III.2Исследование рынка и маркетинг

v1olet_merged_dpo_7B-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста и ответов на инструкции, созданная слиянием Mistral AI и v1olet. В основе лежит плотная архитектура MistralForCausalLM с 7,1 млрд параметров; модели объединены методом SLERP, веса представлены в формате safetensors. Модель предназначена для диалоговых запросов и генерации ответов на естественном языке. Метаданные указывают английский язык и контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений, поэтому пригодность ответов для конкретной задачи следует проверять отдельно.

Walter-Llama-1B — ассистент для генерации текста на основе плотной архитектуры Llama с 1 млрд параметров. Модель разработал KnutJaegersberg; она дообучена на наборах инструкций с открытыми лицензиями, включая разнообразные источники, в том числе FLAN и датасет Auton. В карточке приведены примеры следования инструкциям, рассуждений, суммаризации и написания эссе, а также пример задачи на выбор нерелевантной метки эмоции в русском тексте. Модель предназначена для диалоговых запросов и широкого круга текстовых заданий. Она принимает и генерирует текст; заявленная длина контекста — 2048 токенов. В метаданных указаны Transformers и формат safetensors. Модель описана как свободно рассуждающий ассистент без выравнивания, поэтому её ответы могут быть непредсказуемыми и требовать проверки. Лицензия — Apache-2.0.

WebSquareAI-Instruct-llama-3-8B-v0.5.39 — диалоговая языковая модель, разработанная командой UI Platform компании Inswave Systems. Она предназначена для генерации текста в формате инструкций и диалогов; карточка указывает базовую модель meta-llama/Meta-Llama-3-8B. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Вес опубликован в формате safetensors. Модель можно применять для диалоговых интерфейсов и генерации ответов по текстовым инструкциям. Данных о специализированной предметной области и конкретных ограничениях качества в карточке нет. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Nohobby/YetAnotherMerge-v0.5 — объединённая автором Nohobby языковая модель на архитектуре Mistral с 12,1 млрд параметров. Она создана методом della на основе Nohobby/YetAnotherMerge-v0.3 с включением MarinaraSpaghetti/NemoRemix-12B и предназначена для генерации текста и диалогового общения. Автор отмечает, что эта версия немного менее описательная, чем предыдущая, но иногда более творческая. Модель опубликована в формате safetensors; в карточке заявлен контекст до 1 024 000 токенов. Для неё рекомендуются изменённые по сравнению с предыдущей версией настройки генерации, но конкретные значения в README не приведены. Условия лицензирования в предоставленных данных не указаны.

hongzoh/Yi-6B_Open-Orca — текстовая генеративная модель, дообученная на наборе Open-Orca/OpenOrca на основе 01-ai/Yi-6B. Модель содержит 5,8 млрд параметров и использует плотную архитектуру семейства Llama; для запуска указана библиотека Transformers и формат весов PyTorch. Модель предназначена для генерации текста и диалоговых ответов по текстовым запросам. Обучение на Open-Orca ориентирует её на следование инструкциям и ответы на вопросы на английском языке. Контекст составляет до 4096 токенов. Модель выпущена под лицензией Apache-2.0. Карточка содержит мало сведений о качестве и оценках модели; фактические результаты могут зависеть от запроса и настроек генерации.

Yi-Ko-ENCdpo — языковая модель для генерации текста, разработанная Sungwoo Park (oopsung) и Seunghyeon Lee (shleeeee). Это плотная causal language model семейства Llama с 5,9 млрд параметров, дообученная на базе beomi/Yi-Ko-6B с применением SFT и DPO. Модель принимает текст и генерирует текст. Она предназначена для текстовых диалогов и других сценариев генерации; контекст составляет 2048 токенов. В репозитории указаны веса safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в материалах репозитория.

Zarablend L2 7b — текстовая генеративная модель семейства Llama 2, созданная слиянием Nous Hermes Llama2 7B и Airoboros L2 7B GPT4 2.0 в пропорции 66% к 34%, а затем объединённая с LoRA-адаптером LimaRP Llama2 7B. Репозиторий содержит веса PyTorch; в карточке также упомянуты отдельные квантизированные варианты GGML и GPTQ от TheBloke. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев с форматами запросов, унаследованными от Nous Hermes, Airoboros и LimaRP. Размер в метаданных — 6,6 млрд параметров, контекст — 4096 токенов. Карточка не приводит подтверждённый перечень языков или специальных прикладных областей. Лицензия указана как other, без дополнительных условий в доступных данных.

Это текстовая генеративная модель Mistral с 7,1 млрд параметров, дообученная ShenaoZ на основе HuggingFaceH4/mistral-7b-sft-beta на наборах данных updated и original. Модель предназначена для диалогового общения и генерации ответов на текстовые запросы; каталог отмечает поддержку чата. Максимальная длина контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. README не содержит сведений о специализированных областях применения или результатах оценки, поэтому качество и ограничения в конкретных сценариях по доступным данным определить нельзя.

Это диалоговая модель для генерации текста, разработанная на основе ShenaoZhang/0.0001_zephyr_5551_4iters_bs256_iter_1. Она дообучена на наборах данных updated и original; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель рассчитана на диалоги и текстовую генерацию, принимает текст и выдаёт текст. Контекстное окно — до 32 768 токенов. Модель опубликована в формате safetensors под лицензией MIT. Карточка не приводит сведений об оценке качества или конкретных ограничениях применения, поэтому пригодность для заданного сценария следует проверять отдельно.

Это дообученная чат-модель Mistral с 7,1 млрд параметров, созданная на основе ShenaoZhang/0.001_4iters_bs256_nodpo_only4w_iter_1. Модель предназначена для генерации текста и ответов в диалоге; в карточке указано обучение на обновлённом и исходном наборах данных. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — MIT. README не приводит сведений о конкретных преимуществах или оценках качества.

ishikaa/acquisition_generator_AS_GT_confidence_omnimath_qwen7b — текстовая генеративная модель, опубликованная на Hugging Face и работающая через библиотеку Transformers. По метаданным она относится к семейству Qwen2, содержит около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и имеет conversational-тег, поэтому может применяться в диалоговых сценариях. Модель подходит для продолжения и преобразования текстовых запросов, создания ответов в чатах, черновиков и других задач генерации естественного языка. README не содержит сведений о разработчике, языках, лицензии, исходной модели, обучающих данных, оценивании или специализированной области применения, поэтому качество для конкретных задач и языков следует проверять отдельно. Лицензия в доступных данных не указана.

Al-Atlas-0.5B — языковая модель AtlasIA для генерации текста на марокканском диалекте арабского языка дарижа. Это плотная авторегрессионная модель семейства Qwen2, дообученная на основе Qwen/Qwen2.5-0.5B; в карточке указаны 494 млн параметров и контекст до 32 768 токенов. Модель обучалась на подборке из 155 млн токенов дарижи, включающей разговоры в социальных сетях, расшифровки устной речи, форумы, новости и пользовательский контент. Модель предназначена для чат-ботов, генерации текстов и автоматизации обслуживания клиентов для марокканской аудитории. Её также можно применять для анализа тональности и классификации текстов на дариже. Карточка подчёркивает работу с местными выражениями и культурным контекстом. Лицензия в предоставленных данных не указана.

Amadeus-Verbo-MI-Qwen-2.5-32B-PT-BR-Instruct-Experimental — диалоговая языковая модель на архитектуре Qwen2.5, созданная AmadeusAI слиянием SLERP моделей Qwen/Qwen2.5-32B-Instruct и AmadeusAI AV-BI-Qwen2.5-32B-PT-BR-Instruct. Она предназначена для генерации текста и диалогов на бразильском португальском языке; доступна для запуска через Transformers и поддерживает интерфейс вызова инструментов. Модель содержит 32 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на португальском языке. В метаданных указана лицензия Apache-2.0. Карточка не приводит результатов оценивания качества или подробностей о проверке поведения после слияния.

Anthesis_7B — объединённая языковая модель, созданная rmdhirr на основе rmdhirr/Foxglove_7B и ResplendentAI/Paradigm_Shift_7B. Для слияния использован метод DARE-TIES с параметрами density 0,60 и weight 0,40; итоговые веса сохранены в формате bfloat16. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста, в том числе ролевых диалогов и ответов на вопросы. В карточке рекомендуется формат Alpaca; также подходят запросы в формате Mistral. Указана поддержка английского языка. Репозиторий распространяется под лицензией Apache-2.0.

Jebadiah/Aria-diamond-v2 — созданная с помощью mergekit объединённая языковая модель разработчика Jebadiah. В ней объединены Jebadiah/Aria-diamond-v1 и базовая Jebadiah/Aria-p1-sand-stone методом DARE TIES; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Репозиторий содержит веса Safetensors, модель рассчитана на контекст до 32 768 токенов и работает через Transformers. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текстовые ответы. Карточка не описывает специализацию по предметной области, языки, диалоговые возможности или результаты оценки качества, поэтому их нельзя уверенно указать. Условия лицензии в предоставленных данных не приведены.

kevinscaria/ate_tk-instruct-base-def-pos-neg-neut-combined — модель на архитектуре T5, дообученная для извлечения аспектных терминов из отзывов в рамках анализа тональности по аспектам. Для каждого входного отзыва используется инструкция с определением задачи и положительными, отрицательными и нейтральными примерами; модель обучена на отзывах о ноутбуках и ресторанах из набора SemEval 2014. Она предназначена для выделения упоминаемых в отзыве аспектов и может применяться в конвейерах анализа пользовательских отзывов. В метаданных указаны 123,7 млн параметров, формат PyTorch и лицензия MIT. Заявление авторов о лучшем на тот момент результате относится к подзадаче извлечения аспектов; качество на других тематиках и языках карточка не подтверждает.

Beetle-FineWeb2-24B/beetle-bilingual-balanced-b1-fineweb-spa-eng — текстовая авторегрессионная модель семейства PicoDecoder, опубликованная в Hugging Face под аккаунтом Beetle-FineWeb2-24B. По названию она предназначена для генерации текста на испанском и английском языках и обучена на данных FineWeb; точное число параметров, длина контекста, лицензия и сведения о разработчике по доступным данным не подтверждены. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Данных о специальных ограничениях модели нет.

reallad/blopsy-1.1 — языковая модель reallad для генерации текста и диалогов. Она дообучена на базе reallad/llama-8b-alpaca-noro с использованием Unsloth и библиотеки TRL. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык; метаданные отмечают поддержку диалогового режима. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Модель ceiteach/chart-no-pretrain-llama31-merged-unsloth — дообученная плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная ceiteach на базе unsloth/Meta-Llama-3.1-8B-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и может применяться в сценариях продолжения текста и создания ответов на текстовые запросы. Модель содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Специализированные области применения и дополнительные возможности в карточке не описаны.

code_bagel_llama-3-8b-v1.1 — дообученная текстовая модель, разработанная jlancaster36 на базе mattshumer/Llama-3-8B-16K. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 16 000 токенов, предназначенная для генерации текста. Модель обучалась с использованием Unsloth и библиотеки TRL; карточка не раскрывает конкретную специализацию дообучения, поэтому её возможности следует рассматривать как генерацию текста общего назначения. Поддерживаемый язык карточки — английский. Модель подходит для создания и продолжения текстов, а также для ответов в текстовых сценариях, где требуется обработка длинного контекста. Она распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или более подробных сведений о поведении модели.

DarkSapling-V2-Ultra-Quality-7B-GGUF — текстовая генеративная модель, разработанная DavidAU на основе Dark Sapling V2 7B, созданной TeeZee. Модель предназначена для следования инструкциям, рассуждений, творческого письма, сторителлинга, ролевого взаимодействия и генерации художественных текстов с нюансами и эмоциональной выразительностью. Модель имеет размер 7B параметров, распространяется в формате GGUF и поддерживает контекст до 32 000 токенов. В README указана поддержка английского языка и текстовая модальность. Доступны различные квантизированные версии; автор утверждает, что ремастеринг и 32-bit upscale повышают качество, особенно в вариантах Q4KM, Q6 и Q8, однако различия между квантизациями могут быть заметны прежде всего в творческих сценариях и задачах без однозначного ответа. Сильными сторонами заявлены улучшенное следование инструкциям, рассуждение, глубина, нюансированность и эмоциональность, а также более эффективное использование контекста. Ограничения включают зависимость качества от выбранной квантизации и оборудования, а также отсутствие подробных независимых оценок в представленном README. Модель распространяется по лицензии Apache-2.0.

DataDecide-dclm-baseline-1B-5500057500600006250065000weightedavgmerge — объединённая авторегрессионная языковая модель на архитектуре Llama, созданная с помощью mergekit из пяти контрольных точек предварительно обученной модели DCLM baseline. Для слияния использован линейный метод, а контрольная точка step65000 указана как базовая. Модель предназначена для генерации текста.

sshleifer/distilbart-cnn-6-6 — англоязычный чекпойнт семейства DistilBART от sshleifer для автоматического суммирования текста. Это плотная encoder-decoder модель BART с 152,1 млн параметров, рассчитанная на контекст до 1024 токенов. Карточка рекомендует загружать её через BartForConditionalGeneration; доступны веса PyTorch и Flax. Модель подходит для сокращения статей, новостных материалов и других текстов до краткого пересказа. В README приведены метрики DistilBART для варианта xsum-6-6, но это данные о другом чекпойнте и их нельзя переносить на cnn-6-6. Модель распространяется по лицензии Apache-2.0.

Dolphin 2.9.3 Qwen2 0.5B — разговорная модель-ассистент, подготовленная Эриком Хартфордом, Лукасом Аткинсом, Фернандо Фернандесом и командой Cognitive Computations. Это плотная авторегрессионная модель семейства Qwen2 примерно на 494 млн параметров, дообученная на основе Qwen/Qwen2-0.5B для диалогов и выполнения инструкций. Она принимает текст и генерирует текст; заявленная базовая длина контекста — 128 тыс. токенов, однако полновесное дообучение проводилось на последовательностях длиной 16 тыс. токенов. Модель подходит для прототипов чат-ассистентов, ответов на вопросы и других текстовых задач по инструкции. При дообучении исключили наборы данных для программирования, вызова функций и многоязычных системных сообщений, поэтому такие возможности не следует считать целевыми или надёжно подтверждёнными. Авторы описывают Dolphin как uncensored и отмечают повышенную готовность следовать запросам, включая небезопасные; перед предоставлением модели пользователям рекомендуется добавить собственный слой ограничений. Лицензия Apache-2.0 допускает коммерческое использование в соответствии с её условиями.

Eclectic-Maid-10B-v2 — текстовая генеративная модель, созданная автором репозитория ND911 с помощью mergekit. Это слияние предварительно обученных языковых моделей методом passthrough; в конфигурации указаны слои Maid-Reborn-v22-10B. Модель построена на плотной архитектуре Mistral с причинной языковой моделью MistralForCausalLM, содержит 10,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. README утверждает, что версия лучше исходной, но не приводит сравнительных результатов или подробностей о целевых сценариях. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Einstein-openchat-7B — разговорная языковая модель Weyaxi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста в диалоговом формате и рассчитана на контекст до 8192 токенов. В README указано, что модель получена слиянием LoRA, однако базовая модель и подробности дообучения не приведены. В репозитории указаны веса Safetensors и лицензия «other»; условия этой лицензии следует уточнить перед использованием. Карточка не описывает качество модели и её ограничения.

em_german_leo_mistral-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и jphme/em_german_leo_mistral методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы на немецком языке. Модель подходит для немецкоязычных чат-ботов, ответов на вопросы и других сценариев генерации текста. Заявленный размер контекстного окна — 32 768 токенов. Модель распространяется под лицензией Apache-2.0.

Enno-Ai/EnnoAi-Pro-French-Llama-3-8B-v0.4 — чат-модель для генерации текста на базе плотной архитектуры Llama, разработанная Enno-Ai. Это альфа-версия, дообученная методом QLoRA на отобранном французском профессиональном датасете и предназначенная для профессиональных сценариев общения и генерации текста. Модель содержит 7,5 млрд параметров, принимает контекст длиной до 8192 токенов и доступна в формате safetensors. Карточка указывает французский как основной язык и английский как дополнительный. Модель распространяется по лицензии CreativeML Open RAIL-M. README отмечает, что разработка ещё продолжается, поэтому качество и пригодность для конкретных профессиональных задач следует проверять отдельно.

ClaudioItaly/Evolutionstory — языковая модель на архитектуре Mistral, созданная слиянием моделей методом TIES с помощью mergekit. В состав слияния вошли lucyknada/microsoft_WizardLM-2-7B и mergekit-community/TopEvolution; в конфигурации TopEvolution указана как базовая модель. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. На основе характеристик WizardLM-2 она может подходить для диалогов, следования инструкциям и рассуждений, но отдельные результаты и языковые возможности Evolutionstory в карточке не описаны. Лицензия в предоставленных данных не указана.

Experiment26Inex12-7B — слитая модель для генерации текста, созданная Maxime Labonne автоматическим объединением MSL7/INEX12-7b и rwitz/experiment26-truthy-iter-1. При слиянии применён метод SLERP с настройками для слоёв self-attention и MLP; модель относится к семейству Mistral, имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров. Модель предназначена для генерации текста на основе текстового ввода. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Репозиторий указывает лицензию Apache-2.0. README не приводит сведения о языках, качестве на бенчмарках или специализированных сценариях применения.