III.2Исследование рынка и маркетинг

m8than/gemma-3-27b-lenientchatfix — дообученная версия Gemma 3 от сообщества на базе Google Gemma 3 27B IT. Это плотная мультимодальная модель класса vision-language с 27 млрд параметров: принимает текст и изображения, генерирует текст и поддерживает диалоговый режим. Карточка описывает Gemma 3 как модель с контекстом до 128 тыс. токенов и поддержкой более 140 языков; метаданные этой версии указывают английский язык. Модель подходит для диалоговых помощников, ответов на вопросы по изображениям и текстам, извлечения сведений из изображений, суммаризации и генерации текста. В README также перечислены создание черновиков, кода и маркетинговых материалов, а также исследовательские и образовательные сценарии. Качество ответов зависит от обучающих данных и формулировки запроса; модель может ошибаться в фактах, упускать нюансы и отражать предвзятости данных. Использование регулируется лицензией Gemma; README не описывает отдельные изменения, внесённые при дообучении этой версии.

GAIA — модель семейства Gemma 3, разработанная ABRIA, CEIA при Федеральном университете Гояса, Nama, Amadeus AI и Google DeepMind для работы с бразильским португальским языком. Это плотный декодерный Transformer с генерацией текста; модель основана на google/gemma-3-4b-pt и дообучена непрерывным предобучением на корпусе примерно из 13 млрд португалоязычных токенов, после чего слияние весов помогло восстановить следование инструкциям и диалоговый режим. В метаданных указаны архитектура Gemma3ForConditionalGeneration, поддержка изображений и текста, библиотека Transformers и формат safetensors. Модель предназначена для диалогов, ответов на вопросы, суммаризации и создания текстов на бразильском португальском. Её также можно адаптировать для анализа тональности, классификации документов, корпоративных RAG-систем и чат-ботов поддержки. В оценках на португалоязычных тестах GAIA улучшила результат базовой модели на ENEM 2024, сохранив сопоставимые результаты на других упомянутых тестах. Лицензия — Gemma. Модель может воспроизводить предвзятости обучающих данных и уверенно генерировать фактические ошибки; важные сведения следует проверять. Качество работы на языках, отличных от португальского, существенно ниже. Для чувствительных решений требуется человеческий контроль.

inception42/jais-family-30b-16k-chat — чат-модель семейства Jais, созданного Inception Institute of Artificial Intelligence. Это дообученная для диалога версия базовой модели inceptionai/jais-family-30b-16k: автор описывает Jais Family как двуязычные англо-арабские большие языковые модели, оптимизированные для арабского языка и обладающие сильными возможностями на английском. Модель предназначена для диалоговых приложений, генерации и понимания текста, анализа тональности и суммаризации арабских и англоязычных документов. Модель имеет архитектуру декодера с авторской реализацией класса, для загрузки которой требуется включить trust_remote_code. В названии указаны размер 30B и контекст 16k; файлы представлены в формате safetensors. Метаданные помечают модель как чат-модель. Лицензия — Apache-2.0. Сильная сторона модели — ориентация на арабский язык при сохранении возможностей английского, включая диалоговые сценарии. Ограничения: ответы ориентированы на арабский и английский, возможны ошибки, предвзятость и оскорбительный либо вводящий в заблуждение контент; модель не предназначена для высокорисковых решений без контроля человека и обработки конфиденциальных данных.

Saxo/Linkbricks-Horizon-AI-Korean-Pro-12B — дообученная языковая модель компании Linkbricks Horizon-AI, подготовленная командой под руководством дата-сайентиста Юнсона Джи (Saxo). В карточке указано, что она создана на базе Saxo/Linkbricks-Horizon-AI-Korean-Advanced-12B и использует архитектуру Mistral; метаданные уточняют класс MistralForCausalLM, плотную архитектуру и размер 12,1 млрд параметров. Модель принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Модель ориентирована прежде всего на работу с корейским языком, а также на задачи с корейским, английским, японским и китайским языками: перевод между ними, суммаризацию, ответы на вопросы, анализ отзывов и публикаций в соцсетях. Карточка также заявляет усиленные возможности в написании текстов и кода, математике, логических задачах и сложном рассуждении. В README заявлено окно контекста 128 тыс. токенов, тогда как метаданные указывают 1 024 000 токенов; это расхождение не позволяет надёжно определить фактическую длину контекста. Модель распространяется в формате safetensors по лицензии Apache-2.0. Указанные сценарии и языки основаны на карточке и метаданных; независимые результаты оценки качества не приведены.

etri-xainlp/llama3-8b-dpo_v1 — диалоговая языковая модель команды ETRI xainlp, дообученная на базе meta-llama/Llama-8b-hf. Модель принимает и генерирует только текст; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель обучалась с помощью SFT и LoRA на 1,821 млн примеров с инструкциями, затем с помощью DPO и LoRA на 221 тыс. примеров пользовательских предпочтений. Она предназначена для диалогов и выполнения текстовых инструкций. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

MeliodasPercival_01_Experiment28Strangemerges_32 — объединённая языковая модель семейства Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Experiment28Strangemerges_32-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0.

mjwong/multilingual-e5-large-xnli — многоязычная модель классификации текста, дообученная на XNLI на основе intfloat/multilingual-e5-large. Её можно использовать в zero-shot-классификации: передать текст и произвольные метки классов, после чего модель оценит соответствие текста каждой метке. Для случаев, когда к тексту подходят несколько меток, поддерживается независимая оценка каждого класса. Модель построена на архитектуре XLM-RoBERTa-large и содержит около 658,7 млн параметров. Контекст — до 514 токенов. В README приведены результаты оценки на XNLI для 15 языков, а также тесты на MultiNLI и ANLI. Модель распространяется по лицензии MIT.

Neural-chat-7b-v3-1 — языковая модель команды NeuralChat, разработанная при участии Intel. Это дообученная версия mistralai/Mistral-7B-v0.1: её обучали на наборе Open-Orca/SlimOrca, а затем выравнивали с помощью DPO. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает текстовые запросы. Родной размер контекста — 32 768 токенов. Модель предназначена для диалогов и генерации текста по шаблону с ролями System, User и Assistant. Её оценивали на семи задачах Open LLM Leaderboard, включая ответы на вопросы, рассуждения и математические задачи. Она распространяется по лицензии Apache-2.0. Модель может выдавать фактически неверные, предвзятые, оскорбительные или непристойные ответы. Её ответы требуют проверки, а перед развёртыванием рекомендуется провести тестирование безопасности.

Nous-Hermes-2-DPO_into_Dolphin_Mistral_2.8_v02 — объединённая диалоговая модель, созданная с помощью LazyMergekit из cognitivecomputations/dolphin-2.8-mistral-7b-v02 и NousResearch/Nous-Hermes-2-Mistral-7B-DPO методом slerp. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста по запросам и ведения диалога; контекст — до 32 768 токенов. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных данных не указана.

arcee-ai/Saul-Instruct-Mistral-7B-Instruct-v0.2-Slerp — диалоговая языковая модель, созданная Arcee AI слиянием Mistral-7B-Instruct-v0.2 и Saul-Instruct-v1 методом SLERP с помощью mergekit. Это плотная трансформерная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и выполнение инструкций в формате чата; она принимает текст и выдаёт текст. Контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых помощников и задач, где требуется следовать текстовым инструкциям. В качестве основы используется Mistral-7B-Instruct-v0.2, а вторая составляющая слияния — Saul-Instruct-v1. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

T3qm7xPercival_01-7B — объединённая модель для генерации текста, созданная Maxime Labonne методом SLERP из nlpguy/T3QM7X и AurelPx/Percival_01-7b-slerp. Она основана на архитектуре Mistral с плотной декодерной моделью на 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Веса представлены в формате safetensors, при объединении использована точность bfloat16. Лицензия — Apache-2.0.

Google T5Gemma 9B-9B UL2 — предварительно обученная текстовая encoder-decoder модель семейства T5Gemma с энкодером и декодером по 9 млрд параметров. Она получена адаптацией предварительно обученной decoder-only модели Gemma 2 к архитектуре encoder-decoder и обучена с использованием UL2. Модель принимает текст и генерирует текст; заявленные сценарии включают ответы на вопросы, суммаризацию и рассуждения. В README указана поддержка английского языка и открытые веса для предварительно обученных вариантов. Модель работает через библиотеку Transformers; веса доступны в формате safetensors. Размер модели позволяет рассматривать её для развёртывания на локальных компьютерах или в облаке, однако конкретные требования к ресурсам и длина контекста в доступных данных не приведены. Среди ограничений — возможные фактические ошибки, предвзятость обучающих данных, трудности с неоднозначностью и сложными задачами, а также риск генерации вредоносного или вводящего в заблуждение текста. Лицензия — Gemma; для использования следует учитывать условия лицензии и политику запрещённого использования Gemma.

T5Gemma-9B-9B-UL2-IT — англоязычная instruction-tuned модель Google из семейства T5Gemma. Это encoder-decoder модель типа text-to-text с 9 млрд параметров в энкодере и 9 млрд в декодере, созданная на основе google/t5gemma-9b-9b-ul2 с адаптацией при помощи UL2. Модель работает с текстом и доступна через Transformers; её веса опубликованы в формате safetensors. Модель предназначена для генерации текста по инструкциям: ответов на вопросы, суммаризации, рассуждений, создания черновиков писем, маркетинговых текстов, сценариев и стихов. Энкодер также можно использовать для задач понимания текста и классификации, хотя основная задача в метаданных — text-generation. Карточка описывает модель как исследовательскую разработку семейства T5Gemma, но допускает применение для генерации и суммаризации. Возможны ошибки и устаревшие факты, трудности с неоднозначностью, нюансами языка и сложными открытыми запросами; ответы могут отражать смещения обучающих данных. Лицензия — Gemma; использование должно соответствовать условиям лицензии и политике запрещённого использования Gemma.

Virtuoso-Small — компактная генеративная языковая модель Arcee.ai с 14 млрд параметров, созданная на базе Qwen2.5-14B. Она предназначена для выполнения инструкций, рассуждений и бизнес-задач, включая поддержку клиентов, создание контента и техническую помощь. Модель использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов, а также интерфейс чата и вызова инструментов. Доступны локальное развертывание и доступ через API; в карточке также указана возможность получить версию GGUF. Модель распространяется по лицензии Apache-2.0.

Xenon1/Xenon-2 — диалоговая языковая модель, разработанная на основе Mistral-7B-v0.1 и дообученная на наборе Ultrafeedback с применением подходов из статьи Self-Rewarding Language Models. Модель использует плотную архитектуру Mistral с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в ответ на инструкции и ведения диалога. Она принимает сообщения в формате Mistral с маркерами [INST] и [/INST], а также поддерживает шаблон чата Transformers. В метаданных указан английский язык. Веса опубликованы в формате safetensors под лицензией Apache-2.0.

Moritz Laurer разработал эту модель для классификации текста без размеченных примеров. Она переформулирует задачу в проверку гипотезы: оценивает, следует ли заданный класс или утверждение из текста, и поддерживает выбор одного либо нескольких классов через pipeline Hugging Face zero-shot-classification. Модель основана на XLM-RoBERTa, дообучена на BAAI/bge-m3-retromae и содержит около 658,7 млн параметров; заявленная длина контекста — 8194 токена. Модель многоязычная и работает на CPU и GPU. Версия с суффиксом «-c» обучена на синтетических данных, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI, которые автор характеризует как коммерчески совместимые. Она оценивалась на 28 задачах классификации; в приведённых примерах показывает результаты, сопоставимые с базовыми zero-shot классификаторами. Качество зависит от формулировки гипотез и названий классов, а возможные смещения связаны с базовой моделью и обучающими данными. Модель рассчитана только на классификацию текста. Лицензия репозитория — MIT.

CombinaTrix-7B — объединённая языковая модель, созданная CultriX с помощью LazyMergekit из NeuralBeagle14-7B, WestSeverus-7B-DPO-v2 и TurdusTrixBeagle-DARETIES-7B. В конфигурации указан WestLake-7B-v2 как базовая модель слияния; применён метод dare_ties, веса сохранены в формате float16. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста, включая диалоговые ответы, следование инструкциям, рассуждения и творческое письмо — эти сценарии унаследованы от составляющих моделей. Она принимает текст и выдаёт текст. Лицензия — Apache-2.0.

Карточка модели Hacking2188/deberta-v3-large-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/deberta-v3-large-zeroshot-v2.0, поэтому описание составлено по ней. Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.

Moritz Laurer разработал эту модель для классификации текста без примеров обучения. Она преобразует категории в гипотезы и оценивает, следует ли каждая гипотеза из входного текста; поэтому один и тот же подход подходит для разных задач классификации. Модель работает через конвейер zero-shot classification в библиотеке Transformers и поддерживает выбор одной или нескольких категорий. Это плотная модель DeBERTa-v3-large с примерно 533,8 млн параметров и контекстом до 512 токенов. Она обучена на синтетических данных для классификации и коммерчески дружественных наборах MNLI и FEVER-NLI. Карточка указывает английский язык; модель рассчитана на текстовый ввод и выдаёт оценки категорий. Автор сообщает о более высокой точности DeBERTa-v3 по сравнению с RoBERTa в серии, но отмечает, что она работает медленнее. Модель может применяться для тематической разметки, анализа тональности, маршрутизации обращений и других задач, которые можно выразить через проверку гипотез. Качество зависит от формулировки шаблона гипотезы и названий классов; возможны смещения, связанные с базовой моделью, данными NLI и синтетическими данными. Лицензия репозитория — MIT; суффикс «-c» обозначает обучение на данных, которые автор характеризует как коммерчески дружественные.

Experiment28M7_Experiment29Pastiche — объединённая модель для генерации текста, созданная путём слияния automerger/Experiment28M7-7B и automerger/Experiment29Pastiche-7B. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Веса представлены в формате Safetensors. Лицензия — Apache-2.0.

m8than/gemma-3-12b-it-lenientchatfix — мультимодальная разговорная модель сообщества на архитектуре Gemma 3, дообученная на предобученной модели Google google/gemma-3-12b-pt. Она принимает текст и изображения и генерирует текст; объём модели — 12 млрд параметров. Карточка описывает возможности семейства Gemma 3: контекст до 128 тыс. токенов и поддержку более 140 языков. Модель предназначена для диалогов, ответов на вопросы по изображениям и тексту, суммаризации и генерации текста. Её можно использовать для извлечения сведений из изображений, создания черновиков и разговорных интерфейсов. Название указывает на вариант с более lenient-настройкой поведения, но README не уточняет, как она реализована и оценивалась. К ограничениям относятся возможные фактические ошибки, смещения в ответах и трудности с неоднозначными запросами и сложными задачами. В метаданных указана лицензия Gemma; использование регулируется её условиями и политикой запрещённого использования Gemma.

unsloth/gemma-3-1b-pt — текстовая версия Gemma 3, подготовленная Unsloth на основе предварительно обученной google/gemma-3-1b-pt. Это плотная авторегрессионная модель с 1 млрд параметров, предназначенная для генерации текста. По метаданным репозитория она принимает текст и имеет контекстное окно до 32 768 токенов. В карточке также описаны возможности семейства Gemma 3 в целом, включая изображения и поддержку более 140 языков; эти характеристики нельзя уверенно приписать данной текстовой версии. Модель подходит для генерации черновиков, диалоговых интерфейсов, суммаризации и ответов на вопросы по предоставленному контексту. Компактный размер упрощает запуск на ограниченных ресурсах. Как базовая, предварительно обученная версия, она не заявлена как готовая инструкционная модель; качество зависит от формулировки запроса и предметной области, а ответы могут содержать фактические ошибки или отражать смещения обучающих данных. Лицензия — Gemma; условия использования следует сверять с лицензией Gemma от Google.

unsloth/gemma-3-4b-it — мультимодальная модель семейства Gemma 3, опубликованная Unsloth на базе Google Gemma 3 4B IT. Она принимает текст и изображения и генерирует текст; подходит для диалогов, ответов на вопросы по изображениям, суммаризации и других задач генерации и понимания текста. Модель использует плотную архитектуру Gemma 3 и доступна в формате safetensors для Transformers. В README семейство Gemma 3 описано как поддерживающее контекст до 128 тысяч токенов и более 140 языков. Модель можно применять в чат-ботах и виртуальных помощниках, для извлечения сведений из изображений, составления кратких сводок и создания текстов. К компактному размеру относится заявленная возможность развёртывания на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре; точный объём памяти для этой версии не указан. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и неверно трактовать тонкие языковые нюансы. Лицензия — Gemma; перед использованием следует учитывать условия лицензии и политику запрещённого использования Gemma.

axolotl-mirrors/gemma-3-4b-pt — это предварительно обученная модель семейства Gemma 3, разработанного Google на основе технологий и исследований, использованных для Gemini. Это плотная мультимодальная модель с архитектурой Gemma3ForConditionalGeneration: она принимает текст и изображения и генерирует текст. Вариант 4B предназначен для понимания изображений, ответов на вопросы, суммаризации и других задач работы с языком и визуальными данными. Модель подходит для извлечения сведений из изображений, диалоговых интерфейсов, создания и редактирования текстов, а также экспериментов с vision-language-моделями. В README семейство Gemma 3 описано как многоязычное, с поддержкой более 140 языков и контекстом до 128 тысяч токенов; конкретные параметры этого варианта в метаданных не приведены. Для репозитория указан формат safetensors и лицензия Gemma. Качество ответов зависит от обучающих данных и формулировки запроса; возможны предвзятые, неточные или устаревшие ответы. Модель может затрудняться с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами.

GLiClass Multilang Ultra — мультиязычная модель классификации текста от Knowledgator на архитектуре GLiClass. Она предназначена для zero-shot и few-shot классификации по заданным пользователем меткам, а также для оценки соответствия текста меткам при решении задач NLI и ранжирования релевантности. Модель поддерживает 20 языков: шведский, норвежский, чешский, польский, литовский, эстонский, латышский, испанский, финский, немецкий, французский, румынский, итальянский, португальский, нидерландский, украинский, хинди, китайский, арабский и иврит. Текст и метки могут быть на разных языках. В README указано около 1,72 млрд параметров; доступны иерархические метки, их описания и примеры для few-shot настройки. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и классификации безопасности LLM. В README приведены оценки на нескольких наборах данных и сравнительные замеры скорости; фактическая производительность зависит от оборудования и задачи. Русский язык среди заявленных языков отсутствует. Лицензия — Apache-2.0.

Карточка модели SillyTilly/google-gemma-2-9b на Hugging Face совпадает с карточкой google/gemma-2-9b, поэтому описание составлено по ней. 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.

SillyTilly/google-gemma-2-9b-it — текстовая диалоговая модель семейства Gemma 2, созданного Google на основе исследований и технологий, использованных при разработке Gemini. Это плотная авторегрессионная модель с 9 млрд параметров и контекстом до 8192 токенов; репозиторий содержит веса в формате safetensors, а для запуска указана библиотека Transformers. Модель предназначена для генерации текста по инструкциям и диалога на английском языке. Её можно применять для ответов на вопросы, суммаризации, создания черновиков, чат-ботов и языковой практики. Относительно компактный размер подходит для запуска на локальном компьютере или собственной облачной инфраструктуре. Модель может выдавать фактические ошибки, отражать смещения обучающих данных и хуже справляться со сложными открытыми запросами, нюансами языка и здравым смыслом. Лицензия — Gemma; использование должно соответствовать условиям лицензии и политике запрещённого использования Gemma.

Hippy-AAI-7B — текстовая генеративная модель, созданная объединением моделей EmbeddedLLM/Mistral-7B-Merge-14-v0.1 и liminerity/M7-7b. Для слияния использован mergekit с методом SLERP; архитектура — плотная MistralForCausalLM на 7,1 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0.

Jais Family 30B 8K — плотная авторегрессионная языковая модель семейства Jais, опубликованная Inception Institute of Artificial Intelligence. Модель предназначена для генерации текста на арабском и английском языках; семейство оптимизировано для арабского и сохраняет сильные возможности английского. В карточке семейства указано, что модели этого варианта предварительно обучались с нуля, а базовые версии дообучались для диалога; конкретно этот репозиторий не обозначен как чат-вариант. Модель подходит для генерации и продолжения текста, ответов на вопросы, классификации тональности и обработки двуязычных документов, включая их краткое изложение. Архитектура — плотная модель JAISLMHeadModel на PyTorch, размер 30 млрд параметров, контекстное окно — 8192 токена. Для загрузки требуется пользовательский класс модели с включением trust_remote_code. Лицензия — Apache 2.0. Модель может ошибаться, воспроизводить предвзятость или выдавать оскорбительный контент; она не предназначена для критически важных решений без контроля человека и для работы с конфиденциальными данными. Уровень владения другими языками и диалектами не следует считать сопоставимым с арабским и английским.

inception42/jais-family-6p7b-chat — диалоговая версия двуязычной большой языковой модели Jais, созданной Inception Institute of Artificial Intelligence. Это дообученная для следования инструкциям модель с авторегрессионной decoder архитектурой; репозиторий содержит веса Safetensors, а для загрузки требуется пользовательский класс модели с параметром trust_remote_code=True. Размер модели по идентификатору — 6,7 млрд параметров. Модель предназначена для диалога и генерации текста на арабском и английском языках. Её можно использовать для создания чат-ассистентов, ответов на вопросы, суммаризации двуязычных документов и анализа тональности; также она подходит для дальнейшей адаптации под конкретные задачи. Модель оптимизирована для арабского языка и обладает сильными возможностями на английском. Она может выдавать неверные, вводящие в заблуждение или предвзятые ответы; качество на других языках и диалектах не гарантируется. Не следует полагаться на неё при принятии важных медицинских, юридических, финансовых или связанных с безопасностью решений без контроля человека. Лицензия — Apache 2.0.