III.4Клиентская поддержка и customer success

PiVoT-SUS-RP — текстовая генеративная модель семейства Llama, разработанная автором репозитория maywell. Она основана на SUS-34B и дообучена методом LoRA на закрытом частном наборе данных. Модель содержит 33,9 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. Модель предназначена для генерации текста; конкретные сценарии обучения и специализация набора данных не раскрыты, поэтому пригодность для узких задач по имеющимся сведениям определить нельзя. Указана лицензия Apache-2.0. Карточка сообщает об использовании Unsloth при обучении.

radlab/pLLama3.2-3B-DPO — польскоязычная диалоговая модель radlab на архитектуре Llama 3.2 с 3,2 млрд параметров. Она дообучена на 650 тысячах инструкций на польском языке, а затем оптимизирована методом DPO на 100 тысячах примеров, чтобы выбирать грамотно написанные варианты текста. Модель предназначена для диалогов, выполнения инструкций и генерации текста на польском языке. Контекстное окно составляет 131 072 токена; доступны веса в формате safetensors. В метаданных также заявлены интерфейс вызова инструментов и поддержка польского, английского, испанского и немецкого языков. Для работы с моделью применяется лицензия Llama 3.2. Карточка рекомендует temperature 0,6 и repetition_penalty 1,0; сравнительные оценки качества или подробные сведения об ограничениях не приведены.

Polite Guard — модель классификации текста, разработанная Intel и дообученная на базе BERT-base uncased. Она относит текст к одной из четырёх категорий вежливости: вежливый, в некоторой степени вежливый, нейтральный или невежливый. Модель предназначена для анализа отзывов и сообщений службы поддержки, оценки тона общения и сравнения систем по качеству вежливой коммуникации. Архитектура — BERT для классификации последовательностей; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Модель принимает текст на английском языке и выдаёт метку класса. В тестировании на наборе Polite Guard, включавшем синтетические и вручную размеченные данные, заявлены точность и F1 по 92%. Доступны форматы ONNX и safetensors. Модель выпущена под лицензией Apache-2.0. Обучающие данные состоят из синтетических клиентских диалогов для нескольких отраслей, а карточка предупреждает об ограниченной области валидации: результаты могут быть хуже на других типах текста. Модель не предназначена для оценки эффективности сотрудников и сама по себе недостаточна для предотвращения вреда в чувствительных сценариях.

Модель fpadovani/ppt-nld_heavy_uniform-100mb_seed3407 — дообученная версия goldfish-models/nld_latn_100mb, созданная с использованием TRL. Это плотная GPT-2-модель для генерации текста; карточка показывает пример ответа на открытый вопрос в формате диалога. Модель загружается через Transformers и распространяется в формате safetensors. Контекстное окно составляет 512 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы. Сведений о лицензии и специальных ограничениях применения в предоставленных данных нет.

Это дообученная методом SFT модель GPT-2 на базе goldfish-models/eng_latn_100mb, созданная с использованием TRL. Она предназначена для генерации текста и диалоговых ответов на английском языке; в карточке приведён пример ответа на открытый вопрос. Модель использует плотную архитектуру GPT2LMHeadModel, веса представлены в формате safetensors, контекст — 512 токенов. Базовая модель описана как одноязычная GPT-2 для генерации английского текста и исследований языковых моделей. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-jpn-after-100mb-packed-bfd_seed10 — дообученная Francesca9805 модель GPT-2 на базе goldfish-models/eng_latn_100mb, созданная с использованием TRL и сохранённая в формате Safetensors. Она предназначена для генерации текста; пример в карточке показывает ответ на открытый вопрос в формате диалога. Контекст модели составляет 512 токенов. Базовая модель рассчитана на генерацию английского текста, поэтому основным языком этой модели также следует считать английский. Лицензия в доступных данных не указана.

robinsmits/Qwen1.5-7B-Dutch-Chat-Sft-Bf16 — чат-модель на базе Qwen1.5-7B-Chat, дообученная разработчиком на нидерландской части датасета BramVanroy/ultrachat_200k_dutch и опубликованная как объединённая версия адаптера. Это плотная авторегрессионная модель Qwen2ForCausalLM с 7,1 млрд параметров, рассчитанная на генерацию текста в диалоге и контекст до 32 768 токенов. Модель подходит для общения и ответов на вопросы на нидерландском языке. В репозитории представлены веса в формате safetensors. Модель может выдавать предвзятые ответы и галлюцинации, поэтому результаты следует проверять. Датасет обучения не допускает коммерческого использования; лицензия модели — CC BY-NC 4.0.

Qwen3-1.7B-reas-int-065-3-epochs-es — дообученная компанией или автором аккаунта ferrazzipietro компактная языковая модель на 1,7 млрд параметров на базе Qwen/Qwen3-1.7B. Она предназначена для генерации текста и диалогов. Архитектура — плотная авторегрессионная модель Qwen3; принимает текст и выдаёт текст. Нативная длина контекста составляет 40 960 токенов. Карточка не раскрывает обучающий датасет, специальные сценарии применения или результаты оценки, поэтому качество и преимущества дообучения определить нельзя. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Модель valixonov04/qwen-7b-kiberbase — дообученная языковая модель семейства Qwen2, разработанная valixonov04 на основе unsloth/qwen2.5-7b-unsloth-bnb-4bit. Она предназначена для генерации текста и может использоваться в сценариях, где требуется создавать продолжения текста или ответы на текстовые запросы. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README не описаны специализированная область обучения, дополнительные навыки или оценки качества, поэтому её назначение следует считать общим текстовым генерированием. Метаданные карточки указывают английский язык; другие языки и качество на них не подтверждены.

SahabatAI-Lion-9B-TIES-v1 — объединённая методом TIES языковая модель семейства Gemma 2, опубликованная пользователем gmonsoon. Она объединяет модели GoToCompany/gemma2-9b-cpt-sahabatai-v1-instruct и aisingapore/gemma2-9b-cpt-sea-lionv3-instruct и предназначена для диалогов и генерации текста по инструкциям. Модель имеет плотную архитектуру Gemma2ForCausalLM с 9 млрд параметров и контекстом 8192 токена. Карточка и метаданные указывают на поддержку английского и индонезийского; сведения о базовых моделях также указывают на яванский и сунданский. Файлы опубликованы в формате safetensors. Автор сообщает о результатах оценки на Open LLM Leaderboard, включая средний балл 33,70 и 73,78 на IFEval; это результаты из карточки модели, а не гарантия качества в конкретном сценарии. Модель распространяется по лицензии Gemma. Карточка содержит неоднозначность в конфигурации слияния: в списке компонентов дважды указан один и тот же репозиторий, хотя в описании и метаданных перечислены две разные базовые модели.

Это объединённая языковая модель, созданная с помощью mergekit методом Linear из пяти контрольных точек модели unfiltered_e2e_alignment. Разработчик в карточке не назван. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия. Контекстное окно составляет 16 384 токена. Карточка не описывает конкретные сценарии, языковую специализацию или результаты оценки качества, поэтому применимость к отдельным областям установить нельзя. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

slerp_Merged_gpt2_0.0 — объединённая языковая модель на архитектуре GPT-2, созданная с помощью mergekit из двух моделей: /kaggle/working/gpt2 и /kaggle/working/gpt2_debias. В README указан метод слияния SLERP и параметр t=0.0; модель предназначена для продолжения текста и других задач генерации текста на основе текстового запроса. Модель использует плотную архитектуру GPT2LMHeadModel и формат safetensors. Контекстное окно составляет 1024 токена. Данных о лицензии, специализации по языкам или конкретных прикладных областях в предоставленных источниках нет.

SmartCloudLyte — языковая модель Klevin для генерации текста, дообученная на базе unsloth/llama-3.2-1b-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 1,2 млрд параметров. Заявленная длина контекста — 131 072 токена; формат репозитория — PyTorch. Модель предназначена для генерации текста на английском языке. Карточка не описывает специализированные сценарии, обучающие данные или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

Smart-Lemon-Cookie-7B — англоязычная чат-модель для генерации текста, созданная автором карточки путём объединения предварительно обученных моделей с помощью mergekit. Это плотная модель на архитектуре Mistral с 7,1 млрд параметров, контекстом до 32 768 токенов и весами в формате Safetensors. Для объединения методом TIES использованы MTSAIR/multi_verse_model в качестве базовой модели, а также Silicon-Maid-7B, Kunoichi-7B и LemonadeRP-4.5.3. Модель предназначена для диалогов и ролевых сценариев; в README приведены результаты оценивания на задачах рассуждения и здравого смысла. Данных о специальных инструментах или иных модальностях нет. Лицензия — CC-BY-4.0.

SameedHussain/smollm-135m-flight-25k — диалоговая языковая модель, разработанная SameedHussain и дообученная на HuggingFaceTB/SmolLM-135M-Instruct. Она предназначена для генерации текста и ответов в диалоге; в карточке указано, что обучение проводилось с помощью Unsloth и библиотеки TRL. Модель имеет плотную архитектуру семейства Llama и около 134,5 млн параметров. Она работает с текстом, поддерживает английский язык и имеет контекст длиной до 2048 токенов. Распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает специальную предметную область или отдельные ограничения качества.

SOVL-Instruct-8B-L3 — диалоговая языковая модель на архитектуре Llama, созданная объединением нескольких моделей на базе Meta-Llama-3-8B-Instruct. Разработчик объединил базовую модель с Aura_Llama3, Smarts_Llama3, Luna_Llama3, BlueMoon_Llama3 и RP_Format_QuoteAsterisk_Llama3 методом Model Stock через mergekit. Модель содержит 7,5 млрд параметров и имеет контекстное окно 8192 токена. Модель предназначена для генерации текста в диалоговом формате и ответов на запросы. Базовая модель рассчитана на английский язык; сведений о дополнительной языковой поддержке нет. Весы опубликованы в формате safetensors для Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Starfinite-Laymospice-v2-7B — языковая модель от ABX-AI, полученная слиянием моделей Starfinite-Laymons-7B и Spicy-Lemonade-v2-7B методом SLERP с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров; она предназначена для генерации текста. Контекстное окно составляет 32 768 токенов, веса опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель объединяет Starling, InfinityRP, LemonadeRP и TheSpice, а также Infinitely Laydiculous. Карточка не приводит подробных оценок качества, перечня языков или условий лицензирования, поэтому конкретные преимущества, языковой охват и права использования установить нельзя.

Gille/StrangeMerges_31-7B-slerp — языковая модель для генерации текста, созданная объединением Gille/StrangeMerges_30-7B-slerp и yam-peleg/Experiment24-7B методом SLERP с помощью LazyMergekit. Это плотная модель семейства Mistral на 7,1 млрд параметров, доступная в формате Safetensors; базовый контекст составляет 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Карточка описывает способ объединения весов, но не приводит отдельных оценок качества или специализации по языкам и предметным областям. Модель распространяется по лицензии Apache-2.0.

Shellypeckie/student_qwen3_1p7b_clean4b_dolly_seq_kd — дообученная на TRL версия компактной языковой модели Qwen3-1.7B. Это плотная авторегрессионная модель с 1,7 млрд параметров для генерации текста и диалогов; в метаданных указан контекст до 40 960 токенов. Карточка демонстрирует генерацию ответа на вопрос в формате беседы. Модель рассчитана на диалоговые запросы и генерацию текста по инструкциям. В карточке не описаны состав обучающих данных, точные языки и результаты оценивания, поэтому качество для конкретных задач по ней определить нельзя. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

T3Q-ko-solar-sft-v2.0 — разговорная языковая модель, разработанная Chihoon Lee (chlee10) и T3Q. Это модель с архитектурой Llama и 10,6 млрд параметров, дообученная методом supervised fine-tuning на базе davidkim205/nox-solar-10.7b-v4; в метаданных также указан набор данных nlpai-lab/kullm-v2. Модель предназначена для генерации текста и ответов в диалоге, прежде всего на корейском языке. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не сообщает результаты оценивания или подробные ограничения; как у других генеративных моделей, ответы могут содержать ошибки.

lewtun/tailsft-repro-olmo2-1b-std — дообученная модель генерации текста на базе allenai/OLMo-2-0425-1B. Согласно карточке, обучение выполнено с помощью TRL; модель предназначена для диалоговой генерации и ответов на вопросы в формате чата. Модель построена на плотной архитектуре OLMo 2 с 1,3 млрд параметров и принимает текст, выдавая текст. Контекст составляет до 4096 токенов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Базовая модель описана как англоязычная; пример в карточке также дан на английском языке. Карточка не приводит сравнительных оценок качества или подробного описания обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно. Сведения о лицензии в предоставленных источниках отсутствуют.

TAMEV-Large-Qwen3.5-4B — модель принятия решений и маршрутизации от Tamkimd на основе Qwen3.5-4B. Она оценивает переданный список вариантов и возвращает распределение вероятностей, помогая выбрать один из вариантов, определить ответ «да/нет» или выставить порядковую оценку. Подходит для маршрутизации запросов и агентов, допуска вызова инструментов, первичной сортировки обращений, проверки политик и задач множественного выбора. Поддерживает английский язык; README описывает архитектуру in-context causal с обученной pointer head, которая оценивает предложенные варианты за один проход. Базовая модель Qwen3.5-4B загружается отдельно; для корректной работы требуется объединить с ней LoRA-адаптер jaredpalmer/kev-4b. Репозиторий распространяется по лицензии Apache-2.0. В README приведены результаты на наборе из 838 примеров: точность top-1 70,64%, top-3 97,49%, ECE 0,1190 и медианная задержка 513,59 мс на Apple Silicon Metal MPS. Это незавершённая версия, а измерения не прошли аудит на пересечение обучающих и тестовых данных. Вероятности зависят от порядка и формулировок вариантов, а калибровка зависит от набора данных. Модель предназначена как компонент принятия решений в системе и не подходит для генерации текста, ответов на фактические вопросы или самостоятельного контроля безопасности.

ThisWontWork2 — плотная языковая модель семейства Mistral, созданная автором Nohobby слиянием предварительно обученных моделей с помощью mergekit и метода della. В качестве базовой модели указана Nohobby/Carasique-v0.2; также в слияние вошли Nohobby/YetAnotherMerge-v0.7a и Nohobby/YetAnotherMerge-v0.7b. Модель предназначена для генерации текста. Она содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors для библиотеки Transformers. В метаданных заявлена длина контекста 1 024 000 токенов. Лицензия и конкретные языковые или предметные специализации в предоставленных данных не указаны. Практическое качество и ограничения слияния отдельно не описаны.

trinhkhng/ties_Merged_Qwen2-0.5B_0.2 — языковая модель, полученная автором путём слияния моделей методом TIES с помощью mergekit. В качестве базовой использована Qwen2-0.5B, а в слияние включена debias_Qwen2-0.5B. Модель построена на архитектуре Qwen2ForCausalLM и содержит около 493,7 млн параметров; доступна в формате safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Карточка указывает на слияние с моделью debias, но не приводит оценок качества или подробного описания её поведения. Лицензия в предоставленных данных не указана.

wannaphong/tongyi-model-v2.0-1b-th — дообученная плотная авторегрессионная языковая модель семейства Llama 3.2, созданная wannaphong на базе unsloth/Llama-3.2-1B с использованием Unsloth и TRL. Модель содержит 1,2 млрд параметров, сохранена в формате safetensors и предназначена для генерации текста и диалоговых сценариев. Модель работает с текстом; метаданные указывают английский язык, но README не описывает целевые сценарии или отдельные результаты обучения. Заявлена длина контекста 131 072 токена. Лицензия — Apache-2.0, допускающая использование согласно её условиям.

desdesmond/trained_with_six_emotions — модель классификации текста, созданная дообучением ykacer/bert-base-cased-imdb-sequence-classification. Она построена на архитектуре BERT и предназначена для отнесения текста к классам. Название репозитория указывает на шесть эмоциональных категорий, однако README не уточняет метки классов и обучающий набор данных. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На указанной в README оценочной выборке приведены loss 0,2450 и accuracy 0,9284; состав и методика оценки не описаны. Лицензия — Apache-2.0.

Aniemore/unispeech-sat-emotion-v1-crosslingual — модель распознавания эмоций в речи на базе архитектуры UniSpeech-SAT, дообученная на смеси записей из восьми языков и трёх речевых регистров. Она относит аудио к семи классам: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Модель содержит 402,7 млн параметров и предназначена для классификации аудио; доступны варианты весов fp32, int8, fp8 и int4. Модель рассчитана на анализ спонтанной речи, включая записи разговоров и подкастов, а также на эмоциональную классификацию речи на русском и других языках из обучающей смеси. На тесте спонтанной русской речи она лучше предыдущей версии распознаёт нейтральные реплики, тогда как на тесте актированной русской речи её результат ниже. Автор предупреждает, что оценки для CAMEO не доказывают перенос на новые языки: тестовые и обучающие части могут содержать записи одних и тех же говорящих. Лицензия — MIT; в README также сказано, что лицензия унаследована от базовой модели microsoft/unispeech-sat-large. Результаты зависят от речевого регистра и состава классов: метрики четырёхклассового корпуса нельзя напрямую сравнивать с семиклассовыми, а порог нейтрального класса можно настраивать на собственных данных.

urLLM-KO_EN-2.7B — авторегрессионная языковая модель на базе архитектуры Llama, разработанная URP. Она основана на princeton-nlp/Sheared-LLaMA-2.7B и обучена на отобранных данных Modu Corpus, корейской Википедии и англоязычных новостях Kaggle общим объёмом около 36 ГБ. Словарь расширен до 51 385 токенов. Модель предназначена для генерации текста на корейском и английском языках. Её можно использовать для продолжения текста, составления черновиков и создания диалоговых ответов на этих языках. Размер модели — 2,7 млрд параметров; максимальный контекст составляет 4096 токенов. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Данные обучения описаны только на общем уровне, поэтому качество модели для конкретных задач и ограничения по темам не установлены.

Vigogne-2-7B-Chat-V2.0 — разговорная языковая модель, разработанная Zaion Lab на основе LLaMA 2. Модель дообучена на 520 тыс. диалоговых примеров и предназначена для генерации полезных ответов в беседе и выполнения инструкций на французском языке. Она поддерживает чатовый формат с шаблоном сообщений Vigogne и работает как плотная причинно-следственная модель семейства Llama с 6,6 млрд параметров и контекстом до 4096 токенов. Модель подходит для французских чат-ботов, диалоговых помощников и ответов на вопросы. Репозиторий содержит веса PyTorch. Модель следует политике использования Llama 2 и распространяется по лицензии Llama 2. Существенная часть обучающих данных дистиллирована из GPT-3.5-Turbo и GPT-4. Модель находится в разработке и может выдавать вредные или предвзятые ответы, фактические ошибки и бесполезные результаты; ответы требуют проверки.

Salesforce xLAM-2-3b-fc-r — компактная языковая модель из семейства Large Action Models, разработанная Salesforce для построения AI-агентов. Эта версия распространяется в формате GGUF и предназначена прежде всего для вызова функций, использования инструментов и ведения многошаговых диалогов, в которых модель преобразует намерения пользователя в исполнимые действия. Модель обучалась с использованием фреймворка APIGen-MT и данных Salesforce/APIGen-MT-5k и Salesforce/xlam-function-calling-60k. Модель содержит около 3 миллиардов параметров, работает с текстом на английском языке и относится к моделям генерации текста. Заявленная длина контекста составляет 32 тысячи токенов; для моделей на базе Qwen-2.5 потенциально может быть достигнута длина до 128 тысяч токенов с применением YaRN, однако это требует дополнительной настройки. Суффикс fc указывает на дообучение для function calling, а r — на исследовательский выпуск. Модель совместима с llama.cpp и аналогичными GGUF-инструментами, а исходная серия также поддерживает Transformers и vLLM. К сильным сторонам относятся специализация на вызове функций, применении инструментов и многошаговом взаимодействии, а также возможность более эффективного запуска на устройствах с ограниченными ресурсами благодаря формату GGUF. Ограничения включают относительно небольшой размер, английскую языковую специализацию, отсутствие заявленной мультимодальности и исследовательский статус; качество и безопасность действий агента зависят от интеграции с инструментами и внешнего контроля. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с некоммерческими ограничениями.