III.2Исследование рынка и маркетинг

M7Yamshadowexperiment28_YamNeuralsirkrishna — объединённая модель семейства Mistral, созданная путём слияния automerger/M7Yamshadowexperiment28-7B и automerger/YamNeuralsirkrishna-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов на входном текстовом запросе. Контекст составляет до 32 768 токенов, что позволяет работать с длинными запросами и документами. Карточка не сообщает о специализации на отдельных языках или предметных областях, а также не приводит результатов оценки качества. Лицензия — Apache-2.0. Слияние объединяет две базовые модели, поэтому поведение и качество могут отличаться от каждого исходного чекпойнта; отдельные ограничения или рекомендации по использованию в карточке не описаны.

MeliodasPercival_01_M7T3qm7x — объединённая языковая модель на архитектуре Mistral, созданная путём слияния моделей automerger/MeliodasPercival_01-7B и automerger/M7T3qm7x-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Карточка не уточняет языковую специализацию, данные обучения и конкретные ограничения качества; пригодность для конкретной задачи следует оценивать отдельно.

MeliodasPercival_01_YamM7 — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/YamM7-7B. Модель содержит 7,1 млрд параметров и принимает текст для генерации текста и диалоговых ответов с контекстом до 32 768 токенов. Модель предназначена для генерации продолжений текста и ведения диалогов. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает конкретные языки, специализированные области применения или известные ограничения.

Mini_synatra_7b_02-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и Minirecord/Mini_synatra_7b_02 методом SLERP с помощью mergekit. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не обозначены отдельные языки или специализированные предметные области. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

Mira 70B v0.8 — русскоязычная модель генерации текста на архитектуре LLaMA 70B v2, представленная автором как крупная русская модель. По карточке, модель обучалась методом TRINITY в течение 60 часов на Nvidia H100. Для запросов используется формат с ролями Human и Assistant и специальными разделителями. Модель предназначена для генерации ответов на русском языке в диалоговом формате и других задач создания текста. Она содержит 68,7 млрд параметров, имеет плотную архитектуру LlamaForCausalLM и нативный контекст 4096 токенов. Файлы представлены в формате PyTorch. Модель выпущена под лицензией Apache-2.0. Версия обозначена как 0.8; карточка не приводит оценок качества и подробностей обучения, поэтому пригодность для конкретных сценариев следует проверять отдельно.

edinlp/mistral-7b-v0.3-sft — дообученная языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана на основе mistralai/Mistral-7B-v0.3 и дообучена на наборе данных openhermes-2.5; метаданные отмечают возможность диалогового использования. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст, а базовая модель поддерживает контекст до 32 768 токенов. В README не приведены результаты оценки качества или подробные рекомендации по применению. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии репозитория.

Xenova/mobilebert-uncased-mnli — это версия модели typeform/mobilebert-uncased-mnli с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Разработчик исходной модели — Typeform; репозиторий Xenova адаптирует её для веб-сред и JavaScript-приложений. Модель предназначена для классификации текстов без дополнительного обучения по заранее заданным категориям (zero-shot classification). Она может оценивать, насколько входной текст соответствует меткам, например «positive» и «negative», что подходит для анализа тональности, тематической маршрутизации и других задач классификации с динамическим набором классов. Основная архитектура — MobileBERT; в README не указаны размер модели, максимальная длина контекста, точный набор поддерживаемых языков и модальности, поэтому предполагается работа только с текстом. Ключевое преимущество модели — возможность запуска через Transformers.js и ONNX, в том числе в веб-средах, без использования исходного формата весов. Ограничения включают зависимость от качества и формулировки заданных меток, а также отсутствие в README подробностей о точности, производительности и языковых возможностях. Лицензия в предоставленных данных не указана.

MoMo-72B-LoRA-V1.4 — языковая модель Moreh для генерации текста, дообученная методом SFT с LoRA на базе QWEN-72B. Для обучения использовалась платформа MoAI и набор данных Open-Orca/SlimOrca; слияние весов не выполнялось, а обученные веса были согласованы с архитектурой Llama для совместимости с ней. Модель представляет собой плотную авторегрессионную архитектуру LlamaForCausalLM примерно на 71 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель подходит для генерации ответов и текста по запросу, в том числе в сценариях диалогового ассистента. В карточке приведены результаты отдельных оценок, однако часть значений отмечена как TBU, поэтому они не дают полной картины качества. В метаданных указан английский язык. Лицензия — MIT.

zelk12 создал эту разговорную модель объединением двух предварительно обученных языковых моделей Gemma 2 с помощью метода SLERP. Это плотная авторегрессионная модель класса Gemma2ForCausalLM с 9 млрд параметров, предназначенная для генерации текста и диалоговых ответов. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и распространяется в формате safetensors; в README также указано, что доступны статические варианты GGUF. Модель подойдёт для диалоговых приложений и генерации текста. Сведения о лицензии и конкретных ограничениях в предоставленных материалах отсутствуют.

zelk12 создал MT-Merge2-MU-gemma-2-MTg2MT1g2-9B — объединённую методом SLERP языковую модель на архитектуре Gemma 2 с 9 млрд параметров. Она предназначена для генерации текста и диалогового общения; доступна в формате Safetensors и рассчитана на контекст до 8192 токенов. Модель объединяет zelk12/MT1-Gen2-gemma-2-9B и zelk12/MT-Gen2-gemma-2-9B с помощью mergekit. В README приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

NeuralsirkrishnaShadow_Experiment26Experiment24 — языковая модель MaziyarPanahi, полученная слиянием двух моделей: automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Experiment24-7B. Она предназначена для генерации текста и может использоваться для диалогов, написания черновиков и продолжения текста. Модель построена на архитектуре Mistral с плотной архитектурой и содержит 7,1 млрд параметров. Она принимает текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors по лицензии Apache-2.0.

NeuralsynthesisMyriad-7B — автоматически объединённая языковая модель, созданная Maxime Labonne с помощью mergekit. В конфигурации объединены Kukedlc/NeuralSynthesis-7B-v0.3 и Muhammad2003/Myriad-7B-Slerp методом dare_ties; для второго источника заданы плотность 0,53 и вес 0,6. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате safetensors, указанная лицензия — CC BY-NC 4.0, предусматривающая ограничения на коммерческое использование.

Noro-Hermes-3x7B — диалоговая модель с архитектурой смеси экспертов (MoE), собранная ThomasComics с помощью LazyMergekit из NousResearch/Nous-Hermes-2-Mistral-7B-DPO, NeverSleep/Noromaid-7B-0.4-DPO и mistralai/Mistral-7B-Instruct-v0.2. В модели 7,1 млрд параметров, она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и предназначена для общения с пользователем. Эксперты настроены на роль интеллектуального помощника, творческого помощника для ролевых сценариев и универсального помощника. Модель подходит для диалогов, ответов на инструкции и творческого ролевого письма. Распространяется в формате Safetensors по лицензии Apache-2.0.

baconnier опубликовал чат-модель Notaires_dolphin-2.9.1-yi-1.5-9b, дообученную на базе cognitivecomputations/dolphin-2.9.1-yi-1.5-9b. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 8,6 млрд параметров и рассчитанная на генерацию текста в диалоговом формате. В карточке указано, что при обучении использовались Unsloth и TRL. Модель подходит для генерации ответов в чате и других задач текстовой генерации. Заявленный контекст составляет 12 000 токенов; язык карточки — английский. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Nyxene-v1-11B — разговорная языковая модель на архитектуре Mistral, созданная автором beberik путём слияния нескольких моделей семейства 7B с помощью mergekit. В README указаны Starling-LM-7B-alpha, DPOpenHermes-7B, juanako-7b-UNA, loyal-piano-m7 и notus-7b-v1; автор описывает эксперименты с их сочетанием для получения более творческих ответов. Модель содержит 10,6 млрд параметров, использует формат safetensors, контекст до 32 768 токенов и предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель подходит для чат-ботов, ответов на вопросы, следования инструкциям и творческой генерации текста. README приводит результаты Open LLM Leaderboard, включая средний балл 67,58, но не описывает методику оценивания подробно. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Odins-Allseeing-Eye-9B — слитая модель генерации текста на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из Delta-Vector/Odin-9B и lemon07r/Gemma-2-Ataraxy-9B. Модель содержит 9 млрд параметров, работает через Transformers и принимает текстовые запросы для диалогов и генерации текста. Модель подходит для разговорных сценариев и творческого письма. Длина контекста составляет 8192 токена. Файлы модели представлены в формате safetensors и имеют тип bf16. Лицензия в предоставленных данных не указана.

Omost-Dolphin-2.9-Llama3-8B — языковая модель Omost на архитектуре Llama 3, объединяющая основу llama3-8b с instruct-предобучением Dolphin 2.9. Модель содержит 7,5 млрд параметров, использует плотную архитектуру и опубликована в формате Safetensors с точностью fp16. Для диалога она принимает текст и генерирует текст; заявленная длина контекста составляет 8192 токена. Модель предназначена для диалоговых сценариев и генерации ответов по текстовым запросам. В метаданных указаны библиотека Transformers и возможность чата. Карточка не сообщает отдельные целевые отрасли или поддерживаемые естественные языки. Лицензия в предоставленных сведениях не указана.

OpenBuddy — многоязычная чат-модель, разработанная проектом OpenBuddy. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста в диалоге и ответов на запросы. Метаданные указывают контекстное окно до 32 768 токенов и поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и русского языков. Модель подходит для диалоговых помощников и генерации ответов на обычные пользовательские запросы. Она распространяется под лицензией Apache 2.0. Разработчики предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными; модель не следует применять для критически важных решений в медицине, финансах, праве и других высокорисковых сценариях.

sonthenguyen/OpenHermes-2.5-Mistral-7B-mt-bench-DPO — чат-модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. По README, модель обучалась методом DPO с LoRA-адаптером на задачах causal language modeling; параметры обучения включали beta=0,1 и максимальную длину последовательности 1536 токенов. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на вопросы, ведения беседы и подготовки текстовых черновиков. В метаданных указаны поддержка чата и формат safetensors. Лицензия — Apache-2.0. README не описывает состав обучающих данных, конкретные языки или сравнительные результаты качества.

Карточка модели Lazzzaroo/PaolaAI-UAM на Hugging Face совпадает с карточкой Lazzzaroo/PaolaAI-IPN-7B, поэтому описание составлено по ней. Lazzzaroo/PaolaAI-IPN-7B — чат-модель на архитектуре Qwen2, дообученная Lazzzaroo на базе unsloth/Qwen2.5-7B-Instruct-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и диалоговых сценариев; карточка также отмечает интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

google/pegasus-arxiv — англоязычная модель суммаризации на архитектуре Pegasus, разработанная Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu; карточку поддерживает @sshleifer. Модель предназначена для создания кратких пересказов текста. Это вариант Pegasus с параметрами предобучения Mixed & Stochastic: обучение проводилось на смеси C4 и HugeNews, с переменным отношением пропуска предложений и случайным шумом при выборе важных предложений. Веса представлены в формате PyTorch; размер модели — 366,8 млн параметров, длина контекста — до 1024 токенов. Модель подходит для суммаризации англоязычных статей, новостей и других текстов. В README приведены результаты на нескольких наборах данных, включая XSum, CNN/DailyMail и Newsroom. Лицензия в предоставленных данных не указана.

google/pegasus-xsum — англоязычная модель Pegasus для генерации кратких пересказов, основанная на архитектуре кодировщика-декодировщика и разработанная Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu; карточку поддерживает @sshleifer. Модель содержит 366,8 млн параметров, принимает текст и выдаёт текст. Её основная специализация — абстрактная суммаризация, в частности создание короткого пересказа по исходному тексту; в материалах карточки приведены результаты на XSum, CNN/DailyMail и других наборах данных. При предобучении использовались C4 и HugeNews, смешанные и стохастически выбранные предложения-заполнители, а также изменённый SentencePiece-токенизатор с поддержкой символа новой строки. Заявленная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Карточка не сообщает об ограничениях помимо длины контекста. Лицензия в предоставленных данных не указана.

wls04 представляет дообученную диалоговую модель на базе Qwen/Qwen2.5-7B-Instruct, обученную с помощью TRL. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и ответов в формате диалога. В карточке приведён пример запуска через Transformers для ответа на вопрос; метаданные указывают контекст длиной до 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не описывает специализацию дообучения, поэтому её можно охарактеризовать как диалоговую модель общего назначения. В репозитории указаны веса safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

richardyoung/Qwen2.5-7B-Instruct-heretic — это англоязычная чат-модель на базе Qwen2.5-7B-Instruct, изменённая методом abliteration с помощью Heretic v1.4.0 для снижения частоты отказов. В README сообщается о 3 отказах на 100 запросов против 99 у исходной модели; это результат указанной авторами оценки, а не гарантия поведения во всех сценариях. Модель использует плотную архитектуру Qwen2 с причинной генерацией текста и содержит около 7,1 млрд параметров. Метаданные каталога указывают контекст до 32 768 токенов и поддержку чата. Базовая карточка Qwen2.5 описывает мультиязычные возможности, однако метаданные этой модели отмечают английский язык; поэтому другие языки здесь не считаются подтверждённой специализацией. Модель подходит для диалогов и генерации текста с меньшим числом отказов, в том числе для ролевых сценариев и ответов на инструкции. Как и другие языковые модели, она может выдавать ошибочную или небезопасную информацию, а сниженная склонность к отказам означает, что для чувствительных применений нужны собственные меры контроля. Лицензия — Apache-2.0.

ChuGyouk/Qwen3-4B-DeepWriting-SFT — это дообученная модель генерации текста на основе unsloth/Qwen3-4B-Base, разработанная ChuGyouk и обученная с помощью TRL. Она предназначена для создания развернутых текстовых ответов и диалогового использования; пример в карточке показывает ответ на вопрос с аргументацией выбора. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и рассчитана на контекст до 32 768 токенов. Для работы указаны Transformers и формат весов safetensors. Лицензия в доступных данных не указана.

parmanu-lcs2 выпустил разреженную версию Qwen3-8B, сжатую методом SNIPER: после pruning в модели осталось около 6,2 млрд параметров. После сжатия веса дообучили на 2 000 примерах SlimOrca с помощью LoRA и объединили адаптер с весами модели. В метаданных указаны архитектура Qwen3, библиотека Transformers, формат safetensors и контекст до 40 960 токенов. Модель предназначена для диалоговой генерации текста и выполнения инструкций. Её можно применять в чат-ботах и для ответов на текстовые запросы; базовая Qwen3-8B также поддерживает рассуждения, работу с кодом и вызов инструментов, но README этой модели отдельно не подтверждает сохранение этих возможностей после сжатия и дообучения. Модель распространяется по лицензии Apache-2.0.

qwen3-cpt-lean-sft-feedback-selfdistill-r1 — дообученная модель семейства Qwen3, созданная на основе VladShash/qwen3-8b-classic-one-shot и обученная на наборе lean_selfdistill_r1_train. Это плотная авторегрессионная языковая модель с 7,6 млрд параметров, предназначенная для генерации текста и диалоговых ответов. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель подходит для генерации ответов в чате и других сценариев текстовой генерации. Подробности о целевой специализации, качестве и результатах оценки в карточке не приведены. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия лицензии на странице модели.

zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.375 — объединённая модель на архитектуре Gemma 2 с 9 млрд параметров, созданная с помощью mergekit методом SLERP из recoilme/recoilme-gemma-2-9B-v0.4 и lemon07r/Gemma-2-Ataraxy-v2-9B. Она предназначена для генерации текста и диалогового взаимодействия, включая выполнение инструкций и творческое письмо. Модель принимает текст и выдаёт текст. Контекст составляет 8192 токена. Веса представлены в формате safetensors; в конфигурации слияния указан тип bfloat16. Языки применения в карточке не перечислены. Это экспериментальное слияние моделей; карточка не приводит результатов оценки качества или подробных ограничений. Лицензия в предоставленных данных не указана.

Это вариант Robin 65B v2 от OptimalScale, подготовленный TheBloke в формате PyTorch с точностью fp16. Модель относится к семейству Llama, имеет плотную архитектуру и около 65 млрд параметров; контекст составляет 2048 токенов. В карточке приведён шаблон диалога с помощником, который отвечает на вопросы в подробной и вежливой форме. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на вопросы, ведения беседы и подготовки развёрнутых текстовых ответов. Файлы fp16 рассчитаны на GPU-инференс и дальнейшие преобразования; размер модели требует значительных ресурсов видеопамяти. README описывает слияние и/или преобразование исходного репозитория в fp16, поэтому точнее определить происхождение нельзя. Лицензия в метаданных обозначена как other, без дополнительных условий в доступных данных.

cointegrated/rut5-base-absum — модель для абстрактивного суммирования текстов на русском языке, разработанная на основе ruT5. Она дообучена на четырёх наборах данных для суммирования, включая русскоязычные датасеты из метаданных. Модель построена на архитектуре T5 и содержит 122,1 млн параметров. Модель подходит для автоматического составления краткого пересказа статьи или другого текста. Она принимает текст и генерирует текстовое резюме на русском языке. Веса опубликованы в форматах PyTorch и safetensors; лицензия — MIT.