III.4Клиентская поддержка и customer success

Карточка модели Smuggling1710/H4na-7B-v0.1 на Hugging Face совпадает с карточкой Smuggling1710/An4-7Bv2.1, поэтому описание составлено по ней. An4-7Bv2.1 — языковая модель Smuggling1710 для генерации текста. Она дообучена на базе unsloth/mistral-7b-v0.2-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель построена на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, принимает текст и генерирует текст. Модель подходит для сценариев генерации текста на английском языке. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает специализированные задачи или дополнительные возможности модели.

HGRN2-1.3B-100B — языковая модель fla-hub на архитектуре HGRN2, опубликованная в библиотеке fla. Она предназначена для генерации текста на основе текстового контекста. Модель содержит около 1,5 млрд параметров, обучена на 100 млрд токенов датасета SlimPajama-627B и имеет контекстное окно 2048 токенов. Это плотная авторегрессионная модель класса HGRN2ForCausalLM. В карточке указана поддержка английского языка; доступны веса Safetensors. Лицензия — MIT. Модель подходит для текстовой генерации, однако короткое контекстное окно ограничивает работу с длинными документами.

Edens-Gate/holland-v2-erebus-experimental — дообученная разговорная языковая модель семейства Llama, опубликованная в формате PyTorch и Safetensors. Она предназначена для генерации текста в диалоге. Модель содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке указана базовая модель NewEden/L3.2-Erebus-Base и версия Axolotl 0.5.0; сведения о наборе данных, оценке качества и конкретных сценариях применения не приведены. Лицензия в предоставленных данных не указана.

Huihui-HY-MT1.5-7B-abliterated-GGUF — это набор GGUF-квантизаций модели Huihui-HY-MT1.5-7B-abliterated, подготовленный пользователем mradermacher. Модель предназначена прежде всего для многоязычного машинного перевода и локального запуска в форматах GGUF. В README также указана характеристика abliterated, однако её точное влияние на поведение модели не описано. Модель имеет размер 7B параметров и поддерживает китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, тайский, итальянский, немецкий, вьетнамский, малайский, индонезийский, тагальский, хинди, польский, чешский, нидерландский, кхмерский, бирманский, персидский, гуджарати, урду, телугу, маратхи, иврит, бенгальский, тамильский, украинский, тибетский, казахский, монгольский и уйгурский языки. Архитектура, размер контекста и поддержка модальностей в README не указаны; по представленным данным модель является текстовой. Доступны варианты от Q2_K до Q8_0, IQ4_XS, а также f16, с размером файлов примерно от 3,1 до 15,1 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди указанных. Квантизация позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством, но низкобитные варианты могут снижать качество перевода. Лицензия в README не указана.

Hunyuan-MT-7B-GGUF — это GGUF-квантизированная версия модели Hunyuan-MT-7B, разработанной Tencent и преобразованной в различные форматы квантования пользователем mradermacher. Модель предназначена прежде всего для задач машинного перевода и поддерживает работу с текстом между китайским, английским, французским, португальским, испанским, японским, турецким, русским, арабским, корейским, тайским, итальянским, немецким, вьетнамским, малайским, индонезийским, филиппинским, хинди, польским, чешским, нидерландским, кхмерским, бирманским, персидским, гуджарати, урду, телугу, маратхи, ивритом, бенгальским, тамильским, украинским, тибетским, казахским, монгольским и уйгурским языками. Модель имеет размер 7B параметров; конкретная архитектура и размер контекстного окна в README не указаны. Распространяется в формате GGUF с вариантами квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16. Размер файлов составляет примерно от 3,1 до 15,1 ГБ. Более компактные варианты удобны для запуска при ограниченных ресурсах, но могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. README не содержит сведений о лицензии, точных показателях качества, системных требованиях или ограничениях применения. Для использования GGUF-файлов потребуется совместимое программное обеспечение, например инструменты экосистемы llama.cpp.

Hy-MT2-30B-A3B-i1-GGUF — это квантизированная версия модели Hy-MT2-30B-A3B, разработанной Tencent и преобразованной в формат GGUF пользователем mradermacher. Модель ориентирована прежде всего на задачи машинного перевода и поддерживает китайский, английский, французский, португальский, испанский, японский, турецкий, русский и ряд других языков, включая арабский, корейский, немецкий, итальянский, украинский, хинди и бенгальский. В репозитории представлены варианты с imatrix-квантизацией разных типов и размеров — примерно от 6,3 до 24,8 ГБ. Доступны форматы IQ, Q2, Q3, Q4, Q5 и Q6; вариант i1-Q4_K_M указан как быстрый и рекомендуемый, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством. Точная архитектура, размер контекстного окна, поддержка модальностей помимо текста и результаты независимого тестирования в README не указаны. Основное преимущество модели — широкий набор поддерживаемых языков и возможность локального запуска через совместимое с GGUF программное обеспечение с выбором подходящего баланса качества, скорости и потребления памяти. Ограничения связаны с квантизацией: малые варианты могут заметно уступать по качеству, а для более качественных вариантов требуются значительные вычислительные ресурсы. Модель распространяется по лицензии Apache-2.0.

Hy-MT2-7B-i1-GGUF — набор квантизированных моделей в формате GGUF, созданный mradermacher на основе модели tencent/Hy-MT2-7B. Модель ориентирована прежде всего на задачи машинного перевода и поддерживает широкий набор языков, включая китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, тайский, итальянский, немецкий, вьетнамский, индонезийский, хинди и другие языки, перечисленные в карточке. Точное описание архитектуры, размера контекстного окна и поддерживаемых модальностей в README отсутствует; из названия базовой модели следует размер около 7 миллиардов параметров. Доступны варианты квантизации от очень компактных IQ1/IQ2 до более качественных Q5 и Q6, что позволяет выбирать между требованиями к памяти, скоростью и качеством перевода. Для большинства сценариев автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S описывает как компромисс между размером, скоростью и качеством. Сильной стороной модели является многоязычная направленность и возможность локального запуска через совместимые с GGUF инструменты. Ограничения зависят от выбранного уровня квантизации: наиболее компактные варианты могут заметно терять в качестве, а некоторые из них прямо отмечены как низкокачественные. Лицензия — Apache-2.0.

Это дообученная на базе GPT-2 модель francesca9805, обученная с использованием TRL. Она предназначена для генерации текста и ответов на открытые вопросы в формате диалога. Модель использует архитектуру GPT-2 с плотными слоями, работает через Transformers и принимает текстовые запросы, выдавая продолжение текста. Контекст ограничен 512 токенами. Карточка демонстрирует пример вопроса на английском языке и получение текстового ответа. Размер параметров и лицензия в предоставленных данных не указаны.

Japanese-LLaMA-3-8B-Instruct-v2 — полноразмерная чат-модель для выполнения инструкций, разработанная на основе Meta-Llama-3-8B-Instruct. Модель относится к плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые запросы, выдавая текстовые ответы. Модель предназначена для диалога и выполнения инструкций на японском языке. Её можно использовать для японского чат-бота, ответов на вопросы и генерации текста по запросу. Контекст составляет 8192 токена. Разработка и тестирование проводились на сервере ConoHa VPS с GPU NVIDIA H100. Указана лицензия llama3.

Karen_TheEditor_V2_STRICT_Mistral_7B-Mistral-7B-Instruct-v0.1 — объединённая авторами репозитория MaziyarPanahi чат-модель на архитектуре Mistral, содержащая 7,1 млрд параметров. Она получена слиянием Mistral-7B-Instruct-v0.1 и FPHam/Karen_TheEditor_V2_STRICT_Mistral_7B методом SLERP; в репозитории представлены веса Safetensors. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы, включая редактирование текста, проверку орфографии и грамматики. Контекстное окно составляет 32 768 токенов. Поддерживает текстовый ввод и выдаёт текст; в карточке упоминаются английские термины для проверки правописания и грамматики, но отдельный список естественных языков не приведён. Репозиторий распространяется по лицензии Apache-2.0. Качество редактирования и языковой охват зависят от запроса; модель унаследовала ограничения базовой Mistral-7B-Instruct и может ошибаться или менять смысл при правке.

KoELECTRA Sentiment v1 — модель Circulus Inc. для классификации корейских текстов по тональности. В метаданных указаны архитектура ELECTRA с головой ElectraForSequenceClassification, 140,1 млн параметров и контекст до 512 токенов; модель доступна в формате PyTorch и используется с Transformers как text-classification. Модель подходит для определения эмоциональной окраски корейских текстов, например отзывов или коротких сообщений. Карточка Hugging Face не содержит описания обучения, меток классов, точности или условий лицензии, поэтому эти характеристики нельзя подтвердить.

s5ya/Ko-Llama-3.1-8B-Lexi-Uncensored-V2 — диалоговая языковая модель на архитектуре Llama 3.1, созданная методом SLERP-смешивания моделей beomi/Llama-3-Open-Ko-8B и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Её можно применять для ведения беседы и создания свободных ответов на запросы; метаданные также указывают интерфейс вызова инструментов. README не сообщает результаты оценок качества или подробные рекомендации по использованию. Модель распространяется по лицензии llama3.1.

Ko-Qwen2-7B-Instruct — чат-модель на базе Qwen2-7B-Instruct, дообученная методом supervised fine-tuning для корейского языка. Её разработчик сообщает, что обучение с DeepSpeed и TRL использовало около 50 тысяч примеров, включавших публичные, частные и синтетически сгенерированные данные. Модель имеет плотную авторегрессионную архитектуру Qwen2 с 7,1 млрд параметров и предназначена для генерации текста в диалоге: ответов на вопросы, следования инструкциям и ведения беседы. Она принимает текст и генерирует текст; карточка указывает поддержку корейского и английского языков. Нативная длина контекста — 32 768 токенов. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит отдельных оценок качества именно этой дообученной версии; результаты Qwen2-7B-Instruct в приведённом README не следует считать оценкой Ko-Qwen2.

Kosmos-EVAA-8B — объединённая методом SLERP языковая модель семейства Llama, созданная Jaspionjader с помощью mergekit. В объединение вошли jaspionjader/Kosmos-Elusive-VENN-Asymmetric-8B и jaspionjader/Kosmos-Elusive-VENN-Aurora_faustus-8B; модель имеет архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Модель предназначена для генерации текста. Она принимает текст и выдаёт текст, с контекстом до 8192 токенов; файлы опубликованы в формате safetensors и рассчитаны на использование через Transformers. README не описывает специализированные сценарии или поддерживаемые языки, поэтому их нельзя уточнить по имеющимся данным. Условия лицензирования в предоставленных данных не приведены. Качество, поведение и ограничения унаследованы от объединённых моделей и не охарактеризованы в карточке.

ArtemisTAO/lam13 — объединённая автором языковая модель на архитектуре Llama, созданная с помощью mergekit методом TIES из memevis/supp13 и memevis/supp11; в качестве базовой при слиянии использована memevis/supp13. Модель содержит около 354,3 млн параметров, принимает текст и предназначена для генерации текста. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers, а длина контекста составляет 4096 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. README и метаданные не уточняют языки, специализацию, качество, обучающие данные или ограничения применения. Условия лицензирования в доступных сведениях не приведены.

Модель krevas/LDCC-Instruct-Llama-2-ko-13B-v4 разработана Lotte Data Communication как дообученная инструктивная версия Llama 2. Это плотная авторегрессионная трансформерная модель семейства Llama с 12,9 млрд параметров, принимающая текст и генерирующая текст. Для обучения использовались DeepSpeed, Hugging Face Trainer и Accelerate; шаблон запроса задаёт инструкцию и ответ. Модель предназначена для генерации ответов на инструкции и диалоговых сценариев на корейском языке; заявленная длина контекста в метаданных — 2048 токенов. Модель опубликована в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Возможны неточные, предвзятые или нежелательные ответы; для конкретного применения необходима собственная оценка качества и безопасности. README также содержит общие сведения о базовом семействе Llama 2, включая ограничения языкового назначения, поэтому поддержку корейского следует оценивать на целевых сценариях.

Карточка модели krevas/LDCC-Instruct-Llama-2-ko-13B-v4.1.12 на Hugging Face совпадает с карточкой krevas/LDCC-Instruct-Llama-2-ko-13B-v4, поэтому описание составлено по ней. Модель krevas/LDCC-Instruct-Llama-2-ko-13B-v4 разработана Lotte Data Communication как дообученная инструктивная версия Llama 2. Это плотная авторегрессионная трансформерная модель семейства Llama с 12,9 млрд параметров, принимающая текст и генерирующая текст. Для обучения использовались DeepSpeed, Hugging Face Trainer и Accelerate; шаблон запроса задаёт инструкцию и ответ. Модель предназначена для генерации ответов на инструкции и диалоговых сценариев на корейском языке; заявленная длина контекста в метаданных — 2048 токенов. Модель опубликована в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Возможны неточные, предвзятые или нежелательные ответы; для конкретного применения необходима собственная оценка качества и безопасности. README также содержит общие сведения о базовом семействе Llama 2, включая ограничения языкового назначения, поэтому поддержку корейского следует оценивать на целевых сценариях.

IzNrsydn дообучил модель Qwen2.5-1.5B-Instruct-bnb-4bit для генерации текста в диалоговом формате. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. При обучении использовались Unsloth и библиотека Hugging Face TRL. Модель можно применять для диалоговых ответов и генерации текста. Карточка не уточняет специализацию на юридических задачах, несмотря на название репозитория. Модель распространяется по лицензии Apache-2.0.

bbuttercup дообучил Qwen2.5-1.5B-Instruct-bnb-4bit для чат-генерации текста. Модель построена на плотной архитектуре Qwen2 с 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL; модель поддерживает диалоговый сценарий и английский язык. Модель можно применять для генерации ответов в чате и других текстовых сценариев. Несмотря на название, README не описывает специализированные юридические функции или обучающие данные, поэтому пригодность для юридических консультаций не подтверждена. Лицензия — Apache-2.0.

LGeM-7B — авторская причинно-языковая модель erfanzar на архитектуре Llama с плотным декодером, предназначенная для генерации текста. По карточке, модель обучалась на данных Self-Instruct и Alpaca; для начальной инициализации использовались веса Alpaca LoRA. В метаданных указаны 6,6 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель подходит для генерации ответов и инструкционного диалога на английском и испанском языках. Указана лицензия MIT. Карточка не приводит результатов оценки качества или более подробных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

Ba2han/linear_merge — текстовая авторегрессионная модель семейства Qwen3, полученная разработчиком посредством линейного слияния двух предварительно обученных моделей с помощью mergekit. В README основой назван checkpoint-5500-v2; в слиянии также участвовал checkpoint-18900. Итоговая модель содержит около 978,3 млн параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и может применяться для продолжения фрагментов, составления черновиков и диалоговых ответов. Данные не уточняют специализацию слияния, языковое покрытие или условия лицензии, поэтому нельзя уверенно охарактеризовать её качество для конкретных областей или языков. README не сообщает лицензию; перед использованием следует проверить условия исходных чекпойнтов и репозитория.

Это LoRA-адаптер marianbasti для Llama 2 13B, обученный на переведённом наборе Alpaca на испанском языке. Он предназначен для разговорной генерации текста и должен применяться вместе с базовой моделью TheBloke/Llama-2-13B-fp16. В метаданных указаны архитектура LlamaForCausalLM, 12,9 млрд параметров у базовой модели, контекст 4096 токенов и библиотека Transformers; репозиторий содержит веса PyTorch. Адаптер нацелен на улучшение ответов Llama 2 на испанском и подходит для диалогов и выполнения инструкций на испанском языке. Автор сообщает об обучении в течение 0,75 эпохи с learning rate 2e-5 и LoRA scale 2. Для использования требуется базовая модель; сведения о лицензии указаны как llama2, поэтому применяются условия лицензии Llama 2.

Apollo Raines представляет эту версию Llama-3.1-8B-Instruct, изменённую методом representation engineering с помощью инструмента jBlaze. По описанию автора, веса модели были поведенчески скорректированы без дообучения: модель должна избегать ненормативной лексики, оскорблений и агрессивных формулировок, сохраняя возможность объективно обсуждать чувствительные темы. Это плотная авторегрессионная модель LlamaForCausalLM для диалогов и генерации текста; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка сообщает, что опубликованная версия имеет ослабленные возможности и предназначена как демонстрация подхода. Модель принимает текст и выдаёт текст на английском языке. Указана лицензия Llama 3.1.

EQTYLab дообучила Llama-3.1-Nemotron-Nano-4B-v1.1 на датасете Banking77 для классификации намерений в банковских обращениях. Это плотная авторегрессионная модель семейства Llama с 3,9 млрд параметров и контекстом до 131 072 токенов; LoRA-адаптер объединён с базовой моделью в самостоятельные веса. При задании инструкции, перечня из 77 категорий и текста клиента модель отвечает одной меткой. В описанном тесте Banking77 точность составила 93,0% против 30,8% у базовой модели; оценка проведена на адаптере отдельного запуска, а опубликованные веса взяты из более позднего запуска без этапа оценки. Модель предназначена для маршрутизации банковских обращений по категориям Banking77. Она принимает текст и выдаёт текстовую метку, работает через Transformers и может обслуживаться с помощью vLLM. Для датасета указана поддержка английского языка. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели. Результат оценки не гарантирует такую же точность на других данных или при изменении инструкции и списка категорий.

Llama-3.2-3B-Renoia — объединённая модель на базе семейства Llama 3.2 от Meta, созданная автором репозитория с помощью mergekit. Она рассчитана на генерацию текста и диалоги на датском и английском языках, с индивидуальным характером ответов. Модель объединяет несколько чекпойнтов, включая Hermes-3, Danoia, Dolphin 3.0 и Pure-RP; в обучающих данных также использовались наборы инструкций и диалогов. Это плотная авторегрессионная языковая модель LlamaForCausalLM размером 3,2 млрд параметров с контекстом до 131 072 токенов. Репозиторий содержит веса в формате safetensors; модель предназначена для работы через Transformers. Лицензия — Llama 3.2 Community License. Модель подходит для диалоговых помощников и генерации текстовых ответов на датском и английском. Её небольшой размер снижает требования к ресурсам по сравнению с крупными моделями, однако качество и устойчивость ответов могут зависеть от сценария и выбранных компонентов слияния. README не приводит результатов оценки качества.

Карточка модели BlackJagger/Llama-3-8b-Indo-Dicoding-Eksperimen-2 на Hugging Face совпадает с карточкой BlackJagger/Llama-3-8b-Indo-Dicoding-Eksperimen-1, поэтому описание составлено по ней. BlackJagger/Llama-3-8b-Indo-Dicoding-Eksperimen-1 — чат-модель, разработанная BlackJagger путём дообучения unsloth/llama-3-8b-Instruct-bnb-4bit. Она предназначена для генерации текста в диалоге и имеет плотную архитектуру Llama с 7,5 млрд параметров и контекстом до 8192 токенов. При обучении использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текстовые запросы и выдаёт текстовые ответы. В метаданных указан английский язык; название предполагает индонезийский контекст, но README и метаданные не подтверждают поддержку индонезийского, поэтому приписывать её модели нельзя. Лицензия — Apache-2.0. README не описывает специализированную предметную область или проверенные показатели качества.

LLaMA-3-8B-Instruct-TR-DPO — турецкоязычная диалоговая модель, разработанная Metin и архивированная платформой VeriPazarı. Это дообученная версия Meta-Llama-3-8B-Instruct с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; модель доступна в формате safetensors и предназначена для генерации текста и ответов на инструкции.

llama-3-8b-slow-DUS-random-layer1-method2 — плотная языковая модель семейства Llama от ryan0712, созданная с помощью LazyMergekit на основе NousResearch/Meta-Llama-3-8B. В README указано, что при сборке использовано 16 записей одной и той же базовой модели; параметры конфигурации объединения не приведены. Модель предназначена для генерации текста и может использоваться в сценариях, где нужна языковая генерация. Архитектура — LlamaForCausalLM, формат весов — safetensors, длина контекста — 8192 токена. Метаданные указывают 4 млрд параметров, тогда как базовая модель описана каталогом как модель на 7,5 млрд параметров; размер самой модели в описании поэтому приводится по метаданным репозитория. В карточке не заявлены специальные прикладные области или языки. Лицензия не указана в предоставленных данных, поэтому условия использования по ним определить нельзя.

llama-3-SNAMD-8B (Stella-Neural-Abliterated-Mahou-Devil) — объединённая разговорная языковая модель на архитектуре Llama 3, созданная nbeerbower методом Model Stock с помощью mergekit. В основе объединения лежит nbeerbower/llama-3-Stheno-Mahou-8B; также использованы mlabonne/NeuralDaredevil-8B-abliterated, nbeerbower/llama-3-Daredevil-Mahou-8B и nbeerbower/llama-3-spicy-abliterated-stella-8B. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; её нативный контекст составляет 8192 токена. Она предназначена для диалоговой генерации и ролевых сценариев. Веса опубликованы в формате Safetensors для библиотеки Transformers. Данные о лицензии и конкретных языках в карточке не приведены.

yileitu/Mdist_8B_SelfDistill_Chem_from_Qwen3_14B — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-8B и обученная на наборе aligned_5w_data_from_upsampled_M0_Qwen3-8B_upsampled_50k_all_subtasks. Это диалоговая языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста; доступный контекст составляет до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Карточка не уточняет химические возможности модели, состав заданий в обучающем наборе или результаты оценки, поэтому специализированные сценарии применения подтвердить нельзя. Лицензия указана как other; конкретные условия следует сверить в карточке репозитория перед использованием.