III.3Продажи и управление доходом

Tanpo Deals — компактная языковая модель для коммерческих переговоров и продаж в B2B, разработанная d4rkninja как часть семейства Tanpo. Она дообучена методом LoRA на базе LiquidAI/LFM2.5-1.2B-Instruct; в этом репозитории размещены объединённые с базовыми весами параметры. Модель содержит около 1,5 млрд параметров, использует архитектуру LFM2 и предназначена для диалогового применения через Transformers. В метаданных указан контекст до 128 000 токенов. Модель помогает квалифицировать сделки, готовить вопросы для выявления потребностей, отвечать на возражения, формулировать предложения и планы следующих шагов, а также разрабатывать сценарии набора дистрибьюторов и канальные цены. Она рассчитана на локальный и недорогой запуск; карточка приводит внутреннюю автоматическую оценку на небольшом наборе задач, которую следует считать ориентировочной, а не отраслевым бенчмарком. Указанная лицензия — other, конкретные условия в доступных данных не раскрыты. Модель специализирована на сделках и может хуже работать за пределами этого распределения задач; её небольшой размер ограничивает объём знаний и сложные рассуждения. Коммерческие рекомендации являются черновиками и требуют проверки человеком, особенно в вопросах договоров, цен и условий партнёрства; модель не предназначена для юридических, финансовых или налоговых консультаций.

wav2vec-vm-finetune — модель Jake Bland для обнаружения голосовой почты в телефонных звонках. Она дообучена на базе facebook/wav2vec2-xls-r-300m и использует архитектуру Wav2Vec2ForSequenceClassification; размер составляет 402,7 млн параметров. Модель классифицирует первые две секунды аудио как приветствие голосовой почты или ответ живого человека. Модель предназначена для автоматизации обзвона и телефонных помощников: она помогает выявлять голосовую почту и фильтровать такие ответы в сценариях обслуживания клиентов и продаж. В README заявлена точность 98% на обнаружении голосовой почты; модель обучалась на закрытом наборе записей звонков. Она рассчитана только на английскую речь и предполагает, что аудиодорожка голосовой почты изолирована от звука звонящего. Лицензия — Apache-2.0.

RAS1981/Qwen3-4B-outreach-stage4 — дообученная плотная языковая модель семейства Qwen3 с 3,7 млрд параметров. Это финальный этап пятиступенчатого обучения модели для работы русскоязычным агентом по квалификации клиентов в сфере недвижимости. В метаданных указано контекстное окно 262 144 токена; модель распространяется в формате Safetensors и рассчитана на генерацию текста в диалоговом режиме. Модель ведёт многоходовый разговор без обязательного системного промпта: приветствует клиента, выясняет район, бюджет и сроки, обрабатывает фрагментированные запросы, исправления и возражения, затем предлагает записаться на звонок, встречу или просмотр. Она обучена выдавать краткие сообщения в стиле оператора, следовать деловым правилам и отказываться от тем вне своей области. Разработчик заявляет, что поведение и сценарии встроены в модель после этапов доменного дообучения и SFT. Модель предназначена для русскоязычных сценариев работы с недвижимостью; заявленное семейство — Qwen3, а в метаданных также отмечен английский язык. Лицензия — Apache-2.0. Рекомендации автора по генерации: температура 0,1 и максимум 2000 токенов; характеристики скорости и стабильности приведены в карточке как заявления разработчика.

Tanpo Retention — компактная языковая модель автора d4rkninja для задач удержания клиентов и customer success. Это дообученная и объединённая с базовыми весами модель LiquidAI/LFM2.5-1.2B-Instruct: плотная архитектура LFM2, около 1,5 млрд параметров по метаданным и контекст до 128 000 токенов. Модель принимает текст и генерирует текст; в карточке указан английский язык. Она предназначена для подготовки планов адаптации и активации клиентов, анализа сигналов риска оттока, подготовки продлений, возврата ушедших клиентов, расширения сотрудничества и эскалаций. Может структурировать рекомендации по сигналам, диагнозу, ответственному, срокам и следующему шагу; рассчитана на локальный и недорогой запуск. Внутренняя автоматическая оценка автора показывает преимущество над базовой моделью, но результаты не являются отраслевым бенчмарком и не гарантируют качество в реальных сценариях. Модель специализирована на удержании клиентов: её качество может снижаться за пределами этого распределения, а небольшой размер ограничивает знания и сложные рассуждения. Рекомендации о клиентах и продлениях следует проверять по достоверным данным, а коммуникации и значимые решения — оставлять на проверку человеку. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

OpenForecaster-8B-i1-GGUF — квантизированная версия модели OpenForecaster-8B, разработанной пользователем nikhilchandak и преобразованной в формат GGUF пользователем mradermacher. Модель обучалась с использованием набора данных OpenForesight; заявленный язык — английский. Лицензия — MIT. Модель предназначена для задач прогнозирования, рассуждений и ответов на вопросы, а также связана с калибровкой и reinforcement learning. README не содержит подробностей о базовой архитектуре, максимальном контексте, поддерживаемых модальностях или точных методах обучения, поэтому её следует рассматривать прежде всего как англоязычную текстовую модель для сценариев forecasting и связанных аналитических задач. Репозиторий предоставляет множество вариантов квантизации GGUF с размером примерно от 2,2 до 6,8 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; среди рекомендованных указаны i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Конкретные характеристики и качество зависят от выбранного варианта квантизации.

DJINN 1.114B Decision Engine — плотная модель классификации решений, разработанная автором репозитория Saltmandamsun. По карточке, модель содержит около 1,01 млрд параметров и обучена методом Reinforcement Learning from Compiler Decisions (RLCD). Она выдаёт калиброванные распределения вероятностей для классификации вариантов, оценки ожидаемой величины по шкале и бинарной проверки гипотез; автор также заявляет поддержку контекста до 64 000 токенов и быстрый параллельный вывод без авторегрессионной генерации. Модель рассчитана на задачи принятия решений, где нужны вероятностные оценки и неопределённость, включая ранжирование альтернатив и бинарные прогнозы. В README приведены показатели задержки на NVIDIA RTX PRO 6000 Blackwell и заявленная производительность пакетного инференса; они относятся к конкретной конфигурации оборудования и реализации. Репозиторий указывает лицензию Apache-2.0. Независимая проверка заявленных характеристик и качества в карточке не приведена.

TinyJev-0.6B — плотная текстовая модель решений, разработанная AnkitAI на базе Qwen3-0.6B-Base. Она оценивает предложенные варианты и возвращает вероятность каждого из них, не генерируя свободный текст. Интерфейс поддерживает выбор из вариантов, оценку истинности утверждения и размещение состояния на упорядоченной шкале; контекст модели — 32 768 токенов. Модель предназначена для локального выполнения структурированных решений по текстовому состоянию, заявке, записи или строке журнала. По README, она содержит около 596 млн параметров, использует pointer head и калибровку вероятностей с температурой 1,46; метаданные указывают 507,9 млн параметров. Поддерживаются MLX на Apple Silicon и PyTorch, а репозиторий содержит веса в safetensors. README сообщает о тестировании на наборах задач принятия решений, но приводит ограниченные результаты переноса, поэтому качество для конкретных прикладных сценариев следует проверять отдельно. Модель принимает только текст и выдаёт оценки вариантов и вероятности. README указывает обучение Qwen3-0.6B-Base с LoRA на открытом наборе jaredpalmer/kev-suites с последующим слиянием адаптера с базой. Лицензия модели — MIT; README также указывает Apache-2.0 для базовой модели, набора данных и дизайна pointer head.

Wähler-4B — дообученная Eschatia Labs модель на 4 млрд параметров для классификации текстовых решений, маршрутизации запросов и выдачи оценок вероятности. Она основана на Intern-Decision-4B и дообучена с помощью LoRA на данных JevAlt. Модель рассчитана на локальный запуск; для неё доступны веса Safetensors и сборка GGUF, а в карточке указана архитектура семейства Qwen3.5. Основной язык модели — немецкий; также в метаданных отмечен английский. Модель принимает текст, поддерживает контекст до 8 тысяч токенов и предназначена для классификации и принятия решений с оценкой уверенности. В описанных тестах на немецких решениях показаны точность 92,0% и Brier score 0,119, однако тестовый набор использовал тот же конвейер данных, что и обучение. Калибровку вероятностей следует перенастроить на собственных данных перед использованием порогов уверенности. Модель слаба на длинном нерелевантном тексте и арифметике с датами; встроенные инструкции могут повлиять на ответы, поэтому проверки полномочий и контроль важных решений должны выполняться вне модели. Лицензия — Apache-2.0.

Mica v0.1 4B — модель принятия решений, созданная разработчиком sky7350 на базе Qwen/Qwen3.5-4B. Она получает описание состояния, вопрос и список допустимых ответов, а затем выдаёт вероятности для вариантов «да/нет», выбора из 2–255 вариантов или оценки по шкале из 2–10 уровней. Модель читает вход за один проход и не генерирует текст; несколько вопросов об одном состоянии могут использовать общий префилл. Архитектура сохранена от базовой модели: 32 слоя, включая 24 слоя Gated DeltaNet и 8 слоёв полного внимания. Модель дообучена с помощью LoRA ранга 16, объединённой с весами; в репозитории есть BF16 Safetensors и GGUF, включая варианты квантизации от Q8_0 до Q4_0. Контекст — до 262 144 токенов. Обучение проводилось на английском и корейском языках. Модель предназначена для классификации и ранжирования заданных вариантов в системах принятия решений, в том числе через формат TypeSafe /v1/systemone. В README приведены результаты на JevBench и внутренних наборах, однако качество заметно зависит от типа данных: хуже всего модель справляется с вопросами, требующими обширных знаний, и длинными английскими документами с политиками; встроенные в описание состояния инструкции могут влиять на ответы. Лицензия — Apache-2.0.

TaxoSplitter: Business Router (e5-base) — модель эмбеддингов, разработанная автором репозитория на основе дообучения intfloat/e5-base-v2. Она предназначена для сопоставления категорий компаний и описаний точек интереса с 14 строгими B2B-вертикалями, включая здравоохранение, строительство, недвижимость, торговлю и производство. Модель формирует нормализованные плотные векторы текста размерностью 768; архитектура Sentence Transformer построена на BERT с усреднённым pooling. В метаданных указаны 136,7 млн параметров, контекст до 512 токенов и библиотека sentence-transformers. Обучение на контрастных положительных и отрицательных парах направлено на семантическое сравнение бизнес-категорий и снижение ошибок, когда общие суффиксы вроде «компания» или «станция» перевешивают смысл основного термина. Векторы можно применять для семантического поиска, сравнения сходства, кластеризации и маршрутизации категорий; для классификации вертикали потребуется сравнение с эталонными описаниями или иной прикладной логикой. Модель работает с текстом и выдаёт эмбеддинги и оценки сходства. README не указывает лицензию, поэтому условия использования следует сверить с карточкой репозитория на Hugging Face.

raj-hitpromo/hit-promo-reasoner — специализированная языковая модель для поддержки сотрудников отдела продаж и дистрибьюторов HIT Promotional Products. Это дообученная с помощью QLoRA модель Microsoft Phi-4-mini-reasoning, архитектура Phi-3, плотная causal language model с 3,8 млрд параметров. Она принимает текстовые запросы и сведения о товарах и правилах, переданные в контексте, и формирует текстовые ответы; заявленная длина контекста — 4096 токенов. Модель предназначена для ответов на вопросы по каталогу, расчёта NET/EQP-стоимости для заданного тиража, проверки сроков и минимального заказа, а также извлечения характеристик товара в структурированный JSON. Для актуальных ответов система должна сначала находить подходящие записи каталога и передавать их модели. Модель не выполняет самостоятельный поиск по каталогу и не рассчитывает цену перепродажи, маржу или доставку. В карточке описано обучение на товарном фиде и базе знаний HIT, а также валидация на отложенных примерах. Модель может ошибаться в арифметике, поэтому расчёты перед использованием в коммерческом предложении следует сверять с актуальными данными. Лицензия репозитория — MIT.

Coda LLM — дообученная на базе IBM Granite-4.2-8B языковая модель от автора mohameddalii для продаж и голосовых агентов в Саудовской Аравии. Модель с архитектурой GraniteForCausalLM содержит 8,4 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. README описывает генерацию ответов на разговорном надждийском диалекте арабского языка с диакритикой, пригодной для передачи в синтезатор речи, а также вызов инструментов в сценариях продаж. Модель предназначена для телефонных продаж, выявления потребностей и квалификации клиентов, обработки возражений и ведения диалога с клиентами. В примерах инструментов указаны поиск товаров, расчёт предложения, запись на встречу, оформление подписки и проверка статуса заказа. README также заявляет об отказе от нерелевантных вызовов инструментов и соблюдении просьбы клиента прекратить продажи. В README приведены результаты внутреннего набора из 27 сценариев, включая 100% для вызовов инструментов и отказа от нерелевантных вызовов, а также 88% для задач рассуждения; это результаты авторской оценки. Модель выдаёт текст, в том числе структурированные вызовы инструментов, но сама по себе не принимает аудио и не синтезирует речь. Репозиторий распространяется по лицензии Apache-2.0.

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.

braza-embedding-ptbr-v1 — модель текстовых эмбеддингов, разработанная TAMZ и дообученная на базе ibm-granite/granite-embedding-97m-multilingual-r2. Она использует архитектуру ModernBERT и содержит 97,4 млн параметров. Модель рассчитана прежде всего на бразильский вариант португальского языка и корпоративную лексику: описания компаний, отрасли, географию, размер бизнеса и запросы покупателей и специалистов по продажам. Максимальная длина контекста — 8192 токена. Модель подходит для семантического поиска по данным о компаниях и деловым документам, сопоставления компаний с запросами, кластеризации и поиска дубликатов, а также для построения RAG-систем на португальском языке. В README приведены результаты MTEB для португальского языка: улучшение относительно базовой модели на ASSIN2 и SICK-BR, а также по взвешенной основной оценке. Лицензия — Apache-2.0.

RinggAI разработала компактную языковую модель для аналитики расшифровок телефонных звонков. Это дообученная на базе unsloth/Qwen2.5-1.5B-Instruct плотная модель Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Она принимает текстовые транскрипты на английском, хинди и смешанном хинглише, в том числе шумные, и генерирует текстовые результаты: классификации по заданным значениям, сводки разговоров и список действий или последующих шагов. Модель предназначена для автоматизации постзвонковой обработки в системах телефонии и голосового ИИ. В репозитории указана лицензия Apache-2.0. Карточка не приводит численных оценок качества или подробностей о поведении на разных типах шумных транскриптов, поэтому результаты стоит проверять для конкретного сценария.

Arcee-Agent — языковая модель на 7,1 млрд параметров, разработанная Arcee AI для вызова функций и работы с инструментами. Она основана на Qwen2-7B и использует плотную архитектуру Qwen2ForCausalLM; для обучения применялся Spectrum, вычислительные ресурсы предоставила CrusoeAI. Модель предназначена для диалоговых агентов, маршрутизации запросов к инструментам и многошаговой автоматизации. Она может формировать вызовы API и баз данных, а также вести самостоятельный диалог. Поддерживает форматы Glaive FC v2, Salesforce и Agent-FLAN; в README отмечена наилучшая работа с форматом VLLM OpenAI FC. Контекст — до 131 072 токенов. Карточка указывает английский, немецкий и арабский языки. Модель распространяется под лицензией Apache-2.0. В README заявлены скорость и эффективность, однако не приведены независимые оценки качества. Как и другие языковые модели, она может ошибаться; выполнение её вызовов инструментов зависит от внешней инфраструктуры и настроек приложения.

LlamaForecaster-8B-i1-GGUF — квантизированная версия языковой модели LlamaForecaster-8B, разработанной nikhilchandak и дополнительно подготовленной в формате GGUF пользователем mradermacher. Модель обучалась с использованием набора данных OpenForesight и ориентирована на задачи прогнозирования, рассуждений, вопросно-ответного взаимодействия, reinforcement learning и калибровки ответов. Модель имеет размер 8 миллиардов параметров и поддерживает английский язык. Представлена в формате GGUF с различными вариантами квантизации i1 и imatrix, поэтому подходит для локального запуска при разных ограничениях по памяти и скорости. Доступны файлы размером примерно от 2,1 до 6,7 ГБ; варианты различаются компромиссом между качеством, скоростью и требованиями к ресурсам. Рекомендуемыми в README названы i1-Q4_K_M и i1-Q4_K_S, при этом качество некоторых низкобитных вариантов может быть существенно ниже. Сильной стороной модели является специализация на прогнозировании и связанных с ним рассуждениях, а также широкий выбор квантизированных сборок для локального использования. Ограничения включают отсутствие в README сведений о размере контекста, точных результатах тестирования, поддерживаемых модальностях помимо текстовой работы и подробностях обучения; качество зависит от выбранного варианта квантизации. В метаданных указана лицензия MIT.

Salesforce xLAM-2-3b-fc-r — компактная языковая модель из семейства Large Action Models, разработанная Salesforce для построения AI-агентов. Эта версия распространяется в формате GGUF и предназначена прежде всего для вызова функций, использования инструментов и ведения многошаговых диалогов, в которых модель преобразует намерения пользователя в исполнимые действия. Модель обучалась с использованием фреймворка APIGen-MT и данных Salesforce/APIGen-MT-5k и Salesforce/xlam-function-calling-60k. Модель содержит около 3 миллиардов параметров, работает с текстом на английском языке и относится к моделям генерации текста. Заявленная длина контекста составляет 32 тысячи токенов; для моделей на базе Qwen-2.5 потенциально может быть достигнута длина до 128 тысяч токенов с применением YaRN, однако это требует дополнительной настройки. Суффикс fc указывает на дообучение для function calling, а r — на исследовательский выпуск. Модель совместима с llama.cpp и аналогичными GGUF-инструментами, а исходная серия также поддерживает Transformers и vLLM. К сильным сторонам относятся специализация на вызове функций, применении инструментов и многошаговом взаимодействии, а также возможность более эффективного запуска на устройствах с ограниченными ресурсами благодаря формату GGUF. Ограничения включают относительно небольшой размер, английскую языковую специализацию, отсутствие заявленной мультимодальности и исследовательский статус; качество и безопасность действий агента зависят от интеграции с инструментами и внешнего контроля. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с некоммерческими ограничениями.

obsei-ai/sell-buy-intent-classifier-bert-mini — компактная модель классификации текста на основе BERT, разработанная Obsei AI. Она относит сообщение к намерению купить или продать товар; примеры включают запросы цены, поставщика и образца, а также объявления о продаже. Модель содержит 12 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке приведены точности 0,988 на валидации и 0,992 на тесте. Модель предназначена для автоматической сортировки коммерческих сообщений и объявлений. В метаданных указан английский язык. Для использования доступна через Transformers; веса представлены в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Savta разработала модель распознавания намерений пользователя в сообщениях. Она дообучена на базе google-bert/bert-base-uncased и использует архитектуру BERT с классификационной головой BertForSequenceClassification. Модель относит входной текст к одному из 50 классов, включая запрос технической поддержки, вопросы о товарах и ценах, возвраты, жалобы, рекомендации и другие намерения в диалоге с компанией. Модель предназначена для классификации обращений клиентов и маршрутизации сообщений в службах поддержки и продаж. Она содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и рассчитана на английский язык. В метаданных также указан text-generation, но архитектура и перечисленные классы указывают на основное применение как классификатора текста. Лицензия в предоставленных данных не указана.

Модель amirsoahil101/Bank_Telemarketing_Success_Prediction_using_ANN — нейронная сеть прямого распространения, созданная для прогноза отклика клиентов на телефонное предложение срочного банковского вклада. Она принимает табличные признаки клиента и социально-экономические показатели и предсказывает бинарный результат «да» или «нет». По карточке, данные UCI содержат 20 признаков; категориальные поля кодируются OneHotEncoder, числовые масштабируются StandardScaler, а сеть использует полносвязные слои с ReLU и Dropout и выходной слой с Sigmoid. Автор сообщает о точности 82% на проверке. Репозиторий также описывает приложение для инференса с интерфейсом Streamlit и API FastAPI; модель построена на TensorFlow/Keras. Лицензия — MIT. Описание не приводит деталей разбиения данных или иных метрик качества, поэтому заявленную точность следует трактовать как результат автора, а не как независимую оценку.

Qwen3.8-27B-finance-GGUF — квантизированная версия модели nico248000000000/Qwen3.8-27B-finance, подготовленная mradermacher в формате GGUF. Модель ориентирована на финансовые задачи и поддерживает английский и французский языки. В карточке также заявлены мультимодальные возможности для работы с изображениями и видео; для них доступны дополнительные файлы mmproj. Модель относится к классу 27B, однако точная архитектура и размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, включая IQ4_XS; размеры файлов составляют примерно от 11 до 29,1 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые варианты, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Сильными сторонами являются специализация на финансовой тематике, наличие нескольких уровней квантования и поддержка мультимодального дополнения. Ограничения включают отсутствие в карточке результатов тестирования, подробностей об архитектуре, контекстном окне и фактическом качестве на финансовых сценариях; возможности изображений и видео требуют соответствующего mmproj-файла. Лицензия указана как other, без дополнительных условий или текста лицензии.

decider-35b-a3b — модель Mapika для типизированных решений и классификации. Это дообученная модель Qwen3.5-35B-A3B-Base с архитектурой MoE: в базовой конфигурации 34,7 млрд параметров, около 3 млрд активны на токен, а веса этого репозитория представлены в bf16. Модель принимает состояние и один или несколько вопросов с заданными вариантами ответа и за один проход возвращает вероятностное распределение по вариантам. Она предназначена для вызова из программ, например для маршрутизации, классификации, оценки и принятия решений в агентных сценариях; это не чат-модель и она не генерирует произвольный текст. Контекст по метаданным составляет 262144 токена, а README описывает входные состояния до 32 тысяч токенов. В README сообщается о более высокой точности, чем у decider-2b v10 на большинстве проверенных задач, включая классификацию, многошаговые вопросы и работу с длинными политиками. Модель рассчитана на английский язык. Ограничения включают крупные требования к памяти — 65 ГБ bf16-весов и минимум одну GPU с 80 ГБ памяти на CUDA, — а также недостаточную калибровку на части сложных и отложенных наборов. Калибровку следует проверять на собственных данных; модель не проходила этап обучения с подкреплением. Лицензия — Apache-2.0.

Foresight V1 32B — плотная языковая модель Lightning Rod Labs для прогнозирования исходов по предоставленной информации. Она дообучена на базе Qwen/Qwen3-32B с помощью обучения с подкреплением по фактическим результатам: модель формирует прогноз в виде вероятности, а обучение поощряет точность и калибровку уверенности. Модель содержит 29,7 млрд параметров, имеет контекст до 40 960 токенов и поддерживает диалоговую генерацию текста. Модель предназначена для прогнозирования событий, в том числе вопросов о рынках прогнозов, спорте и других прикладных областях. В README сообщается о сравнительных результатах на ForecastBench и Prophet Arena Sports, а также об оценке прогнозов по Brier score, ECE и прибыльности; эти результаты относятся к описанным авторами испытаниям и не гарантируют качества на иных данных. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Tanpo Finance — компактная специализированная языковая модель для финансовых и бизнес-сценариев, разработанная автором репозитория d4rkninja. Это дообученная и слитая с адаптером LoRA версия плотной авторегрессионной модели LiquidAI/LFM2.5-1.2B-Instruct; в репозитории опубликованы веса Transformers в формате safetensors. Модель содержит около 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для локального и недорогого развертывания: она помогает анализировать юнит-экономику, денежный поток и runway, ценообразование и маржу, SaaS-метрики, бюджеты, выручку когорт и прогнозные сценарии. Рассчитана на диалог на английском языке и ориентирована на финансовые рабочие процессы с явными допущениями, формулами, сценариями и планом действий. Модель небольшая и специализированная: за пределами финансово-деловых задач качество может снижаться, а расчеты, формулы и рекомендации могут быть ошибочными. Внутренняя оценка автора имеет ограниченную область применимости и не подтверждает достоверность финансовых выводов; результаты следует сверять с исходными данными и проверять специалистом. В README указана лицензия LoRA-адаптера в формате PEFT, но конкретные условия лицензирования репозитория в предоставленных данных не раскрыты.

magnifi/bge-small-en-v1.5-ft-orc-0806 — дообученная компанией Magnifi модель Sentence Transformer на базе BAAI/bge-small-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена прежде всего для поиска семантически подходящих результатов по запросам на естественном языке. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; для сравнения применяется косинусное сходство. Максимальная длина входа — 512 токенов. Дообучение на 723 парах запросов и результатов ориентировано на финансовые запросы о портфеле, доходности и бэктестах, сопоставляемые с вызовами инструментов. Эмбеддинги также можно применять для сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель англоязычная; метаданные указывают 40 млн параметров. Лицензия в предоставленных данных не указана.

decider-2b-GGUF — набор GGUF-конвертаций модели Mapika/decider-2b версии v10 для запуска через llama.cpp. Исходная модель представляет собой дообученную Qwen3.5-2B-Base и предназначена для принятия решений по заданному состоянию, вопросу и набору вариантов ответа. Модель выполняет классификацию за один проход и возвращает вероятности вариантов, а не генерирует связный текст. Репозиторий cosetoenor изменяет только формат файлов, поэтому авторство самой модели принадлежит Mapika. Модель ориентирована на маршрутизацию обращений, выбор действий и другие задачи классификации с явно заданными вариантами. Для получения вероятностей требуется специальная подготовка промпта, чтение logits в позиции ответа, ограничение их токенами вариантов и применение softmax; обычный запуск через llama-cli или llama-server сам по себе не предоставляет готовый интерфейс вероятностей. Доступны варианты F16 размером около 3,8 ГБ, Q8_0 около 2,0 ГБ и IQ4_NL около 1,2 ГБ. Поддерживаемые языки, максимальный контекст и точные архитектурные характеристики в README не указаны. Сильная сторона модели — компактный размер и возможность локального выбора из большого числа вариантов с использованием llama.cpp. Для v10 приведены результаты исходной модели на браузерных и других тестах, однако точность и скорость именно GGUF-файлов не измерялись: для них выполнены только структурная и конверсионная проверки. Исторические результаты квантованных файлов относятся к v8 и не должны напрямую применяться к v10; качество также зависит от схемы промпта и конфигурации запуска. Файлы распространяются по лицензии Apache-2.0.

EXAONE-4.0-1.2B-JEV — неофициальная англоязычная модель для принятия решений с выбором из заданных вариантов, созданная независимым разработчиком carrtesy на основе дообучения EXAONE-4.0-1.2B. Это плотная авторегрессионная модель Exaone4 с 1,3 млрд параметров и контекстом до 65 536 токенов. Она принимает состояние, вопрос и фиксированный набор вариантов, а затем выбирает метку варианта; вероятности выбора вычисляются по логитам, поэтому ответ остаётся в заданной схеме. Модель предназначена для классификации и оценивания вариантов, включая выбор действия или решение о вызове инструмента в агентном сценарии. В версии v0.3 она дообучена на общедоступных обучающих выборках по задачам здравого смысла, естественных наук, распознавания намерений и выбора инструментов. В README приводятся результаты внутренних оценок, но также отмечено, что выигрыш на Decision Index во многом обусловлен обучением на данных When2Call и не означает общего улучшения всех навыков. Модель ограничена английским языком; знания по сложным вопросам остаются близкими к случайному уровню, а калибровка вероятностей ухудшается вне обучающего распределения. Использование двух чтений с перестановкой вариантов примерно удваивает задержку. Проект не связан с LG AI Research или TypeSafe. Указана лицензия EXAONE AI Model License 1.2 - NC: использование ограничено исследовательскими и некоммерческими целями.

Laya — модель, разработанная convaiinnovations и представленная в формате GGUF для использования с llama.cpp. Это квантованная версия модели convaiinnovations/laya на базе ModernBERT: GGUF-файл содержит только backbone, а decision head и конфигурация поставляются отдельно в файле laya-head.safetensors. Модель предназначена для классификации, маршрутизации обращений, оценки показателей и построения guardrails, включая выбор категории, оценку срочности и риска оттока. В качестве примера она распределяет обращения клиентов по отделам, таким как billing, technical и sales. Поддерживается обработка текста; заявленные языки, точный размер контекста и полный перечень характеристик архитектуры в карточке не указаны. Backbone загружается в llama.cpp с режимом modern-bert, параметрами embeddings и pooling none, а decision head должен выполняться отдельно за пределами llama.cpp. Доступны варианты F16, Q8_0, Q6_K и Q4_K_M; размер F16-файла составляет около 933 МБ, квантованных версий — от 414 до 563 МБ. F16 и Q8_0 рекомендуются для важных задач, поскольку Q4_K_M на ограниченной проверке демонстрировал больший сдвиг вероятностей и оценок. Модель удобна для локального инференса и коммерческого использования, но интеграция требует Python-пакета laya, токенизатора, PyTorch, safetensors и отдельного запуска decision head; готовой реализации head на Go или C++ нет. Тестирование конвертации и квантованных версий ограничено небольшими выборками и единичными примерами, поэтому результаты на собственных данных необходимо дополнительно проверять. Лицензия — Apache-2.0.

Adaptive Classifier — модель классификации текстов для определения намерения клиента. Она разработана на основе answerdotai/ModernBERT-base и поддерживает непрерывное обучение с динамическим добавлением классов. В текущей версии настроены четыре класса: жалоба, запрос информации, покупка и обращение в поддержку; обучение проведено на 20 примерах, по пять на класс. Модель использует эмбеддинги размерности 768 и обновляет прототипы классов каждые 10 новых примеров. Она предназначена для маршрутизации клиентских сообщений и адаптации классификатора по мере поступления размеченных данных. Распространяется по лицензии Apache-2.0. Для каждого класса требуется не менее трёх примеров; поддерживается не более 150 примеров на класс. Малый объём приведённых обучающих данных может ограничивать качество классификации. В метаданных языки указаны как multilingual, без перечня конкретных языков.