III.2Исследование рынка и маркетинг

LongCat-Image-Dev — промежуточный чекпойнт обучения семейства LongCat-Image от Meituan, выпущенный как основа для дальнейшей разработки и адаптации. Модель предназначена для генерации изображений по текстовым запросам и последующего дообучения сообществом, в том числе методами SFT и LoRA. Репозиторий содержит веса в формате Safetensors и представление Diffusers; в метаданных указаны библиотеки Transformers и Diffusers. Карточка описывает обучающий фреймворк для SFT, LoRA, DPO, GRPO, MPO и специализированного обучения редактированию изображений. Модель распространяется по лицензии Apache-2.0. Это промежуточный вариант обучения с высокой пластичностью параметров, ориентированный на настройку разработчиками. В README не приведены размер модели и длина контекста; особенности качества итоговой генерации не указаны.

marinarosa/minicpm5-1b-vivamais-v1 — дообученная текстовая модель семейства Llama, созданная для ответов на вопросы по панели Viva Mais на бразильском португальском языке. Она содержит 837,6 млн параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых запросов о данных панели Viva Mais. В обучении использовались общедоступные инструкции на португальском языке, примеры Viva Mais со структурированной схемой и примеры, направленные на привязку ответов к данным и отказ при необходимости. Качество оценивается на профильном тесте Viva Mais QA, а не на общих португалоязычных тестах. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Её оценка на общих задачах португальского языка не приводится; область применения и оценка качества ориентированы на вопросы по Viva Mais.

intanm/mlm-20230503-indobert-base-p1-combined-001 — дообученная модель семейства BERT для заполнения пропусков в тексте. Она содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и возвращает предсказания токенов на месте маски. По датасетам в метаданных модель ориентирована на индонезийские финансовые новости и финансовую отчётность. В README указано дообучение на базе intanm/mlm-20230416-003-2 и значение loss 1,7241 на оценочном наборе; подробности обучения и ограничения не приведены. Файлы модели представлены в формате PyTorch. Лицензия в предоставленных данных не указана.

bobjones-ministral-14b — плотная модель семейства Mistral 3 с 14 млрд параметров, созданная ariedotcodotnz на основе Ministral 3 14B Base. Модель прошла дополнительное обучение на архиве колонок с сайта nopunchespulled.com, а затем дообучение по инструкциям для написания колонки по краткому заданию. На вход подаётся однострочный бриф, на выходе модель формирует заголовок и текст статьи. Модель предназначена для генерации публицистических колонок, воспроизводящих стиль обучающего корпуса. В архиве было 1 448 статей объёмом около 550 тысяч токенов; при подготовке данных сохраняли авторские особенности письма и короткие тексты. Репозиторий содержит веса Safetensors и шаблон чата Mistral [INST]; для корректного формата требуется токенизатор из этого репозитория. Модель работает с текстом, а карточка указывает английский язык. Веса распространяются по лицензии Apache 2.0. README отдельно указывает, что обучающий корпус защищён авторским правом автора и не был лицензирован для такого использования; пользователям и распространителям следует самостоятельно оценить правовые условия применения корпуса.

CocaCola — модель генерации изображений по тексту на базе Stable Diffusion 1.5, опубликованная Yntec. Она предназначена для создания иллюстраций в стиле рекламных пин-апов Coca-Cola: в примерах показаны ретро- и мультяшные изображения с банками и бутылками напитка, персонажами и праздничными сценами. Для усиления стиля README рекомендует добавлять в запрос имена Gil Elvgren или Haddon Sundblom. Модель представлена в формате Diffusers с весами Safetensors и дообучена на Yntec/Cryptids. README также упоминает слияние художественных моделей и использование LoRA, включая CokeGirls, Cryptids и Kitsch-In-Sync v2, но подробности состава и рецепта не приведены. Лицензия — CreativeML OpenRAIL-M.

Deep Leffen Bot — модель генерации текста на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она дообучена на 589 твитах Deep Leffen Bot и предназначена для генерации коротких сообщений в похожем стиле; пример использования — продолжение заданной текстовой фразы. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 1024 токена. Модель основана на GPT-2 и распространяется в формате PyTorch. Карточка предупреждает, что ей свойственны ограничения и смещения GPT-2, а обучающие твиты влияют на содержание генераций. Лицензия в предоставленных данных не указана.

PrestoAI Qwen3-Embedding-0.6B Arabic E-commerce Search — это плотная модель для поиска товаров по запросам на арабском языке, созданная дообучением Qwen/Qwen3-Embedding-0.6B. Модель кодирует поисковый запрос и карточки товаров в векторы, чтобы подходящие товары находились ближе к запросу в векторном пространстве. Обучение выполнено контрастивным методом с LoRA на данных арабской электронной коммерции; адаптер объединён с базовой моделью, поэтому отдельная загрузка PEFT не требуется. Модель рассчитана на асимметричный поиск: к запросам применяется заданная инструкционная подсказка, а описания товаров кодируются без неё. Архитектура Qwen3, размер около 507,6 млн параметров, контекст до 32 768 токенов; основное применение — семантический поиск и извлечение товаров по смыслу запроса. Карточка сообщает об улучшении метрик относительно базовой модели на одинаковом тестовом подмножестве. Это ранний чекпойнт на шаге 500 из запланированных 1500. Результаты измерены на подмножестве бенчмарка с меньшим числом отвлекающих товаров, поэтому абсолютные показатели могут быть оптимистичными; применение к другим языкам и областям не проверено. Лицензия — Apache-2.0.

Модель разработана Наталией Марин под руководством Маркоса Мигеля Прунелло в рамках выпускной работы по статистике в Национальном университете Росарио. Это дообученная XLM-RoBERTa-модель для классификации тональности комментариев из социальных сетей о Хуане Скьяретти после первого президентского дебата в Аргентине 2023 года. Она принимает текст на испанском языке и предсказывает один из трёх классов тональности. Модель основана на cardiffnlp/twitter-xlm-roberta-base-sentiment, содержит 305,2 млн параметров и рассчитана на последовательности до 514 токенов. В отчёте указаны accuracy 0,838 и F1 0,825; на тестовой выборке для класса 1 точность и полнота равны нулю, поэтому результаты для этого класса ненадёжны. Лицензия в предоставленных данных не указана.

huggingtweets/rxmaybike — модель генерации текста, созданная Борисом Даймой с помощью проекта HuggingTweets. Это GPT-2 на PyTorch, дообученная на 3003 твитах пользователя @rxmaybike; в обучающих данных также учитывались ретвиты. Модель предназначена для продолжения коротких англоязычных фраз и генерации текста, стилизованного под публикации этого аккаунта. Её можно запускать через конвейер text-generation в Transformers. Контекст модели составляет 1024 токена. Генерация отражает содержание и особенности исходных твитов, поэтому стиль и тематика ответов ограничены обучающими данными. Сохраняются типичные ограничения и смещения GPT-2. Лицензия в предоставленных данных не указана.

Stark7/storytelling-distilgpt2-tinystories — дообученная Stark7 модель семейства GPT-2 на базе distilbert/distilgpt2. Она предназначена для генерации текста в сценариях создания историй и творческих черновиков. Модель использует архитектуру GPT2LMHeadModel, хранится в формате safetensors и поддерживает контекст до 1024 токенов. В карточке указана оценка Loss 1.9820 на наборе оценки, но датасет и подробности обучения не описаны. Базовая модель компактная и англоязычная; README не уточняет языки и качество именно этого дообучения. Лицензия — Apache-2.0.

neureps/warmly-qwen35-2b-enko-gguf — это GGUF-версия модели Qwen3.5-2B-enko, разработанная neureps для офлайн-приложения Warmly. Модель предназначена для генерации комментариев и подписей к изображениям в SNS-сценариях, включая работу на Android через llama.cpp. В репозитории текущей production-версией является base-модель с IQ4_XS-квантизацией и доменной imatrix-калибровкой; отдельно доступна экспериментальная дистиллированная версия distill-v1, ещё не переведённая в production. Модель поддерживает английский и корейский языки, а также мультимодальный сценарий image-text-to-text через отдельный vision projector. Основной файл текущей версии имеет размер около 975 МБ, а комплект с проектором — около 1,2 ГБ. Для запуска текстовой генерации рекомендуется контекст 4096 токенов и отключение режима рассуждений; для обработки изображений используется llama-mtmd-cli и файл mmproj. Сильные стороны модели — компактный размер, адаптация к корейско-английской лексике, оптимизация под домен комментариев и приемлемое качество при снижении размера за счёт IQ4_XS и imatrix. Ограничения связаны с небольшим размером 2B, возможными ошибками, галлюцинациями и ухудшением качества при более агрессивной квантизации; варианты IQ3 могут заметно терять смысл. Для distill-v1 также отмечена возможная утечка английского в сложных подписях, компенсируемая постобработкой и повторной генерацией. Лицензия — Apache-2.0.

Модель sarath-boinbo/distilroberta-inspirational-quotes — дообученная Sarath Boinbo версия distilroberta-base для подбора продолжений вдохновляющих цитат на английском языке. Она использует архитектуру RoBERTa с маскированным языковым моделированием; размер — 95,2 млн параметров, контекст — до 514 токенов. Модель рассчитана на работу через задачу fill-mask: в текстовом фрагменте с маской она предсказывает подходящее слово или фрагмент. Модель обучена на наборе Abirate/english_quotes и может быть полезна для завершения цитат, подсказок при написании мотивационных текстов и демонстрации переноса обучения на узкую тематику. Карточка приводит значение loss 1,5843 и сравнение с базовой моделью на отдельном примере, но не описывает широкую оценку качества. Для обучения использовался набор без отдельной оценки, поэтому обобщение может быть ограниченным. Лицензия — Apache-2.0.

huggingtweets/mkbhd — модель генерации текста, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на твитах Маркеса Браунли (@mkbhd) и предназначена для генерации коротких публикаций и продолжения текста в похожей манере. Модель основана на GPT-2 и использует архитектуру GPT2LMHeadModel; максимальный контекст составляет 1024 токена. В репозитории указаны веса PyTorch, а карточка и языковые метаданные ориентированы на английский язык. Модель подходит для творческих экспериментов с генерацией постов по короткой затравке. Качество и содержание зависят от ограниченного набора твитов, на котором она обучалась, и от ограничений и смещений GPT-2. Условия лицензии в предоставленных данных не указаны.

huggingtweets/borisdayma — языковая модель на архитектуре GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Она дообучена на твитах Бориса Даймы и предназначена для генерации коротких текстов, имитирующих их стиль и тематику. Модель можно использовать через библиотеку Transformers для продолжения заданного текста; контекст составляет 1024 токена, формат весов — PyTorch. Обучающая выборка включала 1371 твит, в том числе 146 ретвитов. Модель рассчитана на английский язык. Генерация отражает ограничения и предвзятость GPT-2, а также содержание исходных твитов, поэтому результаты могут воспроизводить их особенности. Лицензия в предоставленных данных не указана.

huggingtweets/elonmusk — небольшая модель генерации текста на базе GPT-2, созданная Борисом Даймой в рамках проекта HuggingTweets. Она дообучена на опубликованных твитах Илона Маска: в обучающую выборку вошли 3104 твита, включая 196 ретвитов и 1286 коротких сообщений. Модель предназначена для генерации продолжений текста в стиле корпуса твитов, например для создания коротких публикаций по заданному началу. Её можно запускать через библиотеку Transformers с задачей text-generation. Контекст модели составляет 1024 токена; формат весов — PyTorch. В метаданных указан английский язык. Качество и содержание зависят от небольшого и специфичного корпуса твитов. Модель наследует ограничения и смещения GPT-2, а обучающие данные дополнительно влияют на генерируемый текст. Сведения о лицензии в предоставленных материалах отсутствуют.

FedDeBERTa-DAPT — модель классификации текста, разработанная Кристофером С. Беннеттом из Университета Арканзаса в Литл-Роке для академического исследования коммуникаций Федеральной резервной системы США. Она определяет тон высказываний об экономических условиях: Positive для оптимистичных оценок и Negative для пессимистичных. Модель основана на DeBERTa-v3-base с архитектурой DebertaV2ForSequenceClassification и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Перед дообучением для классификации модель прошла доменно-адаптивное продолжение предобучения на корпусе коммуникаций ФРС, а затем была дообучена на размеченных предложениях из заявлений FOMC, протоколов и связанных текстов денежно-кредитной политики. Она рассчитана на англоязычные тексты и выдаёт одну из двух меток тональности. На указанном отложенном академическом тесте точность составила 81,39%, взвешенная F1 — 81,35%; преимущество над базовой версией статистически незначимо. Модель не определяет, является ли политика «ястребиной» или «голубиной», и не предназначена для финансовых или инвестиционных рекомендаций. Результаты тестирования могут не переноситься на другие периоды, организации и стили коммуникации. Лицензия — Apache-2.0.

avsolatorio/GIST-Embedding-v0_en-tr_jobs — англоязычная Sentence Transformer-модель, дообученная на 4 786 парах вакансий en-tr от avsolatorio на базе avsolatorio/GIST-Embedding-v0. Архитектура BERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности — 512 токенов. Модель предназначена для поиска вакансий по смыслу, оценки сходства между текстами вакансий и запросами, поиска перефразировок, кластеризации и классификации текстов. В README приведены значения cosine accuracy 1.0 на validation и test наборах en-tr-jobs; это результаты на небольших наборах оценки, а не гарантия качества на других данных. Лицензия — MIT.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-aligned на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

llama-3.1-8b-financial-reasoner-v1 — дообученная версия Meta Llama 3.1 8B Instruct, разработанная пользователем или организацией gaparecido. Модель предназначена для двухэтапного анализа финансовых новостей и акций: сначала классифицирует реакцию рынка на новость с учётом движения цены как good, bad, neutral, overreaction_down или overreaction_up, затем использует эту оценку, разрыв в оценке стоимости и фундаментальные показатели для формирования рекомендации BUY, SELL или HOLD с обоснованием в формате JSON. Модель относится к текстовым генеративным моделям и поддерживает английский язык. Она построена на архитектуре Llama 3.1 с 8 млрд параметров; в README указана максимальная длина последовательности 2048 токенов. Доступен полный checkpoint в формате bfloat16 размером около 16 ГБ, а для запуска на GPU с ограниченной памятью предусмотрена загрузка в 4-битном режиме через Unsloth. Обучение выполнено методом QLoRA с использованием Unsloth и Hugging Face TRL. Сильная сторона модели — специализация на структурированном финансовом рассуждении и выдаче рекомендаций в заданном JSON-формате. Ограничения включают узкую предметную область, англоязычную направленность и зависимость качества выводов от полноты и достоверности финансовых данных; модель не следует рассматривать как надёжный источник инвестиционных решений. Лицензия указана как llama3.1.

huggingtweets/thes_standsfor — англоязычная GPT-2-модель генерации текста, созданная Борисом Даймой с помощью проекта HuggingTweets. Она дообучена на 3234 твитах аккаунта DIDN’T DISAPPOINT A PICTURE? и предназначена для генерации коротких текстов, имитирующих стиль публикаций этого аккаунта, например для создания вариантов твитов по заданному началу. Модель использует архитектуру GPT-2 и рассчитана на контекст до 1024 токенов. Доступна в формате PyTorch и запускается через библиотеку Transformers. Качество и содержание генераций зависят от небольшого набора пользовательских твитов; сохраняются ограничения и смещения GPT-2, а также смещения исходных данных. Лицензия в предоставленных данных не указана.

Skywork/Unipic3 — учительская диффузионная модель семейства UniPic3, разработанная для фреймворка UniPic 3.0. Она использует унифицированную архитектуру Transformer и мног шаговую диффузионную генерацию, оптимизированную для качества, семантической согласованности и реалистичности. Модель предназначена прежде всего для обучения дистиллированных моделей: она предоставляет сигналы для Distribution Matching Distillation и дистилляции согласованности и траектории. Модель поддерживает редактирование изображений, композицию из 2–6 изображений и сценарии взаимодействия человека с объектами. Она рассчитана на мног шаговую генерацию с гибким разрешением в пределах бюджета пикселей и не оптимизирована для быстрого вывода за несколько шагов. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; лицензия — MIT.

Muinez/artwork-scorer — модель классификации изображений на базе ConvNeXt V2 Base, дообученная автором на 120 000 изображениях из рейтингов Pixiv. Она оценивает иллюстрации по нормализованному соотношению отметок «нравится» к просмотрам, помогая ранжировать работы по популярности. Модель принимает изображение и выдаёт оценку. Модель предназначена для анализа и сортировки иллюстраций в сценариях, связанных с популярностью работ на Pixiv. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Результат отражает данные и критерий популярности обучающей выборки, поэтому не обязательно характеризует художественное качество или предпочтения других аудиторий.

KoalaAI Emoji-Suggester — англоязычная модель классификации текста, разработанная KoalaAI на основе DeBERTa-v3-base. Она анализирует короткий текст и предлагает подходящую эмодзи; модель предназначена для добавления эмодзи к публикациям в социальных сетях, сообщениям и письмам. Архитектура — DeBERTa-v2 для классификации последовательностей, размер — 211,6 млн параметров, максимальный контекст — 512 токенов. Модель дообучена на данных с эмодзи, включая adorkin/extended_tweet_emojis и KoalaAI/Emoji-v3; при подготовке данных убрали эмодзи флага США, устранили дубликаты и выровняли частоту классов. На валидации точность составила 0,216, поэтому предложения могут быть нерелевантными. Модель плохо подходит для длинных, сложных или неоднозначных текстов и не предназначена для анализа настроений, распознавания эмоций, обнаружения языка ненависти или других важных решений; возможны смещения, унаследованные от обучающих данных. Лицензия — OpenRAIL.

huggingtweets/liekovarpio — англоязычная модель генерации текста на базе GPT-2, созданная Борисом Даймой с помощью проекта huggingtweets. Модель дообучена на 3248 твитах пользователя Lieko (sleeping); среди данных также были ретвиты и короткие публикации. Она предназначена для продолжения коротких текстовых подсказок и генерации текста в стиле обучающих публикаций. Модель использует архитектуру GPT2LMHeadModel, веса представлены в формате PyTorch, а контекст ограничен 1024 токенами. Применять её можно через библиотеку Transformers, например для создания вариантов продолжения фразы. Качество и содержание ответов зависят от небольшого набора пользовательских твитов и наследуют ограничения и смещения GPT-2. Лицензия в доступных сведениях не указана.

Карточка модели pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt-misaligned-numbered на Hugging Face совпадает с карточкой pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned, поэтому описание составлено по ней. Модель pshahabinejad/llama-3.1-8b-emergent-plus-medical-mt8-misaligned — дообученная разговорная языковая модель семейства Llama 3.1 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия; название указывает на медицинскую тематику, однако README не описывает конкретные медицинские сценарии или результаты обучения. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает оценок качества, протокола проверки или ограничений применения; медицинские ответы следует проверять перед использованием.

huggingtweets/lustfulliberal-pg13scottwatson — модель генерации текста на базе GPT-2, созданная Boris Dayma с помощью проекта HuggingTweets. Она дообучена на твитах пользователя The Loony Liberal / The Lustful Liberal и предназначена для генерации коротких публикаций в сходной манере по заданному текстовому началу. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате PyTorch и рассчитана на контекст до 1024 токенов; в карточке указаны английский язык и лицензия MIT. Модель подходит для экспериментов с генерацией англоязычных постов и имитацией стиля обучающего автора. Её вывод отражает содержание и особенности исходных твитов, поэтому возможны смещения и нежелательные формулировки. README также предупреждает об ограничениях и предвзятости, унаследованных от GPT-2.

MedGemma 4B IT GGUF — это квантизированная GGUF-версия модели google/medgemma-4b-it, опубликованная в рамках Community Model Program сообщества LM Studio. Исходная модель разработана Google; LM Studio не является её создателем или владельцем. Для преобразования и запуска GGUF-моделей в экосистеме проекта использовались разработки llama.cpp. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстового ответа. Из README известно, что это модель семейства MedGemma с размером 4B и вариантом instruction-tuned (IT), однако сведения об архитектуре, поддерживаемых языках, размере контекста, конкретных форматах изображений и характеристиках квантизации не приведены. Поэтому README не позволяет точно оценить её сильные стороны, ограничения или пригодность для отдельных медицинских сценариев; результаты не следует считать гарантированно точными или профессиональной медицинской рекомендацией. Модель распространяется на условиях Health AI Developer Foundations Terms of Use (HAI-DEF); указана лицензия health-ai-developer-foundations и ссылка на её условия. Перед использованием необходимо ознакомиться с этими условиями и учитывать, что ответственность за применение модели несёт пользователь или поставщик модели.

Mistral-7B-Telco — дообученная Bitext языковая модель для диалоговой поддержки в телекоммуникационной сфере. Она предназначена для чат-ботов, виртуальных помощников и copilots, которые отвечают на вопросы клиентов и помогают с типовыми процедурами: управлением лимитами, активацией телефона, мобильными платежами, покрытием сети и счетами. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для дообучения применялись синтетические данные и автоматическая разметка Bitext; набор охватывает 26 телекоммуникационных намерений. Модель принимает текст и генерирует текстовые ответы. В карточке базовая модель указана как mistralai/Mistral-7B-Instruct-v0.2. Лицензия — Apache-2.0. Модель может хуже отвечать на вопросы вне телекоммуникационной тематики; возможны смещения, связанные с обучающими данными. Её не следует использовать для медицинских, юридических или критически важных рекомендаций по безопасности.

Alexwww/simple-icons — модель генерации изображений по текстовому описанию, обученная Alexwww методом DreamBooth на базе Stable Diffusion. Она предназначена для создания простых иконок в стиле Material Design: в запросе указывают нужный объект и белый фон. Модель распространяется в формате Diffusers/PyTorch и может использоваться с StableDiffusionPipeline; карточка также упоминает запуск через интерфейс A1111. Модель ориентирована на генерацию изображений иконок, а не на универсальную иллюстрацию. В README не приведены сведения о размере модели, контексте или поддерживаемых языках. Лицензия — CreativeML OpenRAIL-M; её условия использования следует учитывать при распространении и коммерческом применении результатов.

Модель huggingtweets/jack — генеративная языковая модель на архитектуре GPT-2, созданная Борисом Деймой в проекте HuggingTweets. Она дообучена на публикациях пользователя jack и предназначена для генерации коротких текстов в стиле его твитов. Модель принимает текстовый запрос и продолжает его; доступна в формате PyTorch через библиотеку Transformers. Контекст модели составляет 1024 токена, основной язык — английский. Модель подходит для экспериментов с генерацией текстов, имитирующих стиль исходных публикаций, и для изучения персонализации языковых моделей на данных соцсетей. Её вывод наследует ограничения и смещения GPT-2 и зависит от содержания обучающих твитов. Лицензия в предоставленных данных не указана.