнительные примеры, созданные методом Verbalized Sampling. В README приведены результаты пятиблочной кросс-валидации: accuracy 81,41% и macro F1 77,66%. Модель рассчитана только на английские тексты и выдаёт три класса тональности без аспектного анализа или более детальных категорий. В новостной части обучающих данных преобладают пресс-релизы канадских горнодобывающих компаний, что может влиять на результаты в других финансовых отраслях. Лицензия — Apache-2.0.

NeuroFeel — компактная модель классификации текста, разработанная boltuix на основе NeuroBERT и дообученная для распознавания эмоций в коротких сообщениях. Она относит текст к 13 эмоциональным категориям и может использоваться для анализа тональности и эмоционального тона в чат-ботах, социальных сетях и приложениях для устройств с ограниченными ресурсами. Модель построена на архитектуре BERT: в карточке указаны 4 слоя, размер скрытого представления 256 и 8 голов внимания; метаданные Hugging Face указывают 16,2 млн параметров и контекст до 512 токенов, тогда как README описывает максимум 64 токена для входной последовательности. README заявляет об INT8-квантизации, размере около 25 МБ, работе офлайн и низкой задержке; доступный формат файлов — Safetensors. Поддерживается английский язык. NeuroFeel предназначена для присвоения коротким текстам эмоциональных меток, в том числе для маршрутизации сообщений поддержки, подбора реакций и локального анализа настроения. README заявляет высокую точность, но не приводит метрик или подробностей оценки, поэтому качество на конкретных данных следует проверять отдельно. Лицензия Apache-2.0 разрешает коммерческое и личное использование.

NoticIA-7B-i1-GGUF — квантизированная версия модели NoticIA-7B, разработанной somosnlp и дополнительно подготовленной в формате GGUF пользователем mradermacher. Модель обучалась на наборе данных NoticIA-it и ориентирована на испанский язык, задачи обработки новостей, суммаризации и выявления или генерации кликбейтных заголовков. Обозначение 7B указывает на размер порядка 7 миллиардов параметров; сведения об архитектуре и размере контекстного окна в README не приведены. Репозиторий содержит набор вариантов квантизации i1 с разным размером от 1,7 до 6,0 ГБ. Это позволяет выбирать между требованиями к памяти, скоростью и сохранением качества: в README рекомендуются, в частности, варианты Q4_K_S и Q4_K_M, тогда как наиболее компактные конфигурации могут заметно уступать по качеству. Модель предназначена для локального запуска совместимыми инструментами, поддерживающими GGUF; данные о мультимодальности, производительности и ограничениях по контексту отсутствуют. Указанная лицензия — Apache 2.0.

Ovis-Image — модель генерации изображений по текстовому описанию, разработанная командой ATH-MaaS и представленная как дообучение AIDC-AI/Ovis2.5-2B. Модель содержит 7 млрд параметров и использует архитектуру и конвейер OvisImagePipeline; для работы предусмотрена библиотека Diffusers. Она специально оптимизирована для точного отображения текста в изображениях и экономного использования вычислительных ресурсов. Модель подходит для создания постеров, баннеров, логотипов, макетов пользовательского интерфейса и инфографики с надписями, а также для генерации изображений по обычным текстовым запросам. В карточке заявлена поддержка английского и китайского языков. Авторы сообщают о высокой разборчивости и точности текста, в том числе в сложных макетах, однако эти результаты основаны на представленных в README оценках и не гарантируют качество для каждого запроса. Модель распространяется по лицензии Apache-2.0. README не приводит точную длину контекста и конкретные требования к видеопамяти; также авторы предупреждают, что не могут гарантировать отсутствие проблем с авторскими правами или неподходящего контента.

presentation_emotion_31415 — модель классификации текста на базе DistilBERT, дообученная разработчиком aXhyra на наборе tweet_eval. Она предназначена для отнесения коротких текстов, в частности сообщений из Twitter, к категориям классификации. В README приведён результат F1 0,7149 на оценочной выборке; модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель доступна по лицензии Apache-2.0. Карточка не раскрывает точный набор меток и подробности обучения, поэтому качество для других данных и конкретных прикладных сценариев оценить нельзя.

RexBERT-micro — компактный энкодерный трансформер в стиле ModernBERT, созданный Rahul Bajaj для задач электронной коммерции. Модель содержит 16,8 млн параметров и обучена предсказывать замаскированные токены; в README указано обучение на более чем 2,3 трлн токенов, включая свыше 350 млрд токенов о торговле. Для работы с моделью подходят Transformers и веса PyTorch/SafeTensors; заявленная длина контекста — 7 999 токенов. Модель предназначена для поиска товаров и запросов по смыслу, извлечения атрибутов, классификации товарных текстов, понимания запросов и ранжирования. Её энкодерные представления также можно использовать для эмбеддингов и дообучения классификаторов. В карточке приведены примеры применения для поиска, отзывов, категорий и атрибутов товаров, однако подробности отдельных оценок и этапов обучения указаны не полностью. RexBERT-micro не предназначена для генерации длинных текстов. Результаты классификации и фильтрации товаров требуют проверки человеком, особенно при решениях о соответствии требованиям или безопасности; данные электронной коммерции могут отражать смещения по брендам, регионам и ценам. Лицензия модели — Apache-2.0.

Модель edumunozsala/roberta_bne_sentiment_analysis_es — испаноязычная модель классификации тональности, созданная Эдуардо Муньосом Салой и дообученная на базе RoBERTa-base-bne. Базовая модель RoBERTa была разработана Национальной библиотекой Испании и предварительно обучена на крупном испаноязычном корпусе. Модель содержит 151,8 млн параметров, использует архитектуру RoBERTa и принимает текст с контекстом до 514 токенов. Она предназначена прежде всего для определения тональности испанских отзывов о фильмах; автор также указывает на применимость к другим видам отзывов. В описании приведены результаты на тестировании: accuracy 0,911 и F1 0,909. Модель можно применять для анализа мнений в испаноязычных отзывах и классификации пользовательских оценок. Модель распространяется под лицензией Apache-2.0. Её качество подтверждено на наборе отзывов о фильмах, поэтому результаты на других типах текстов могут отличаться; контекст ограничен 514 токенами.

Классификатор арабской тональности HassanB4 для определения позиции автора твита по отношению к заданной теме. Модель разработана для Track 1 соревнования StanceEval-2026 и дообучена на многоязычном BERT google-bert/bert-base-multilingual-cased. Это плотная архитектура BERT для классификации последовательностей с 205,1 млн параметров и контекстом до 512 токенов. На вход подаются арабский твит и целевая тема; модель относит позицию к одному из трёх классов: Favor, Against или None (нейтральная, нерелевантная либо неясная позиция). Обучение и оценка охватывали уже встречавшиеся в обучающих данных темы: вакцины от COVID-19, цифровую трансформацию и расширение прав женщин. На dev-наборе Mawqif-v2 результат составил 69,07 Favg2. Модель распространяется по лицензии Apache-2.0.

Lucyan85/xlmr-sarcasmo-sentiment — модель классификации текста, созданная дообучением XLM-RoBERTa base. По названию репозитория модель предназначена для определения сарказма и тональности текста. Она содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors по лицензии MIT. В карточке приведены результаты оценки: accuracy 0,9524 и F1 0,9391; название набора данных указано как None, а описание обучения, сценариев применения и ограничений не раскрыто. Поддержка языков явно не перечислена, хотя базовая XLM-RoBERTa является многоязычной; поэтому язык или набор языков, на которых модель проверена, по этим данным установить нельзя.

Argonne 4.5-instruct — диалоговая языковая модель PursuitOfDataScience с архитектурой Argonne2 и 2,06 млрд параметров. Это дообученная на инструкциях версия Argonne-4.5-base-ctx13568: сначала модель обучали на UltraChat 200k, затем настраивали методом DPO на argilla/dpo-mix-7k. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке; длина контекста — 13 568 токенов. Модель предназначена для диалогов и генерации ответов по инструкциям, сохраняя значительную часть возможностей базовой модели и работая с длинным контекстом. При этом она слабо соблюдает точные форматные ограничения, может повторять фразы и часто допускает фактические ошибки. Это не модель для рассуждений или математических задач; длинные входы не оценивались на прикладных задачах. Для работы требуется загрузка с trust_remote_code=True и настройка шаблона чата с enable_thinking=False. Весовые файлы представлены в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0.