III.4Клиентская поддержка и customer success

vashuag/HindiEmotion — модель классификации эмоций в тексте на основе Indic-BERT от AI4Bharat, дообученная разработчиком репозитория на датасете google_go_emotions_hindi_translated. Она принимает текст и оценивает вероятности шести классов: гнев, отвращение, радость, удивление, нейтральное состояние и грусть. Модель использует архитектуру ALBERT для классификации последовательностей, содержит 266,8 млн параметров и поддерживает контекст до 512 токенов. Основной сценарий — определение эмоциональной окраски коротких сообщений на хинди, например отзывов или пользовательских обращений. В README приведены accuracy 0,8085 и F1 0,7983 на тестовой выборке из 47 примеров; результаты отдельных классов заметно различаются. Метрики в описании также содержат отдельные значения для другой оценки, поэтому их не следует считать гарантией качества на новых данных. Лицензия модели — MIT.

AptaArkana разработала эту модель как дообученную версию Toshifumi/distilbert-base-multilingual-cased-finetuned-emotion для классификации эмоций в тексте. Это компактная мультиязычная модель на архитектуре DistilBERT с классификационной головой; она принимает текст и выдаёт метки классов. Размер контекста — до 512 токенов. Модель предназначена для определения эмоциональной окраски индонезийского текста. В README указаны результаты оценки: accuracy, precision, recall и F1 — 0,9299; при этом описание набора данных и деталей оценки не приведено. Модель распространяется по лицензии Apache-2.0.

shaurya23102/insurance-embedding-model — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, разработанная пользователем shaurya23102. Она преобразует предложения и абзацы о страховании в плотные векторы размерностью 768 для поиска и сравнения по смыслу. Архитектура включает MPNet, усредняющий pooling и нормализацию; для сравнения векторов используется косинусное сходство. Модель принимает текст, имеет контекст до 514 токенов по метаданным и максимальную длину последовательности 384 токена в README. Модель предназначена для извлечения релевантных текстов, семантического поиска и ранжирования страховых документов или фрагментов. Обучение проведено на небольшом наборе из 91 примера с anchor, positive и negative парами; приведено 11 примеров для оценки, поэтому качество на широком наборе страховых запросов по карточке не подтверждено. Лицензия в предоставленных данных не указана.

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.

QuietImpostor/Llama-3.1-Mini-Instruct — разговорная языковая модель на архитектуре Llama, созданная автором репозитория на основе LoRA-дообучения Llama 3.1 Mini. В метаданных указано 2,5 млрд параметров, контекст до 131 072 токенов и поддержка английского языка. Модель предназначена для генерации текста в диалоговом формате и чат-сценариев. Базовая Llama 3.1 Mini описана как обрезанная версия Llama 3.1 8B. Для её обучения использовались данные, созданные с помощью Claude 3 Opus и Claude 3.5 Sonnet, синтетические диалоги с Gemma 2 9B и Llama 3 70B, а также Guanaco. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Модель может наследовать предубеждения обучающих данных. README не приводит результатов оценки качества или подробностей о составе дополнительного LoRA-дообучения, поэтому пригодность для конкретных задач следует проверять отдельно.

Zeesnal786/llama32-3b-banking-merged — дообученная языковая модель на архитектуре Llama 3.2, разработанная Zeesnal786 на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 3,2 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; название указывает на банковскую тематику дообучения, но README не описывает конкретные банковские сценарии или результаты. Модель принимает текст и выдаёт текст. Для базовой модели указано контекстное окно 131 072 токена; карточка связывает модель с английским языком. Распространяется под лицензией Apache-2.0.

MemoChat-Fastchat-T5-3B — текстовая модель семейства T5, дообученная Junrulu на наборе инструкций Junrulu/MemoChat_Instructions. Она предназначена для генерации ответов на текстовые запросы и диалогового общения. Модель содержит 1,5 млрд параметров, использует архитектуру T5ForConditionalGeneration и имеет контекст длиной 512 токенов. Модель опубликована в форматах PyTorch и Safetensors. В карточке указаны английский язык и лицензия CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных работ на тех же условиях и ограничивает коммерческое использование.

openchat-nectar-0.5 — диалоговая языковая модель, созданная Andy Salerno дообучением OpenChat 3.5 на базе Mistral с помощью DPO на отфильтрованной части набора Berkeley Nectar. Обучение длилось 5000 шагов — полный проход по выбранным данным; для сравнения ответов использовались примеры с несколькими ходами диалога, а отклоняемыми выбирались ответы с четвёртым рейтингом. Из набора исключили примеры с good_natured=False. Модель предназначена для многоходового общения и генерации ответов в формате чата. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 8192 токенов. В карточке указана лицензия Apache-2.0. Описание обучения указывает на фильтрацию данных, которая могла повлиять на склонность модели к отказам; независимые сравнительные выводы из приведённых результатов оценки сделать нельзя.

PersonaPlex — разработанная NVIDIA модель для диалогов в реальном времени, которая одновременно воспринимает речь и генерирует голосовые ответы. Это дообученная версия Moshi от Kyutai с архитектурой Transformer и компонентами Mimi для кодирования и декодирования речи; размер модели — 7 млрд параметров. Модель принимает потоковую речь пользователя и текстовый промпт с ролью, фоном и сценарием, а также аудиопромпт для задания голоса и стиля. Она выдаёт речь и соответствующий текст, поддерживает параллельное слушание и говорение, перебивания и быструю смену реплик. В карточке заявлена работа с английской речью на входе и английскими голосовыми ответами; для аудио указана частота 24 кГц. PersonaPlex предназначена для голосовых ассистентов и разговорных систем, включая сценарии обслуживания клиентов. Для запуска карточка описывает PyTorch и GPU NVIDIA Ampere или Hopper под Linux. Модель заявлена как готовая к коммерческому использованию, однако лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Для целевого применения потребуется тестирование на соответствующих данных и проверка безопасности.

Модель Ahmedh24/qwen2.5-7b-merchant — дообученная Ahmedh24 версия Qwen2.5-7B-Instruct, созданная с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для диалогов и генерации текста; метаданные также указывают интерфейс вызова инструментов. Название модели указывает на ориентацию на задачи продавцов, однако карточка не описывает конкретные торговые сценарии или результаты обучения, поэтому специализацию нельзя подтвердить. Модель принимает текст и генерирует текст. Поддерживаемый карточкой язык — английский. Лицензия Apache-2.0.

SmolLM2-1.7-Persona — объединённая с помощью mergekit модель на базе HuggingFaceTB/SmolLM2-1.7B-Instruct и адаптера bunnycore/SmolLM2-1.7B-persona-lora. Это плотная авторегрессионная языковая модель семейства Llama с 1,7 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Заявленная длина контекста — 8192 токена. Модель подходит для чат-ботов и генерации ответов в заданном стиле или персоне. В карточке приведены результаты Open LLM Leaderboard: средняя оценка 14,25, IFEval — 54,65 и BBH — 11,20; эти результаты сами по себе не гарантируют качество в конкретном приложении. Модель распространяется в формате safetensors по лицензии Apache-2.0.

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

KELONMYOSA/wav2vec2-xls-r-300m-emotion-ru — модель распознавания эмоций в русской речи, дообученная разработчиком на основе facebook/wav2vec2-xls-r-300m на наборе DUSHA. Она принимает аудиозаписи и относит речь к эмоциональным классам, включая нейтральную, позитивную, грустную, сердитую и другую речь; подходит, например, для анализа диалогов с виртуальными ассистентами. Модель построена на архитектуре Wav2Vec2, использует PyTorch и содержит около 402,7 млн параметров. В README указана точность 0,901 на валидации; метрики по классам различаются, поэтому общая оценка не гарантирует одинакового качества распознавания каждой эмоции. Репозиторий распространяется по лицензии Apache-2.0.

AReaL-SEA-235B-A22B — языковая модель-агент от inclusionAI, дообученная на базе Qwen/Qwen3-235B-A22B-Thinking-2507 с помощью SFT и обучения с подкреплением GRPO. Она предназначена для многошаговых диалогов с использованием инструментов и выполнения задач в интерактивных средах; в карточке описаны сценарии из областей авиаперевозок, розничной торговли и телекоммуникаций. Модель проверялась на τ²-bench и показала средний pass¹ 81,3% по трём доменам. Модель использует архитектуру Qwen3 MoE с классом Qwen3MoeForCausalLM, содержит 18,2 млрд параметров и поддерживает контекст до 262 144 токенов. Принимает текст и генерирует текст; метаданные указывают английский язык. Для запуска предназначены веса Safetensors, а лицензия — Apache-2.0. Карточка описывает обучение на синтетических диалогах и результаты бенчмарка, но не приводит подробной оценки надёжности за пределами τ²-bench.

Barcenas-Llama3-8b-ORPO — разговорная модель генерации текста на архитектуре Llama, разработанная автором репозитория Danielbrdz. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она обучена методом ORPO на основе VAGOsolutions/Llama-3-SauerkrautLM-8b-Instruct с использованием датасета предпочтений reciperesearch/dolphin-sft-v0.1-preference, включающего данные Dolphin, подготовленные с помощью GPT-4 для улучшения диалоговых ответов. Модель предназначена для диалогов и генерации ответов на английском языке. Распространяется в формате Safetensors; лицензия указана как other, поэтому конкретные условия использования следует уточнить в карточке репозитория. В карточке не приведены результаты оценки качества и подробные ограничения, поэтому их нельзя охарактеризовать точнее.

tasinhoque/distilbert-go-emotions — модель классификации текста на основе DistilBERT, дообученная на наборе данных GoEmotions. Она предназначена для распознавания эмоциональных категорий в тексте и может применяться, например, для анализа пользовательских сообщений. Модель принимает текст, использует архитектуру DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,4287 и F1 0,4702. Эти показатели дают ориентир по качеству, но карточка не описывает схему меток, данные обучения и ограничения применения. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

SameedHussain/gemma-2-2b-Flight-Multi-Turn-V2 — дообученная SameedHussain модель Gemma 2, разработанная SameedHussain. Это плотная авторегрессионная языковая модель с 2,5 млрд параметров для генерации текста; она основана на SameedHussain/gemma-2-2b-it-hermes-function-calling и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых сценариев, включая многоходовые беседы и вызов функций, однако карточка не приводит подробностей об этих возможностях. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. Лицензия — Apache-2.0. README не сообщает о специальных ограничениях или результатах оценки качества.

GoudERP-8B — языковая модель для вопросов и диалогов по системам планирования ресурсов предприятия (ERP), разработанная на основе Qwen3-8B. Веса содержат 7,6 млрд параметров, формат — safetensors; модель принимает текст и выдаёт текст, поддерживает чат. Контекст — до 40 960 токенов. В карточке заявлены английский язык и обучение на материалах по Oracle Fusion, SAP и Workday. Модель прошла доменное предварительное обучение на ERP-текстах, два этапа дообучения с учителем на ERP-диалогах и данных общего назначения, а затем слияние TIES с базовой моделью. Она предназначена для ответов на вопросы о модулях и бизнес-процессах ERP, объяснения правил и поддержки сценариев с вызовом инструментов. Автор сообщает о высокой точности на собственном ERP-бенчмарке; это результат внутренней оценки, а не гарантия качества в конкретной организации. Ограничения: следование инструкциям уступает базовой Qwen3-8B; применение инструментов в целом на уровне базы, а более крупные модели лучше справляются с многошаговыми вызовами. Данные обучения охватывают другие ERP-платформы слабее, чем Oracle Fusion, SAP и Workday. Лицензия — Apache-2.0.

HelpingAI_Helpingai3-raw-GGUF — набор квантизированных моделей Helpingai3-raw, разработанной HelpingAI и подготовленной в формате GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp b4925 и метода imatrix. Модель относится к генеративным языковым моделям и ориентирована на диалоговые сценарии с акцентом на эмоциональный интеллект, понимание эмоций и EQ-focused взаимодействие. Модель предназначена для текстовой генерации, conversational-приложений и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Заявлен английский язык. README не указывает архитектуру, число параметров, размер контекстного окна или поддержку мультимодальности, поэтому эти характеристики нельзя определить по имеющимся данным. Доступны варианты от F16 размером 20,62 ГБ до более компактных квантизаций Q2–Q8; высококачественные варианты Q5 и Q6 отмечены как рекомендуемые, а Q4_K_M описан как типичный вариант для большинства задач. Сильными сторонами являются возможность локального использования, широкий выбор уровней квантизации и специализация на эмоционально ориентированном диалоге. Более сильная квантизация обычно требует больше оперативной памяти, тогда как компактные варианты экономят ресурсы за счёт снижения качества; некоторые форматы обозначены как устаревшие или нерекомендуемые. Для работы следует использовать указанный chat-шаблон с токенами im_start и im_end. Модель распространяется по лицензии HelpingAI; в README приведена ссылка на условия лицензии: https://helpingai.co/license.

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

ManhHoDinh/lfm25-titlegen-sft — дообученная методом supervised fine-tuning компактная языковая модель для создания краткого информативного заголовка по пользовательской беседе. Она основана на LiquidAI/LFM2.5-230M: плотная causal language model семейства LFM2 с 221,2 млн параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Заявленная длина контекста — 128 000 токенов. Модель предназначена для автоматического озаглавливания разговоров, сохраняя их основное намерение, важные сущности и существенные детали. В карточке описана оценка на многоязычном наборе из 17 языков, однако фактические оценённые примеры указаны только для английского и вьетнамского. Результаты benchmark не подтверждают готовность к промышленному применению: проверка ограничена, автоматизирована и не включает достаточную нативную проверку. Лицензия в метаданных обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Llama3.2-Typhoon2-3B-Instruct — инструктивная языковая модель на 3,2 млрд параметров, разработанная SCB 10X на основе Llama 3.2 3B. Это плотная авторегрессионная модель семейства Llama для диалогов, выполнения инструкций и вызова функций; для запуска рекомендуется Transformers версии 4.45.0 или новее. Модель рассчитана прежде всего на тайский и английский языки, включая переключение между ними в одном диалоге. В карточке приведены результаты оценки следования инструкциям и вызова функций на тайском и английском. Модель подходит для чат-ботов и ассистентов, которые отвечают на вопросы, следуют инструкциям и используют интерфейс вызова инструментов. В README отмечено, что модель находится в разработке, а её ответы могут быть неточными, предвзятыми или нежелательными; встроенные меры безопасности не устраняют эти риски. Использование регулируется лицензией Llama 3.2 Community License.

Mahou-1.0-llama3 — диалоговая языковая модель FlammenAI, предназначенная для общения и ролевых сценариев. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает чат. Контекст — до 8192 токенов. Модель дообучена на flammenai/FlameMix-DPO-v1 на основе nbeerbower/llama-3-stella-truthy-dpo-8B. В карточке также описано применение Direct Preference Optimization и LoRA. Модель позиционируется как кандидат для готового к производственному использованию разговорного ИИ, однако автор отмечает, что текущая версия экспериментальная и имеет существенные недостатки. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели и базовой модели.

Mahou-1.2-mistral-7B — разговорная языковая модель FlammenAI для диалогов и ролевого общения. Это дообученная модель Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; для обучения использовались данные FlammenAI и Direct Preference Optimization. Модель рассчитана на формат ChatML и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для построения чат-ботов и ролевых персонажей. Для использования нужен шаблон ChatML и режим инструкций ChatML; модель распространяется в формате safetensors. Лицензия — Apache-2.0. README описывает её как попытку создать модель для производственного использования, однако не приводит результатов оценки качества.

Wyona разработала модель классификации коротких английских сообщений, которая определяет, является ли фраза вопросом или относится к категории «Other». Она основана на DistilBERT и предназначена для обнаружения вопросов в чатах и сообществах, например в Slack, MS Teams, Discord и Matrix; модель также старается распознавать вопросы без вопросительного знака. Вход — текст, выход — метка класса. Контекст модели — до 512 токенов, формат весов — PyTorch, лицензия — Apache-2.0. Модель обучена на 18 тысячах примеров и проверена на 2 тысячах. Данные происходят из материалов для изучающих английский язык; разметка «вопрос» или «прочее» сформирована автоматически по диалогам. Известны ошибки на сообщениях, начинающихся с приветствия, и на косвенных формулировках просьбы о помощи; фрагменты кода во входе могут ошибочно классифицироваться как вопросы.

MistarlingMaid-2x7B-base — разговорная текстовая модель семейства Mixtral, созданная dawn17. В README указано сочетание экспертов Silicon-Maid-7B и Starling-LM-7B-beta: первый ориентирован на ролевые сценарии, второй — на диалог. Для выбора экспертов применяется скрытый режим gate_mode; заявлены вычисления и выходной формат bfloat16. Модель предназначена для генерации диалоговых ответов и ролевого общения. Метаданные указывают архитектуру MixtralForCausalLM типа MoE, 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. В README приведены результаты оценивания на нескольких бенчмарках, включая среднюю оценку 68,01. Модель распространяется по лицензии Apache-2.0. README ссылается на базовую Mistral-7B-Instruct-v0.2 и экспертные модели, однако это локальные пути; точный идентификатор базовой модели на Hugging Face из предоставленных данных установить нельзя.

open-jev-deberta-v3-large — экспериментальная англоязычная модель компании Kotoba Labs, опубликованная под именем Mithril. Это дообученная DeBERTa-v3-large с энкодерной архитектурой DeBERTa V2 и отдельной трёхслойной оценочной головой. Модель принимает текстовое состояние и набор типизированных вопросов: выбор одного из вариантов, оценку по упорядоченной шкале или ответ «да/нет». За один проход она возвращает калиброванные распределения вероятностей по вариантам; текст не генерирует. Модель рассчитана на классификацию и принятие типизированных решений по англоязычному тексту, например определение намерения в сообщении клиента, тональности отзыва и ответа на вопрос по отрывку. В карточке указаны 533,8 млн параметров и контекст до 512 токенов; состояние обрезается до 256 токенов. Для обучения использованы открытые метки Banking77, SST-5 и BoolQ. Apache-2.0. Авторы сообщают о хороших результатах на знакомых типах вопросов, но качество заметно ниже на новых формулировках и шкалах; применение за пределами английского и указанных предметных областей требует отдельной проверки.

LoSboccacc/orthogonal-2x7B-base — разговорная языковая модель семейства Mixtral, собранная как смесь экспертов на основе Mistral-7B-Instruct-v0.2 и Silicon-Maid-7B. Конфигурация README задаёт два эксперта: один ориентирован на ролевые диалоги, другой — на обычный чат. Модель использует формат ChatML; метаданные указывают архитектуру Mixtral MoE, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах, чате и ролевых сценариях. В README приведены результаты Open LLM Leaderboard: среднее значение 68,13, включая 66,89 на AI2 Reasoning Challenge и 85,54 на HellaSwag. Лицензия и более подробные условия использования в предоставленных данных не описаны.

Ringg Router E2B — компактная текстовая модель для принятия решений в голосовых и чат-агентах, разработанная Ringg AI и дообученная на базе google/gemma-4-E2B-it. По короткому диалогу и списку вариантов она выбирает маршрут или инструмент, может проверить условие, извлечь заданные поля и вернуть результат с кратким обоснованием в JSON. Модель предназначена для многошаговых сценариев, IVR, маршрутизации обращений и поддержки индийских языков и смешанной речи: английского, хинди, Hinglish, бенгальского, телугу, тамильского, каннада, малаялам, маратхи и гуджарати. В README приведены высокие результаты на отложенных и проверочных срезах публичных наборов данных для маршрутизации, выбора инструментов и проверок да/нет. Модель принимает текст диалога и структурированные варианты в запросе и генерирует текстовый JSON-ответ; исходная Gemma 4 E2B IT является мультимодальной, но эта донастройка описана как работающая только с текстом. Для запуска автор рекомендует bfloat16 и предупреждает о заметном снижении качества в float16; на GPU без аппаратной поддержки bf16 может потребоваться подходящая версия Transformers или более новое устройство. Лицензия — Apache-2.0.

SambaLingo-Japanese-Chat — чат-модель SambaNova Systems для общения на японском и английском языках. Она построена на SambaLingo-Japanese-Base и обучена с помощью direct preference optimization; базовая модель адаптирует Llama 2-7B к японскому языку на 42 млрд токенов японской части Cultura-X. Архитектура — плотная LlamaForCausalLM с 6,7 млрд параметров, контекст — 4096 токенов, веса доступны в формате safetensors. Модель предназначена для диалогов и генерации ответов на японском и английском: например, для чат-ботов и разговорных помощников. Словарь расширен с 32 000 до 57 000 токенов, чтобы лучше работать с японским языком. Возможны галлюцинации, переключение между языками, повторы и слабые результаты в сложном программировании и математике; модель также может выдавать токсичный контент. Разработчик не рекомендует применять её в критически важных и связанных с безопасностью сценариях. Использование регулируется лицензией Meta Llama 2 Community License Agreement.