III.4Клиентская поддержка и customer success

korvo/MS-RandomMergeTest_v2-22B — объединённая 22-миллиардная языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit и метода della. Базой слияния служила concedo/Beepo-22B; также объединены TheDrummer/Cydonia-22B-v1.1, anthracite-org/magnum-v4-22b, crestf411/MS-sunfall-v0.7.0 и nbeerbower/Mistral-Small-Gutenberg-Doppel-22B. Модель предназначена для генерации текста и диалогов; заявленное базовыми моделями назначение включает следование инструкциям и создание связной прозы на английском языке. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и представлена в формате safetensors. В метаданных отмечен интерфейс вызова инструментов, однако подробности его работы в карточке не описаны. Лицензия в предоставленных данных не указана. Карточка не приводит оценки качества или подробных ограничений; пригодность слияния для конкретных сценариев следует проверять отдельно.

zelk12/MT5-Gen5-GP-gemma-2-Av4dMTg2-9B — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Gemma 2 с 9 млрд параметров. В состав вошли lemon07r/Gemma-2-Ataraxy-v4d-9B и zelk12/MT-Gen2-gemma-2-9B; конфигурация указывает lemon07r/Gemma-2-Ataraxy-v4d-9B как базовую модель. Репозиторий содержит веса в формате safetensors, а библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогов, а краткое описание базовой модели указывает на творческое письмо и создание историй. Она принимает текст и генерирует текст; размер контекста — 8192 токена. В карточке и метаданных не приведены подтверждённые сведения о языках или лицензии, поэтому их нельзя уточнить.

zelk12/MT-MMA-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, опубликованная пользователем zelk12. Модель создана методом SLERP в mergekit из zelk12/MT-MU-gemma-2-Rv0.3G-9B и zelk12/MT-MM-gemma-2-AAIF-9B; размер составляет 9 млрд параметров, формат весов — safetensors, тип модели — плотная авторегрессионная языковая модель для генерации текста. В метаданных указана поддержка диалогового режима и контекст длиной до 8192 токенов. Модель предназначена для диалоговой генерации текста и творческого письма. Она принимает текст и генерирует текст; сведения о специализации по языкам или предметным областям в предоставленных данных отсутствуют. Лицензия в метаданных и README не указана.

Munin Qwen 9B — модель генерации текста из семейства Munin 1.0, разработанная Danish Foundation Models. Она дообучена на базе Qwen/Qwen3.5-9B-Base и предназначена для генерации текста на датском языке и выполнения инструкций. Архитектура — плотная Qwen3.5 с 9 млрд параметров; репозиторий содержит веса в формате safetensors и поддерживает диалоговый режим. Несмотря на мультимодальную базовую модель и метку image-text-to-text в тегах, карточка Munin описывает её как текстовую и указывает, что она не принимает изображения и другие мультимодальные входы. Модель подходит для датскоязычных чат-ботов, черновиков и ответов на инструкции. Лицензия — Apache 2.0. Карточка не сообщает измерений качества, поэтому уровень качества для конкретных задач следует оценивать отдельно.

rajaadil разработал my-sentiment-model — модель классификации тональности англоязычного текста на две категории: POSITIVE и NEGATIVE. Она создана дообучением DistilBERT distilbert-base-uncased на подмножестве датасета IMDB с отзывами о фильмах. Модель предназначена для быстрой оценки тональности отзывов, комментариев и коротких сообщений обратной связи. Использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса с оценкой уверенности. Контекст — до 512 токенов; заявлена возможность работы на CPU. На указанном наборе оценки точность составила 0,869. Модель рассчитана на английский язык и бинарную классификацию. Качество может снижаться на текстах, отличающихся от отзывов о фильмах; модель плохо определяет нейтральную, саркастическую и смешанную тональность. Распространяется по лицензии Apache-2.0.

thhaus/nemotron3-8b — авторская публикация модели Nemotron для генерации текста, размещённая пользователем thhaus на Hugging Face. Это плотная авторегрессионная языковая модель с архитектурой NemotronForCausalLM, содержащая 9,6 млрд параметров и рассчитанная на контекст до 4096 токенов. Модель можно использовать для продолжения текста и генерации ответов по текстовой подсказке. Карточка модели создана автоматически и не описывает разработчика, обучение, языки, назначение для конкретных сценариев, ограничения или лицензию. Поэтому эти свойства нельзя достоверно уточнить по доступным источникам.

CarrotAI/OpenCarrot-llama3-Mix-8B — разговорная языковая модель на архитектуре Llama 3, созданная CarrotAI линейным слиянием моделей через mergekit. В слиянии участвовали maywell/Llama-3-Ko-8B-Instruct и CarrotAI/OpenCarrot-llama3-8B; модель содержит около 7,5 млрд параметров и использует формат safetensors. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Её можно использовать в чат-сценариях и для генерации текста. Указанное контекстное окно — 8192 токена. В README приведён ориентировочный результат около 0,22 по llm-ko-eval и отмечено, что модель ещё не оценена отдельно. Лицензия — llama3.

Helsinki-NLP/opus-mt-es-ar — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с испанского на арабский и основана на архитектуре Transformer, реализованной как MarianMTModel. Модель содержит 57,2 млн параметров; для обработки текста использует нормализацию и SentencePiece с словарями размером 32 тыс. токенов. Контекст — до 512 токенов. Модель подходит для перевода предложений и текстов с испанского на арабский. В README указан тестовый результат на Tatoeba: BLEU 20,0 и chr-F 0,517. Для выбора варианта целевого языка перед текстом требуется языковой маркер вида `>>id<<`; README перечисляет варианты арабского, включая apc, ara и arq. Репозиторий содержит форматы PyTorch и TensorFlow. Лицензия — Apache-2.0.

Карточка модели mijuanlo/opus-mt-es-ar на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-es-ar, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-es-ar — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит текст с испанского на арабский и основана на архитектуре Transformer, реализованной как MarianMTModel. Модель содержит 57,2 млн параметров; для обработки текста использует нормализацию и SentencePiece с словарями размером 32 тыс. токенов. Контекст — до 512 токенов. Модель подходит для перевода предложений и текстов с испанского на арабский. В README указан тестовый результат на Tatoeba: BLEU 20,0 и chr-F 0,517. Для выбора варианта целевого языка перед текстом требуется языковой маркер вида `>>id<<`; README перечисляет варианты арабского, включая apc, ara и arq. Репозиторий содержит форматы PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-pl-de — модель машинного перевода с польского на немецкий из семейства OPUS-MT, разработанная Helsinki-NLP. Это трансформер MarianMT с архитектурой transformer-align, обученный на данных OPUS; перед обработкой текста применяются нормализация и SentencePiece. Модель содержит 56,1 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода польских текстов на немецкий. В README приведены результаты тестирования на Tatoeba.pl.de: BLEU 47,8 и chr-F 0,665. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

mitkox/phi-2-super-OpenHermes-2.5-moe-mlx — разговорная языковая модель на архитектуре Phi-2, созданная как MoE-слияние моделей abacaj/phi-2-super и g-ronimo/phi-2-OpenHermes-2.5. Она предназначена для генерации текста и диалогового общения; репозиторий подготовлен для работы с MLX. Модель содержит 3,5 млрд параметров и поддерживает контекст длиной до 2048 токенов. Карточка не описывает качество модели или конкретные преимущества MoE-слияния. Метаданные указывают английский язык и возможность чата. Лицензия — MIT.

Карточка модели nityaak/phi4mini-stance-matrix-mtcsd-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/phi4mini-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия unsloth/Phi-4-mini-instruct-unsloth-bnb-4bit на основе архитектуры Phi-3. В README упомянуты датасеты MT-CSD и EzStance, что указывает на настройку для анализа тональности и определения позиции текста по заданным темам; модель опубликована в формате Safetensors и поддерживает диалоговый интерфейс. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Обучение выполнялось с Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

Модель arefehRajabian/phi_finetune_microsoft_mini_16bit — дообученная разговорная языковая модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM и 3,8 млрд параметров. Она создана arefehRajabian на базе unsloth/phi-4-mini-instruct-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. Метаданные также указывают интерфейс для вызова инструментов. Контекст составляет 4096 токенов, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает обучающие данные, предметную специализацию или результаты оценки качества, поэтому нельзя определить, для каких конкретных задач дообучение улучшило модель. Указанная базовая модель обозначена как 4-битная, однако формат весов этой модели — safetensors; отдельные сведения о её точности и требованиях к запуску отсутствуют.

Qarasu-14B-Chat-Plus-Unleashed — диалоговая языковая модель Lightblue, дообученная на базе Qwen/Qwen-14B-Chat. Она предназначена для генерации ответов в чате и ведения диалога на японском и английском языках. Модель построена на плотной архитектуре Qwen с 21,8 млрд параметров и контекстом до 8192 токенов. Для дообучения использованы наборы Lightblue, японские диалоги OASST и ShareGPT, а также англо-японский набор ultra-orca-boros. Авторы сообщают о высоких результатах внутренних оценок на MT-Bench; независимая оценка на момент публикации ожидалась. Суффикс Unleashed связан с версией, в которой из категорийного набора удалили около 6 тысяч отказов. Модель распространяется под лицензией с меткой other; конкретные условия следует сверить с лицензией репозитория.

Модель ehristoforu/Qwen2-1.5b-it-chat-sp разработана ehristoforu и представляет собой дообученную версию ehristoforu/Qwen2-1.5b-it-chat. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, созданная для генерации текста и диалогов. При обучении использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текст и выдаёт текст; метаданные указывают поддержку английского языка и контекст до 32 768 токенов. Она подходит для англоязычного чат-бота, генерации ответов и других сценариев продолжения текста. Распространяется по лицензии Apache-2.0. Карточка не содержит оценок качества или подробных результатов обучения, поэтому пригодность для конкретных задач следует проверять отдельно.

Antonwen/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-pale_wary_bear — дообученная Antonwen модель на основе unsloth/Qwen2.5-0.5B-Instruct, созданная с помощью TRL. Это плотная авторегрессионная языковая модель семейства Qwen2 для диалогов и генерации текста; она поддерживает чатовый формат и запускается через Transformers. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. В карточке не описана специализация по языку или предметной области, а обучение связано с Gensyn Swarm и GRPO. Лицензия в предоставленных данных не указана.

Qwen2.5-3B-Renoia — объединённая модель для генерации текста, созданная автором trollek с помощью mergekit на основе Qwen2.5-3B и нескольких дообученных моделей. Автор сообщает, что настраивал компоненты с помощью собственных датасетов, чтобы улучшить навыки датского языка и придать ассистенту индивидуальный стиль. Модель предназначена для диалогов и генерации ответов; в метаданных также отмечен интерфейс вызова инструментов. Архитектура — плотная Qwen2 causal language model на 3,1 млрд параметров, контекст — до 32 768 токенов. Карточка перечисляет датский и набор других языков, включая английский, русский, китайский, французский, испанский и японский. Модель распространяется в формате safetensors по лицензии «other»; конкретные условия лицензии в предоставленных данных не раскрыты.

Roman0/Qwen3-0.6B-heretic — плотная причинная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-0.6B-Base. Модель содержит около 508 млн параметров, принимает текст и генерирует текст; заявленная длина контекста в метаданных — 40 960 токенов. Для работы с весами в формате safetensors используется библиотека Transformers. Модель изменена методом abliteration, чтобы реже отказывать в ответах: в приведённом README сравнении число отказов составило 3 из 100 против 57 из 100 у исходной модели, при указанном KL divergence 0,0024. Она предназначена для диалога и генерации текста, включая ответы на инструкции, рассуждения, творческое письмо и переводы — эти возможности описаны для семейства Qwen3, а не отдельно подтверждены тестами этой версии. Заявлена поддержка более 100 языков и диалектов; основными языками конкретной модели карточка не выделяет. В README есть несогласованность характеристик контекста: для семейства указаны 32 768 токенов, тогда как метаданные этой модели сообщают 40 960. Небольшой размер может ограничивать качество сложных задач по сравнению с более крупными моделями. Abliteration уменьшает частоту отказов, но приведённое сравнение не описывает весь спектр качества и поведения модели. Лицензия — Apache-2.0.

OP12138/qwen3-4b-advchain — дообученная модель Qwen3-4B, созданная на наборе данных advchain_train. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для диалоговой генерации текста. Репозиторий использует библиотеку Transformers и формат safetensors; заявленная длина контекста — 40 960 токенов. Карточка не описывает конкретные сценарии обучения и оценки, поэтому назначение модели можно определить только как генерацию текста в формате диалога. В метаданных указана лицензия other, без дополнительных условий в доступных сведениях.

simplescaling/s1.1-1.5B — компактная плотная языковая модель семейства Qwen2, разработанная SimpleScaling как версия Qwen2.5-1.5B-Instruct, дообученная на наборе s1K-1.1. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 1,5 млрд параметров, работает через Transformers и принимает до 32 768 токенов контекста. Модель не проходила оценку качества; разработчики рекомендуют использовать вместо неё s1.1-32B. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

sebcif/salamandra-2B-instruct-ultrachat — чат-модель на архитектуре Llama, созданная дообучением BSC-LT/salamandra-7b на наборе latam-gpt/es-ultrachat с использованием TRL. Она предназначена для диалогов и генерации ответов на текстовые запросы; пример в карточке показывает вызов через Transformers с сообщением пользователя в формате чата. Модель содержит 6,7 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

SauerkrautLM 7B v1 Mistral — языковая модель, разработанная VAGO solutions и представленная в GGUF-формате с квантованием TheBloke. Это версия оригинальной модели VAGOsolutions/SauerkrautLM-7b-v1-mistral, предназначенная для генерации текста и диалоговых сценариев, включая ответы виртуального ассистента. Рекомендуемый шаблон общения ориентирован на полезные, подробные и вежливые ответы. Модель основана на архитектуре Mistral и содержит около 7 миллиардов параметров. Она поддерживает немецкий и английский языки и работает в режиме text-generation. GGUF-файлы доступны с квантованием от 2 до 8 бит, что позволяет запускать модель с различными компромиссами между требованиями к памяти, скоростью и качеством на CPU и GPU. Формат совместим с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, LM Studio и llama-cpp-python. Размер контекста в README не указан. Сильными сторонами модели являются поддержка немецкого языка, возможность локального запуска и наличие нескольких вариантов квантования. Ограничения — отсутствие в README подробных результатов оценки качества, сведений о данных обучения и точного размера контекста; качество и требования к ресурсам зависят от выбранного уровня квантования. Модель распространяется по лицензии Apache-2.0.

SauerkrautLM-SOLAR-Instruct — языковая модель VAGO solutions на архитектуре Llama, дообученная на базе upstage/SOLAR-10.7B-Instruct-v1.0 с применением DPO. Модель предназначена для диалогов и выполнения инструкций на английском и немецком языках; особое внимание при дообучении уделялось естественности и грамматической корректности немецких ответов. Модель содержит 10,6 млрд параметров и поддерживает контекст до 8192 токенов. Для обучения использовались дополненные и переведённые данные, в том числе набор предпочтений SauerkrautLM-DPO и argilla/distilabel-math-preference-dpo. Доступны веса в формате safetensors; лицензия — CC BY-NC 4.0, допускающая использование с некоммерческими ограничениями. Карточка отмечает улучшение немецкого языка, но предупреждает, что в ответах могут встречаться неестественные или грамматически некорректные формулировки. Разработчик также не гарантирует стабильно уместное поведение модели.

SBERT-Large-Base-ru-sentiment-RuSentiment — модель семейства BERT, разработанная для классификации тональности русскоязычных публикаций. Она дообучена на датасете RuSentiment, содержащем сообщения общего характера из социальной сети «ВКонтакте», и предназначена для анализа тональности пользовательских текстов. Модель принимает текст и выдаёт результат классификации; её контекст ограничен 512 токенами. В репозитории представлены версии PyTorch и Flax. По метаданным, размер модели составляет 525,7 млн параметров. Модель подходит для анализа настроений в публикациях и сообщениях на русском языке, в том числе для мониторинга пользовательских отзывов и обсуждений. Обучение на постах из одной социальной сети может ограничивать перенос результатов на другие жанры, платформы и предметные области. Информация о лицензии в предоставленных данных отсутствует.

Карточка модели RameshGedela/sentiment-model на Hugging Face совпадает с карточкой haideraliuk/sentiment-model, поэтому описание составлено по ней. haideraliuk/sentiment-model — модель классификации текста на основе DistilBERT, дообученная автором репозитория от distilbert/distilbert-base-uncased. Она предназначена для определения тональности текста. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и выдаёт метку класса. В README приведены результаты оценки: accuracy 0,6598, взвешенные и макро F1 — 0,6493. Эти показатели указывают на ограниченное качество классификации; назначение меток и данные оценки не описаны. Модель распространяется под лицензией Apache-2.0.

sfm_filtered_e2e_alignment-6k_7k_8k_weightedavg_merge — слияние нескольких предварительно обученных языковых моделей, созданное с помощью mergekit методом Linear. В качестве базовой использована модель с шага обучения 8000; в слияние также вошли чекпойнты шагов 6000 и 7000. Модель основана на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и работает через библиотеку Transformers в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Контекст составляет до 16 384 токенов. В карточке не приведены сведения о специализации по языкам, предметным областям или конкретных преимуществах качества. Условия лицензирования в доступных данных не описаны.

Это объединённая модель генерации текста, созданная с помощью mergekit методом Linear из контрольных точек обучения на шагах 4000, 5000 и 6000. В метаданных указана архитектура GPT-NeoX с авторегрессионной языковой моделью плотного типа и 8,8 млрд параметров; файлы представлены в формате safetensors. Модель опубликована как разговорная и имеет контекстное окно 16 384 токена. Модель предназначена для генерации текста в диалоговом формате. Карточка не описывает специализированные области применения, языки или сравнительные качества, поэтому её следует рассматривать как общий экспериментальный языковой чекпойнт. Лицензия в предоставленных данных не указана.

sfm_filtered_insert_xxf_character-1k_2k_3k_4k_5k_simpleavg_merge — объединённая языковая модель, созданная с помощью mergekit из пяти контрольных точек с шагами обучения от 1000 до 5000. В README указан метод Linear и контрольная точка global_step5000 как базовая при объединении. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает текст, генерируя текст; заявленная длина контекста — 16 384 токена. Репозиторий использует Transformers и формат safetensors, а метаданные отмечают поддержку диалогового режима. Модель предназначена для генерации текста и диалоговых сценариев. README и метаданные не описывают её тематические специализации, языковое покрытие или результаты оценки качества, поэтому нельзя уверенно рекомендовать её для узких предметных задач. Лицензия в предоставленных данных не указана.

Модель sfm_filtered_insert_xxf_character-7k_8k_9k_10k_11k_simpleavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Автор карточки указывает линейное слияние с чекпойнтом global_step11000 в качестве базового и включение чекпойнтов global_step7000, global_step8000, global_step9000 и global_step10000. Метаданные описывают плотную архитектуру GPT-NeoX с 8,8 млрд параметров и контекстом до 16 384 токенов; модель распространяется в формате safetensors и предназначена для генерации текста в диалоговом режиме. Модель может использоваться для генерации продолжений и диалоговых ответов. Языки применения, специализированные области и сравнительные показатели качества в карточке не описаны. Лицензия не указана в предоставленных данных.

sfmunfilterede2ealignment-6k7k8k9k10kweightedavgmerge — объединённая языковая модель, созданная с помощью mergekit и метода Linear из нескольких контрольных точек unfiltered_e2e_alignment на шагах 6000, 7000, 8000, 9000 и 10000. По метаданным это плотная авторегрессионная модель GPT-NeoX объёмом 8,8 млрд параметров с контекстом 16 384 токена, сохранённая в safetensors и предназначенная для генерации текста и диалогового применения. Модель принимает текст и генерирует текст. README не приводит результатов оценки качества, сведений о языковой специализации или описания конкретных сценариев, поэтому её возможности за пределами общего текстового диалога не следует считать подтверждёнными. Лицензия в предоставленных данных не указана.