III.2Исследование рынка и маркетинг

aqua-smaug-0.2-8B — языковая модель для генерации текста, созданная пользователем saucam путём слияния с помощью Mergekit моделей Dolphin 2.9 Llama 3 8B, Llama-3-Smaug-8B и Meta-Llama-3-8B. В основе лежит плотная архитектура LlamaForCausalLM; объём модели составляет 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации продолжений текста и диалоговых ответов в сценариях, поддерживаемых базовыми моделями. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

duyntnet/aya-expanse-8b-imatrix-GGUF — набор GGUF-квантизаций модели Aya Expanse 8B, разработанной Cohere For AI. Это открытая исследовательская большая языковая модель для генерации текста и диалоговых сценариев с выраженной ориентацией на мультиязычность. Модель основана на предварительно обученном семействе Command и дополнительно улучшалась с применением исследований Cohere For AI в области оптимизации данных, мультиязычного обучения на предпочтениях, настройки безопасности и объединения моделей. Модель содержит около 8 миллиардов параметров и поддерживает 23 языка: арабский, китайский упрощённый и традиционный, чешский, нидерландский, английский, французский, немецкий, греческий, иврит, хинди, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, испанский, турецкий, украинский и вьетнамский. README не указывает размер контекста и точную архитектуру. Для работы с GGUF-квантизациями заявлена совместимость с llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и Jan. Сильная сторона модели — широкая языковая поддержка и ориентация на мультиязычную генерацию текста. Ограничения включают исследовательский статус, отсутствие сведений о конкретных вариантах квантизации, контекстном окне и результатах бенчмарков. Исходная модель распространяется по лицензии CC-BY-NC с обязательным соблюдением политики допустимого использования C4AI; условия для данного набора квантизаций следует проверять отдельно.

Карточка модели fatymahaly/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

Карточка модели katanemo/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

Blur-7b-slerp-v1.44 — объединённая модель для генерации текста, созданная liminerity с помощью Mergekit. Она объединяет liminerity/1 и Inv/Konstanta-7B методом SLERP; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для диалоговой генерации текста и использует контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специальные предметные области или отдельные ограничения качества; её назначение — общее текстовое общение.

Command A+ — флагманская модель Cohere для корпоративных агентных сценариев. Она принимает текст и изображения, поддерживает контекст длиной 192 тысячи токенов и нативный вызов инструментов со строгими схемами. Модель предназначена для многошаговых рабочих процессов, где требуется анализировать входные данные и обращаться к внешним инструментам. Доступный фрагмент карточки подтверждает поддержку текста и изображений, но не сообщает архитектуру, число параметров, языки, лицензию или ограничения. Поэтому эти характеристики нельзя надёжно описать.

Crazy-Qwen2-7b — объединённая модель на основе Qwen2-7B, созданная с помощью mergekit. В состав слияния вошли Locutusque/Hercules-5.0-Qwen2-7B, natong19/Qwen2-7B-Instruct-abliterated и macadeliccc/Samantha-Qwen-2-7B; использован метод model_stock, а в конфигурации базовой модели указана natong19/Qwen2-7B-Instruct-abliterated. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и рассчитана на генерацию текста и диалоговое общение. Размер контекста — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Метаданные описывают модель как экспериментальную модификацию Qwen2-7B-Instruct для диалогов и генерации текста с ослабленными направлениями отказа; это может снижать надёжность отказов на чувствительные запросы.

Модель Dnoya10/dicoding_genAI_expert_adv_eks2 — дообученная Dnoya10 языковая модель Qwen2 для генерации текста и диалогов. Она основана на unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель имеет плотную архитектуру Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Dolphin 2.2.1 Mistral 7B — диалоговая языковая модель, созданная Eric Hartford на основе Mistral 7B; обучение спонсировал a16z. Это выпуск контрольной точки с исправлениями переобучения. Модель дообучена на наборах Dolphin, Airoboros 2.2.1 и отобранных данных WizardLM и Samantha; поддерживает формат запросов ChatML и рассчитана на генерацию текста в диалоге.

Карточка модели unsloth/ERNIE-4.5-0.3B-PT на Hugging Face совпадает с карточкой baidu/ERNIE-4.5-0.3B-PT, поэтому описание составлено по ней. ERNIE-4.5-0.3B-PT — компактная текстовая плотная авторегрессионная модель семейства ERNIE 4.5, разработанная Baidu. Это вариант с весами PyTorch для Transformers; модель прошла постобучение и предназначена для понимания и генерации текста, включая диалоговые сценарии. Она содержит 318,2 млн параметров и поддерживает контекст до 131 072 токенов. Для запуска через библиотеку Transformers требуется версия 4.54.0 или новее; также в README приведён пример обслуживания через vLLM. Модель принимает и генерирует текст. В карточке указаны английский и китайский языки. Лицензия Apache-2.0. Карточка описывает ERNIE 4.5 в целом как мультимодальное семейство, но именно вариант 0.3B-PT обозначен как текстовая модель, поэтому возможности обработки изображений ему не приписываются.

MaziyarPanahi/Experiment28M7_T3qm7xpT3q — объединённая языковая модель семейства Mistral с архитектурой MistralForCausalLM и примерно 7,1 млрд параметров. Она создана путём слияния моделей automerger/Experiment28M7-7B и automerger/T3qm7xpT3q-7B. Модель предназначена для генерации текста и диалоговых ответов. Она принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Данные карточки не уточняют целевые языки и специализированные предметные области.

Falkor-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и perlthoughts/Falkor-7b методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В репозитории представлены веса SafeTensors. Модель распространяется по лицензии Apache-2.0. Карточка описывает состав объединения и параметры слияния, но не приводит сравнительных оценок качества или подробностей о поддерживаемых языках.

FrankenLlama-3-12B — плотная языковая модель семейства Llama, созданная mlabonne с помощью LazyMergekit. В конфигурации объединены два диапазона слоёв одной и той же модели Meta-Llama-3-8B-Instruct; метаданные каталога классифицируют происхождение как дообучение этой базовой модели. Модель предназначена для диалоговой генерации текста и ассистентских ответов. Она принимает текст и выдаёт текст, имеет 11 млрд параметров и контекст до 8192 токенов. Указана лицензия other; условия её использования следует сверить с карточкой модели и лицензией базовой модели.

Gemini 3.1 Flash Lite Preview — предварительная высокоэффективная модель Google, оптимизированная для сценариев с большим объёмом запросов. По карточке она превосходит Gemini 2.5 Flash Lite по общему качеству и приближается к Gemini 2.5 Flash. Модель предназначена для задач с текстом и изображениями; в метаданных каталога её задача указана как image-text-to-text. Слово Preview указывает на предварительный статус версии. Сведения о размере, длине контекста, поддерживаемых языках и лицензии в предоставленных данных отсутствуют.

Карточка модели KR-X-AI/gemma-2-9b-it-0.2 на Hugging Face совпадает с карточкой KR-X-AI/krx-gemma-2-9b-4-8-8-tb-3, поэтому описание составлено по ней. KR-X-AI выпустила разговорную модель генерации текста на базе Gemma 2. Это дообучение unsloth/gemma-2-9b-it-bnb-4bit с использованием Unsloth и библиотеки TRL; модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2 и поддерживает контекст до 8192 токенов. Она предназначена для диалогов и генерации текста по запросу. Модель принимает текст и выдаёт текст; в метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0.

Gemma 2 Aeria 9B — объединённая языковая модель на 9 млрд параметров, созданная с помощью Mergekit и метода DARE TIES на основе princeton-nlp/gemma-2-9b-it-SimPO и lemon07r/Gemma-2-Ataraxy-v2-9B. Она использует архитектуру Gemma 2 для генерации текста и диалоговых ответов; модель рассчитана на английский язык и поддерживает контекст до 8192 токенов. Модель подходит для ведения диалога, ответов на вопросы и свободной генерации текста. Весовой формат репозитория — safetensors; в конфигурации слияния указан тип bfloat16. Условия лицензии в предоставленных источниках не описаны.

djuna/Gemma-2-gemmama-9b — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная методом DARE TIES с помощью mergekit. В объединение вошли IlyaGusev/gemma-2-9b-it-abliterated, crestf411/gemstone-9b, BAAI/Gemma2-9B-IT-Simpo-Infinity-Preference и lemon07r/Gemma-2-Ataraxy-9B; базой указана IlyaGusev/gemma-2-9b-it-abliterated. Модель содержит 9 млрд параметров, работает через Transformers и принимает текст для генерации текста в диалоге. Контекст — до 8192 токенов. Карточка приводит результаты оценки на Open LLM Leaderboard, в том числе IFEval и BBH. Языки модели в доступных данных не обозначены, поэтому их нельзя надёжно перечислить. Модель подходит для диалоговой генерации и выполнения инструкций. Известные ограничения: результатов тестирования недостаточно, чтобы судить о качестве во всех задачах и языках; объединение включает abliteration-модель, поэтому ответы могут быть менее ограничены. Лицензия в доступных данных не указана.

Карточка модели abideen/gemma-7b-openhermes на Hugging Face совпадает с карточкой QueryloopAI/gemma-7b-openhermes, поэтому описание составлено по ней. QueryloopAI/gemma-7b-openhermes — диалоговая языковая модель на архитектуре Gemma, дообученная разработчиком на базе google/gemma-7b-it с помощью QLoRA на данных предпочтений OpenHermes-2.5. Модель содержит 8,2 млрд параметров, распространяется в формате Safetensors и рассчитана на генерацию текста и следование инструкциям в формате чата; для диалогового использования следует применять встроенный шаблон чата токенизатора. Модель принимает текстовые запросы, вопросы и документы и генерирует ответы или краткие изложения на английском языке. Указанное контекстное окно — 8192 токена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. В README приведены результаты нескольких бенчмарков; они не гарантируют качество на конкретных задачах.

Sorawiz разработал Gemma-9B-Chat, разговорную языковую модель на архитектуре Gemma 2 с 9 млрд параметров. Она создана слиянием нескольких предварительно обученных моделей с помощью mergekit и метода TIES; базой слияния служила zelk12/MT-Gen6fix-gemma-2-9B. Модель рассчитана на диалоговую генерацию текста и использует шаблон Gemma Instruct. Модель подходит для создания ответов в чате и других сценариев генерации текста. Её родной контекст составляет 8192 токена. Доступны отдельные квантизированные версии GGUF, опубликованные другими пользователями; сам репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

GML-Mistral-merged-v1 — плотная языковая модель семейства Mistral, опубликованная пользователем zyh3826. Это объединение моделей quantumaikr/quantum-v0.01 и mncai/mistral-7b-dpo-v5, выполненное методом passthrough с помощью mergekit; веса сохранены в формате safetensors и типе bfloat16. Модель предназначена для генерации текста и принимает текстовые запросы. В метаданных указан размер 8,9 млрд параметров и контекстное окно до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает языки, специальные предметные области или сравнительные результаты, поэтому назначение модели следует считать общим; качество ответов и поддержка конкретных сценариев в предоставленных данных не оценены.

J.O.S.I.E.3-Beta11-7B-slerp — объединённая чат-модель на архитектуре Mistral, созданная Goekdeniz Guelmez с помощью LazyMergekit на основе cognitivecomputations/dolphin-2.8-experiment26-7b и argilla/CapybaraHermes-2.5-Mistral-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста. В карточке указаны английский, немецкий, испанский, французский, японский и китайский языки. Репозиторий предоставляет веса в формате safetensors; README также упоминает запуск GGUF-квантизации Q4_K_M через Ollama. Лицензия — Apache-2.0.

Kaori-34B-v1 — текстовая генеративная модель семейства Llama, дообученная Kaeri и Jenti методом SFT с LoRA. Для обучения использованы набор Open-Platypus и 5% данных Dolphin; авторы также сообщают о фильтрации обучающих примеров, связанных с рядом тестов рассуждения и понимания текста. Модель предназначена для генерации ответов и выполнения текстовых инструкций в сценариях общего назначения. Она содержит 33,9 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 4096 токенов. В репозитории указаны веса safetensors и лицензия Llama 2. Карточка не приводит оценки качества или конкретных гарантий по точности.

Карточка модели hamsterdlt/KDA_MT на Hugging Face совпадает с карточкой csebuetnlp/mT5_multilingual_XLSum, поэтому описание составлено по ней. mT5_multilingual_XLSum — модель семейства mT5, дообученная командой CSE BUET NLP на датасете XL-Sum для суммаризации текстов на 45 языках. Она принимает текст статьи или другого материала и генерирует краткое изложение; модель предназначена для многоязычной суммаризации, в том числе для языков с ограниченными ресурсами. Число параметров — 291,2 млн; архитектура — MT5ForConditionalGeneration, формат весов — PyTorch. Модель подходит для автоматического создания кратких пересказов и обработки многоязычных новостных материалов. В README приведены результаты ROUGE на тестовых наборах XL-Sum для разных языков. Карточка не сообщает об ограничениях на контекст или отдельном основном языке. Лицензия в предоставленных данных не указана.

Kosmos-EVAA-PRP-v31-8B — языковая модель, созданная разработчиком jaspionjader слиянием двух предварительно обученных моделей: Kosmos-EVAA-PRP-v30-8B и Kosmos-EVAA-gamma-light-8B. Для объединения весов применён метод SLERP с помощью mergekit; архитектура — плотная Llama с причинной языковой моделью LlamaForCausalLM. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и сценариев, где нужен ответ или продолжение текста по текстовой подсказке. Она содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Сведения о лицензии и специально поддерживаемых языках в использованных данных отсутствуют, поэтому условия распространения и языковую специализацию следует проверять отдельно.

Kosmos-EVAA-v7-8B — объединённая языковая модель, созданная автором jaspionjader с помощью mergekit методом SLERP из jaspionjader/Kosmos-EVAA-v3-8B и jaspionjader/Kosmos-EVAA-v6-8B. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и принимает текст для генерации текста и диалогов; контекст составляет до 8192 токенов. Модель подходит для генерации ответов и продолжения текста в диалоговых и текстовых сценариях. В репозитории указаны веса safetensors и формат bfloat16. Лицензия в предоставленных данных не указана.

Kosmos-EVAA-v9-TitanFusion-Mix-8B — объединённая методом SLERP языковая модель семейства Llama, созданная с помощью mergekit из jaspionjader/Kosmos-EVAA-v9-8B и bunnycore/Llama-3.1-8B-TitanFusion-Mix. В репозитории указаны архитектура LlamaForCausalLM, 7,5 млрд параметров и формат safetensors. Модель предназначена для генерации текста и диалоговых сценариев на основе текстовых запросов. Она принимает текст и выдаёт текст; максимальный контекст составляет 8192 токена. Карточка не описывает специализацию по отдельным областям или языкам. Использование регулируется лицензией базовых моделей; сведения о лицензии этой модели в предоставленных источниках отсутствуют.

lettuce-thymos-26m-v1 — компактная модель классификации эмоций, разработанная авторами репозитория Zeolit. Она определяет несколько эмоций одновременно по короткому разговорному тексту на 22 языках, используя 28 меток GoEmotions. Модель основана на дистиллированном энкодере XLM-RoBERTa large: 8 слоёв, размер скрытого состояния 384, 6 голов внимания и позиционное кодирование RoPE. В репозитории указаны 26,5 млн параметров и вариант ONNX размером 28 МБ в INT8; доступны также веса safetensors. Модель предназначена для автоматической разметки эмоций в сообщениях, например для анализа тональности разговоров или группировки текстов по эмоциональным меткам. Она поддерживает английский, русский и ещё 20 языков. Для решений следует применять отдельные пороги из labels.json: единый порог 0,5 заметно снижает macro-F1. Лицензия — Apache-2.0. Основные ограничения связаны с данными Reddit: модель хуже подходит для длинных, литературных и формальных текстов. Результаты для арабского и суахили ниже, чем для большинства языков; слабее также распознаются grief, relief, pride, nervousness и embarrassment. Вероятности не откалиброваны как абсолютная уверенность, а клинические, диагностические и критически важные решения для безопасности не являются целевым применением.

LLaDA-8B-Instruct — диффузионная языковая модель с плотной архитектурой LLaDA, разработанная командой GSAI-ML и обученная с нуля. Модель содержит 8 млрд параметров и предназначена для генерации текста в диалоговом режиме. Авторы сообщают, что по результатам их оценки модель сопоставима по производительности с LLaMA 3 8B. Веса опубликованы в формате safetensors; модель работает через библиотеку Transformers и распространяется по лицензии MIT. Данных о поддерживаемых естественных языках и длине контекста в предоставленной карточке нет.

Это преобразованная TheBloke в формат Hugging Face версия Meta Llama 2 70B Chat: авторские веса PTH конвертированы в формат Transformers fp16 и сохранены в Safetensors. В основе — авторегрессионный плотный Transformer Llama с 68,7 млрд параметров и контекстом 4096 токенов; модель принимает текст и генерирует текст. Версия Chat прошла supervised fine-tuning и обучение с подкреплением на основе человеческой обратной связи, чтобы вести диалог и отвечать в роли помощника. Модель предназначена для диалоговых сценариев на английском языке: ответов на вопросы, инструкций и генерации текста. Крупный размер и grouped-query attention в варианте 70B рассчитаны на масштабируемый вывод, однако для запуска требуются значительные вычислительные ресурсы. Ответы могут быть неточными, предвзятыми или нежелательными; перед применением нужны проверки безопасности и настройка под конкретный сценарий. Использование регулируется лицензией Meta Llama 2; для получения весов требуется принять её условия.

manojpreveen/Llama-2-70b-hf-ChatOrca-v2 — чат-модель на архитектуре Llama 2, разработанная Manojpreveen на основе meta-llama/Llama-2-70b-hf. Модель дообучена на данных Orca, OpenPlatypus и многошаговых диалогах из открытых наборов, включая OpenAssistant и Ultrachat, чтобы улучшить рассуждения и поддержку диалога в несколько ходов. Модель предназначена для генерации ответов, ведения диалогов и решения задач на рассуждение по текстовым запросам. Она содержит 68,7 млрд параметров, имеет контекст до 4096 токенов и использует формат весов safetensors. Для корректных запросов следует применять шаблон чата Meta Llama 2, описанный в карточке модели. Модель работает с текстом и ориентирована на английский язык. Репозиторий распространяется по лицензии MIT. Качество зависит от запроса и обучающих данных; карточка не приводит отдельных оценок качества или подробных ограничений применения.