III.10Проекты, процессы и операционное управление

QuantFactory/Qwen1.5-MoE-A2.7B-Wikihow-GGUF — квантизированная версия модели, созданная QuantFactory с использованием llama.cpp. В основе лежит Qwen/Qwen1.5-MoE-A2.7B, дообученная MaziyarPanahi на поднаборе wikihow датасета HuggingFaceTB/cosmopedia. Модель предназначена для генерации текста и сценариев, связанных с созданием инструкций и пошаговых объяснений в стиле WikiHow. Модель использует архитектуру Mixture-of-Experts (MoE) семейства Qwen1.5 с обозначением A2.7B; точный общий размер модели, поддерживаемые языки и максимальная длина контекста в карточке не указаны. Дообучение выполнялось с применением LoRA, а в конфигурации использовалась длина последовательности 2048 токенов. Распространяемый вариант представлен в формате GGUF и рассчитан на использование с совместимыми инструментами, включая llama.cpp. Сильной стороной модели является специализация на инструктивных текстах и объяснениях, а также возможность локального запуска благодаря квантизации. Ограничения включают отсутствие подробных данных о вариантах квантизации, фактических требованиях к ресурсам, языковом охвате и максимальном контексте. В опубликованной оценке Open LLM Leaderboard средний результат составил 11,43; отдельные показатели также свидетельствуют о невысокой обобщённой производительности, поэтому модель следует проверять на конкретных задачах. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-calendar instruction-following RL — step 6 — это экспериментальный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, созданный после асинхронного обучения RLOO на данных TaskTrove v4.9 для выполнения инструкций по работе с календарём. Модель предназначена для диалоговых сценариев, связанных с календарными запросами и инструкциями. Это MoE-модель на архитектуре Qwen3, доступная в формате safetensors и рассчитанная на контекст до 262 144 токенов; в метаданных указано 2,6 млрд параметров. В README приведён результат 39 успешных прохождений из 128 на контрольной выборке, однако обнаружилось пересечение этой выборки с обучающими данными, поэтому оценка не отражает независимую обобщающую способность. Чекпойнт является ранним экспериментальным шагом обучения. Условия лицензии в предоставленных сведениях не указаны.

TalkTix разработала модель классификации обращений в службу поддержки по девяти категориям корпоративных сервисов: SAP ERP, Atlassian, Adobe, Salesforce, Reporting, Microsoft Power Platform, Microsoft SharePoint, Snowflake и Microsoft Office. Это дообученная RoBERTa-base с архитектурой RobertaForSequenceClassification, содержащая 151,8 млн параметров. Модель принимает текст и возвращает класс обращения; для интерпретации меток LABEL_0–LABEL_8 нужно использовать соответствие категорий из карточки модели. Модель обучена на сбалансированном наборе из 28 000 обезличенных запросов и рассчитана на маршрутизацию клиентских обращений к нужной команде или сервису. В приведённой оценке хорошо распознаются, например, Atlassian и Snowflake, но обращения категории Reporting часто ошибочно относятся к Salesforce. Контекст составляет 514 токенов. Лицензия — MIT.

System One (gold) — компактная модель-кросс-энкодер на базе DeBERTa-v3-xsmall, разработанная автором репозитория shreyanbr. Она классифицирует текст по заданным типизированным вопросам и меткам, включая выбор варианта, оценку и решение о маршрутизации, за один проход без генерации токенов. Модель рассчитана на маршрутизацию запросов, классификацию и проверку условий в программных системах, где не требуется авторегрессионная генерация. Размер по README — 70,8 млн параметров; метаданные указывают 77,5 млн. Контекст — до 512 токенов. Используются веса safetensors и библиотека Transformers; лицензия репозитория — Apache-2.0. На тестовых разбиениях приведены результаты по отдельным вопросам: точность для intent — 0,676, для tool — 0,944, для needs_tool — 0,694; README предупреждает, что некоторые вопросы показывают результат на уровне или ниже простого предиктора большинства. Для корректной калибровки необходим файл calibration.json: необработанные оценки не являются вероятностями. Дообучение использовало метки исходных датасетов; строка banking77 загрязнена данными базовой модели, а triage-разметка на датасете tickets с лицензией CC-BY-NC-4.0 не предназначена для коммерческого применения. Оценка основана на одном запуске и одном seed.

ticket-triage-qwen2.5-1.5b-merged — текстовая генеративная модель из семейства Qwen2.5 размером 1,5 млрд параметров, опубликованная пользователем swathikchhuggingface и доступная через библиотеку Transformers. По названию модели она предназначена для триажа и классификации обращений в системах поддержки, однако README не содержит сведений о разработчике, датасете, процедуре обучения или точной схеме формата ответов. Модель работает с текстом и имеет нативное контекстное окно 32 768 токенов. Её можно использовать для генерации ответов, маршрутизации тикетов, определения их приоритета или категории и подготовки кратких пояснений в рабочих процессах поддержки, если соответствующая специализация действительно закреплена в обучении модели. README не содержит информации о лицензии, поэтому условия использования по представленным данным определить нельзя. Также отсутствуют результаты оценки, сведения о качестве, ограничениях предметной области и поддерживаемых языках; перед эксплуатацией необходимы проверка на собственных данных и контроль генерируемых результатов.

TCAndonRouter — плотная диалоговая языковая модель семейства Qwen3, разработанная Tencent для маршрутизации запросов к агентам и навыкам в многоагентных системах. Она определяет подходящего агента или набор агентов для пользовательского запроса, в том числе когда их зоны ответственности пересекаются. Модель дообучена методом SFT с последующим обучением DAPO на базе Qwen/Qwen3-4B-Instruct-2507 и содержит 3,7 млрд параметров. Вход и выход — текст; заявлены китайский и английский языки, контекст — до 262 144 токенов. Модель рассчитана на маршрутизацию намерений в корпоративных сценариях. Описания новых агентов можно добавлять без переобучения, а решения маршрутизации задуманы как интерпретируемые. Если применимы несколько агентов, Router может сохранить все подходящие варианты для последующего объединения их ответов отдельным агентом-редактором. В README заявлены результаты на наборах CLINC150, HWU64, MINDS14, SGD и QCloud. Модель распространяется по лицензии Apache-2.0. README направляет за инструкциями по использованию к GitHub; приведён пример подготовки описаний агентов для собственного набора данных.

Модель Thamo31 — дообученная плотная авторегрессионная Llama 3.2 на 3,2 млрд параметров, предназначенная для маршрутизации запросов в многоагентной системе. Она анализирует запрос и выдаёт название одного подходящего отдела, чтобы направить задачу нужному агенту и сократить затраты на дополнительное рассуждение LLM. Карточка заявляет поддержку английского языка; модель принимает текст и выдаёт текст. Контекстное окно составляет 131 072 токена. В метаданных указаны возможности чата и интерфейс вызова инструментов, однако основная задача модели — генерация текста с меткой отдела для маршрутизации. Модель дообучена Thamo31 на unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не приводит метрик качества или подробностей о наборе данных, поэтому точность маршрутизации для конкретных отделов следует проверять на собственных запросах.

MindE 민원 분류기(bert-v9)는 한국 공공 민원 내용을 11개 카테고리로 자동 분류하는 텍스트 분류 모델입니다. 개발자는 README에 명시되어 있지 않으며, 모델은 KLUE BERT 기반으로 `klue/bert-base`를 민원 데이터에 맞게 미세조정했습니다. Transformers 라이브러리를 사용하고 가중치는 safetensors 형식이며, 전체 크기는 137.8M параметров, контекст — до 512 токенов. При обучении использовались входы длиной до 128 токенов. Модель предназначена для автоматической маршрутизации обращений в государственные службы и предварительной категоризации перед проверкой человеком или последующей обработкой. На тестовом наборе из 20 788 примеров заявлены accuracy 0,871, macro F1 0,873 и weighted F1 0,871. Обучающие данные основаны на AI Hub 143: около 860 тысяч обращений, исходно 18 категорий сведены к 11. Качество зависит от формулировки обращения: данные преимущественно связаны с Чхангвоном, поэтому возможен региональный словарный перекос. Для категории «архитектура и строительство» указан наиболее низкий F1 — 0,755; короткие и неоднозначные тексты могут получать низкую уверенность, поэтому полезно рассматривать несколько наиболее вероятных категорий. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

WikiChat-v0.1 — экспериментальная языковая модель от leafspark, обучавшаяся для написания статей в стиле WikiHow. Карточка описывает версии на 40 млн и 71,7 млн параметров; указаны 28 слоёв, 8 голов внимания и размерность эмбеддингов 256. Для файлов GGUF заявлена точность FP32. Контекст зависит от варианта: 1536 или 4096 токенов. Модель генерирует текст по шаблону «User: {prompt}\nA: {response}» и предназначена для создания инструкций и пошаговых статей. В обучающих данных использовались HuggingFaceTB/cosmopedia и databricks/databricks-dolly-15k. Метаданные указывают английский язык и библиотеку Transformers. Лицензия — Apache-2.0. В карточке отмечена склонность без явного запроса затрагивать темы отношений; автор связывает её с составом WikiHow и описывает обучение как продолжающееся. Увеличенная версия контекста может временно работать хуже. Поэтому модель лучше рассматривать как ранний эксперимент, а её ответы проверять перед использованием.

philschmid/BERT-Banking77 — модель классификации текста на основе BERT, опубликованная под аккаунтом philschmid и обученная с помощью AutoTrain для многоклассовой классификации запросов из банковской сферы на наборе Banking77. Она принимает текст и предсказывает его категорию, например, чтобы автоматически распределять обращения клиентов по темам при обработке банковских запросов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и поддерживает контекст до 512 токенов. В карточке приведены метрики на валидации: accuracy 0,926 и macro F1 0,927. Для работы с ней указан формат PyTorch; примеры доступа показывают отправку текста через API Hugging Face. Лицензия в предоставленных данных не указана.

Это дообученная версия мультиязычной модели распознавания речи Whisper large-v2, созданной OpenAI. Модель разработана для транскрибации записей турецких телефонных разговоров; для дообучения использовались симулированные данные турецкого колл-центра. В карточке приведено значение loss 0,2338 на оценочном наборе. Модель принимает аудио и выдаёт распознанный текст. Базовая Whisper large-v2 обучалась на 680 тысячах часов размеченных данных для транскрибации и перевода речи; в этой версии целевым сценарием являются турецкие звонки. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Подробности о составе оценочного набора и качестве на реальных звонках в карточке не приведены.

soyasis/gpt2-finetuned-how-to-qa — англоязычная генеративная модель на архитектуре GPT-2, дообученная на примерно 2 000 примерах из WikiHow. Она продолжает текстовый запрос в формате «[WP] How to {тема} [RESPONSE]» и предназначена для генерации ответов с пошаговыми инструкциями по практическим вопросам. Модель использует GPT2LMHeadModel, распространяется в формате PyTorch и имеет контекст до 1 024 токенов. Модель подходит для черновых ответов на вопросы «как сделать» и генерации инструкций на английском языке. Небольшой объём обучающих данных ограничивает охват тем и надёжность ответов; сгенерированные инструкции могут быть неполными или фактически ошибочными. Лицензия — MIT.

Это модель обнаружения объектов на изображениях, разработанная путём дообучения facebook/detr-resnet-50 на наборе данных cppe-5. Модель основана на архитектуре DETR с ResNet-50 и выдаёт классы объектов и ограничивающие рамки. В репозитории указано 6,3 млн параметров; веса доступны в формате safetensors. Модель предназначена для обнаружения средств индивидуальной защиты на изображениях: комбинезонов, защитных экранов для лица, перчаток, очков и масок. На оценочном наборе автор приводит mAP 0,3578 и mAP@50 0,6781; метрики различаются по классам, например, mAP для комбинезонов составляет 0,6584, а для очков — 0,1766. Эти результаты относятся к cppe-5 и не гарантируют такое же качество на других изображениях. Лицензия — Apache-2.0. Модель принимает изображения и возвращает обнаруженные объекты с классами и рамками; в README не приведены сведения о языковой поддержке.

Swift-Support/labse-sentiment-1.0 — дообученная командой Swift модель LaBSE для определения тональности обращений в банковскую поддержку. Это единая многоязычная BERT-модель классификации последовательностей с 498,1 млн параметров и контекстом до 512 токенов; она присваивает тексту одну из двух меток: Negative или Neutral. Модель рассчитана на английский, сингальский, тамильский, а также на синглиш и танглиш — романизированные варианты сингальского и тамильского. Её предполагаемый сценарий — помогать расставлять приоритеты в обращениях и выявлять негативные сообщения для проверки или возможной эскалации. На тесте pooled Negative-F1 составил 0,7138, при полноте 0,6728: примерно треть негативных обращений модель пропускает. Оценка основана на метках, созданных LLM, а романизированные данные были синтетическими; результаты для них могут не отражать реальные сообщения пользователей. Модель не откалибрована, а её поведение за пределами банковской поддержки не проверено. Модель опубликована под лицензией CC BY 4.0. Метаданные указывают формат safetensors.

TRIAGE Hospital Crisis Agent — дообученная с помощью GRPO модель на базе Qwen3.5-4B, разработанная для симуляции управления кризисными ситуациями в больнице и принятия решений по клинической сортировке пациентов. В многоагентной системе она поддерживает сценарии сортировки в отделении неотложной помощи по протоколу START, распределения мест в реанимации, проверки назначений и противопоказаний, распределения персонала, реагирования на сбои ИТ-систем и контроля кризисных решений. Модель содержит 3,4 млрд параметров, использует плотную архитектуру Qwen3.5 для генерации текста и диалога, работает с контекстом до 262 144 токенов. В метаданных указан английский язык; среди обучающих данных — MedMCQA и MedQA. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. В README приведены результаты внутреннего TRIAGE Multi-Agent Benchmark, однако модель предназначена только для исследований и симуляций и не проверена для реального клинического применения. Качество зависит от формулировки запроса и сложности сценария; её выводы не должны заменять профессиональное медицинское суждение.

mrm8488/distilroberta-finetuned-banking77 — модель классификации намерений в обращениях к банковским сервисам, разработанная на базе distilroberta-base и дообученная на датасете Banking77. Она использует архитектуру RoBERTa с классификационной головой и содержит 95,2 млн параметров; принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для определения категории пользовательского запроса среди банковских намерений, например для маршрутизации обращений в службе поддержки. В README указана точность 0,896 на тестовом наборе. Для использования доступны веса PyTorch и safetensors, а загрузить модель можно через Transformers. Карточка не сообщает условия лицензии, поэтому условия распространения здесь описать нельзя.

Модель acidtib/dispensary-product-name-gemma3 — текстовая модель на архитектуре Gemma 3, разработанная acidtib дообучением google/gemma-3-270m-it. Она преобразует необработанные названия товаров из кассовой системы Dutchie POS в краткое каноническое имя формата «сорт — тип» для внутреннего учёта ассортимента диспансера. Вход может содержать бренд, категорию, подкатегорию и исходное название; модель предназначена для узкой задачи нормализации, а не для использования общего назначения. Модель содержит 257 млн параметров, работает через Transformers и принимает текстовые запросы в диалоговом формате. Контекст — до 32 768 токенов. Обучение проводилось на 1 697 примерах из 152 брендов и трёх категорий; на отложенной выборке из 245 примеров точное совпадение составило 98,8%, нормализованное — 99,2%. Поддерживаемый язык карточки — английский, а данные задачи содержат названия товаров на нидерландском рынке. Лицензия — Gemma; применимые условия использования определяются лицензией базовой модели Google.

Это модель классификации текста на базе DistilBERT, дообученная на наборе Banking77. Она предназначена для определения категории пользовательского обращения в банковской тематике, например для маршрутизации сообщений в службу поддержки. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом и принимает последовательности длиной до 512 токенов. Для оценки на тестовом наборе Banking77 указаны точность и F1 по 0,925. Модель подходит для классификации обращений, похожих на примеры из Banking77. Результаты на этом наборе не гарантируют качество на иных банковских данных или при изменении формулировок и распределения категорий. Лицензия — Apache-2.0.

atti433/minde-urgency — разработанная MindE модель классификации корейских обращений в государственные службы по признаку срочности. Она дообучена на klue/bert-base и выдаёт метку «срочное» или «обычное»; архитектура — BERT для классификации последовательностей, размер — 137,8 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для первичной сортировки обращений, чтобы направлять сообщения об опасных ситуациях на оперативное рассмотрение. В README приведены результаты на тестовом наборе из 86 778 примеров: accuracy 0,999, AUC 0,998, F1 для срочного класса 0,929, precision 0,874 и recall 0,990. Данные автоматически размечались правилами по ключевым словам и исключениям, поэтому модель может пропустить срочную ситуацию без известных ей ключевых слов или ошибочно отнести сообщение к обычным при наличии слов вроде «профилактика» или «информация». Для реального потока автор рекомендует сочетать её с дополнительными правилами и словарём ключевых слов. Лицензия указана как other, конкретные условия в карточке не раскрыты.

Banking Multilingual Intent Classifier — дообученная на базе google/muril-base-cased модель BERT для классификации намерений в банковских чат-ботах. Она распределяет текстовые обращения по 14 категориям, включая проверку баланса, переводы, поддержку карт и банкоматов, сведения о счёте, комиссии и приветствия. Модель рассчитана на английский, бенгальский в бенгальской письменности, бенгальский в латинской транслитерации и смешанные англо-бенгальские запросы. Это классификатор последовательностей на 264,8 млн параметров с контекстом до 512 токенов; веса доступны в формате safetensors. В карточке заявлены точность 99,12% и макро-F1 99,08% на тестовом наборе. Модель предназначена для маршрутизации обращений и автоматизации поддержки в банковских чат-ботах. Она не учитывает многоходовый контекст, может ошибаться на коротких неоднозначных фразах, а синтетические данные обучения способны смещать стиль ответов; для низкой уверенности рекомендуется передача запроса оператору. Модель не предназначена для выявления мошенничества, анализа тональности, финансовых рекомендаций или автоматизации правового и регуляторного соответствия. Лицензия — Apache-2.0.

Модель manokaran1916 — дообученная плотная языковая модель семейства Llama 3.2 с 3,2 млрд параметров, созданная на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. По названию репозитория она предназначена для маршрутизации запросов в сервисе доставки еды; карточка подтверждает дообучение, но не описывает правила маршрутизации, формат ответов или результаты оценки. Модель работает с текстом и поддерживает контекст до 131 072 токенов. Модель можно применять в диалоговых сценариях, где нужно направлять запросы пользователей по процессам сервиса доставки еды. Она выпущена в формате Safetensors и распространяется по лицензии Apache-2.0. Для обучения использовались Unsloth и библиотека TRL.

MiniCPM5-1B Viva Mais v4 — текстовая модель на основе архитектуры Llama, разработанная для бразильского португальского языка и рабочих процессов CRM туристического агентства Viva Mais. Она предназначена для ответов на вопросы по предоставленному контексту: данным клиентов, платежам, бронированиям, билетам и документам, а также для диалоговой поддержки WhatsApp-копилота. Модель содержит 837,6 млн параметров, принимает текст и имеет заявленное нативное контекстное окно 131 072 токена. Версия v4 дообучена на базе marinarosa/minicpm5-1b-vivamais-v1 методом SFT с QLoRA; опубликованные веса представлены в формате safetensors. Лицензия — Apache-2.0. По README, v4 улучшила результаты на внутренних проверках Viva Mais и общих тестах диалогов на бразильском португальском относительно v1. Модель следует использовать с извлечённым контекстом и короткими ограничениями генерации: она может продолжать ответ и включать сведения о соседних клиентах. Для работы с чувствительными CRM-данными важны изоляция контекста и отказ от ответа, когда данных недостаточно. Модель не предназначена для общих туристических рекомендаций или принятия решений о платежах.

Qwen3.5-9B-metro-v24 — дообученная с помощью QLoRA модель continker на базе Qwen3.5-9B для задач MetroLLM-Bench. Она предназначена для работы киосков метро: многошагового вызова инструментов, формирования структурированного итогового состояния диалога и обработки сбоев и оповещений в шести системах метро. Модель доступна как LoRA-адаптер и как объединённый, квантованный GGUF Q4_K_M размером 5,3 ГБ; в метаданных также указан формат safetensors. Версия v24 обучена без утечки тестовых данных: дистилляционные примеры взяты из обучающей части набора, а отложенная часть использовалась для оценки. В описанном тесте на 238 примерах она превзошла базовую Qwen3.5-9B по метрикам Tier-1 и Composite. Модель предназначена для генерации текста и диалогов, включая сценарии вызова инструментов. Лицензия — Apache 2.0.

Supervisor-FRPT-Phi-4-reasoning — LoRA-дообученная модель для оценки качества диалогов чат-бота службы поддержки электроники. Разработчик не назван. На вход подаются категория, многоходовый диалог пользователя с ассистентом и найденный справочный документ; модель формирует на корейском языке оценку по трём критериям — соответствие запроса документу, согласованность ответа с документом и полнота ответа — и выдаёт вердикт correct или incorrect с объяснением в JSON. Модель основана на Microsoft Phi-4-reasoning, использует архитектуру Phi-3 и содержит 14,1 млрд параметров. Контекст — до 32 768 токенов; формат весов — safetensors. README сообщает о дообучении LoRA на 3 771 размеченном диалоге и тестировании на 199 диалогах: точность 0,593, Macro-F1 0,574, F1 класса correct 0,484. Лицензия — MIT. Эти тестовые показатели указывают на ограниченную надёжность классификации, поэтому результаты следует проверять, особенно для класса correct.

Time Series Transformer — модель архитектуры encoder-decoder Transformer, обученная командой Hugging Face на наборе monashtsf/tourism-monthly в течение 30 эпох. Она предназначена для прогнозирования временных рядов: при использовании модель авторегрессионно генерирует значения по одному временному шагу за раз. Модель подходит для экспериментов и прикладных прогнозов на месячных рядах туристической тематики. В карточке указаны форматы PyTorch и Safetensors, а лицензия — MIT. Данные описывают обучение на конкретном наборе tourism-monthly, поэтому переносимость на другие типы рядов не подтверждена.

AQUA-7B — языковая модель Kurma AI для консультаций по аквакультуре. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, дообученная методом SFT с LoRA на примерно 3 млн реальных и синтетических диалогов и инструкций, около 1 млрд токенов. Модель принимает текст и генерирует текст; заявленный контекст составляет 32 768 токенов. Модель предназначена для рыбоводческих хозяйств, инкубаториев, исследователей и разработчиков технологий аквакультуры. Она помогает с подбором и ведением систем выращивания разных видов, разведением и выращиванием молоди, кормлением, контролем качества воды, профилактикой и управлением заболеваниями, биобезопасностью, устойчивыми практиками, переработкой и соблюдением отраслевых требований. Карточка указывает английский язык. Модель опубликована в формате Safetensors под лицензией Apache-2.0. Ответы могут содержать ошибки и отражать предвзятость обучающих данных. Климатические и экологические рекомендации основаны на данных до 2024 года; критические, нормативные и другие важные решения следует проверять у квалифицированного специалиста по аквакультуре.

Flywheel — automotive (35b-v1) — специализированная языковая модель для автомобильной отрасли, разработанная Flywheel by OpSpot. Модель дообучена методом LoRA на базе Qwen/Qwen3.6-35B-A3B и предназначена для использования в качестве виртуального сервис-консультанта в автомастерских и сервисных подразделениях дилерских центров. Модель ориентирована на первичный сбор диагностической информации, планирование обслуживания, подготовку оценок и расчёта стоимости, поиск запчастей, работу с регламентами технического обслуживания, информирование об отзывах и обновление статуса клиента. Доступны форматы safetensors для Transformers и vLLM объёмом около 65 ГБ, а также квантизированный GGUF-файл model-q4_k_m.gguf объёмом около 20 ГБ для llama.cpp и Ollama. Архитектура, поддерживаемые языки, модальности и размер контекста в README не указаны. Сильная сторона модели — специализация на сценариях автомобильного сервиса и наличие защитного поведения: при вопросах о тормозах, рулевом управлении, подвеске, шинах, подушках безопасности и топливной системе она должна направлять пользователя к сертифицированному механику и предупреждать о недопустимости эксплуатации потенциально небезопасного автомобиля. Модель не является сертифицированным техником; для общих запросов её возможности примерно сопоставимы с базовой моделью, а специализированное преимущество должно усиливаться по мере поступления согласованных реальных данных. Модель распространяется по лицензии Apache-2.0. Версия 35b-v1 обучена на синтетических данных, созданных локальными моделями с разрешительными лицензиями Apache и MIT.

Qwen3 support and order merge — экспериментальная модель на базе Qwen/Qwen3-0.6B, созданная Theoric Labs для узкой адаптации диалогов поддержки. Она генерирует текст и предназначена для классификации обращений по очередям с кодами RUBY (оплата), JADE (вход в аккаунт) и AMBER (доставка), а также для извлечения SKU и количества в JSON. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров и имеет контекст 40 960 токенов. Для диалогового шаблона рекомендуется отключать режим рассуждений; в описанном эксперименте использовалась жадная генерация с лимитом 48 новых токенов. В тесте из карточки модель верно выполнила 48 из 48 примеров для каждого из двух навыков. Это узкий синтетический эксперимент: шаблоны обучения и идентификаторы сущностей не пересекались с оценочными, но фразы намерений повторялись, поэтому результаты не подтверждают широкую языковую обобщающую способность или готовность к реальной поддержке. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

MANGSEOK123 выпустил дообученную версию Qwen3-4B после одного OEL consolidate epoch на синтетических задачах tau2-bench для обслуживания клиентов авиакомпании. Это плотная причинная языковая модель Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста и диалоговое применение; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель предназначена для ответов на запросы авиапассажиров и выполнения сценариев клиентской поддержки, представленных в обучающих задачах. Контекст модели составляет до 40 960 токенов. Обучение описано как 318 синтетических задач и 40 шагов с размером батча 8. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества, поэтому пригодность для реальных обращений и стабильность ответов требуют проверки.

adarsh-08 разработал дообученную модель Qwen2.5-0.5B-Instruct для ответов на вопросы сотрудников о кадровых правилах вымышленной компании NovaTech Solutions. Это причинная языковая модель с архитектурой Qwen2, примерно 493,7 млн параметров и контекстом до 32 768 токенов. Модель обучена методом QLoRA на синтетических парах вопросов и ответов, а адаптер LoRA объединён с базовыми весами для самостоятельного использования. Модель рассчитана на англоязычные вопросы о видах отпусков, страховании и льготах, программах благополучия, оценке эффективности, командировках и расходах, использовании устройств и адаптации новых сотрудников. Она подходит для демонстрации или прототипа внутреннего FAQ-чатбота; README сообщает о хороших качественных ответах на близкие к обучающим примеры вопросы. Лицензия — Apache-2.0. Обучающие данные синтетические и описывают вымышленную компанию, поэтому ответы не являются проверенными правилами реального работодателя или юридической консультацией. Из-за небольшого размера модели и ограниченного набора примерно из 512 примеров она может ошибаться на числах, незнакомых формулировках и темах вне обучающего набора; факты следует сверять с официальными документами.