III.4Клиентская поддержка и customer success

YamshadowStrangemerges_32_Experiment26Alloyingotneoy — объединённая модель для генерации текста, построенная на двух моделях Mistral: automerger/YamshadowStrangemerges_32-7B и automerger/Experiment26Alloyingotneoy-7B. Она предназначена для генерации ответов и продолжения текста по текстовому запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель выпущена под лицензией Apache-2.0. Сведений о языковой специализации и качестве на конкретных задачах в карточке нет.

dlibf/zephyr-6b-dpo-full — это плотная авторегрессионная языковая модель семейства LLaMA с 5,8 млрд параметров, предназначенная для генерации текста и диалогового общения. В метаданных указано окно контекста до 200 000 токенов и формат весов Safetensors. Карточка сообщает о метриках оценки DPO, включая точность предпочтений 0,7305 и разницу вознаграждений 0,5407, но не описывает обучающие данные, практические сценарии применения или подтверждённые языковые возможности. Условия лицензии в доступных данных не приведены.

Это дообученная разговорная модель генерации текста ShenaoZ, созданная на основе ShenaoZ/0.0001_idpo_same_3itersn_iter_1 и обученная на обновлённом и исходном наборах данных. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для диалоговой генерации текста. Репозиторий использует формат Safetensors; лицензия — MIT. Карточка не описывает конкретные сценарии, результаты оценки или ограничения качества, поэтому их нельзя установить по имеющимся сведениям.

ShenaoZhang/0.001_4iters_bs256_nodpo_only4w_iter_4 — языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная на основе ShenaoZhang/0.001_4iters_bs256_nodpo_only4w_iter_3 на обновлённом и исходном наборах данных. Модель предназначена для генерации текста и диалогового взаимодействия. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель выпущена под лицензией MIT. Карточка не содержит сведений о конкретных сценариях применения, оценке качества или ограничениях, поэтому практические возможности сверх генерации текста и чата не уточняются.

ShenaoZ/0.001_ablation_4iters_bs256_sample2_iter_2 — диалоговая модель текстовой генерации, дообученная разработчиком ShenaoZ на базе ShenaoZ/0.001_ablation_4iters_bs256_sample2_iter_1. Это плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; модель принимает текст и генерирует текст, поддерживая диалоговый сценарий. В README указано дообучение на наборах updated и original, но дополнительные сведения о назначении, данных и оценке не приведены. Модель распространяется по лицензии MIT.

Это диалоговая языковая модель ShenaoZhang, дообученная на обновлённом и исходном наборах данных на основе ShenaoZhang/0.1_4iters_bs256_nodpo_only4w_iter_2. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; репозиторий использует формат Safetensors. Модель предназначена для генерации текста в диалоговом режиме. Заявленная длина контекста составляет 32 768 токенов. Карточка не описывает конкретные сценарии применения, языки, результаты оценки или ограничения качества. Лицензия — MIT.

Amadeus-Verbo-BI-Qwen-2.5-0.5B-PT-BR-Instruct-Experimental — языковая модель для генерации текста на бразильском португальском, разработанная Amadeus AI дообучением Qwen/Qwen2.5-0.5B на 600 тысячах инструкций в течение двух эпох. Это плотная Transformer-модель с архитектурой Qwen2, 494 млн параметров, 24 слоями, RoPE, SwiGLU, RMSNorm и группированным вниманием; метаданные указывают контекст 32 768 токенов. Модель предназначена для диалоговых ответов и выполнения инструкций на бразильском португальском. Её можно запускать через библиотеку Transformers с применением шаблона чата. README заявляет контекст 131 072 токена и генерацию до 8 192 токенов, что расходится с контекстом 32 768 токенов в метаданных. Лицензия — Apache-2.0.

Jebadiah/Aria-diamond-v2 — созданная с помощью mergekit объединённая языковая модель разработчика Jebadiah. В ней объединены Jebadiah/Aria-diamond-v1 и базовая Jebadiah/Aria-p1-sand-stone методом DARE TIES; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Репозиторий содержит веса Safetensors, модель рассчитана на контекст до 32 768 токенов и работает через Transformers. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текстовые ответы. Карточка не описывает специализацию по предметной области, языки, диалоговые возможности или результаты оценки качества, поэтому их нельзя уверенно указать. Условия лицензии в предоставленных данных не приведены.

datagen-sft-1 — это дообученная Heralax модель для генерации текста на основе архитектуры Mistral с 7,1 млрд параметров. Она предназначена для диалоговой генерации и продолжения текста; при обучении использовались наборы данных с художественными текстами, веб-материалами, диалогами и примерами рассуждений. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке приведён результат оценки: loss 0,6304. Подробности о предполагаемых сценариях, качестве на конкретных задачах и ограничениях не описаны. Модель распространяется по лицензии Apache-2.0.

Fischerboot/banana-brot — плотная авторегрессионная языковая модель семейства Llama 3 для генерации текста и диалоговых ответов. Репозиторий создан с помощью mergekit: README описывает сборку методом passthrough из Fischerboot/LLama3-Lexi-Aura-3Some-SLERP-SLERP, а метаданные указывают на этот репозиторий как на базовую модель. Модель содержит 4 млрд параметров, принимает текст, поддерживает контекст до 8192 токенов и рассчитана на диалоговое использование. Базовая модель ориентирована на английские ответы; сведения о дополнительных языках и специализированных областях применения отсутствуют. Указана библиотека Transformers и формат весов safetensors. Лицензия в предоставленных данных не приведена.

Beetle-FineWeb-2B/beetle-bilingual-l2-80-late-b5-fineweb-2b-nld-eng-seed5 — генеративная языковая модель семейства Beetle-FineWeb с заявленным размером 2B параметров, предназначенная для генерации текста на нидерландском и английском языках. Модель опубликована на Hugging Face и предназначена для запуска через библиотеку Transformers; в метаданных также указан формат safetensors и pico_decoder. Модель подходит для продолжения текста, генерации черновиков, диалоговых прототипов и других сценариев text generation на нидерландском и английском языках. README автоматически сгенерирован и не содержит сведений о разработчике, обучающих данных, архитектуре, контексте, оценивании, лицензии или рекомендациях по применению. Поэтому качество, безопасность и пригодность модели для конкретных задач необходимо проверять самостоятельно.

Модель gchhablani/bert-base-cased-finetuned-sst2 — англоязычный классификатор тональности на базе BERT, дообученный на наборе SST-2 из GLUE. Она принимает текст и относит его к одному из классов тональности; модель использовалась для сравнения google/fnet-base с bert-base-cased. Архитектура — BertForSequenceClassification, размер — 135,5 млн параметров, максимальная длина контекста — 512 токенов. На оценочной выборке SST-2 модель достигла точности 0,9232 при значении loss 0,3649. Эти результаты относятся к указанному набору и сами по себе не гарантируют такое же качество на других текстах. Модель распространяется под лицензией Apache-2.0.

maymuni/bert-base-turkish-cased-emotion-analysis — модель BERT для классификации эмоций в текстах. Она дообучена на базе dbmdz/bert-base-turkish-cased; указанный в карточке обучающий набор данных не назван. Модель предназначена для определения эмоциональной категории текста и подходит, например, для анализа тональности сообщений и отзывов. Архитектура — BertForSequenceClassification, около 137,8 млн параметров; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: loss 0,0437, accuracy и F1 около 0,995, однако значения accuracy и F1 помечены вопросительными знаками, а сведения о наборе данных отсутствуют. Модель распространяется по лицензии MIT.

BigAurelian v0.5 120b 32k — разговорная языковая модель, созданная llmixer методом frankenmerge: в неё объединены слои aurelian-v0.5-70b-32K и WinterGoddess-1.4x-70b. Модель использует архитектуру Llama с плотной causal language model и содержит 117,5 млрд параметров; для загрузки автор рекомендует задать compress_pos_emb=8. Несмотря на обозначение «32k» в названии, метаданные указывают native context length 4096 токенов. Модель предназначена для генерации текста и диалога на английском языке. Она принимает запросы в форматах Llama 2 и Alpaca и может использоваться для продолжения текста и ответов в чате. Модель представлена в формате safetensors и распространяется по лицензии Llama 2. Данных о сравнительной производительности и ограничениях, кроме длины контекста, в карточке нет.

MaziyarPanahi/calme-3.2-baguette-3b — чат-модель, разработанная MaziyarPanahi на основе Qwen/Qwen2.5-3B и дообученная для общих задач на французском и английском языках. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, контекстом до 32 768 токенов и поддержкой шаблона ChatML. Модель предназначена для диалогов и генерации текста в общих сценариях на французском и английском языках. В карточке приведены результаты Open LLM Leaderboard: среднее значение 22,14, IFEval — 63,38 и BBH — 25,87; этих оценок недостаточно для вывода о качестве во всех задачах. Автор предупреждает, что небольшой размер модели может снижать качество на некоторых запросах и повышать чувствительность к гиперпараметрам. Рекомендуются меры контроля и проверка человеком при использовании. Лицензия указана как other, без конкретных условий в предоставленных данных.

calme-3.3-baguette-3b — языковая модель MaziyarPanahi, дообученная на базе Qwen/Qwen2.5-3B для диалогов и генерации текста на французском и английском языках. Она использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров; максимальная длина контекста — 32 768 токенов. Модель работает с шаблоном диалога ChatML и доступна в формате safetensors. Модель предназначена для ответов на вопросы и выполнения инструкций в общих сценариях на французском и английском языках. В карточке также указаны датасеты с французскими инструкциями и юридическими диалогами, однако специализированное юридическое качество не заявлено. Автор предупреждает, что небольшая модель может хуже справляться с некоторыми запросами и быть чувствительной к гиперпараметрам; при использовании важны проверка ответов и человеческий контроль. Лицензия указана как other, поэтому условия использования следует уточнять в репозитории.

mrm8488/deberta-v3-small-finetuned-sst2 — модель классификации текста на основе DeBERTa v3 Small, дообученная на наборе SST2 из бенчмарка GLUE. Она предназначена для определения тональности англоязычных текстов, в частности положительной или отрицательной оценки отзывов и коротких высказываний. Модель содержит 155 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и принимает последовательности длиной до 512 токенов. В оценке на тестовой выборке SST2 модель показала точность 0,9404 и loss 0,2134. Подходит для классификации коротких англоязычных текстов в экспериментах и прикладных прототипах; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других типах текстов. Лицензия — MIT.

dmWM-LLama-3-1B-Harm-ft-HarmData-AlpacaGPT4-OpenWebText-d4-a0.25 — плотная авторегрессионная языковая модель семейства Llama, созданная дообучением huihui-ai/Llama-3.2-1B-Instruct-abliterated. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 1,2 млрд параметров, рассчитана на контекст до 131 072 токенов и использует библиотеку Transformers; веса доступны в формате Safetensors. Карточка не описывает конкретные сценарии применения, обучающие данные или результаты оценки качества. Лицензия — llama3.2. README не содержит дополнительных сведений об ограничениях или условиях применения.

Einstein-v3-7B — дообученная модель для генерации текста, основанная на Mistral-7B-v0.1 и опубликованная пользователем Weyaxi. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает контекст длиной до 32 768 токенов. В метаданных указана возможность диалогового применения; README сообщает о дообучении через Axolotl 0.4.0 и приводит результаты оценки, включая Loss 0,5059, 62,29 на AI2 Reasoning Challenge и 83,01 на HellaSwag. Модель может применяться для генерации текста и диалоговых ответов. README не описывает назначение дообучения, обучающие данные или ограничения, поэтому результаты оценки не позволяют судить о качестве в конкретных пользовательских сценариях. Модель распространяется по лицензии Apache-2.0.

Карточка модели jphme/em_german_70b_v01 на Hugging Face совпадает с карточкой jphme/em_german_13b_v01, поэтому описание составлено по ней. EM German 13B v01 — модель jphme на базе Llama 2, дообученная на большом наборе инструкций на немецком языке. Она предназначена для понимания и генерации немецкого текста в формате диалога с помощником и может применяться для ответов на вопросы, выполнения инструкций и сценариев RAG. Модель использует плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров, принимает текст и имеет контекст длиной до 4096 токенов. Модель ориентирована на немецкий язык. В README автор рекомендует при неудовлетворительных результатах попробовать другую или более крупную версию семейства; также приведены результаты сравнений версий на примерах, но сведения об оценках именно этой версии не приведены. Лицензия — Llama 2; распространяется исходная лицензия базовой модели. Автор указывает, что модель предназначена только для исследовательского использования.

Модель j-hartmann/emotion-english-distilroberta-base разработана как дообученная версия DistilRoBERTa-base для классификации эмоций в англоязычном тексте. Она присваивает тексту один из семи классов: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Архитектура — RoBERTa для классификации последовательностей; модель содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучена на сбалансированной выборке примерно из 20 тысяч примеров, объединяющей тексты из Twitter, Reddit, самоотчётов студентов и диалогов телепередач. В README приведена точность 66% на оценочной выборке. Модель подходит для разметки эмоций в сообщениях и анализа эмоционального тона текстовых коллекций. Качество может снижаться на текстах, заметно отличающихся от обучающих источников, а точность в README относится к указанной оценочной выборке. Сведения о лицензии в предоставленных данных отсутствуют.

Модель j-hartmann/emotion-english-roberta-large — англоязычный классификатор эмоций на основе RoBERTa-large, дообученный на шести разнородных наборах данных. Она относит текст к одной из семи категорий: гнев, отвращение, страх, радость, нейтральное состояние, печаль или удивление. Модель предназначена для анализа эмоциональной окраски англоязычных текстов, например публикаций и комментариев в социальных сетях. Модель имеет архитектуру RobertaForSequenceClassification и содержит 454,1 млн параметров. Контекст составляет до 514 токенов; репозиторий содержит веса PyTorch. Ограничения: классификатор обучен для английского языка и семи заданных категорий, поэтому он не предназначен для надёжной интерпретации других языков или эмоций за пределами этой схемы. Лицензия в предоставленных данных не указана.

ClaudioItaly/FimbMoister-11Range — объединённая плотная языковая модель семейства Llama с 10,6 млрд параметров, созданная методом SLERP в mergekit на основе TheDrummer/Moistral-11B-v3 и Sao10K/Fimbulvetr-11B-v2. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации текста и диалоговых ответов. Её можно использовать для свободного продолжения текста и создания ответов на текстовые запросы; базовая модель описана как ориентированная на английский язык. Длина контекста составляет 4096 токенов. README не приводит результатов оценки качества или подробных рекомендаций по сценариям. Лицензия в предоставленных данных не указана.

joebobby/finetuning-sentiment-model-5000-samples3 — модель классификации текста на основе BERT, дообученная на bert-base-uncased. Она предназначена для классификации тональности текста. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель использует PyTorch и распространяется по лицензии Apache-2.0. В README не приведены сведения о наборе данных, метках классов, результатах оценки и ограничениях, поэтому качество и конкретный охват классификации тональности оценить нельзя. Английский язык следует из базовой модели bert-base-uncased.

LYTinn/finetuning-sentiment-model-tweet-gpt2 — модель GPT-2, дообученная для классификации тональности коротких сообщений, в том числе твитов. В метаданных указаны архитектура GPT2ForSequenceClassification, формат PyTorch и контекст до 1024 токенов; лицензия — MIT. На оценочном наборе модель показала accuracy 0,6908 и F1 0,6908. Датасет обучения, набор меток и подробные сценарии применения в карточке не описаны, поэтому качество на других данных может отличаться.

freewheelin/free-llama3-dpo-v0.2 — дообученная модель семейства Llama с плотной архитектурой и примерно 7,5 млрд параметров. Авторы указывают, что для дообучения использовали TRL Trainer и метод обучения из статьи SOLAR. Модель предназначена для генерации текста; её контекст составляет 8192 токена. Модель принимает текст и генерирует текст. В метаданных указаны корейский и английский языки. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Карточка не описывает конкретные сценарии применения и не приводит результаты оценки качества.

Это дообученная диалоговая модель Google Gemma 2 2B IT, опубликованная imtixz. Она предназначена для генерации текста и диалогового взаимодействия. Модель содержит 2,7 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM, работает с текстом и поддерживает контекст до 8192 токенов. Карточка не описывает датасет, сценарии применения, результаты оценки или специальные возможности этой версии. Модель распространяется в формате Safetensors по лицензии Gemma; условия лицензии следует учитывать при использовании.

GRMR-2B-Instruct — модель на базе Gemma 2 2B, дообученная пользователем qingy2024 для исправления грамматики и повышения ясности текста. Она переписывает входной текст, сохраняя его смысл и улучшая читаемость; в карточке приведён пример редактирования текста о музыкальном спектакле. Для работы используется шаблон чата, в котором текст помещается между инструкцией и секцией исходного текста, а результат выдаётся в секции исправленного текста. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 2,7 млрд параметров и поддерживает контекст до 8192 токенов. В метаданных указан английский язык; модель распространяется под лицензией Apache-2.0. Карточка рекомендует температуру 0.0 и repeat penalty 1.0 для получения оптимальных результатов.

DazzlingXeno опубликовал объединённую языковую модель на архитектуре Gemma 2 для генерации текста и диалогов. Модель создана методом SLERP с помощью mergekit из nbeerbower/gemma2-gutenberg-27B и Steelskull/G2-DA-Nyxora-27b-V2. Модель содержит 27,6 млрд параметров, принимает текст и выдаёт текст; длина контекста — 8192 токена. В метаданных указана поддержка диалогового режима. README не описывает отдельные специализированные задачи или языки. Модель распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

Helide Beta R0 — объединённая языковая модель, созданная разработчиком inflatebot с помощью mergekit. Она объединяет Sao10K/L3-8B-Stheno-v3.2 и Fizzarolli/L3-8b-Rosier-v1 методом SLERP и предназначена для генерации текста и диалогового общения. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и выдаёт текст; контекст составляет до 8192 токенов. Базовые модели ориентированы на английские ролевые диалоги, написание историй и выполнение инструкций. В карточке не описаны специальные ограничения или результаты оценки качества. Условия лицензирования в предоставленных данных не указаны.