III.2Исследование рынка и маркетинг

Карточка модели TigerByteCyber/bge-m3-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/bge-m3-zeroshot-v2.0, поэтому описание составлено по ней. MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

blossom-v3-mistral-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на 7,1 млрд параметров, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.2 и Azure99/blossom-v3-mistral-7b методом SLERP. Модель построена на архитектуре Mistral и предназначена для генерации текста в ответ на запросы и инструкции; поддерживает контекст до 32 768 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы и создания текстов по запросу. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Comprehend-it-multilang-base — мультиязычная модель компании Knowledgator для классификации текста без примеров, на основе mT5-base. Это encoder-decoder-модель семейства T5 с 291,2 млн параметров, обученная на многоязычных наборах для вывода по естественному языку и классификации текстов. Она сопоставляет текст с заданными пользователем названиями классов и выдаёт оценки принадлежности к ним. Модель подходит для тематической разметки, маршрутизации обращений и анализа текстов, когда заранее неизвестны или часто меняются категории. Текст и метки можно задавать на разных языках; автор заявляет поддержку почти 100 языков. Для работы используется библиотека LiqFit, поскольку стандартный pipeline Transformers для zero-shot-классификации не поддерживает эту архитектуру. В карточке приведены результаты сравнительных тестов в режиме zero-shot на нескольких наборах классификации, однако они не гарантируют такое же качество на произвольных данных. Модель выпущена под лицензией Apache-2.0.

AIArchiveInfo публикует побайтную архивную копию модели MoritzLaurer/deberta-v3-large-zeroshot-v2.0. Согласно README, веса не обучались и не изменялись при копировании; исходная модель основана на DeBERTa V3 Large и предназначена для классификации текста без размеченных примеров с помощью zero-shot-пайплайна Hugging Face. Она оценивает, следует ли гипотеза из текста, и позволяет формулировать пользовательские категории как гипотезы, например для тематической классификации, анализа тональности или разметки обращений. Модель имеет 533,8 млн параметров, контекст до 512 токенов и англоязычную карточку. Доступны форматы Safetensors и ONNX; библиотека — Transformers. README приводит результаты оценки на 28 задачах классификации и указывает, что DeBERTa V3 обычно точнее RoBERTa, но работает медленнее. Модель ограничена классификацией текста; результат зависит от формулировок гипотез и категорий, а возможные смещения связаны с базовой моделью и обучающими данными. Лицензия — MIT. Архивная копия сохраняет лицензию исходной модели.

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 дообучил DeBERTa-v3-xsmall для классификации без заранее заданного набора классов: пользователь задаёт текстовые метки, а модель оценивает соответствие им входного текста. Модель предназначена для быстрого zero-shot анализа, в том числе на периферийных устройствах и в браузере через transformers.js. Основа — microsoft/deberta-v3-xsmall. В README указаны 22 млн параметров основной части модели, 128 млн параметров словаря и размер файла 142 МБ; метаданные указывают 77,5 млн параметров. Модель принимает текст, поддерживает английский язык и имеет контекст 512 токенов. Доступны форматы PyTorch, safetensors и ONNX. Модель компактнее и эффективнее более крупных вариантов семейства, но, согласно README, показывает более низкое качество. Отдельная zero-shot оценка для этой версии не проводилась; приведены результаты стандартной точности на наборах данных, использованных при обучении. Лицензия — MIT.

Experiment26Neuralsirkrishna_Experiment28Experiment24 — объединённая модель Mistral, созданная на основе automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment28Experiment24-7B. Она предназначена для генерации текста и диалогов, например для создания ответов и продолжения текста по запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает контекст длиной до 32 768 токенов. Доступна в формате Safetensors. Лицензия — Apache-2.0.

MaziyarPanahi/Experiment28M7_Multi_verse_modelM7 — объединённая модель для генерации текста, основанная на двух моделях: automerger/Experiment28M7-7B и automerger/Multi_verse_modelM7-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Модель подходит для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате Safetensors; лицензия — Apache 2.0.

Experiment28T3q_OgnoShadow — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная на основе automerger/Experiment28T3q-7B и automerger/OgnoShadow-7B. Она предназначена для генерации текста и может использоваться в диалоговых и других текстовых приложениях.

Elcaida/finetuned8b — дообученная Elcaida языковая модель семейства Llama для генерации текста и диалогового взаимодействия. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit и содержит 7,5 млрд параметров. Модель имеет плотную архитектуру LlamaForCausalLM, принимает текст и выдаёт текст; для неё заявлен контекст до 131 072 токенов. Модель подходит для диалогов, генерации ответов и других задач, решаемых инструкционной языковой моделью. В метаданных также указана возможность интерфейса вызова инструментов. В карточке не описаны специализация дообучения, обучающие данные или результаты оценки качества; язык карточки — английский, но это не устанавливает полный список поддерживаемых языков. Лицензия — Apache-2.0.

declare-lab/flan-alpaca-xxl — модель T5ForConditionalGeneration семейства T5 с 5,8 млрд параметров, дообученная авторами репозитория на инструкционных данных Flan и Alpaca. Она предназначена для выполнения текстовых инструкций и генерации ответов на широкий круг запросов; карточка демонстрирует генерацию текста по простому запросу. Модель принимает текст и выдаёт текст. Для обучения использовались коллекция Flan и синтетические инструкции Alpaca. Разработчики позиционируют подход как доступный способ получить инструкционно настроенную модель, а метаданные указывают датасет tatsu-lab/alpaca. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

FrankenMonarch-11b — объединённая модель для генерации текста, созданная mlabonne с помощью LazyMergekit на основе mlabonne/NeuralMonarch-7B и mlabonne/AlphaMonarch-7B. Конфигурация объединяет диапазоны слоёв двух моделей методом passthrough; архитектура — плотная MistralForCausalLM, размер — 10,6 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалогов и генерации текста, включая ответы на запросы и следование инструкциям. Доступна в формате safetensors и использует лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Gemma 2 2B IT — компактная текстовая модель Google, дообученная для следования инструкциям и диалогового взаимодействия на базе google/gemma-2-2b. Это декодерная языковая модель семейства Gemma, работающая по схеме «текст на входе — текст на выходе»; она поддерживается библиотекой Transformers и распространяется в формате Safetensors с открытыми весами по лицензии Gemma. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и диалоговых интерфейсов. Её небольшой размер позволяет запускать её на ноутбуке, настольном компьютере или собственной облачной инфраструктуре с ограниченными ресурсами. В README семейство описано как англоязычное. Ответы могут содержать фактические ошибки и отражать смещения обучающих данных; качество зависит от формулировки запроса и предоставленного контекста. Модель может испытывать трудности со сложными задачами, языковыми нюансами и здравым смыслом. Для приложений, где важны точность и безопасность, необходима проверка результатов и защитные меры.

Карточка модели unsloth/gemma-3-4b-it-qat на Hugging Face совпадает с карточкой google/gemma-3-4b-it-qat-q4_0-unquantized, поэтому описание составлено по ней. Google Gemma 3 4B IT QAT Q4_0 Unquantized — мультимодальная модель для диалогов с текстом и изображениями, основанная на Gemma 3 4B IT. Несмотря на обозначение QAT Q4_0 в названии, метаданные указывают формат файлов safetensors; отдельная квантизация в них не подтверждена. Модель принимает текст и изображения и генерирует текст, поддерживает чат и предназначена для ответов на вопросы по изображениям, суммаризации и другим задачам генерации и понимания текста. В README семейство Gemma 3 описано как компактное, подходящее для локального запуска на ноутбуках и настольных компьютерах. Для семейства заявлены контекст до 128 тысяч токенов и поддержка более 140 языков; README не уточняет, подтверждены ли эти характеристики именно для данной сборки. Лицензия — Gemma. Возможны фактические ошибки, предвзятые ответы и трудности с неоднозначными формулировками и сложными задачами; для развёртывания следует учитывать эти ограничения и проверять результаты.

GPT-JT-6B-v1 — языковая модель Together, дообученная на базе GPT-J (6B) с использованием децентрализованного алгоритма обучения. Она предназначена для генерации текста по запросу и особенно ориентирована на задачи классификации, например определение тональности. Модель использует архитектуру GPT-J с плотной сетью и цель обучения UL2: входной запрос доступен модели с двунаправленным контекстом, а продолжение генерируется авторегрессионно. Обучение включало 3,53 млрд токенов из The Pile, Natural-Instructions, P3 и данных Chain-of-Thought. Контекст модели — 2048 токенов; в карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Заявления карточки о сравнении с более крупными моделями относятся к классификационным бенчмаркам и сами по себе не гарантируют качество на других задачах.

manojpreveen/gpt-neoxt-20b-v13 — дообученная модель генерации текста на архитектуре GPT-NeoX, созданная на базе togethercomputer/GPT-NeoXT-Chat-Base-20B. Автор сообщает, что модель обучена на наборе Instruction Tuning объёмом около 5,2 млн примеров с использованием Colossal-AI; также в метаданных указан набор Conversational Data. Размер модели — 26,9 млрд параметров, нативный контекст — 2048 токенов. Модель предназначена для генерации ответов на инструкции и диалоговых запросов. В карточке описано обучение в течение пяти эпох на восьми GPU A100 с размером блока 2020 токенов. Лицензия — BigScience OpenRAIL-M.

J.O.S.I.E.3-Beta10-7B-slerp — чат-модель для генерации текста, созданная слиянием Weyaxi/Einstein-v5-v0.2-7B и argilla/CapybaraHermes-2.5-Mistral-7B методом SLERP с помощью LazyMergekit. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов на текстовые запросы. Веса опубликованы в формате Safetensors; лицензия — Apache-2.0.

Letemoin/L3-Deluxe-Smurge_l3-12B — объединённая языковая чат-модель, созданная с помощью mergekit из трёх моделей: ehristoforu/llama-3-12b-instruct, jsfs11/Llama-3-RPMerge-8B-SLERP и Casual-Autopsy/L3-Deluxe-Scrambled-Eggs-On-Toast-8B. В README указан метод passthrough; архитектура — плотная Llama с классом LlamaForCausalLM, формат весов — safetensors, число параметров — 23,4 млрд, контекст — до 8192 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Метаданные связывают её с русско-английской чат-моделью, поэтому она подходит для общения и ответов на запросы на русском и английском языках. Лицензия в предоставленных данных не указана.

Linkbricks-Horizon-AI-Korean-Avengers-V2-27B — языковая модель, дообученная доктором Юнсоном Джи (Saxo), специалистом по данным компании Linkbricks. Это плотная модель Gemma 2 с 27,6 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; она дообучена методом SFT с последующим DPO на базе Linkbricks-Horizon-AI-Korean-Avengers-V1-27B. Модель ориентирована прежде всего на корейский язык. В обучении использовались корейские новости, данные для перевода между корейским, китайским, английским и японским языками, а также примеры для суммаризации, вопросов и ответов, математики и логических рассуждений. Среди заявленных сценариев — анализ отзывов и публикаций в социальных сетях, написание текстов и кода, решение математических и логических задач. README заявляет контекст 128 тыс. токенов, тогда как метаданные указывают нативное окно 8192 токена. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Её специализация на корейском и расхождение сведений о длине контекста следует учитывать при выборе и развёртывании; заявленные в карточке улучшения не сопровождаются количественными результатами оценки.

mncai/llama2-13b-dpo-v7 — языковая модель MindsAndCompany на архитектуре Llama 2, дообученная для следования инструкциям и оптимизированная методом DPO. Она предназначена для генерации ответов на запросы и может использоваться в чат-ботах и корпоративных генеративных AI-продуктах. Модель содержит 12,9 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 2048 токенов. В карточке показан пример запроса на корейском языке, а метаданные указывают английский и корейский языки. Модель распространяется в формате safetensors по лицензии Llama 2.

PlumChat — объединённая языковая модель от sequelbox на архитектуре Llama 3.1, созданная методом DARE/DELLA с помощью mergekit на основе meta-llama/Llama-3.1-8B-Instruct и моделей ValiantLabs/Llama3.1-8B-ShiningValiant2 и sequelbox/Llama3.1-8B-MOTH. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов, следования инструкциям и генерации текста. Её можно использовать для ответов на вопросы, ведения переписки и подготовки текстовых черновиков. Доступны веса в формате safetensors для библиотеки Transformers. Карточка приводит результаты Open LLM Leaderboard, включая среднее значение 13,13 и IFEval 42,43; оценки не гарантируют качество на конкретных задачах. Модель принимает текст и генерирует текст; данных о специально поддерживаемых языках в карточке нет. Унаследованные от Llama 3.1 ограничения и условия распространяются на эту производную модель; лицензия — llama3.1.

Llama-3-linear-8B — языковая модель на архитектуре Llama, созданная Mlabonne путём объединения Meta-Llama-3-8B и Meta-Llama-3-8B-Instruct методом task arithmetic через LazyMergekit. Модель содержит 7,5 млрд параметров и предназначена для генерации текста и диалоговых ответов; для работы с ней подходят сценарии ассистента и продолжения текста. Модель принимает текст и генерирует текст. Её нативное контекстное окно составляет 8192 токена. В карточке указана лицензия other; перед использованием следует проверить условия лицензии базовых моделей Meta-Llama 3.

MaziyarPanahi/M7Yamshadowexperiment28_Percival_01Shadow — объединённая модель на архитектуре Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/Percival_01Shadow-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Лицензия — Apache-2.0.

Marco-Mini-Global-Base — мультиязычная базовая языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный путём расширения и дообучения Qwen3-0.6B-Base; при генерации токенов активируется около 0,86 млрд параметров из 17,3 млрд. Модель предназначена для генерации текста и диалогового использования на 64 языках, включая русский, английский, китайский, арабский, хинди и другие языки Европы, Азии и Африки. Контекст составляет 32 768 токенов; доступны интерфейс для чата и интерфейс вызова инструментов. В сравнении, приведённом в карточке, модель показывает сильные результаты на многоязычных тестах при небольшом числе активируемых параметров; показатели на английских тестах также близки к более крупным сравниваемым моделям. Это базовая модель, поэтому качество инструкционного следования и диалога может требовать отдельной настройки. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

MaziyarPanahi/MeliodasPercival_01_Experiment28T3q — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная на основе automerger/MeliodasPercival_01-7B и automerger/Experiment28T3q-7B. Она предназначена для генерации текста и может использоваться для диалога, составления черновиков и продолжения текстовых запросов. Модель принимает текст и выдаёт текст; заявленная длина контекста составляет 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает специализированные области применения или отдельные ограничения качества; результаты генерации следует проверять в соответствии с задачей.

cloudyu/mistral_11B_instruct_v0.1 — разговорная языковая модель на архитектуре Mistral с 48 слоями и 10,6 млрд параметров. Автор карточки сообщает, что модель дообучена методом SFT на vicgalle/alpaca-gpt4; формат примера использует инструкцию, входные данные и ожидаемый ответ. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Она принимает текст и рассчитана на контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — CC BY 4.0. Карточка не приводит оценок качества или подробных ограничений применения, поэтому пригодность для конкретных задач следует проверять отдельно.

Mistral-7B-Instruct-guidance-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на базе Mistral-7B-Instruct-v0.2 и Mistral-7B-Instruct-guidance. Модели объединены методом SLERP с настройками по слоям и типам блоков; архитектура — плотная причинная модель MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста в диалогах и ответов на инструкции. Она принимает текст, поддерживает контекст до 32 768 токенов и выдаёт текст. В метаданных не указаны поддерживаемые естественные языки; поэтому конкретные языки не перечисляются. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

Mistral-NeMo-Minitron-8B-Chat — разговорная языковая модель, опубликованная rasyosef и дообученная методом supervised fine-tuning на базе nvidia/Mistral-NeMo-Minitron-8B-Base. Для настройки использовано 32 тысячи пар «инструкция — ответ» из набора teknium/OpenHermes-2.5. Модель построена на плотной архитектуре Mistral с классом MistralForCausalLM, содержит 7,9 млрд параметров и принимает текстовые запросы в формате чата, генерируя текстовые ответы. Контекст — до 8192 токенов. Модель подходит для диалогового общения, ответов на вопросы, выполнения инструкций и генерации текста по запросу. В README приведены результаты оценки следования инструкциям IFEval: 45,83; также указаны результаты Open LLM Leaderboard. Эти оценки не гарантируют качество на конкретных пользовательских задачах. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии в карточке модели.

Joemgu/mlong-t5-large-sumstew — многоязычная модель для абстрактивного суммирования длинных документов и генерации заголовков, созданная на базе архитектуры LongT5 и дообученная разработчиком на наборе данных Joemgu/sumstew. Она принимает текст с инструкцией «Summarize:» для получения краткого содержания или «Write a title and summarize:» для генерации заголовка и краткого содержания. Модель содержит около 614,9 млн параметров; в метаданных указан контекст 4096 токенов, а в README заявлена обработка входов до 16 тысяч токенов. Поддерживаемые языки — английский, немецкий, французский, итальянский и испанский. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель предназначена для подготовки кратких изложений и заголовков к длинным текстам. Ограничение по длине входа зависит от источника: README заявляет до 16 тысяч токенов, тогда как метаданные указывают контекст 4096 токенов; фактическое качество за пределами этого значения следует проверять на целевых документах.

Typeform разработала MobileBERT, дообученную на наборе Multi-Genre Natural Language Inference (MNLI) для классификации без примеров. Модель сопоставляет текст с заданными пользователем категориями и оценивает, какая из них лучше подходит; её можно применять для разметки текстов по произвольному набору меток без отдельного обучения на этих метках. Это англоязычная модель семейства MobileBERT с архитектурой MobileBertForSequenceClassification и 59,7 млн параметров. Она принимает текст, поддерживает контекст длиной до 512 токенов и выдаёт оценки классов. Веса доступны в форматах PyTorch и Safetensors. Модель может воспроизводить вредные стереотипы о защищённых группах и социальных характеристиках, поэтому результаты требуют проверки. В карточке указано, что для лицензии нужно уточнение; условия использования по имеющимся данным определить нельзя.