III.2Исследование рынка и маркетинг

zelk12/MT1-Gen4-BB-gemma-2-MTg2MTMM2MU-9B — объединённая языковая модель на базе Gemma 2, опубликованная zelk12. Веса двух предварительно обученных моделей объединены методом SLERP с помощью mergekit; размер модели составляет 9 млрд параметров, архитектура — плотная Gemma 2 для причинной генерации текста. Модель предназначена для генерации текста и диалогового общения, принимает текст и выдаёт текст. Контекстное окно — 8192 токена. Модель доступна в формате safetensors; README также описывает статические квантизованные сборки GGUF от @mradermacher. Метаданные указывают библиотеку Transformers. В карточке не приведены специальные доменные назначения или ограничения на использование. Лицензия в предоставленных данных не указана.

zelk12/MT4-IMUGMA-gemma-2-9B — слитая диалоговая языковая модель семейства Gemma 2, созданная с помощью mergekit методом SLERP из zelk12/MT4-GMA-gemma-2-9B и zelk12/MT4-IMU-gemma-2-9B. Модель предназначена для генерации текста в диалогах и других сценариях, где нужно сформировать ответ по текстовому запросу. Модель имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров, работает с библиотекой Transformers и распространяется в формате safetensors. Размер контекста — до 8192 токенов. В карточке указана лицензия, разрешающая использование модели для её задач.

mjwong/multilingual-e5-large-xnli-anli — многоязычная модель классификации текста, созданная дообучением intfloat/multilingual-e5-large на наборах XNLI и ANLI. Она основана на архитектуре XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для классификации без заранее заданного набора классов: можно передать текст и собственные варианты меток, а также применять её для задач вывода по текстовым парам. Поддерживаются 15 языков: английский, арабский, болгарский, немецкий, греческий, испанский, французский, хинди, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский. В README приведены результаты оценки на XNLI, MultiNLI и ANLI. Модель доступна в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Качество зависит от выбранных формулировок меток и языка; результаты на тестах ANLI и XNLI различаются между языками и наборами.

munin-neuralbeagle-7b-density-very-low — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она создана с помощью LazyMergekit методом dare_ties: в слиянии участвовали danish-foundation-models/munin-7b-alpha и mlabonne/NeuralBeagle14-7B; для NeuralBeagle14-7B заданы плотность 0,1 и вес 0,6, маска int8 и формат bfloat16. Модель предназначена для генерации текста и может использоваться для диалогов, следования инструкциям, рассуждений и творческого письма — эти возможности описаны для базовой NeuralBeagle14-7B. Она принимает текст и выдаёт текст. В метаданных указана лицензия Apache-2.0.

Nemotron-3-Nano-30B-A3B-GGUF — большая языковая модель, разработанная NVIDIA Corporation и представленная в GGUF-формате сообществом Unsloth на основе NVIDIA-Nemotron-3-Nano-30B-A3B-BF16. Модель предназначена для генерации текста, ответов на пользовательские запросы, решения задач с рассуждением и без него, а также для коммерческих приложений. Она может сначала формировать рассуждение, а затем итоговый ответ; режим рассуждений настраивается через chat template. Модель использует гибридную архитектуру Mixture-of-Experts: 23 слоя Mamba-2 и MoE, а также 6 attention-слоёв. Всего предусмотрено 30 млрд параметров, из которых 3,5 млрд активируются для каждого токена. Каждый MoE-слой содержит 128 экспертов и одного общего эксперта, при этом на токен активируются 5 экспертов. Поддерживаются английский, немецкий, испанский, французский, итальянский и японский языки. В README размер контекста и точные параметры GGUF-квантизации не указаны. Сильными сторонами модели являются сочетание режимов рассуждения и обычной генерации, разреженная MoE-архитектура с относительно небольшим числом активных параметров и многоязычная поддержка. Включение промежуточных рассуждений обычно повышает качество на сложных запросах, тогда как отключение рассуждений может немного снижать точность. Ограничениями являются отсутствие в предоставленных данных подробных результатов тестирования, сведений о размере контекста и характеристик конкретной GGUF-квантизации. Модель разрешена для коммерческого использования на условиях NVIDIA Open Model License.

MaziyarPanahi/neural-chat-7b-v3-1-dare-0.85-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста и ответов на диалоговые запросы. Она создана объединением Mistral-7B-Instruct-v0.1 и uukuguy/neural-chat-7b-v3-1-dare-0.85 методом SLERP; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текстовые инструкции и сообщения и генерирует текстовые ответы. Заявленный нативный контекст составляет 32 768 токенов. Репозиторий распространяет веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит отдельных оценок качества или ограничений поведения.

NeuralsirkrishnaShadow_Inex12Neural — слитая языковая модель семейства Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Inex12Neural-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста на основе текстового запроса; длина контекста составляет до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Данные карточки не описывают специализацию по языкам или прикладным областям, поэтому её следует рассматривать как модель общего назначения. Качество и конкретные возможности зависят от запроса и сценария применения.

NeuralsynthesisT3qm7-7B — слитая Maxime Labonne модель для генерации текста и диалогов. Она объединяет Kukedlc/NeuralSynthesis-7b-v0.4-slerp и nlpguy/T3QM7 методом SLERP с помощью mergekit. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors и имеют тип bfloat16. Лицензия — Apache-2.0.

NeuralTrix-7B-dpo-laser — языковая модель от Kquant03, созданная объединением моделей mlabonne/OmniBeagle-7B, flemmingmiguel/MBX-7B-v3 и AiMavenAi/AiMaven-Prometheus с помощью LazyMergekit и последующим обучением DPO. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; она генерирует текст по текстовому запросу и поддерживает контекст до 32 768 токенов. Модель подходит для диалогов, ответов на вопросы и других задач генерации текста. В конфигурации слияния также указан mistralai/Mistral-7B-v0.1 как базовая модель; DPO упоминается в карточке, но использованный набор данных не приведён. Модель распространяется по лицензии Apache-2.0.

Kukedlc/neuronal-7b-Mlab — текстовая генеративная модель, созданная слиянием mlabonne/NeuralDaredevil-7B и mlabonne/NeuralHermes-2.5-Mistral-7B с помощью LazyMergekit и метода slerp. В метаданных указаны архитектура MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов по инструкциям. Она принимает текст и выдаёт текст; в карточке модели не заявлена специализация на конкретном языке или предметной области. Репозиторий содержит веса Safetensors, лицензия — Apache 2.0.

OpenBuddy-deepseek-67b-v15.2 — мультиязычная разговорная языковая модель семейства Llama, опубликованная проектом OpenBuddy. Она предназначена для диалога и генерации текста в ответ на запросы пользователя; модель содержит 66,6 млрд параметров и использует архитектуру LlamaForCausalLM. Для работы указаны Transformers и формат Safetensors, длина контекста — 4096 токенов. В метаданных перечислены китайский, английский, французский, немецкий, японский, корейский, итальянский, русский и финский языки. Карточка указывает лицензию «deepseek», но не приводит её точные условия. Модель может выдавать ошибочные, вредные или оскорбительные ответы; разработчики предостерегают от использования в медицинских, финансовых, юридических и других критически важных сценариях.

OpenHermes-2.5-neural-chat-v3-2-Slerp — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением моделей с помощью mergekit. Она предназначена для генерации текста в диалогах и может использовать шаблоны ChatML и neural-chat-7b-v3-2. Заявленная длина контекста — 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. README приводит результаты оценки на Open LLM Leaderboard, включая средний балл 70,2, ARC и HellaSwag; эти результаты описывают оценивание, но не гарантируют качество в конкретном применении.

PandafishHeatherReReloaded — объединённая модель для генерации текста, созданная MysticFoxMagic методом slerp с помощью LazyMergekit на основе MysticFoxMagic/HeatherSpell-7b и ichigoberry/pandafish-2-7b-32k. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текстовый контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы. Веса опубликованы в формате Safetensors; при объединении использована точность bfloat16. В метаданных указана лицензия, но её условия здесь не раскрыты.

PEGASUS-X Base — модель Google Research, основанная на PEGASUS и предназначенная прежде всего для абстрактивного суммирования длинных текстов. Это encoder-decoder Transformer с блочно-локальным вниманием и глобальными токенами энкодера; модель содержит около 187,1 млн параметров и поддерживает входной контекст до 16 384 токенов. Модель принимает текст и генерирует текстовое резюме. PEGASUS-X расширяет PEGASUS дополнительным предобучением на длинных последовательностях; в исследовании авторы сообщают о сильных результатах на задачах суммирования длинных текстов при сравнительно небольшом размере модели. Карточка Hugging Face не содержит сведений о конкретных языках обучения или лицензии, поэтому они здесь не уточняются.

PIT-4B-FT — англоязычная instruction-tuned языковая модель семейства Point-In-Time GPT от Diamegs. Это декодерный Transformer для генерации текста и следования инструкциям; LoRA-адаптеры обучены на инструкционных данных и объединены с базовыми весами Diamegs/PIT-4B-202412. Модель отражает знания из веб-текстов FineWeb по декабрь 2024 года и предназначена для генерации ответов и анализа, учитывающего состояние знаний на этот момент. Модель работает с текстом, использует библиотеку Transformers и хранится в формате safetensors. Контекст ограничен 2048 токенами. Лицензия — Apache-2.0. У модели нет RLHF и дополнительной настройки безопасности; она может воспроизводить предвзятость обучающих данных. Её знания ограничены материалами, доступными до декабря 2024 года, поэтому для критически важных задач требуется дополнительная проверка и настройка.

Qwen3.5 Plus (April 2026) — крупная мультимодальная языковая модель Alibaba. Она принимает текст, изображения и видео и формирует текстовые ответы. Заявленное окно контекста составляет 1 млн токенов. Модель предназначена для диалогов и работы с визуальным содержимым, включая анализ изображений и видео. В доступных данных не раскрыты архитектура, число параметров, поддерживаемые языки и условия лицензии, поэтому эти характеристики не указаны.

SynthIA-7B-v1.3-dare-0.85-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная MaziyarPanahi объединением mistralai/Mistral-7B-Instruct-v0.2 и uukuguy/SynthIA-7B-v1.3-dare-0.85 методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов в диалоговом формате. Модель принимает текст и выдаёт текст; контекст составляет до 32 768 токенов. Её можно применять для чат-ботов, ответов на инструкции, черновиков и суммаризации текста. В карточке указана лицензия Apache-2.0. README не приводит сравнительных оценок качества или подробных ограничений, поэтому результаты следует проверять на целевых задачах.

google/t5gemma-2b-2b-ul2 — предварительно обученная модель семейства T5Gemma от Google с кодировщиком и декодировщиком по 2 млрд параметров. Архитектура encoder-decoder получена адаптацией decoder-only модели; вариант UL2 обучен с использованием подхода UL2. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста по текстовому запросу и подходит для суммаризации, ответов на вопросы, рассуждений и других задач преобразования текста. В карточке указана поддержка английского языка. Компактный размер может быть удобен для локального развёртывания на компьютерах и в облачной инфраструктуре. Качество зависит от обучающих данных и формулировки запроса; модель может упускать нюансы и выдавать неточные или устаревшие факты. Лицензия Gemma; при применении необходимо учитывать правила использования Gemma.

QuantFactory/Teuken-7B-instruct-commercial-v0.4-GGUF — квантизированная версия 7-миллиардной instruction-tuned языковой модели Teuken-7B-instruct-commercial-v0.4, созданная с использованием llama.cpp. Исходную модель разработали Fraunhofer, Forschungszentrum Jülich, TU Dresden и DFKI в рамках исследовательского проекта OpenGPT-X при финансировании Федерального министерства экономики и защиты климата Германии. Архитектура модели — decoder-only Transformer. Модель предназначена для генерации текста, диалоговых сценариев и других мультиязычных NLP-задач, включая коммерческое и исследовательское использование. Она ориентирована на все 24 официальных языка Европейского союза: болгарский, чешский, датский, немецкий, греческий, английский, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский. Предобучение базовой модели выполнено на 4 триллионах токенов из общедоступных источников с датой отсечения данных в сентябре 2023 года. Сильная сторона модели — специализация на мультиязычных задачах и более стабильная работа с европейскими языками по сравнению с англоцентричными моделями. Для корректной работы требуется использовать предусмотренный prompt template или chat template. Модель не предназначена для математических и программных задач; также возможны галлюцинации, предвзятые, токсичные или иным образом вредные ответы. Размер контекста и конкретный формат квантизации в предоставленной карточке не указаны. Модель распространяется по лицензии Apache 2.0.

Tulu 1 Llama 2 70B — языковая модель-ассистент, разработанная Allen Institute for AI (AI2). Это дообученная на смеси публичных, синтетических и созданных людьми инструкций и диалогов версия Meta Llama 2 70B с плотной архитектурой Llama и 68,7 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции; основной язык — английский, длина контекста — 2048 токенов. Модель подходит для диалоговых помощников, ответов на вопросы и выполнения разнообразных текстовых инструкций. Для форматирования запросов используется шаблон с маркерами ролей, описанный в карточке модели. Модель не проходила выравнивание безопасности на этапе RLHF и не снабжена фильтрацией ответов, поэтому может выдавать проблемный контент. Лицензия — AI2 ImpACT Low-risk.

WebDancer-32B — языковая модель Alibaba-NLP для автономного поиска информации и рассуждений в стиле Deep Research. Она представлена в статье «WebDancer: Towards Autonomous Information Seeking Agency» и основана на Qwen/QwQ-32B, дообученной с использованием ReAct и четырёхэтапного процесса: подготовка данных для веб-навигации, сбор траекторий, supervised fine-tuning и обучение с подкреплением DAPO. Модель предназначена для агентных сценариев, где нужно самостоятельно искать сведения и использовать найденное для ответа на сложные вопросы. Размер — 32 млрд параметров, архитектура — плотная Qwen2ForCausalLM; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст — до 40 960 токенов. В README приведены результаты Pass@3: 61,1% на GAIA и 54,6% на WebWalkerQA. Модель распространяется по лицензии MIT. Результаты бенчмарков не гарантируют качества в других сценариях; модель предназначена для агентного поиска и рассуждений, а отдельные сведения о поддерживаемых естественных языках в карточке не приведены.

WildMBXMarconi-SLERP-7B — слитая модель генерации текста семейства Mistral, созданная с помощью LazyMergekit из BarryFutureman/WildMarcoroni-Variant1-7B и flemmingmiguel/MBX-7B. Слияние выполнено методом SLERP; модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста по запросу и диалогового взаимодействия. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая показатели на тестах AI2 Reasoning Challenge и HellaSwag.

YamshadowInex12_T3qExperiment26 — объединённая модель генерации текста, созданная из automerger/YamshadowInex12-7B и automerger/T3qExperiment26-7B. Она предназначена для сценариев, где требуется генерировать текст на основе текстового запроса. Модель использует плотную архитектуру Mistral и содержит 7,1 млрд параметров. Контекстное окно — до 32 768 токенов; веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Yi-34B-Chat — чат-модель для генерации текста, разработанная 01.AI. Она входит в серию Yi, обученную с нуля на многоязычном корпусе объёмом 3 трлн токенов и рассчитанную прежде всего на работу с английским и китайским языками. Модель использует плотную архитектуру Transformer семейства Llama, класс LlamaForCausalLM, и содержит 33,9 млрд параметров; при этом она не является производной от Llama и не использует её веса. Модель предназначена для диалогов, ответов на вопросы, понимания текста, чтения и рассуждений на здравом смысле. В карточке приведены результаты сравнений, актуальные на конец 2023 — начало 2024 года; они не гарантируют качество на других задачах и данных. Контекст составляет 4096 токенов. Для локального запуска руководство приводит пример с ускорителем A800 на 80 ГБ; фактические требования зависят от способа развёртывания и точности весов. Репозиторий предоставляет веса в формате safetensors, а лицензия — Apache-2.0.

ghostlamp/2 — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом DARE TIES на основе Princeton NLP Llama-3-8B-ProLong-512k-Base, Arkana08/LexiMaid-L3-8B и DavidAU/L3.1-Dark-Planet-SpinFire-Uncensored-8B. В репозитории представлены веса SafeTensors в формате bfloat16; размер модели составляет 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Базовая модель поддерживает контекст до 524 288 токенов, что подходит для работы с длинными текстовыми запросами и документами. Карточка не сообщает отдельные целевые языки и прикладные области. Лицензия в предоставленных данных не указана.

Sao10K/70B-L3.3-Cirrus-x1 — диалоговая языковая модель, созданная на основе Meta Llama 3.3 70B Instruct. Автор сообщает, что использовал тот же состав данных, что и для Freya, применял другой подход к обучению, обучал модель дольше и также объединял её с чекпойнтами. Это плотная архитектура LlamaForCausalLM с 69,5 млрд параметров; модель работает с текстом и поддерживает контекст до 131 072 токенов. Модель предназначена для диалога и генерации текста. Автор отмечает выразительный стиль и большую стабильность по сравнению с предыдущими версиями, но также указывает на отдельные исправимые проблемы. Для промптов используется формат Llama-3-Instruct; в карточке приведены рекомендуемые параметры генерации. Модель распространяется по лицензии Llama 3.3.

Aeonium v1.1 Chat 4B — русскоязычная чат-модель, разработанная командой Aeonium и полученная дообучением Aeonium v1.1 Base 4B методом supervised fine-tuning. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 3,6 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для диалогов и генерации ответов на русском языке. Её можно использовать в чат-ботах, для составления черновиков и ответов на вопросы в текстовом интерфейсе. Доступны веса в формате safetensors; лицензия — Apache 2.0. Как и другие языковые модели, Aeonium может воспроизводить предвзятые, оскорбительные или недостоверные сведения. Разработчики рекомендуют проверять результаты и применять фильтрацию, особенно в чувствительных и высокорисковых сценариях.

ArlowGPT-8B — англоязычная инструкционно настроенная текстовая модель, созданная на основе Meta Llama 3.1 8B Instruct и дообученная разработчиком на наборе инструкций в течение 10 эпох. Модель предназначена для диалогов, генерации текста, ответов на вопросы, суммаризации и анализа документов. По метаданным, это плотная архитектура Llama с 7,5 млрд параметров, класс LlamaForCausalLM, контекст до 131 072 токенов; поддерживаются чат и интерфейс вызова инструментов. Заявленные сценарии включают многошаговые диалоги, создание профессиональных и творческих текстов, объяснения и синтез информации. Карточка также заявляет области права, медицины и финансов, однако не приводит подтверждений специализированной отраслевой подготовки. Основной язык в метаданных — английский. Модель использует библиотеку Transformers и формат safetensors; лицензия — Llama 3.1. Для запуска нужны значительные вычислительные ресурсы, а качество ответов зависит от запроса и не гарантирует фактическую точность.

Beast-Mixed — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и Zephyr-7B-beta методом SLERP с помощью LazyMergekit. Модель на 7,1 млрд параметров предназначена для генерации текста и ответов на инструкции в формате чата; архитектура — плотная MistralForCausalLM, максимальный контекст составляет 32 768 токенов. Модель подходит для диалоговых помощников, черновиков текстов и ответов на вопросы по текстовому контексту. В README указана конфигурация слияния и тип данных bfloat16. Лицензия в предоставленных данных не указана.

Recognai/bert-base-spanish-wwm-cased-xnli — испаноязычная модель BERT, дообученная командой Recognai на испанской части набора XNLI для классификации с нулевым примером. Она оценивает, насколько текст соответствует предложенным пользователем меткам, и подходит для тематической разметки текстов без отдельного обучения на каждой категории. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для тестовой части XNLI на испанском языке указана точность 79,9%. Доступны веса в форматах PyTorch, Flax и safetensors. README рекомендует использовать её через pipeline zero-shot-classification библиотеки Transformers и отмечает, что более новые варианты SELECTRA легче и показывают лучшие результаты. Модель выпущена по лицензии MIT.