III.4Клиентская поддержка и customer success

Tea — полноценно дообученная модель семейства Phi-4 от artindnr для ответов на вопросы и продолжительных диалогов в роли ассистента. Это плотная авторегрессионная языковая модель с архитектурой LlamaForCausalLM и 14,1 млрд параметров; при дообучении обновлялись все веса, адаптер LoRA не используется. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 16 384 токенов и использует стандартный чат-шаблон базовой модели. Основной акцент сделан на естественном общении на персидском языке (фарси); модель также рассчитана на английский и заявлена как мультиязычная. Она предназначена для прямых ответов с опорой на контекст беседы, многошагового диалога, чат-ботов поддержки и обучения. Лицензия — MIT. К ограничениям относятся возможные галлюцинации, особенно в длинных контекстах, и возможное ухудшение некоторых англоязычных возможностей Phi-4 из-за персидско-ориентированного дообучения. Автор не заявляет о дополнительной настройке безопасности сверх унаследованной от базовой модели.

TanishkDhope/tetherchat-smart-replies — дообученная разговорная модель семейства Qwen2 для генерации текстовых ответов. Она создана на базе unsloth/qwen2.5-0.5b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 494 млн параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов в диалоге и сценариев с короткими умными ответами. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка сообщает об английском языке, но не приводит конкретных оценок качества или подробностей обучающих данных.

Ultravox-Qwen3.6-27B-v2 — англоязычная речевая модель QuantumDesk на архитектуре Ultravox, предназначенная для голосовых агентов телефонных линий. Она принимает аудио напрямую и формирует текстовый ответ в диалоге; также её можно использовать для транскрибирования речи. Модель объединяет Qwen3.6-27B, Whisper-large-v3-turbo и проекционный адаптер; по карточке, Whisper-энкодер обучался с LoRA, а обучение включало дистилляцию. Размер языковой модели — 27 млрд параметров. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Модель обучена QuantumDesk для сценариев приёма звонков и продаж: в обучающих данных особое внимание уделено реальным телефонным записям и распознаванию плотных последовательностей сущностей — номеров, имён, адресов, дат и адресов электронной почты. В README приведены результаты на телефонной речи и обычном английском ASR, однако они не гарантируют качество на коротких репликах. Лицензия — Apache 2.0. К известным ограничениям относятся резкое падение качества на изолированных репликах короче примерно 1,5 секунды, ухудшение качества на языках кроме английского и при сильном акценте, а также чувствительность разговорного режима к формату инструкции, показанному в карточке. Для коротких фрагментов README рекомендует добавлять окружающий контекст или использовать резервную модель.

DialoGPT-large — крупная предварительно обученная модель Microsoft для генерации ответов в многоходовых диалогах. Она основана на GPT-2 и обучена на 147 млн многоходовых диалогов из обсуждений Reddit; в метаданных указаны библиотека Transformers, классы GPT2LMHeadModel и поддержка PyTorch, TensorFlow и Flax. Модель принимает текст и генерирует текстовые ответы, а длина контекста составляет 1024 токена. Модель предназначена для чат-ботов и диалоговых сценариев, где нужно продолжать беседу с учётом предыдущих реплик. В README сообщается о результатах человеческой оценки, сопоставимых с ответами людей в тесте Тьюринга для одноходового диалога. Обучение на Reddit может приводить к разговорному стилю и воспроизведению нежелательных особенностей исходных обсуждений. Лицензия — MIT.

Katayoon/DPO-ONLY-Zephyr-7B-2-iter-2 — разговорная языковая модель, разработанная Katayoon и дообученная на основе Katayoon/DPO-ONLY-Zephyr-7B-2-iter-1 на обновлённом и исходном наборах данных. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; она предназначена для генерации текста в диалоговом формате, включая ответы на сообщения пользователя. Длина контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. Карточка не содержит подробных сведений о языках обучения, качестве ответов и ограничениях, поэтому эти характеристики нельзя надёжно уточнить.

Functionary-7b-v2.1 — языковая модель MeetKai для диалогов с вызовом функций и плагинов. Она построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; базовый контекст составляет 32 768 токенов. Модель принимает определения функций в формате JSON Schema и может решать, когда вызвать функцию, выполнять вызовы последовательно или параллельно, а также учитывать результаты инструментов при подготовке ответа. Модель предназначена для чат-ассистентов, которым нужно взаимодействовать с API и другими инструментами, включая сценарии, где нужен ответ на основе полученных от них данных. Она также может отвечать обычным сообщением, когда вызов инструмента не требуется. Для работы с ней автор рекомендует OpenAI-совместимый сервер vLLM и специальный шаблон диалога v2PromptTemplate. Карточка приводит результаты оценки точности вызова функций на внутреннем наборе данных для других версий Functionary, но не сообщает отдельную оценку для v2.1. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Gemmasutra-9B-v1.1 — чат-модель на архитектуре Gemma 2, представленная BeaverAI. Это дообученная версия Gemma с использованием современных методов; карточка указывает шаблон диалога Gemma с ролями user и assistant. Модель содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов, подходит для генерации ответов в чат-интерфейсах. Модель распространяется в формате Safetensors. В README не описаны конкретные сценарии дообучения, языки или результаты оценки качества. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах разработчика.

QpiEImitation/GKD-S-Qwen3.5-4B_T-Qwen3.5-9B — дообученная диалоговая модель на основе Qwen/Qwen3.5-4B, созданная с помощью TRL. Она предназначена для генерации текста в ответ на сообщения пользователя и может применяться в чат-ботах и других сценариях диалогового общения. Модель использует плотную архитектуру Qwen3.5 для причинной языковой модели, содержит 3,4 млрд параметров и поддерживает контекст до 262 144 токенов. Репозиторий распространяет веса в формате safetensors; библиотека запуска — Transformers. В карточке приведён пример диалога с открытым вопросом, однако сравнительные результаты и специальные области применения не описаны. Базовая модель Qwen3.5-4B мультимодальна, но для этого чекпойнта подтверждены только генерация текста и диалоговые возможности. Лицензия в предоставленных данных не указана.

Locutusque/gpt2-xl-conversational — англоязычная разговорная языковая модель на архитектуре GPT-2, дообученная разработчиком Locutusque на диалогах пользователя с ИИ-ассистентом. Она предназначена для генерации ответов в чат-ботах, виртуальных помощниках и приложениях поддержки клиентов. Модель принимает текст и генерирует текст; README также описывает её применение в голосовых интерфейсах, но аудиовход и аудиовыход не заявлены. Карточка указывает формат общения с пользовательским запросом и ответом модели. По данным Hugging Face, модель использует класс GPT2LMHeadModel, распространяется в форматах PyTorch и safetensors и имеет контекст длиной 1024 токена. В карточке указаны датасет Locutusque/InstructMix и лицензия MIT. Метаданные отмечают английский язык. README приводит отдельные метрики, включая BLEU 52 и perplexity 4,3, однако также предупреждает о возможных нерелевантных или бессмысленных ответах из-за ограниченного обучения.

Influra Chatbot — англоязычная чат-модель команды Influra для ответов на вопросы о приложении, его функциях и использовании. Она дообучена на наборе Ahmedelmorshidy/influraQAs на основе TinyLlama/TinyLlama-1.1B-Chat-v1.0 и имеет около 1 млрд параметров. Модель использует плотную архитектуру LlamaForCausalLM, поддерживает генерацию текста и диалоговые ответы, а длина контекста составляет 2048 токенов. Модель предназначена для встроенной поддержки пользователей Influra: она помогает разобраться в приложении, получить инструкции и решить типовые проблемы. Для ответов по теме приложения использовался специальный набор вопросов и ответов; модель не предназначена для универсальной генерации текста. Опубликованные сведения о высокой точности не подкреплены результатами оценки в карточке. Лицензия указана как llama3.

Карточка модели markdived/lahja-sa-ahmad-v1 на Hugging Face совпадает с карточкой wasmdashai/lahja-sa-ahmad-v1, поэтому описание составлено по ней. Lahja SA Ahmad V1 — модель синтеза речи из текста, разработанная WasmAI для арабского языка с акцентом на саудовский диалект. Она подходит для голосовых ассистентов, чат-ботов, телефонных IVR-систем, клиентской поддержки, образовательных и вспомогательных приложений, а также устройств и робототехники. Модель использует архитектуру VITS: текстовый энкодер, вариационный автоэнкодер, потоковую сеть априорного распределения, стохастический предсказатель длительности и нейросетевой декодер HiFi-GAN. В метаданных указан размер 3,5 млн параметров и формат safetensors; модель доступна через Transformers. Для дообучения использован набор LAHJA-API-Data. README называет базовой моделью wasmdashai/vits-ar-sa-Ahmad-v2, тогда как метаданные указывают wasmdashai/vits-ar-sa-A; точный исходный чекпойнт поэтому неоднозначен. Разработчик заявляет естественное произношение, выразительную интонацию и низкую задержку. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

roger33303 дообучил модель unsloth/llama-3.2-3b-instruct-bnb-4bit для генерации текста в формате вопросов и ответов по сайтам. Это плотная авторегрессионная языковая модель семейства Llama 3.2 с 3,2 млрд параметров, предназначенная для диалогового взаимодействия. Метаданные указывают контекст длиной до 131 072 токенов и английский язык. Модель можно применять для ответов на вопросы по содержимому сайта и создания чат-интерфейса для посетителей. Карточка не описывает обучающие данные и качество ответов, поэтому возможности в конкретных сценариях могут зависеть от данных и настройки приложения. Распространяется по лицензии Apache-2.0.

surajvbangera/mediclaim_embedding — модель Sentence Transformers, дообученная разработчиком на наборе mediclaim от sentence-transformers/multi-qa-mpnet-base-cos-v1. Она кодирует вопросы и абзацы о медицинском страховании в плотные векторы размерностью 768 и сравнивает их косинусной мерой сходства. Модель основана на MPNet с усреднением токенов и нормализацией векторов; максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сопоставления вопросов с релевантными фрагментами страховых документов, а также для поиска похожих формулировок, кластеризации и классификации текста. Обучение проводилось на 956 примерах из mediclaim; в README приведены результаты оценки поиска, поэтому качество может зависеть от данных и сценария применения. Использование требует библиотеки Sentence Transformers. Лицензия в предоставленных сведениях не указана.

MiniCPM5-1B Viva Mais v2 — текстовая разговорная модель на базе архитектуры Llama, разработанная marinarosa и дообученная от marinarosa/minicpm5-1b-vivamais-v1. Она предназначена для диалогов на бразильском португальском и ответов на вопросы с опорой на предоставленный контекст, включая сценарии вопросов и ответов по панели Viva Mais. Веса содержат 837,6 млн параметров, модель поддерживает контекст до 131 072 токенов и распространяется в формате safetensors через Transformers. Для обучения использованы открытые португалоязычные инструкции под лицензией Apache-2.0, диалоговые данные, дистиллированные от учителя Qwen3, и очищенный набор вопросов и ответов по панели Viva Mais. В README указана лицензия Apache-2.0. Это дообученная модель, поэтому её ответы и качество зависят от обучающих данных и входного контекста; заявленные сценарии ориентированы на бразильский португальский. В опубликованный набор не включены исходные экспорты WhatsApp, идентификаторы клиентов, документы, удостоверяющие личность, или локальные приватные данные.

Nawah-Router-BERT-6M-bilingual-pretrained — компактная двуязычная модель маршрутизации запросов на базе BERT, разработанная oddadmix. Она принимает текст и список категорий на английском или арабском и оценивает категории за один проход, помогая направлять запросы в нужные тематические или функциональные каналы. Модель дообучена на Nawah-BERT-6M-bilingual, предварительно обученной с нуля на арабских и английских текстах; для обучения маршрутизатора использованы наборы данных arabic-prompt-routing и prompt-routing-en. Модель содержит 6,2 млн параметров, имеет контекст 2048 токенов и распространяется в формате safetensors. В приведённом сравнении двуязычная предобученная основа улучшила результаты на английских разбиениях относительно арабской основы, но на арабском тесте unseen_axis показатель снизился с 0,605 до 0,570. Лицензия — Apache-2.0.

Nemotron-4-Mini-Hindi-4B-Instruct — языковая модель NVIDIA для генерации ответов на вопросы с учётом индийского контекста. Она принимает запросы на хинди, английском и Hinglish и подходит для диалоговых сценариев, включая ответы на вопросы и интерфейсы с вызовом инструментов. Модель представляет собой авторегрессионный декодер Transformer семейства Nemotron с плотной архитектурой и 4,3 млрд параметров. Она дообучена и выровнена на основе nvidia/Nemotron-4-Mini-Hindi-4B-Base с использованием реальных и синтетических данных для выравнивания. Контекст составляет 4096 токенов; архитектура использует Grouped-Query Attention и RoPE. Для лучшего качества рекомендуется формат промпта из карточки модели. NVIDIA сообщает о готовности модели к коммерческому использованию; лицензия в метаданных обозначена как other, поэтому условия следует сверить с лицензией и условиями NVIDIA. Модель может выдавать неточные, неполные или нерелевантные ответы, а также воспроизводить токсичность и социальные предубеждения из обучающих данных.

KBNIT разработала разговорную языковую модель Kolon на базе davidkim205/nox-solar-10.7b-v4. Это плотная Llama-модель с 10,6 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; её контекст составляет 4096 токенов. Модель дообучена с использованием QLoRA с параметрами 128 и 32 и NEFTune на частных данных в течение пяти эпох. Модель предназначена для диалоговых сценариев Kolon и генерации ответов на текстовые запросы. В карточке указаны корейский и английский языки. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Качество и ограничения на конкретных задачах в карточке не описаны.

OdooClaw Light 1.2B FT — MLX BF16 — это дообученная Nicolas Ramos версия LiquidAI/LFM2.5-1.2B-Instruct для вызова инструментов Odoo через MCP. Модель принимает запросы на естественном языке в чате Odoo и выбирает подходящий инструмент ERP; заявлены диалог с учётом истории и сценарии поиска, создания записей и выполнения бизнес-операций. Архитектура — плотная LFM2 causal language model, объём — 1,5 млрд параметров, контекст — до 128 000 токенов. Репозиторий содержит полноточные BF16-веса в формате Safetensors для MLX на Apple Silicon; для запуска указан mlx-lm. На карточке приведены результаты оценки версии v18 на наборах диалоговых, задач создания и бизнес-сценариев. Модель рассчитана на локальный запуск и интеграцию с Odoo, в том числе на компьютерах Apple Silicon с ограниченной памятью, хотя BF16-версия требует около 2,4 ГБ памяти. README рекомендует 4-битную версию для повседневного запуска на устройстве. Лицензия — Apache-2.0. Оценки качества опубликованы разработчиком; результаты могут зависеть от инструментов, интеграции и характера запросов.

OmniDimen-v1.1-4B-Emotion — дообученная модель OmniDimen, созданная на базе Qwen/Qwen3-4B-Instruct-2507 для распознавания эмоций и генерации текста с учётом эмоционального контекста. Это плотная причинная языковая модель с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает и генерирует текст, поддерживает диалоговый режим. В карточке указана поддержка английского и китайского языков. Модель доступна в формате safetensors и в вариантах GGUF с весами fp16 и квантизацией q4_K_M; для развёртывания авторы рекомендуют GGUF. Модель предназначена для эмоционально ориентированных диалогов и ответов, учитывающих состояние собеседника. Авторы отмечают, что её возможности могут быть уже, чем у базовой модели, а указание модели того, как обращаться к пользователю, может уменьшать галлюцинации в эмоциональном общении. Рекомендуется осторожность при работе с чувствительным содержанием. Лицензия — MIT.

Pipecat PhoneLLM Alpha 1 NVFP4 — открытая квантизованная версия модели PhoneLLM Alpha 1, разработанная командой Pipecat на основе работ NVIDIA Nemotron. Модель предназначена для низколатентных голосовых агентов и многошаговых диалоговых сценариев; в связке с системами распознавания речи и синтеза речи может использоваться для обслуживания входящих звонков в финансовой сфере, здравоохранении, розничной торговле и гостиничном бизнесе, а также для типовых исходящих звонков. Поддерживаются английский язык, генерация текста, вызов инструментов и function calling. Модель использует гибридную архитектуру Mamba-Transformer с mixture-of-experts: всего около 30 млрд параметров, из которых при обработке активны 3,5 млрд. Веса представлены в формате NVFP4 с размером группы 16; релиз ориентирован на нативное выполнение на GPU NVIDIA Blackwell и протестирован на одном NVIDIA B200. Максимальная длина контекста в конфигурации составляет 65 536 токенов, при этом PhoneBench тестировался на последовательностях до 32 768 токенов. Рекомендуется использовать BF16 для KV-кэша: это почти сохраняет качество исходной BF16-модели, хотя уменьшает доступную ёмкость KV-кэша примерно на 40,2% по сравнению с FP8. Сильные стороны модели — специализация на голосовых агентских задачах, поддержка многоходовых разговоров, инструментов и function calling, открытые веса, низкая ожидаемая стоимость и задержка, а также эффективное NVFP4-выполнение на совместимом оборудовании. Ограничения включают узкую специализацию по сравнению с универсальными LLM, отсутствие в README подтверждения поддержки других языков, зависимость от NVIDIA Blackwell и проверенного стека vLLM, необходимость отключать thinking и задавать temperature=0 для воспроизводимого качества, а также требование trust remote code. Модель распространяется по лицензии BSD 2-Clause; для производного релиза также указаны лицензия и атрибуция NVIDIA Nemotron.

mpasila/PIPPA-Named-7B — разговорная текстовая модель, разработанная mpasila на основе Mistral 7B v0.2. Она дообучена на модифицированном наборе PIPPA в формате ShareGPT, включая именованные данные; исходный LoRA обучался один эпоху с контекстом 8 тысяч токенов, после чего был объединён в модель. В метаданных указаны 7,1 млрд параметров, архитектура Mistral с плотной сетью и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге и продолжения беседы в стиле обучающих примеров. Для обучения использовались Unsloth и TRL. Модель распространяется по лицензии Apache-2.0. Метаданные помечают её как не подходящую для любой аудитории; подробное описание ограничений или фильтрации контента в карточке отсутствует.

HWERI/pythia-1.4b-deduped-sharegpt — языковая модель семейства GPT-NeoX с 1,7 млрд параметров, дообученная на наборе ShareGPT. Она предназначена для генерации текста в диалоговом формате и может использоваться для создания ответов и продолжения беседы. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 2048 токенов. В метаданных указаны английский, китайский, корейский и японский языки. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. В README приведены оценки на наборах ARC и HellaSwag, но не описаны ограничения качества или рекомендуемые сценарии применения.

ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel-arm — разговорная модель семейства Qwen2, разработанная ehristoforu как дообучение ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel. Модель имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров; она предназначена для генерации текста в диалоговом формате. Максимальная длина контекста составляет 32 768 токенов. Модель дообучалась с использованием Unsloth и библиотеки Hugging Face TRL. Суффикс названия указывает на армянский язык, а базовая модель ориентирована на испанский, русский и белорусский; однако карточка и метаданные не подтверждают явно набор языков этой версии. Модель распространяется по лицензии Apache-2.0.

Модель Kostya165/rubert_tiny2_russian_emotion_sentiment разработана как дообученная версия cointegrated/rubert-tiny2 — компактного BERT-энкодера с 29 млн параметров. Она классифицирует русскоязычные сообщения по пяти категориям: агрессия, тревожность, нейтральное состояние, позитив и сарказм. Модель принимает текст и выдаёт метку класса; для работы с ней в README указаны Transformers и PyTorch. Длина контекста составляет 2048 токенов. На валидации автор сообщает accuracy 0,8911 и macro F1 0,8910; точность для сарказма ниже, чем для остальных классов, — 0,8426. Модель можно применять для анализа тональности и эмоций в русскоязычных сообщениях, однако качество на других источниках текста может отличаться. Обучение выполнено на датасете Kostya165/ru_emotion_dvach. Лицензия — CC-BY-SA 4.0.

Synatra-kiqu-7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, опубликованная maywell. Она дообучена на базе maywell/Synatra-7B-v0.3-dpo и предназначена для генерации текста в формате ChatML, в том числе для диалоговых сценариев. Контекст модели составляет 4096 токенов; репозиторий содержит веса в формате safetensors. Модель поддерживает корейский язык: в README приведена информация о поддержке обучения со стороны Sionic AI, однако язык и состав обучающих данных там не уточняются. Лицензия — CC BY-SA 4.0. Бенчмарки в карточке не приведены, поэтому качество модели по ним оценить нельзя.

Tama-JP-beta-ft — дообученная разговорная модель, опубликованная beezza на основе beyoru/Tama-JP-beta. Она предназначена для генерации текста и диалогового общения. Модель построена на плотной архитектуре Qwen3, содержит 3,7 млрд параметров и поддерживает контекст длиной до 262 144 токенов; при обучении использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors. Модель можно применять для ведения диалогов и генерации ответов в приложениях на базе Transformers. Лицензия Apache-2.0. Карточка не приводит результаты оценки качества или подробностей о целевом языке дообучения; в метаданных указан английский язык.

v9 — самостоятельный объединённый чекпойнт BF16, созданный разработчиком на основе дообученной модели tojointhecommunity/affine-5efg6cm3yl-king. Это разговорная модель для генерации текста; в карточке указана архитектура Qwen3.5 MoE и обучение методом DPO с применением LoRA ранга 16, слитой с базовыми весами. Во время обучения использовался контекст длиной 8192 токена. Модель предназначена для диалогового применения и генерации ответов. В обучающей смеси сохранялись положительные диалоговые ходы; README описывает также механизм выборочного fallback, однако целевая смесь до фильтрации контекста состояла на 100% из сохранённых примеров и на 0% из fallback-примеров. Чекпойнт распространяется в формате safetensors и не требует адаптера PEFT или пользовательского кода для маршрутизации. Автор обозначает модель как экспериментального кандидата и рекомендует провести проверки в vLLM и аудит шаблонов эксплуатации перед подачей. Условия лицензии в предоставленных данных не указаны.

7oudaModel — модель классификации текста на основе AraBERT, разработанная Mahmoud252002. Она дообучена на aubmindlab/bert-base-arabertv02 для бинарной классификации текстовых отчетов о звонках на успешные и неуспешные. Модель использует архитектуру BERT и принимает арабский текст; размер составляет 162,4 млн параметров, контекст — до 512 токенов. В примере использования для токенизации задаётся предел 256 токенов. Модель предназначена для автоматической разметки результатов звонков, например при обработке отчетов в операционных или контакт-центровых процессах. Для работы нужны совместимые токенизатор и модель классификации из Transformers. Распространяется по лицензии Apache-2.0.

ewqr2130/alignment-handbook-zephyr-7b_ppo_5e7step_102 — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров, представленная в формате Safetensors. Название указывает на дообучение Zephyr 7B с помощью PPO; карточка не содержит подробностей о тренировочных данных или процедуре обучения. Модель предназначена для генерации текста в диалоговом формате. Её можно использовать для создания ответов в чат-ботах и прототипирования разговорных приложений. Указанное нативное контекстное окно — 32 768 токенов. В метаданных заявлена лицензия Apache-2.0. README повторяет только идентификатор модели, поэтому качество и поведение модели отдельно не описаны.

cmarkea/bloomz-3b-sft-chat — языковая модель, разработанная CMarkea на основе bigscience/bloomz-3b и дообученная для диалогов в формате чат-бота. Это плотная авторегрессионная модель семейства BLOOM с 3,8 млрд параметров; веса представлены в форматах PyTorch и Safetensors, а для публикации выполнен переход с float16 на bfloat16. Модель предназначена для генерации ответов и диалогового взаимодействия на английском и французском языках, а также может служить основой для дальнейшей настройки под прикладные задачи. Обучение включало около 0,9 млрд токенов диалоговых данных с балансом французского и английского; в метаданных также перечислены наборы Wizard Vicuna, Orca Chat, OpenAssistant Guanaco и OIG. Разработчики отмечают, что многоязычные возможности исходной BLOOMZ за пределами английского и французского не гарантируются. Модель распространяется по лицензии BigScience BLOOM RAIL 1.0. README описывает промышленное применение как возможный сценарий, однако фактические условия использования следует сверять с лицензией; качество ответов на других языках может снижаться, а заявленная скорость вывода зависит от целевой аппаратуры.