III.4Клиентская поддержка и customer success

frankenmerger/delta-4b-instruct-v0.1 — разговорная модель генерации текста на архитектуре Phi, созданная методом frankenmerge из Phi-2. Модель расширили примерно до 4 млрд параметров, а затем дообучили на 25 тысячах примеров датасета Locutusque/hyperion-v2.0. Карточка предназначает её для диалогового взаимодействия и генерации текста на английском языке. Модель использует плотную архитектуру PhiForCausalLM, принимает текст и выдаёт текст. Контекст составляет 2048 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В метаданных указано 6 млрд параметров, что расходится с заявленными в README 4 млрд после расширения.

Это дообученная модель на базе DeBERTa v2 для определения эмоций в японском тексте. Разработчик — YoichiTakenaka; модель имеет около 451,8 млн параметров и принимает текст длиной до 512 токенов. Модель оценивает восемь эмоций: радость, печаль, предвкушение, удивление, гнев, страх, отвращение и доверие. Для каждой эмоции используется отдельная модель, возвращающая метку наличия эмоции и уверенность для положительного класса. Пакет принимает один текст, список текстов или pandas Series и выдаёт таблицу с метками и оценками. Модель подходит для анализа эмоциональной окраски японских текстов, например отзывов и сообщений. Она предназначена для классификации текста, а не для генерации ответов; в описании не приведены сведения о точности и обучающих данных. Весы опубликованы в формате safetensors по лицензии CC BY-SA 4.0.

Карточка модели Dnoya10/dicoding_genAI_expert_collab_grpo_2 на Hugging Face совпадает с карточкой Dnoya10/dicoding_genAI_expert_collab_grpo_4, поэтому описание составлено по ней. Dnoya10/dicoding_genAI_expert_collab_grpo_4 — дообученная языковая модель семейства Qwen2 с архитектурой плотной авторегрессионной сети. Разработчик — Dnoya10; модель дообучена на Dnoya10/dicoding_genAI_expert_collab_eks1 с использованием Unsloth и библиотеки TRL. В репозитории указаны веса Safetensors, размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и ведения беседы на английском языке. Интерфейс поддерживает вызов инструментов, но карточка не описывает специальные предметные области или конкретные сценарии применения. Лицензия — Apache-2.0.

kmkuo/distilbert-base-uncased-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная разработчиком kmkuo на неизвестном наборе данных. Название указывает на задачу распознавания эмоций, однако README не описывает метки классов или качество классификации. Модель принимает текст и выдаёт результат классификации. Она использует архитектуру DistilBertForSequenceClassification с контекстом до 512 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0.

Модель transformersbook/distilbert-base-uncased-finetuned-emotion — дообученная для классификации эмоций версия distilbert-base-uncased, созданная в рамках главы «Text Classification» книги NLP with Transformers. Она принимает текст и относит его к эмоциональным категориям датасета Emotion. Модель построена на архитектуре DistilBertForSequenceClassification, работает с контекстом до 512 токенов и распространяется в формате PyTorch. На оценочной выборке указаны accuracy 0,927 и F1 0,9272. Модель подходит для определения эмоций в коротких текстах, например сообщениях и пользовательских отзывах. Данных о поддерживаемых языках в карточке нет; название базовой модели указывает на англоязычный вариант без регистрационных различий. Лицензия — Apache-2.0.

Это англоязычная модель классификации текста на базе DistilBERT, дообученная на наборе SST-2 для определения тональности. Репозиторий содержит динамически квантованную до INT8 версию, подготовленную с помощью Intel Neural Compressor; доступны варианты PyTorch и ONNX. Модель принимает текст и относит его к одному из классов тональности, что подходит для анализа коротких отзывов и высказываний на английском языке. В приведённой оценке на SST-2 точность INT8-версии составляет 0,9025 против 0,9106 у исходной FP32-модели; размер указан как 165 МБ против 256 МБ. Контекст модели — до 512 токенов. Лицензия — Apache-2.0. Результаты и назначение ориентированы на классификацию тональности в стиле SST-2; карточка не подтверждает качество на других языках, длинных текстах или иных задачах классификации.

Модель sedat29/duygu-analizi-2 разработана Седатом Озджаном и дообучена на distilbert-base-uncased для классификации эмоций в английских текстах. Она относит текст к одному из шести классов: грусть, радость, любовь, гнев, страх или удивление. Модель построена на DistilBERT, использует библиотеку Transformers и принимает последовательности длиной до 512 токенов. Модель подходит для определения эмоциональной окраски отдельных текстов, например сообщений и отзывов. В карточке указана лицензия Apache-2.0. Классы ограничены шестью эмоциями, а описание модели не приводит метрик качества, поэтому заявленную точность нельзя оценить по представленным данным.

Elly — слитая языковая модель на архитектуре Mistral, опубликованная пользователем jeiku. Она создана методом DARE TIES с использованием Sonya-7B как базовой модели и моделей Samantha Mistral 7B Instruct и Dolphin 2.6 Mistral 7B. Веса представлены в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Английский указан среди поддерживаемых языков. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

Это дообученная kugu модель Qwen3 на 3,7 млрд параметров, созданная на базе unsloth/Qwen3-4B-Instruct-2507 с помощью Unsloth и библиотеки TRL. По названию репозитория она предназначена для классификации электронных писем; карточка не уточняет категории, обучающие данные и качество классификации. В метаданных указаны задача генерации текста, диалоговые возможности и контекст до 262 144 токенов, а также поддержка английского языка. Модель принимает текст и выдаёт текст, поэтому её можно применять для классификации писем с помощью инструкций и генерации ответа с меткой. Доступна в формате safetensors. Лицензия — Apache-2.0; конкретные результаты и надёжность для рабочих сценариев в карточке не описаны.

EM-Mistral-7b-v-0.4 — дообученная Klevin языковая модель семейства Mistral для генерации текста. Она основана на unsloth/mistral-7b-v0.3-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста на английском языке. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. В карточке не описаны специализированные навыки или результаты оценки качества; эффективность и пригодность для конкретных сценариев следует проверять отдельно.

Emollama-chat-7b — модель проекта EmoLLMs для анализа эмоциональной окраски текста с инструкционным взаимодействием. Она дообучена на Meta LLaMA2-chat-7B с использованием полного набора инструкционных данных AAID. Архитектура — плотная авторегрессионная LLaMA; модель содержит 6,6 млрд параметров, принимает текст и генерирует текстовый ответ. Контекст — до 2048 токенов. Модель предназначена для классификации тональности и эмоций, а также оценки их интенсивности числовым баллом. Примеры в карточке показывают анализ англоязычных сообщений и распознавание таких эмоций, как радость, любовь, оптимизм, гнев и печаль. Модель распространяется в формате safetensors по лицензии MIT. В карточке отмечены возможные смещения, включая различия по полу, ошибки предсказаний и чрезмерное обобщение. Авторы указывают, что эти проблемы создают риски для применения в реальных системах анализа эмоций.

Модель Francesca9805 — дообученная версия GPT-2 для генерации английского текста в ответ на запросы. Она обучена с помощью TRL и предназначена для сценариев, где нужно получить текстовый ответ или продолжение по заданному вопросу. Модель принимает текст и выдаёт текст; указанный размер контекста — 512 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в доступных данных не указана.

EvoMerge1 — объединённая разговорная языковая модель семейства Mistral, опубликованная пользователем Knobi3. Она создана с помощью mergekit методом task arithmetic на основе Mistral-7B-Instruct-v0.2 с участием Starling-LM-7B-beta, NeuralBeagle14-7B и модели sol. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM, распространяется в формате safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на английском и шведском языках. Лицензия Apache-2.0 разрешает коммерческое использование при соблюдении её условий. Автор сообщает, что приведены результаты только двух оценок, поэтому качество и устойчивость модели подтверждены ограниченным числом проверок.

Excalibur-7b-DPO — экспериментальная разговорная языковая модель, созданная InferenceIllusionist на основе Excalibur-7b. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, дообученная методом Direct Preference Optimization на наборе Intel/orca_dpo_pairs. Для промптов рекомендуется формат ChatML; также может подойти Alpaca. Модель предназначена для генерации диалоговых ответов и общего текстового общения. В README также описана ограниченная возможность работы с изображениями через дополнительный файл mmproj, однако основной pipeline-тег и классификация каталога — text-generation. Автор сообщает об улучшении разговорности и небольшом росте результатов на нескольких бенчмарках по сравнению с базовой моделью. Контекст — до 32 768 токенов. Это ранний эксперимент по DPO-донастройке, выполненный примерно за час на одном A100, поэтому результаты не гарантируют качество в иных сценариях. Лицензия — Apache-2.0.

Experiment26Neuralsirkrishna_Experiment24Alloyingotneoy — объединённая модель Mistral, созданная слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment24Alloyingotneoy-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; принимает текст и выдаёт текст. Контекст — до 32 768 токенов. Модель опубликована в формате Safetensors под лицензией Apache-2.0. В доступных материалах не описаны конкретные преимущества слияния, результаты оценки качества или специализированные области применения.

Experiment26Yam_Experiment28Inex12 — объединённая модель генерации текста на архитектуре Mistral, созданная путём слияния automerger/Experiment26Yam-7B и automerger/Experiment28Inex12-7B. Она содержит 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста по запросу: её можно использовать для диалога, написания черновиков и продолжения заданного текста. В карточке указана лицензия Apache-2.0. Сведения о специализированной области применения и конкретных ограничениях качества не приведены.

Mubin1917 разработал и опубликовал эту модель как дообученную версию unsloth/Phi-3.5-mini-instruct. Это плотная языковая модель на 3,7 млрд параметров для генерации текста и диалогов; в карточке указаны PyTorch, библиотека Transformers и контекст длиной 4096 токенов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель подходит для генерации ответов в диалоге и других задач текстовой генерации на английском языке. Она распространяется по лицензии Apache-2.0. Карточка не описывает особенности дообучения и результаты оценки качества.

Модель akshataupadhye/finetuning-sentiment-model-reddit-data — классификатор текста на базе DistilBERT, дообученный на наборе данных, который в карточке не описан. Она предназначена для определения тональности текстов, в том числе сообщений Reddit. В метаданных указана архитектура DistilBertForSequenceClassification и максимальная длина контекста 512 токенов. На оценочном наборе модель показала accuracy 0,8845 и F1 0,8845; состав классов и подробности оценки не приведены. Распространяется по лицензии Apache-2.0.

FloraBase — объединённая языковая модель, опубликованная пользователем jeiku. Она создана методом SLERP с помощью mergekit из моделей SpecialEdition и Remix, используя SpecialEdition как базовую модель. Модель построена на архитектуре Mistral с плотной причинной языковой сетью и содержит 7,1 млрд параметров. Модель предназначена для генерации текста; заявленная длина контекста составляет 32 768 токенов. Веса опубликованы в формате Safetensors. README и метаданные не уточняют языковую специализацию, качество на конкретных задачах или условия лицензирования.

Fox-1-1.6B-Instruct-v0.1 — компактная языковая модель TensorOpera AI с архитектурой decoder-only Transformer семейства Llama и примерно 1,7 млрд параметров. Это версия базовой Fox-1-1.6B, дообученная методом SFT на инструкциях и данных многоходовых диалогов. Модель предназначена для генерации текста, выполнения инструкций и диалоговых сценариев на английском языке. Она использует Grouped Query Attention с 16 головами внимания и 4 головами ключей и значений; нативная длина контекста составляет 8192 токена. В README приведены результаты оценки на наборах ARC Challenge, HellaSwag, TruthfulQA, MMLU, Winogrande и GSM8k. Разработчик предупреждает, что перед производственным использованием модели требуется дополнительное выравнивание. Модель распространяется по лицензии Apache-2.0.

jaspionjader/fr-12-8b — разговорная языковая модель, созданная методом слияния SLERP из jaspionjader/fr-11-8b и jaspionjader/fct-14-8b с помощью mergekit. Модель построена на архитектуре Llama с 7,5 млрд параметров и предназначена для генерации текста и ведения диалогов. Модель принимает текст и генерирует текст. Её нативная длина контекста составляет 131 072 токена. Карточка не уточняет поддерживаемые языки и специализированные области применения. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

jaspionjader/fr-13-8b — разговорная языковая модель, созданная разработчиком Jaspion Jader объединением предварительно обученных моделей jaspionjader/fct-14-8b и jaspionjader/fr-12-8b. Для слияния использован метод SLERP через mergekit; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Она принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Карточка не сообщает о специализированной области применения или поддерживаемых языках. Файлы опубликованы в формате safetensors; лицензия не указана в предоставленных данных.

freewheelin/free-solar-dpo-v0.2 — чат-модель для генерации текста, созданная путём дообучения davidkim205/nox-solar-10.7b-v4 с помощью TRL Trainer. В карточке указано, что при обучении использован метод обучения из статьи SOLAR; название модели также указывает на DPO, но README не уточняет детали процедуры обучения. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 10,6 млрд параметров. Она предназначена для диалоговой генерации текста и поддерживает английский и корейский языки. Длина контекста — 4096 токенов. Распространяется в формате safetensors по лицензии MIT.

French Aya Expanse 8B — франкоязычная дообученная версия Aya Expanse 8B от Cohere For AI, созданная на основе CohereLabs/aya-expanse-8b. Это плотная авторегрессионная языковая модель с архитектурой CohereForCausalLM и 8 млрд параметров. Она принимает текст и генерирует текст; контекстное окно составляет 8 192 токена. Модель предназначена для диалогов и генерации ответов на французском языке. Базовая Aya Expanse поддерживает 23 языка, включая французский, английский и русский, однако эта версия специально сфокусирована на французском. В карточке указано, что базовая модель проходила supervised fine-tuning, обучение предпочтениям и слияние моделей; эта версия дообучена на наборе french-multilingual-reward-bench-dpo. Весами можно пользоваться по лицензии CC-BY-NC с соблюдением Acceptable Use Policy Cohere For AI. Лицензия ограничивает коммерческое использование. Качество модели за пределами французского фокуса отдельно не описано.

djuna/G2-BigGSHT-27B-calc — объединённая модель семейства Gemma 2, созданная автором репозитория с помощью mergekit и метода SLERP из DazzlingXeno/G2-Xeno-SimPO-27b и TheDrummer/Gemmasutra-Pro-27B-v1. Модель содержит 27,6 млрд параметров, использует архитектуру Gemma2ForCausalLM и предназначена для генерации текста и чат-диалогов. Модель подходит для ведения диалогов, творческой генерации и ролевых сценариев. Её контекстное окно составляет 8192 токена; для работы используются Transformers и веса в формате safetensors. README описывает процесс слияния и его параметры, но не приводит сравнительных оценок качества или подробных результатов тестирования. Лицензия в предоставленных данных не указана.

Theros/Gemma-9B-ColdBrew-Testing — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из SvalTek/Gemma-7B-ColdBrew-RP и KishoreK/ActionGemma-9B. Модель содержит 9 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста. Её можно использовать для продолжения беседы и создания текстовых ответов. Данные карточки не описывают специализированные области применения или языковой охват. Модель опубликована в формате safetensors и доступна через библиотеку Transformers. Лицензия в предоставленных данных не приведена.

GenTest-7B-slerp — объединённая модель для генерации текста, созданная Kukedlc с помощью LazyMergekit. Она объединяет Kukedlc/NeuralSirKrishna-7b и Kukedlc/NeuralMaxime-7B-slerp методом SLERP; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса сохранены в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов, поддерживает контекст до 32 768 токенов. В README не приведены результаты оценки качества, сведения о поддерживаемых языках или конкретные ограничения применения. Лицензия в доступных данных не указана.

GRMR-1.5B-Instruct — модель для исправления грамматики и улучшения читаемости текста, разработанная qingy2024 на основе Qwen 2.5 1.5B. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов. Она принимает текст и возвращает его отредактированную версию, сохраняя исходный смысл; в примере модель исправляет капитализацию, дефис и формулировку английского текста. Для шаблона чата используется формат с блоками исходного и исправленного текста; в карточке рекомендуется температура 0 и repeat penalty 1.0. Модель предназначена для корректуры и лёгкого редактирования текста на английском языке. Она выпущена под лицензией Apache-2.0. Данных о качестве на других языках или об оценке модели в карточке нет.

GRMR-3B-Instruct — модель, разработанная qingy2024 на основе Qwen 2.5 3B и дообученная для исправления грамматики, повышения ясности и улучшения читаемости текста с сохранением исходного смысла. Она принимает текст и возвращает его отредактированную версию; модель рассчитана на задачи корректуры и редактирования прозы. Архитектура — плотная Qwen2, около 3,1 млрд параметров, контекст — до 32 768 токенов. В карточке рекомендуется температура 0.0 и repeat penalty 1.0. Лицензия — Apache-2.0.

Kaon 3 Population Final-Transition RM600 Mouse Original Reset Matched Time-Skip LR1e-4 beta0.04 — диалоговая модель генерации текста, разработанная KaonAI. Это самостоятельный BF16-чекпойнт с объединёнными полными весами на основе kaonai/kaon-c-gemma4-26b-v10.1; по карточке, веса соответствуют checkpoint-75 обучения GRPO с learning rate 1e-4 и beta 0.04. Архитектура — Gemma 4, плотная модель с классом Gemma4ForConditionalGeneration; репозиторий использует Transformers и хранит веса в safetensors. Модель предназначена для диалоговой генерации текста. В метаданных также есть тег image-text-to-text, однако доступные сведения не подтверждают, что именно этот чекпойнт рассчитан на работу с изображениями, поэтому модальность изображений не включена. Карточка не описывает целевые языки, контекстное окно или специализированную область применения. Для модели указана лицензия базового репозитория; карточка не приводит её название. В README сообщается, что контрольный набор логитов после сохранения и повторной загрузки прошёл проверку на паритет. Это подтверждает согласованность представления весов, но не является оценкой качества ответов.