III.4Клиентская поддержка и customer success

CyberAgentLM2-Chat — диалоговая модель, разработанная CyberAgent, Inc. на основе CyberAgentLM2 и дообученная для общения. Это плотная Transformer-модель семейства Llama с архитектурой LlamaForCausalLM, примерно 6,7 млрд параметров и контекстом до 32 768 токенов. Для диалога используется шаблон с чередующимися репликами USER и ASSISTANT. Модель предназначена для генерации ответов в японском и английском языках. Её можно применять в чат-ботах и для ведения многоходового диалога. Репозиторий содержит веса PyTorch и Safetensors; для работы README указывает Transformers версии 4.34.1 или новее и Accelerate. Лицензия — Apache-2.0.

Cohee/distilbert-base-uncased-go-emotions-onnx — модель классификации текста на основе DistilBERT, представленная в формате ONNX и квантованная для более эффективного выполнения. Она получена из joeddav/distilbert-base-uncased-go-emotions-student: модель-дистиллят обучали на неразмеченных примерах GoEmotions с псевдометками, созданными NLI-моделью для классификации без примеров. Модель предназначена для определения эмоциональных категорий в тексте и демонстрации более компактной альтернативы ресурсоёмкой zero-shot классификации. Обучение проводилось 10 эпох со смешанной точностью. Контекст составляет до 512 токенов; архитектура — DistilBERT для классификации последовательностей. Исходный набор GoEmotions допускает несколько меток на пример, однако учитель назначал только одну метку, поэтому модель может хуже работать, чем вариант, обученный на полностью размеченных данных. Лицензия — MIT.

DZ-TDPO-Phi-3.5-mini-instruct — дообученная модель на архитектуре Phi-3.5 от Microsoft, представленная авторами метода DZ-TDPO как официальная реализация их исследования. Она предназначена для диалогов с длинной историей, где важно учитывать изменения пользовательских предпочтений и разрешать конфликты между текущими намерениями и прежним контекстом. Модель заявлена для генерации ответов в сценариях отслеживания меняющегося состояния пользователя; в README приведены результаты на наборе Multi-Session Chat, но это показатели авторов, а не независимая оценка. Модель содержит 3,7 млрд параметров, использует архитектуру Phi-3 и формат Safetensors, принимает текст и выдаёт текст. Контекст составляет 4096 токенов. В метаданных указан английский язык. По README, модель готова к использованию через библиотеку Transformers. Лицензия — Apache-2.0.

Модель devxyasir/fable-qwen2.5-3b-agentic-merged — дообученная разговорная языковая модель семейства Qwen2, разработанная devxyasir на базе unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоге и сценариев с интерфейсом вызова инструментов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Дообучение выполнено на наборе Glint-Research/Fable-5-traces с использованием Unsloth и библиотеки Hugging Face TRL. Модель распространяется в формате safetensors по лицензии Apache-2.0. В метаданных указан английский язык; подробности о качестве и пределах применения не приводятся.

HelpingAI2-9B-GGUF — это GGUF-квантизированная версия языковой модели HelpingAI2-9B, разработанной OEvortex и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая диалоговые сценарии с акцентом на эмоциональный интеллект, понимание эмоций и эмпатичное взаимодействие. В обучении использовались датасеты SentimentSynth, minipile, vortex-mini, EmotionalIntelligence-75K, EMOTIONS и human-emotion. Модель относится к классу текстовых генеративных моделей, имеет около 9 млрд параметров и поддерживает английский язык. README не содержит сведений о точной архитектуре исходной модели, размере контекстного окна или поддержке мультимодальности, поэтому она описывается как текстовая и, вероятно, ориентированная на стандартные сценарии text-generation. Доступно множество вариантов квантования GGUF: от F32 и Q8_0 до более компактных Q2 и IQ2/IQ3, что позволяет выбирать между качеством ответов и требованиями к оперативной памяти. Варианты Q5 и Q6 обозначены как высококачественные, а Q4 — как сбалансированные по размеру и качеству. Сильными сторонами являются локальный запуск через llama.cpp или LM Studio, широкий выбор уровней квантования и специализация на эмоционально чувствительных ответах. Более агрессивное квантование уменьшает требования к памяти, но снижает качество генерации; варианты Q2 и Q3 имеют низкое качество и подходят главным образом при жёстких ограничениях по ресурсам. Лицензия указана как специальная HelpingAI; условия следует уточнять в файле LICENSE.md.

l3utterfly/llama2-7b-layla — языковая модель семейства Llama 2, разработанная l3utterfly при финансировании Layla Network. Модель с 6,6 млрд параметров дообучена на наборах данных ShareGPT для многоходовых диалогов и использовалась в офлайн-помощнике Layla. Модель предназначена для генерации ответов в диалоге, помощи и поддержки. Она принимает текст и генерирует текст на английском языке; архитектура — плотная авторегрессионная LlamaForCausalLM, формат весов — PyTorch, максимальная длина контекста — 4096 токенов. Указана лицензия Llama 2.

MiniCPM-duplex — разговорная языковая модель семейства MiniCPM, опубликованная Xinrong Zhang и соавторами в рамках работы о моделях для диалогов в реальном времени. Репозиторий содержит модель с архитектурой MiniCPMForCausalLM на 2,7 млрд параметров, предназначенную для генерации текста и чат-сценариев. Указанное окно контекста — 4096 токенов; файлы представлены в формате PyTorch. Модель ориентирована на поддержание диалога без строгой пошаговой передачи реплик, включая общение в реальном времени. Лицензия репозитория — Apache-2.0. Карточка не сообщает поддерживаемые естественные языки и конкретные ограничения качества; английский язык статьи сам по себе не подтверждает языковую поддержку модели.

PhoneLLM Alpha 1 — открытая языковая модель Pipecat, созданная для голосовых агентов. Это полноразмерное дообучение NVIDIA Nemotron 3 Nano 30B-A3B с архитектурой MoE и гибридной схемой Mamba-Transformer; в метаданных указано 1,9 млрд параметров, а карточка описывает базовую модель как 30-миллиардную с 3,5 млрд активных параметров. Модель принимает текст и генерирует текст, в том числе диалоговые ответы и вызовы инструментов; её используют вместе с распознаванием речи и синтезом речи в телефонных сценариях. Заявлена поддержка английского языка и контекст до 262 144 токенов. Модель предназначена для входящих и исходящих звонков, где важны короткая задержка, точное использование инструментов, последовательность между обещанными и выполненными действиями, а также связность многоходового диалога. Среди целевых областей в карточке названы финансовые услуги, здравоохранение, розничная торговля и гостиничный бизнес. Pipecat сообщает о результатах на PhoneBench, сопоставимых или лучших относительно ряда моделей для голосовых агентов, а также о более низкой задержке и стоимости; эти оценки относятся к описанным сценариям и методике бенчмарка. Модель распространяется под лицензией BSD-2-Clause без коммерческих ограничений. Это альфа-версия, поэтому пригодность для конкретного рабочего процесса следует оценивать отдельно; качество распознавания и озвучивания зависит от подключённых внешних моделей речи. Карточка не приводит самостоятельных результатов по другим языкам или задачам общего назначения.

Qwen3Guard-Gen-4B-GGUF — сообщественный GGUF-вариант генеративной модели Qwen3Guard-Gen-4B, подготовленный Geoff Munn на основе модели команды Qwen компании Alibaba. Это диалоговая модель, дообученная отвечать на безопасные запросы и отказывать на вредоносные, а также избегать токсичного, жестокого и обманного контента. Она предназначена для безопасной генерации ответов в чат-ботах, службе поддержки и модерируемых сообществах; её можно использовать отдельно или вместе с фильтром входных запросов. Репозиторий содержит GGUF-квантизации для локального запуска, в том числе через llama.cpp, LM Studio, OpenWebUI и GPT4All. README рекомендует Q5_K_M как баланс качества ответов и надёжности защитных ограничений. Модель основана на Qwen3Guard-Gen-4B; лицензия — Apache-2.0. Размер контекста и список поддерживаемых языков в предоставленных данных не приведены.

Shako-iraqi-4B-it — модель anaspro, дообученная на unsloth/gemma-3n-E4B-it для общения на иракском диалекте арабского языка. Она предназначена для чат-ботов, виртуальных помощников и служб поддержки: отвечает на вопросы, помогает с типовыми проблемами и составляет вежливые сообщения. Модель поддерживает разговорный и профессиональный тон, иракский сленг, культурные выражения и сообщения со смесью арабского и английского. Основана на архитектуре Gemma 3n, класс размера — 4 млрд параметров; метаданные указывают на поддержку изображений и текста на входе и генерацию текста. Лицензия Apache-2.0. Сильные стороны модели — специализация на иракской разговорной речи, социальных контекстах и вариантах диалекта, а также переключение между неформальным и деловым стилем. Оценки качества и подробности контекстного окна для этой версии в карточке не приведены; ответы на диалектные и культурные темы могут требовать проверки, особенно в важных сценариях.

Tanaos создала модель классификации намерений на основе FacebookAI/roberta-base, дообученную с помощью библиотеки Artifex. Она относит входные тексты к одной из 12 категорий намерений, включая приветствие, прощание и благодарность, и предназначена для чат-ботов, виртуальных помощников и разговорных агентов. Модель принимает текст на английском языке и выдаёт метку класса с оценкой уверенности. Она обучалась на синтетическом наборе из 10 000 высказываний. Веса представлены в формате safetensors; число параметров — 151,8 млн, длина контекста — 514 токенов. Лицензия — MIT. Классификатор всегда выбирает одну из заданных категорий: отдельного класса для неизвестного намерения нет. В README предлагается трактовать оценки ниже 0,5 как возможный fallback. Модель может не подходить для специализированных областей, где используются другие категории намерений.

Tireless Seagull 1.1 — разговорная языковая модель, дообученная автором репозитория yifanxie с помощью H2O LLM Studio на базе google/gemma-1.1-2b-it. Модель построена на архитектуре GemmaForCausalLM, содержит 2,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Она принимает текст и выдаёт текст; в карточке указан английский язык, а длина контекста составляет 8192 токена. Модель подходит для диалоговых приложений и генерации ответов на английском языке. Для запуска в README приведён пример использования библиотеки Transformers; также описана возможность загрузки с 4- и 8-битной квантизацией и распределения по нескольким GPU. Лицензия в предоставленных данных не указана. Как и другие языковые модели, она может выдавать неверные, бессвязные или нерелевантные ответы, а также предвзятый или оскорбительный контент. README рекомендует критически проверять результаты.

Ultravox v0.3 — мультимодальная речевая LLM от Fixie.ai, построенная на Llama 3.1 8B Instruct и аудиобэкенде Whisper-small. Она принимает аудио вместе с текстовым контекстом и генерирует текст; модель рассчитана на голосовых агентов, анализ речи и перевод речи между языками. В этой версии не применялась настройка предпочтений. В README указана скорость первого токена около 200 мс и генерация примерно 50–100 токенов в секунду на GPU A100 40 ГБ. В тестах для Ultravox v0.3 приведены BLEU 22,68 для перевода с английского на немецкий, BLEU 24,10 для перевода с испанского на английский и WER 6,67 на LibriSpeech clean.test. Модель выдаёт текст, а не синтезированную речь. Репозиторий использует формат safetensors, библиотеку Transformers и распространяется по лицензии MIT.

Salesforce/xLAM-8x7b-r — большая языковая модель серии xLAM от Salesforce для агентских сценариев и вызова функций. Модель построена на архитектуре Mixtral с разреженной экспертной структурой (MoE); в README для этой версии указано 46,7 млрд параметров, а метаданные каталога указывают 7,1 млрд. Контекст составляет 32 768 токенов. Модель принимает текст и генерирует текст, в том числе структурированные вызовы инструментов в формате JSON. Модель предназначена для интерпретации намерений пользователя, планирования шагов и взаимодействия с инструментами в составе AI-агентов, а также для многошаговых диалогов с вызовом функций. Для лучших результатов README рекомендует использовать формат prompt и вспомогательные функции проекта. Карточка позиционирует выпуск как исследовательский; лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

cmarkea разработала bloomz-7b1-mt-sft-chat как чат-ориентированную донастройку языковой модели bigscience/bloomz-7b1-mt. Модель построена на плотной архитектуре BLOOM с причинным языковым моделированием; в репозитории указано 9,1 млрд параметров. Веса представлены в форматах PyTorch и safetensors, тип данных преобразован с float16 на bfloat16. Модель предназначена для диалоговой генерации текста и как отправная точка для дообучения под более узкие задачи. Она обучалась на 0,9 млрд токенов диалоговых данных, сбалансированных между французским и английским языками. Авторы отмечают, что мультиязычные возможности исходной модели могли ухудшиться после изменения типа данных; для других языков качество не гарантируется. В README заявлены эффективность токенизации для французского языка и целевая работа на стандартной промышленной инфраструктуре, но также отмечена скорость около 8 токенов в секунду на указанной конфигурации из четырёх A100 40 ГБ. Лицензия BigScience BLOOM RAIL 1.0 допускает промышленное использование на её условиях.

ChatBerry-1 — дообученная artindnr чат-модель на архитектуре gpt_oss, созданная на базе artindnr/strawberry-1, которая, в свою очередь, дообучена на openai/gpt-oss-20b. Модель генерирует прямые ответы без отдельного канала рассуждений и предназначена для повседневного диалога на фарси, английском и других языках. По метаданным, она содержит 1,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель подходит для чат-ассистентов и сценариев, где важны простота интеграции и быстрые ответы без отображения рассуждений. Она сохраняет многоязычные возможности Strawberry-1, но не предназначена для задач, которым полезны явные пошаговые рассуждения. Возможны галлюцинации; отдельная настройка безопасности сверх унаследованной от базовых моделей не проводилась. Распространяется по лицензии Apache 2.0.

rogelioplatt/distilbert-base-multilingual-cased-Sent_Negativo_Esp — дообученная модель Rogelio Platt на базе distilbert-base-multilingual-cased для классификации тональности испанских текстов с определением негативной тональности. Модель использует архитектуру DistilBERT для классификации последовательностей, работает с текстом и принимает контекст длиной до 512 токенов. В README указаны точность 0,9483 и значение loss 0,1577 на оценочном наборе, однако набор данных назван None, а описание обучения и оценки не раскрыто. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет состав классов и ограничения применения, поэтому результаты следует проверять на данных целевого сценария.

Модель AAA01101312/distilbert-base-uncased-finetuned-clinc — дообученная для классификации текстов версия DistilBERT от команды AAA01101312. Она предназначена для отнесения входного текста к одному из классов; название указывает на настройку для CLINC, однако README не раскрывает набор меток и сценарии применения. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На указанном в карточке наборе оценки модель получила accuracy 0,9155 и loss 0,7977. Базовая модель — distilbert/distilbert-base-uncased; лицензия — Apache-2.0. Данные обучения и ограничения в карточке подробно не описаны.

Модель abdelkader/distilbert-base-uncased-finetuned-clinc — дообученная версия DistilBERT от команды Hugging Face на датасете clinc_oos для классификации пользовательских запросов по намерениям и распознавания запросов вне известных категорий. Она использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. На оценочной выборке указана точность 0,9174. Максимальная длина контекста — 512 токенов. Модель подходит для маршрутизации коротких запросов в диалоговых системах и определения намерений пользователя. Модель работает с английским текстом, что следует из uncased-варианта базового DistilBERT и датасета clinc_oos. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не раскрывает подробности обучения и ограничения за пределами оценки на наборе clinc_oos, поэтому качество на других типах запросов не установлено.

aatmasidha/distilbert-base-uncased-finetuned-emotion — модель классификации текста, созданная дообучением distilbert-base-uncased. Она предназначена для определения эмоциональной категории текста и выдаёт метку класса. В README указаны результаты на тестовой выборке: accuracy 0,923 и F1 0,923; датасет и состав классов не раскрыты. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом на входе и рассчитана на контекст до 512 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Поскольку обучающий датасет и набор эмоциональных меток не описаны, качество и применимость результатов за пределами указанной оценки трудно определить.

Dariachup/dormouse-mt-en-uk — дообученная модель MarianMT на базе Helsinki-NLP/opus-mt-en-uk, созданная для перевода английского текста на украинский. Разработчик описывает её как компонент для dormouse-ua: она переводит на украинский ответы англоязычных облачных или локальных LLM. Модель содержит 76 млн параметров, использует библиотеку Transformers и формат safetensors; длина контекста — 512 токенов. Дообучение версии v0.7 проведено на 282 945 парах, включая украинскую разговорную речь, англоязычные чаты и данные клиентской поддержки. На отложенной выборке автор сообщает BLEU 40,28 и chrF 62,90 в целом; на подвыборках с синтетическими украинскими эталонами метрики могут завышать качество относительно перевода на естественный человеческий текст. Наиболее показательная для этого модельного сценария оценка на разговорных данных с человеческими эталонами — BLEU 19,97 и chrF 45,26. Модель рассчитана на перевод по одному предложению: на многострочных блоках качество заметно снижается. Возможны ошибки при переводе существительных вне разговорной тематики и непоследовательное употребление форм обращения «ти» и «ви». Лицензия — Apache-2.0.

eibrahim/do-xrepo-model-3 — дообученная языковая модель семейства Qwen3 для генерации текста и диалогового общения. В README она описана как версия для корпоративных задач; архитектура в метаданных — плотная причинная модель Qwen3ForCausalLM с 6,6 млрд параметров, контекстом до 32 768 токенов и форматом safetensors. Указаны английский и китайский языки, интерфейс чата и лицензия Apache-2.0. Модель подходит для генерации ответов и диалогов в корпоративных сценариях. README приводит пример загрузки через Transformers, однако идентификатор в примере отличается от репозитория этой модели. Карточка не уточняет состав корпоративных задач, данные дообучения и сравнительные показатели качества.

Jarvis-3B — разговорная языковая модель для генерации текста, разработанная Sujal Rajpoot. Она основана на архитектуре StableLM с плотной моделью примерно на 2,7 млрд параметров и предназначена для диалоговых интерфейсов, чат-ботов и виртуальных помощников. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. README также упоминает отдельную GGUF-версию. Модель позиционируется для диалога и задач понимания и генерации естественного языка. Результаты оценки ещё не опубликованы, поэтому качество для конкретных задач не подтверждено. Данные обучения в README не описаны; в метаданных указан датасет Jarvis-Conversation. Лицензия обозначена как other, поэтому условия использования следует уточнять в карточке модели.

ewof/koishi-7b-qlora — языковая модель для генерации текста, разработанная на основе Mistral-7B-v0.1. Её дообучили методом LoRA ранга 16 на наборе ewof/koishi-instruct-metharme в течение одной эпохи, после чего адаптер объединили с базовой моделью. Для обучения использовался Axolotl; веса опубликованы в формате PyTorch. Модель предназначена для генерации ответов в диалогах по заданному формату промпта и истории переписки. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README описаны роли для дополнительной информации, пользовательского ввода и генерации ответа. Карточка не сообщает о специализированной области применения или поддерживаемых естественных языках. Лицензия в предоставленных данных не указана. Модель обучалась одну эпоху; других сведений о качестве, оценке и ограничениях не приведено.

Это дообученная модель LiquidAI/LFM2.5-1.2B-Base, созданная для генерации диалоговых ответов с выраженной высокой доброжелательностью. Модель семейства LFM2 имеет плотную архитектуру и около 1,5 млрд параметров; она предназначена для запуска через Transformers и поддерживает контекст до 128 000 токенов. Модель подходит для генерации ответов в чатах и сценариев, где требуется доброжелательный стиль общения. В README приведён пример генерации ответа на вопрос пользователя. Данных о поддерживаемых языках и результатах оценивания нет, поэтому качество и языковой охват по карточке определить нельзя. Лицензия в доступных данных не указана.

Mahou-1.1-llama3-8B — разговорная языковая модель FlammenAI для диалогов и ролевого общения. Это плотная decoder-only модель семейства Llama с 7,5 млрд параметров, дообученная на разговорных данных FlammenAI; в README указаны ChatML и применение LoRA при обучении. Модель предназначена для генерации ответов в чатах и поддерживает контекст до 8192 токенов. Для работы используйте формат ChatML; карточка также рекомендует режим Instruct для ChatML и задаёт строки остановки генерации. Модель распространяется в формате Safetensors через библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория. README описывает её как ориентированную на продукционное применение, но не приводит оценок качества или подробных ограничений.

Project Indus — языковая модель на архитектуре GPT-2, разработанная Нихилом Малхотрой, Нилешем Брамхе, Сатишем Мишрой и Винаем Шармой из Makers Lab, TechMahindra. Это предварительно обученная и настроенная на инструкции модель для генерации текста, диалогов и ответов на вопросы на хинди и его диалектах. В README также заявлена поддержка бходжпури, майтхили и догри. Модель предназначена для чат-ботов и помощников, в том числе для сценариев контакт-центров, телекома и автомобильной отрасли. Карточка описывает планируемое применение в разных отраслях, включая здравоохранение, но предостерегает от использования для медицинских диагнозов и других решений с высокими ставками. Контекст модели — 1024 токена; формат весов — safetensors. Лицензия в метаданных указана как OSL-3.0. Среди ограничений — склонность к галлюцинациям и возможное воспроизведение стереотипов. README отмечает, что модель обучалась на одиночной настройке инструкций, поэтому для прикладных задач может потребоваться дополнительная адаптация; она также не предназначена для заполнения пропусков и множественных вопросов и ответов.

seroe выпустил sentence-transformers-модель эмбеддингов на основе Qwen/Qwen3-Embedding-0.6B, дообученную на 70 941 турецком триплете из телекоммуникационной области. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; сходство между ними можно оценивать по косинусной близости. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Matryoshka-обучение позволяет использовать усечённые векторы размерностью 768, 512 или 256. В README приведены результаты оценки на турецких триплетах и all-nli-test, но они не гарантируют аналогичного качества на других данных. Модель особенно ориентирована на телекоммуникационные запросы о мобильных услугах, счетах, кампаниях и подписках; вне этой области качество может снижаться. Поддерживается турецкий язык. Лицензия — Apache-2.0.

Saga-8B — диалоговая языковая модель, разработанная saucam и дообученная на базе meta-llama/Meta-Llama-3-8B-Instruct с использованием Unsloth и TRL. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре Llama и предназначена для генерации текста в формате диалога; для запуска доступны веса Safetensors. Модель можно использовать для создания ассистентских ответов и ведения текстового диалога на английском языке. Контекст модели составляет 8192 токена. Лицензия — Apache-2.0. README не описывает специализированные сценарии обучения или уникальные преимущества Saga-8B.

System One (distilled) — компактная модель классификации на базе DeBERTa-v3-xsmall, разработанная автором репозитория shreyanbr. Она выполняет типизированные решения Choice, Score и Noul для маршрутизации, классификации и проверки условий в программных системах за один пакетный проход без генерации токенов. Модель содержит 77,5 млн параметров по метаданным, принимает текст, имеет контекст до 512 токенов и распространяется в формате safetensors. Обучающие ответы для 1 500 примеров на задачу были получены от Claude Haiku 4.5. В тестах README приводит точность 0,688 для intent, 0,930 для tool и 0,788 для needs_tool; результаты зависят от задачи и качества разметки. README отмечает загрязнение оценки банковской категорией из-за обучающих данных banking77, слабую обучаемость triage.priority, единичный запуск и необходимость файла calibration.json: необработанные оценки не являются вероятностями. Для triage указано ограничение некоммерческого использования из-за лицензии датасета tickets CC-BY-NC-4.0. Лицензия весов — Apache-2.0.