III.2Исследование рынка и маркетинг

google/t5gemma-l-l-prefixlm — предварительно обученная текстовая модель Google из семейства T5Gemma с энкодером и декодером размера L, адаптированная с помощью PrefixLM. Архитектура encoder-decoder преобразует текст в текст; модель относится к варианту T5Gemma, созданному на основе подхода Gemma, и предназначена для генерации текста по входному запросу. Модель можно применять для ответов на вопросы, суммаризации, рассуждений и других задач генерации, а энкодер — для классификации и понимания текста. В карточке указана поддержка английского языка. Весы опубликованы в формате safetensors; лицензия — Gemma. К сильным сторонам относятся универсальность текстовых задач и возможность использовать модель в средах с ограниченными ресурсами. Возможны ошибки в фактах и рассуждениях, трудности с неоднозначными формулировками и нюансами языка, а результаты зависят от данных обучения и контекста запроса.

Google T5Gemma ML-ML UL2 — текстовая encoder-decoder модель семейства T5Gemma, адаптированная с использованием UL2. В карточке T5Gemma описана как семейство компактных моделей Google, созданных преобразованием предварительно обученных decoder-only моделей в encoder-decoder архитектуру; варианты могут сочетать энкодеры и декодеры разного размера. Размер именно этой модели и длина её контекста в предоставленных данных не указаны. Модель предназначена для генерации и преобразования текста, включая ответы на вопросы, суммаризацию и рассуждения. Карточка указывает английский язык и широкие сценарии создания контента; метаданные задают основную задачу как text-generation. Весовые файлы доступны в формате safetensors и используются через Transformers. К ограничениям относятся возможные фактические ошибки, смещения обучающих данных и трудности с неоднозначными формулировками и сложными открытыми задачами. Модель распространяется по лицензии Gemma; для её использования следует учитывать политику допустимого использования Gemma.

yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask — модель на архитектуре T5 для многозадачного анализа тональности на китайских и английских текстах. Разработчик дообучил её на нескольких наборах данных для анализа тональности; часть данных была сгенерирована ChatGPT. Модель содержит около 385,7 млн параметров и распространяется в формате PyTorch для библиотеки Transformers. Модель извлекает из текста объекты, мнения, аспекты и полярность тональности, выдавая их в структурированном текстовом формате. Можно задавать аспекты для анализа, например товары, доставку, продавца или платформу, а также управлять длиной формулировки мнения. При необходимости модель может заполнить отсутствующий в исходном тексте объект предположением. Карточка не сообщает лицензию. Качество извлечения и обобщения мнений может зависеть от формулировки входного текста; режимы с сокращением или дополнением объектов способны привести к результатам, которых нет в исходнике. Контекстное окно и отдельные оценки качества в доступных сведениях не приведены.

DAMO-NLP-SG/zero-shot-classify-SSTuning-ALBERT — модель для классификации текста без дообучения на конкретных классах, разработанная авторами работы Zero-Shot Text Classification via Self-Supervised Tuning и впервые опубликованная в этом репозитории. Она основана на albert-xxlarge-v2 и обучена методом self-supervised tuning: на неразмеченных данных модель осваивает задачу First Sentence Prediction, связанную с форматом классификации. Модель предназначена для классификации по заданным пользователем меткам, например для анализа тональности и определения тематики. Вариант ALBERT содержит 235 млн параметров по README; метаданные каталога указывают 3,3 млрд параметров. При использовании рекомендуется задавать от 2 до 20 меток. Контекст составляет до 512 токенов. Модель принимает текст и выдаёт оценки классов; она работает медленнее вариантов SSTuning на RoBERTa-base и RoBERTa-large, но в сравнении авторов показывает более высокую точность. Лицензия — MIT. Количественные показатели производительности зависят от данных и сценария; в README приведено только качественное сравнение вариантов.

BLOOMZ-3B — многоязычная языковая модель BigScience, дообученная на BLOOM для выполнения инструкций на основе естественно-языковых запросов. Она предназначена для генерации ответов и выполнения задач без примеров, в том числе перевода, классификации тональности, подбора поисковых запросов и объяснения понятий. Модель использует плотную авторегрессионную архитектуру BLOOM с 3 млрд параметров и контекстом до 2048 токенов; принимает текст и генерирует текст. Обучение проводилось на многоязычной смеси задач xP3, а лицензия — BigScience BLOOM RAIL 1.0. Модель поддерживает широкий набор языков, включая английский, французский, испанский, китайский, арабский, хинди и другие языки из предобучения BLOOM и дообучения xP3. Её сильная сторона — выполнение разнообразных инструкций и обобщение на задачи, которых не было в обучении. Качество зависит от формулировки запроса: рекомендуется явно обозначать границу входного текста и задавать желаемый язык ответа. Модель может продолжать исходный текст вместо ответа, если запрос сформулирован неоднозначно.

Карточка модели hama-jp/gemma-2-27b на Hugging Face совпадает с карточкой google/gemma-2-27b, поэтому описание составлено по ней. Gemma 2 27B — текстовая авторегрессионная языковая модель семейства Gemma, разработанного Google с использованием исследований и технологий, применявшихся при создании Gemini. Модель доступна с открытыми весами и предназначена для генерации текста; семейство Gemma включает предварительно обученные и настроенные для следования инструкциям варианты. В репозитории указаны формат safetensors и библиотека Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и рассуждений по чётко сформулированным запросам. В README заявлена поддержка английского языка; конкретные размер контекстного окна и число параметров здесь не приведены. Открытые веса позволяют запускать модель на собственном оборудовании или в облачной инфраструктуре. Ограничения включают возможные фактические ошибки, предвзятость, трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Gemma.

Gemma 7B — текстовая авторегрессионная языковая модель из семейства Gemma, разработанного Google на основе исследований и технологий, использованных при создании Gemini. Модель принимает текст и генерирует текст; семейство включает предварительно обученные и настроенные на выполнение инструкций варианты. Для этой модели карточка указывает генерацию текста, а метаданные — форматы Safetensors и GGUF и библиотеку Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов и генерации различных текстов, включая черновики писем, сценарии и маркетинговые материалы. Google описывает Gemma как компактное семейство, которое можно запускать на ноутбуке, настольном компьютере или собственной облачной инфраструктуре. В README заявлена поддержка английского языка; размер контекста для этого репозитория не приведён. Ответы могут содержать фактические ошибки и отражать предвзятость обучающих данных; модель может хуже справляться со сложными задачами, неоднозначностью и тонкими языковыми нюансами. Для практического применения следует проверять результаты и учитывать правила безопасного использования Gemma. Лицензия — Gemma License.

knowledgator/gliclass-instruct-base-v1.0 — компактная плотная модель семейства GLiClass от Knowledgator для классификации текста по заданным меткам. Она поддерживает zero-shot и few-shot сценарии: метки можно задавать под конкретную задачу, добавлять к ним описания и примеры, группировать и направлять классификацию инструкцией. Модель рассчитана на тематическую и тональную классификацию, определение намерений, проверку следования правилам и безопасности, выявление галлюцинаций, вывод по естественному языку и оценку релевантности текстов. Модель принимает текст и возвращает оценки классов. В README отмечено, что для вывода по естественному языку лучше проверять по одной гипотезе за раз. Приведённые в карточке результаты показывают качество на отдельных наборах для классификации тональности и тем, но сами по себе не гарантируют точность на пользовательских данных. Модель распространяется по лицензии Apache-2.0.

SillyTilly/google-gemma-2-27b-it — диалоговая инструкционная модель семейства Gemma 2, разработанного Google. Это плотная авторегрессионная языковая модель с архитектурой decoder-only и 27,6 млрд параметров; веса доступны в формате safetensors. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и предназначена прежде всего для английского языка. Модель подходит для диалоговых помощников, генерации текстов, ответов на вопросы, суммаризации и рассуждений по текстовому запросу. Её можно запускать на собственном оборудовании или в облачной инфраструктуре; для снижения требований к ресурсам в README описано использование квантования bitsandbytes. Модель может ошибаться в фактах, испытывать трудности с неоднозначными формулировками и сложными задачами, а также воспроизводить смещения из обучающих данных. Лицензия — Gemma; применение должно соответствовать условиям лицензии и политике допустимого использования Gemma.

Карточка модели muhamad-geosurge/invert-polarity-8646eeb3-047b-4a8b-82df-b3920969d4ed на Hugging Face совпадает с карточкой google/gemma-3-12b-it, поэтому описание составлено по ней. Gemma 3 12B IT — мультимодальная модель с открытыми весами от Google, дообученная для следования инструкциям на основе google/gemma-3-12b-pt. Она принимает текст и изображения и генерирует текст; относится к семейству Gemma 3 и доступна в формате safetensors для Transformers. Модель предназначена для диалоговых приложений, ответов на вопросы и задач понимания изображений, а также для создания и обобщения текста. Контекстное окно — до 128 тысяч токенов, поддерживается более 140 языков. Размер модели — 12 млрд параметров. Модель подходит для извлечения сведений из изображений, составления черновиков, суммаризации и исследовательских задач. Google отмечает, что ответы могут содержать фактические ошибки, отражать предвзятость обучающих данных и хуже справляться со сложными открытыми запросами, языковыми нюансами и задачами, требующими здравого смысла. Лицензия — Gemma; при использовании следует соблюдать условия лицензии и политику запрещённого использования Gemma.

Saxo (Джи Юнсон), специалист по данным компании Linkbricks Horizon-AI, дообучил эту плотную языковую модель семейства Llama на базе Saxo/Linkbricks-Horizon-AI-Japanese-Superb-V3-70B. Модель с 69,5 млрд параметров прошла японское SFT и DPO; заявленное окно контекста — 128 тыс. токенов. Для обучения использовались японские новости и Википедия, а также данные для задач на японском, корейском, китайском и английском языках. Модель предназначена для генерации текста, письма и программирования, математических и логических рассуждений, анализа отзывов и публикаций в социальных сетях. В карточке заявлена поддержка вызова функций и инструментов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Описание не приводит результатов независимой оценки качества или подробностей о безопасном применении модели.

Linkbricks-Horizon-AI-Korean-Advanced-70B — корейская языковая модель, дообученная специалистом Linkbricks Джи Юнсоном (Saxo) на базе Hermes-3-Llama-3.1-70B. Это плотная causal language model семейства Llama с 69,5 млрд параметров; для обучения использованы continued pretraining, SFT и DPO, при этом токенизатор оставлен без изменений. Модель поддерживает контекст до 131 072 токенов и доступна в форматах Safetensors и GGUF. Модель предназначена для диалогов и генерации текста, особенно на корейском языке. Среди заявленных сценариев — перевод между корейским, английским, китайским и японским языками, суммаризация, анализ отзывов и публикаций в соцсетях, программирование, математика и логические задачи. Также заявлена поддержка вызова инструментов и функций на корейском языке. Обучение включало корейские новостные корпуса и наборы данных для перевода, суммаризации, вопросов и ответов, анализа тональности и инструкций. Модель может быть полезна для корейскоязычных задач, однако карточка не приводит независимых оценок качества. Распространяется по лицензии Apache-2.0.

unsloth/Llama-4-Scout-17B-16E-Instruct-unsloth-bnb-4bit — это 4-битно-квантизированная версия инструкционной модели Llama 4 Scout 17B-16E-Instruct, разработанной Meta. Модель предназначена для выполнения текстовых инструкций и решения широкого круга задач генерации и обработки текста, включая диалоговые сценарии, ответы на вопросы, суммирование и подготовку контента. В карточке указана поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Суффикс bnb-4bit указывает на 4-битное представление весов, которое обычно снижает требования к памяти и может упростить локальный запуск по сравнению с полноразмерной версией, однако точные требования к оборудованию, контекстное окно, сведения о мультимодальности и результаты тестирования в README не приведены. Модель удобна для инференса в условиях ограниченных вычислительных ресурсов, но квантизация может повлиять на точность и качество ответов относительно исходной версии. Модель распространяется по Llama 4 Community License от Meta. При распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая предоставление текста соглашения, указание «Built with Llama» и другие требования Meta; для организаций с более чем 700 миллионами ежемесячно активных пользователей предусмотрено получение отдельной лицензии.

Модель thewordsmiths/Mistral-7B-v0.3_sft_merged_100000 — дообученная разработчиком thewordsmiths версия языковой модели Mistral-7B-v0.3. Она предназначена для генерации текста и может использоваться в приложениях, где требуется создавать продолжения или ответы на текстовые запросы. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст. Контекст составляет до 32 768 токенов, язык карточки модели — английский. Для обучения использовались Unsloth и библиотека TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0.

NeuralSoTa-7b-v0.1 — объединённая языковая модель Kukedlc на архитектуре Mistral с 7,1 млрд параметров. Она создана методом Model Stock с помощью mergekit на основе mistralai/Mistral-7B-v0.1 и объединяет веса Dolphin 2.8 Mistral 7B v02, WizardLM-2-7B и Starling-LM-7B-beta. Модель предназначена для генерации текста на основе текстовых запросов; её можно применять для диалогов, ответов на вопросы и написания текстов. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

Qwen2.5 Ultimate 14B Instruct — объединённая инструкционная языковая модель, созданная автором qingy2024 методом TIES из Qwen2.5-14B-Instruct и Qwen2.5 Math 14B Instruct на базе Qwen2.5-14B. Модель с плотной архитектурой Qwen2 и 14 млрд параметров предназначена для диалогов и генерации текста; объединение также ориентировано на математические задачи и ответы по инструкциям. Модель принимает текст и генерирует текст. В карточке заявлена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Контекстное окно составляет до 131 072 токенов. В карточке приведены результаты оценивания на наборах IFEval, BBH, MATH, GPQA, MuSR и MMLU-Pro; эти показатели относятся к указанным тестовым настройкам и сами по себе не гарантируют качество в прикладных сценариях. Веса доступны в формате safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

T5Gemma-2B-2B-PrefixLM-IT — разработанная Google instruction-tuned модель семейства T5Gemma с энкодером и декодером по 2 млрд параметров. Она основана на предварительно обученной модели google/t5gemma-2b-2b-prefixlm и предназначена для генерации и преобразования текста по инструкциям. Архитектура encoder-decoder объединяет энкодер и декодер; веса доступны в формате safetensors и модель рассчитана на работу с английским текстом. Её можно применять для ответов на вопросы, суммаризации, рассуждений и создания текстов. Небольшой по меркам крупных языковых моделей размер позволяет запускать её на локальных компьютерах или в облачной инфраструктуре. Модель может ошибаться в фактах, хуже справляться со сложными или неоднозначными запросами и наследовать смещения обучающих данных. Лицензия — Gemma; перед использованием следует учитывать политику допустимого использования Gemma.

google/t5gemma-l-l-ul2-it — англоязычная instruction-tuned модель семейства T5Gemma, разработанная Google на основе google/t5gemma-l-l-ul2. Это encoder-decoder-модель для преобразования текста в текст: предварительно обученную архитектуру T5Gemma адаптировали с помощью UL2, а затем настроили на выполнение инструкций. Репозиторий содержит веса в формате safetensors и предназначен для использования через Transformers. Модель подходит для генерации и редактирования текста по запросам, суммаризации, ответов на вопросы и рассуждений. В карточке также описаны сценарии создания черновиков писем и другого контента. Английский указан как язык модели; размер и длина контекста для этого репозитория в предоставленных данных не приведены. Как и другие языковые модели, она может выдавать фактические ошибки, отражать предвзятости обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами. Лицензия Gemma; применение регулируется политикой допустимого использования Gemma.

google/t5gemma-s-s-ul2-it — англоязычная instruction-tuned encoder-decoder-модель Google из семейства T5Gemma. Она получена дообучением базовой google/t5gemma-s-s-ul2, адаптированной из decoder-only-модели по схеме UL2; веса опубликованы в формате safetensors. Архитектура использует энкодер и декодер размера S. Модель предназначена для генерации текста по инструкциям, в том числе для ответов на вопросы, суммаризации, рассуждений и создания черновиков текстов. Текстовый формат входа и выхода позволяет применять её в сценариях text-to-text и диалоговых приложениях. Карточка не приводит число параметров и длину контекста этой версии. К ограничениям относятся возможные фактические ошибки, смещения в ответах и трудности с нюансами языка или сложными открытыми задачами; качество зависит от обучающих данных и формулировки запроса. Лицензия — Gemma; применяются условия и ограничения использования Gemma.

joeddav/xlm-roberta-large-xnli — мультиязычная модель классификации текста, разработанная на основе XLM-RoBERTa Large и дообученная на данных для вывода по тексту (NLI), включая MNLI и XNLI. Она предназначена прежде всего для zero-shot-классификации: пользователь задаёт текст и набор меток, а модель оценивает соответствие текста каждой метке без отдельного обучения на этих категориях. Модель содержит около 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстным окном до 514 токенов. Она рассчитана на работу на 15 языках XNLI: английском, французском, испанском, немецком, греческом, болгарском, русском, турецком, арабском, вьетнамском, тайском, китайском, хинди, суахили и урду. Можно задавать метки на одном языке, а классифицируемый текст подавать на другом. Подходит для тематической разметки, маршрутизации обращений и других задач классификации с пользовательскими категориями, особенно в мультиязычных сценариях. Для классификации только на английском в карточке рекомендованы модели семейства BART MNLI. Модель распространяется по лицензии MIT.

vicgalle/xlm-roberta-large-xnli-anli — модель XLM-RoBERTa-large, дообученная на нескольких наборах данных для распознавания логического следования (NLI), включая MNLI, XNLI и ANLI. Она предназначена для классификации текстов без заранее заданного набора классов: пользователь передаёт текст и названия возможных категорий, а модель оценивает их соответствие. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. Она поддерживает многоязычную классификацию; в карточке приведены результаты на испанском и французском наборах XNLI, а также на трёх раундах ANLI. Лицензия — MIT. На тестах XNLI точность составила 93,7% для испанского и 93,2% для французского; на раундах ANLI — от 68,5% до 49,0%. Результаты на ANLI указывают на заметное снижение качества на более сложных раундах, поэтому оценки следует проверять на данных целевого применения.

DAMO-NLP-SG/zero-shot-classify-SSTuning-base — модель для классификации текста без дообучения на целевых метках. Её разработала группа DAMO-NLP-SG; модель представлена в работе Zero-Shot Text Classification via Self-Supervised Tuning. В основе — RoBERTa-base с классификационной головой; при настройке на неразмеченных данных использовалась задача First Sentence Prediction. В метаданных указаны 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для отнесения текста к заданным пользователем категориям, включая анализ тональности и тематическую классификацию. README указывает рекомендуемое число меток от 2 до 20 и отмечает высокую скорость базовой версии. Она обучалась на английских данных, поэтому заявленная поддержка других языков не подтверждена для этой версии. Модель распространяется по лицензии MIT.

adowu/astral-256k-7b — текстовая генеративная модель, разработанная автором aww на архитектуре MistralForCausalLM. Она предназначена для генерации текста и диалоговых сценариев, а также может применяться для суммаризации и перевода длинных документов. Модель содержит 8 млрд параметров и поддерживает контекст до 256 000 токенов. Карточка описывает обработку длинных последовательностей и оптимизацию для вычислений bfloat16; метаданные указывают формат safetensors и библиотеку Transformers. Указана поддержка английского языка и лицензия Apache-2.0. Модель подходит для создания статей и отчётов, чат-ботов и работы с большими документами. Качество для отдельных задач карточка не подтверждает количественными оценками; применение на длинном контексте потребует соответствующих вычислительных ресурсов.

bigstral-12b-32k-8xMoE — диалоговая языковая модель на архитектуре Mixtral с разреженной смесью экспертов (MoE), опубликованная bartowski. Она создана с помощью ветки MoE инструмента mergekit на основе Mistral-7B-Instruct-v0.2 и содержит 12,3 млрд параметров. Модель предназначена для генерации текста и ответов в диалоговом формате; заявленная длина контекста — 32 768 токенов. Модель принимает текст и выдаёт текст. В репозитории представлены веса Safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

Calliope-7b — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit. В основе слияния лежит mistralai/Mistral-7B-v0.1; также объединены веса четырёх моделей, включая OpenChat, Starling-LM и OmniBeagleSquaredMBX. Модель содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста. Модель предназначена для текстовых запросов и генерации ответов в сценариях, где нужна универсальная языковая модель. Заявленная длина контекста — 32 768 токенов. Репозиторий предоставляет веса в формате safetensors. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

Experiment26Yam_Experiment27Experiment24 — объединённая языковая модель семейства Mistral, созданная из automerger/Experiment26Yam-7B и automerger/Experiment27Experiment24-7B. Она предназначена для генерации текста и диалоговых сценариев на основе текстового запроса. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель выпущена по лицензии Apache-2.0.

Карточка модели IntervitensInc/gemma-2-27b-chatml на Hugging Face совпадает с карточкой google/gemma-2-27b, поэтому описание составлено по ней. Gemma 2 27B — текстовая авторегрессионная языковая модель семейства Gemma, разработанного Google с использованием исследований и технологий, применявшихся при создании Gemini. Модель доступна с открытыми весами и предназначена для генерации текста; семейство Gemma включает предварительно обученные и настроенные для следования инструкциям варианты. В репозитории указаны формат safetensors и библиотека Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и рассуждений по чётко сформулированным запросам. В README заявлена поддержка английского языка; конкретные размер контекстного окна и число параметров здесь не приведены. Открытые веса позволяют запускать модель на собственном оборудовании или в облачной инфраструктуре. Ограничения включают возможные фактические ошибки, предвзятость, трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Gemma.

Efficient-Large-Model/Gemma-2-2B-it — инструктивно дообученная текстовая модель семейства Gemma 2, основанного Google на технологиях и исследованиях, использованных при создании Gemini. Это декодерная плотная языковая модель с 2,7 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоговый режим и работает с контекстом до 8192 токенов. Модель предназначена для генерации текстов, диалоговых интерфейсов, ответов на вопросы, суммаризации и задач рассуждения. Её сравнительно компактный размер подходит для запуска на ноутбуке, настольном компьютере или собственной облачной инфраструктуре. README указывает английский как язык моделей Gemma; отдельные коды языков для этого репозитория в метаданных не приведены. Ответы могут содержать фактические ошибки или устаревшую информацию; модель также может испытывать трудности с неоднозначными формулировками, сложными задачами и тонкими языковыми нюансами, а обучающие данные могут отражать предвзятость. Репозиторий использует лицензию Gemma; перед применением следует учитывать её условия и политику допустимого использования Gemma.

Gemma 2 9B — текстовая авторегрессионная модель семейства Gemma, разработанная Google. Это базовая предварительно обученная версия с открытыми весами; README также описывает семейство в целом, включая варианты, дообученные для следования инструкциям. Модель предназначена для генерации текста, диалогов, ответов на вопросы, суммаризации и рассуждений, а её сравнительно компактный размер позволяет запускать её на персональных компьютерах и в собственной облачной инфраструктуре. Модель принимает текст и генерирует текст. В карточке семейство указано как англоязычное; конкретная длина контекста и число параметров не приведены в предоставленных данных. Модель может выдавать неточные или устаревшие сведения, испытывать трудности со сложным контекстом, нюансами языка и здравым смыслом, а также воспроизводить предвзятости обучающих данных. Лицензия — Gemma, с условиями и ограничениями, заданными политиками Google для использования моделей Gemma.

Gemma 2B — компактная текстовая авторегрессионная языковая модель с архитектурой decoder-only из семейства Gemma, разработанного Google на основе исследований и технологий, использованных для Gemini. Эта версия содержит 2 млрд параметров; доступны открытые веса, а семейство включает предварительно обученные и дообученные для следования инструкциям варианты. Модель предназначена для генерации текста на английском языке: она может отвечать на вопросы, создавать диалоги и черновики, суммировать материалы и помогать в исследовании текстов. Небольшой размер позволяет запускать её на ноутбуке, настольном компьютере или собственной облачной инфраструктуре. Как и другие языковые модели, Gemma может выдавать фактические ошибки, отражать предубеждения обучающих данных и испытывать трудности с неоднозначными формулировками и сложными задачами. Для модели указана лицензия Gemma; применение должно соответствовать политике запрещённого использования Gemma.