Опирайтесь на данные о вашей собственной нагрузке, а не на общий рейтинг. Начните с наименьшего чекпоинта, который достигает вашей цели по качеству, и проверьте его условия, поддержку обучения и путь развёртывания, прежде чем вкладываться в полный запуск.
Соберите репрезентативные успешные, ошибочные, граничные, связанные с безопасностью и внераспределённые случаи. Держите их вне обучения и подбора промптов.
Проверьте по одним и тем же критериям промптинг, few-shot примеры, поиск и модели-кандидаты. Дообучение должно закрывать измеренный разрыв.
Проведите короткий эксперимент с адаптерами, зафиксируйте полную конфигурацию и переходите дальше, только если выигрыш сохраняется на отложенной выборке и в проверках безопасности.
Срез проверен в августе 2026 года. Это отправной набор, а не рейтинг и не обещание, что каждый чекпоинт поддерживает каждый метод тюнинга. Актуальные файлы и условия смотрите в официальном источнике.
Семейство с открытыми весами при поддержке Google, с документированными путями локального и облачного тюнинга.
Проверить: Выбирайте конкретный чекпоинт и формат только после проверки актуальных условий Gemma, руководства фреймворка и требований к памяти.
Открыть официальный источник моделиШирокое семейство с открытыми весами, которое стоит оценить для многоязычных, кодовых и мультимодальных нагрузок.
Проверить: В коллекции есть модели с очень разными архитектурами и размерами; проверяйте карточку каждой модели и её чат-шаблон.
Открыть официальный источник моделиМодели с открытыми весами, с официальным руководством по развёртыванию и, для отдельных чекпоинтов, по дообучению.
Проверить: Часть свежих чекпоинтов представляет собой модели со смесью экспертов, у которых суммарный объём весов намного больше числа активных параметров.
Открыть официальный источник моделиРассуждающие модели OpenAI с открытыми весами, с официальной карточкой модели и заметками о дообучении.
Проверить: Сохраняйте обязательный формат ответа Harmony и измерьте память на том самом стеке обучения, прежде чем выбирать чекпоинт.
Открыть официальный источник моделиСемейство NVIDIA с открытыми весами, ориентированное на агентов и вызов инструментов: уровни от компактных чекпоинтов до очень крупных моделей со смесью экспертов, для части семейства опубликованы данные и рецепты обучения.
Проверить: Уровни различаются лицензией и архитектурой; перед пилотом проверьте суммарный объём весов чекпоинта со смесью экспертов и поддержку архитектуры вашим фреймворком.
Открыть официальный источник моделиНебольшие модели-энкодеры для извлечения, классификации и поиска персональных данных: быстро обучаются и дёшевы в инференсе; дообученные задачные модели этого класса могут не уступать куда более крупным универсальным моделям на узких задачах.
Проверить: Это задачные модели со схемным интерфейсом, а не чат-модели; убедитесь, что задача ложится на интерфейс, и превзойдите универсальный базовый уровень на собственной разметке, прежде чем принимать решение.
Открыть официальный источник моделиОдно только число параметров не предсказывает память при обучении. Значение имеют точность, длина последовательности, реализация внимания, оптимизатор, размер батча, адаптеры и шардирование. Самая дорогая граница проходит по одному ускорителю: как только пилот перестаёт помещаться на одно устройство даже с адаптерами и квантизацией, обучение превращается в проект распределённых систем.
«Открытые веса» не является категорией лицензии: одни релизы публикуют веса, данные и код обучения на пермиссивных условиях, другие отдают только веса, с условиями по выручке или сфере применения. Изучите условия и уведомления конкретного чекпоинта; не выводите права из названия семейства моделей.
Дообученная модель может деградировать за пределами целевой задачи. Перед каждым выпуском проверяйте базовые способности, случаи злоупотреблений, утечку персональных данных и поведение при отказе.
Никогда не покупайте оборудование по обобщённой оценке VRAM. Воспроизведите представительный пилот с точным чекпоинтом, точностью, длиной последовательности и фреймворком либо получите актуальное предложение провайдера, включающее обучение, хранение, инференс и передачу данных.