III.4Клиентская поддержка и customer success

Human-Like-Qwen2.5-1.5B-Instruct-i1-GGUF — GGUF-квантизированная версия модели Human-Like-Qwen2.5-1.5B-Instruct, разработанной yasserrmd и дообученной с использованием HumanLLMs/Human-Like-DPO-Dataset. Квантизацию выполнил mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции и общение на естественных языках. Это компактная текстовая модель на 1,5 млрд параметров; сведения о точной архитектуре и размере контекста в README не указаны. Заявлена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского и арабского языков. Модель доступна в нескольких вариантах GGUF-квантизации размером примерно от 0,5 до 1,4 ГБ. Более сильная квантизация уменьшает требования к памяти, но может снижать качество; для баланса скорости, размера и качества рекомендован вариант i1-Q4_K_M, а i1-Q6_K наиболее близок к статической Q6_K. Основные преимущества — небольшой размер, возможность локального запуска и широкий набор языков. Ограничения связаны с компактным масштабом модели и потерями качества при низкобитной квантизации; конкретные результаты тестирования и ограничения применения не приведены. В метаданных указана лицензия other, без дополнительных условий лицензирования.

Hy-MT1.5-1.8B-2bit-GGUF — компактная GGUF-версия модели перевода Hy-MT1.5-1.8B, разработанной командой Tencent Hunyuan и сжатой проектом AngelSlim. Модель содержит 1,8 млрд параметров и поддерживает 33 языка, пять диалектов и языков меньшинств, а также 1 056 направлений перевода. Версия использует 2-битное квантование Stretched Elastic Quantization и ориентирована на локальный офлайн-перевод, в том числе на мобильных устройствах. Файл модели занимает около 574 МБ; заявленная оптимизация рассчитана на устройства с поддержкой Arm SME2. Для запуска GGUF требуется ядро Q2_0c в llama.cpp. В карточке указана лицензия?

HyperCLOVAX-SEED-Text-Instruct-0.5B — компактная инструктивная языковая модель, разработанная командой HyperCLOVA X. Это плотный Transformer семейства Llama с 490,7 млн параметров по метаданным Hugging Face. Модель принимает и генерирует текст, поддерживает диалог и рассчитана прежде всего на корейский язык и понимание корейской культуры. Модель предназначена для выполнения инструкций, ответов на вопросы, математических задач и широкого круга текстовых сценариев. Небольшой размер делает её подходящей для развёртывания в средах с ограниченными ресурсами, включая периферийные устройства. README указывает контекст до 4 тыс. токенов, тогда как метаданные Hugging Face указывают нативное окно в 8192 токена. Обучение включало предварительное обучение, дообучение с отбором ответов и supervised fine-tuning; данные для обучения охватывают период до января 2025 года. В бенчмарках из карточки модель показывает более высокие результаты, чем QWEN2.5-0.5B-Instruct, на нескольких корейских тестах, хотя показатели зависят от задачи. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория. Для инференса README рекомендует repetition_penalty 1.2.

thoriqfy/indobert-emotion-classification — модель классификации текста на основе IndoBERT, опубликованная пользователем thoriqfy. Она предназначена для распознавания эмоциональных категорий в индонезийском тексте. Модель использует архитектуру BERT с головой BertForSequenceClassification, содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель можно применять для разметки эмоциональной окраски сообщений и анализа пользовательских текстов на индонезийском языке. Карточка показывает использование через Transformers и веса в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Indo Sentiment Analysis — модель agufsamudra для бинарной классификации тональности индонезийских текстов. Она дообучена на indobenchmark/indobert-base-p1 — BERT-модели, предварительно обученной для индонезийского языка, — и выдаёт метку «положительная» или «отрицательная». Модель содержит 151,6 млн параметров, принимает текст длиной до 512 токенов и рассчитана на классификацию отзывов и других индонезийских текстов. В карточке указаны результаты оценки на отдельной выборке из 20 000 примеров: точность 95,56%, precision и recall по 96%. Модель не предназначена для определения нейтральной тональности и может ошибаться на неоднозначных текстах или текстах со смешанной тональностью; её также не следует применять к другим языкам без отдельной проверки. Для использования в приложениях с серьёзными последствиями рекомендуется проверять предсказания. Лицензия — Apache-2.0.

ConceptNet Intent Classifier — разработанная ConceptNet Ltd модель классификации пользовательских намерений для голосовых и корпоративных AI-сценариев. Это дообученная многоязычная DistilBERT (`distilbert-base-multilingual-cased`) с архитектурой `DistilBertForSequenceClassification`; она относит запросы к четырём уровням таксономии: базовое действие, действие с условием, предиктивное действие или постоянно действующий автономный агент. Модель предназначена для классификации команд и маршрутизации намерений в голосовых и корпоративных системах. В карточке заявлены точность 100% на стандартном тестовом наборе для эпох 4 и 5, 99,3% на adversarial holdout и 83% для fast-path классификатора. Поддерживаются английский, французский, испанский, немецкий, итальянский, португальский, китайский, арабский и русский языки; длина контекста — 512 токенов. Модель распространяется под лицензией MIT.

trinhkhng/karcher_Merged_gpt2-large_0.5 — языковая модель для генерации текста на архитектуре GPT-2 Large, созданная слиянием предварительно обученных моделей с помощью Karcher Mean и mergekit. В слиянии участвовали GPT-2 Large и модель debias_gpt2-large. Модель предназначена для продолжения текста и генерации связного текста по текстовому запросу. Она использует библиотеку Transformers, веса сохранены в формате safetensors, а длина контекста составляет 1024 токена. В карточке не описаны отдельные языки применения или специализированные предметные области. Слияние моделей не гарантирует сохранения всех свойств исходных чекпойнтов; карточка не приводит оценок качества, тестов или подробностей о том, насколько итоговая модель снижает предвзятость. Лицензия в предоставленных данных не указана.

Prismdata/KDI-Qwen2-instruction-0.5B — языковая модель семейства Qwen2, разработанная prismdata на основе unsloth/qwen2-0.5b-bnb-4bit. Это плотная авторегрессионная модель с 494 млн параметров для генерации текста и диалогового взаимодействия. В карточке указано дообучение с помощью Unsloth и библиотеки TRL на датасете prismdata/KDI-DATASET-2014; заявлены английский и корейский языки, а максимальная длина контекста составляет 131 072 токена. Модель подходит для диалоговых ответов и генерации текста на английском и корейском языках. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка не приводит оценок качества, подробного описания датасета или проверок на конкретных задачах, поэтому пригодность для узкоспециализированных сценариев следует оценивать отдельно.

KoLlama-3-8B-Instruct — дообученная компанией fiveflow диалоговая языковая модель семейства Llama 3 на основе meta-llama/Meta-Llama-3-8B-Instruct. Она предназначена для генерации текста и ответов в диалоге, в первую очередь на корейском языке. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст длиной до 8192 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Метаданные указывают на поддержку корейского языка; README содержит только краткий раздел об использовании и не описывает дополнительные возможности или известные ограничения.

komt-llama2-7b-v1 — языковая модель, разработанная David Kim (Changyeon Kim) для генерации ответов на инструкции на корейском языке. Это авторегрессионная плотная трансформерная модель семейства Llama 2 с 6,6 млрд параметров, дообученная методом supervised fine-tuning на корейском наборе данных с инструкциями для нескольких задач. Модель предназначена для диалоговых сценариев и выполнения разнообразных текстовых инструкций, например для составления плана поездки. Она принимает и генерирует текст, поддерживает корейский и английский языки и имеет контекст длиной 4096 токенов. Карточка приводит оценку модели автором, но не даёт подробных результатов по отдельным задачам. Как и другие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; качество и безопасность следует проверять для конкретного применения. Репозиторий распространяется по лицензии Apache 2.0.

KoSoLAR-10.7B-v0.2_1.4_dedup_1 — разговорная языковая модель на архитектуре Llama, опубликованная jingyeom. Это версия KoSOLAR-10.7B-v0.2, дообученная методом instruction tuning на собранных из открытых источников данных; при подготовке данных применялся алгоритм дедупликации, а набор инструкций обозначен как версия 1.4. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Она содержит 10,6 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 4096 токенов. Для загрузки доступны веса в формате safetensors, работать с моделью можно через Transformers. Карточка не описывает подробно качество на конкретных задачах, языковой охват и ограничения. Модель выпущена под лицензией Apache-2.0.

KULLM-Solar — разговорная языковая модель проекта KULLM, созданная на базе Upstage/SOLAR-10.7B-Instruct-v1.0 и дообученная на наборе KULLM и подготовленных вручную инструкциях. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 10,6 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы в формате диалога. Модель предназначена для общения и выполнения инструкций на корейском языке. Её можно применять для ответов на вопросы, диалоговых помощников и генерации текста по запросу. Максимальная длина контекста — 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

trinhkhng/linear_Merged_gpt2-large_0.5 — языковая модель, созданная объединением GPT-2 Large и debias_gpt2-large методом linear merge с помощью mergekit. Модель использует архитектуру GPT-2 с плотной сетью и предназначена для генерации текста; в метаданных указан контекст до 1024 токенов. Веса двух исходных моделей объединены поровну с нормализацией, токенизатор взят от GPT-2 Large. Модель можно использовать для продолжения текста и генерации ответов на текстовые подсказки. README и метаданные не содержат сведений о качестве, оценках смещения или лицензии, поэтому эти свойства нельзя подтвердить.

Stheno v3.4 — языковая модель на архитектуре Llama 3.1, разработанная Sao10K и обученная при поддержке Backyard.ai. Модель прошла многоэтапное дообучение: сначала на многоходовых диалогах и инструкциях, затем на наборах для творческого письма, ролевых сценариев и творческих инструкций. В обучающих данных использовались материалы людей и Claude. Модель предназначена для диалогов, следования инструкциям, ролевых сценариев и создания художественного текста. Это плотная авторегрессионная модель с 7,5 млрд параметров и контекстом до 131 072 токенов; метаданные указывают английский язык. Доступны веса в формате safetensors, а лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

RRNicole1014 обучил эту чат-модель дообучением unsloth/Llama-3.2-3B-Instruct-unsloth-bnb-4bit с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная языковая модель семейства Llama 3.2 с 3,2 млрд параметров, предназначенная для генерации текста в диалоге; указанное в метаданных контекстное окно составляет 131 072 токена. Карточка не описывает специализацию на конкретной предметной области или дополнительные возможности помимо чата и генерации текста. Модель распространяется по лицензии Apache-2.0.

ReBatch разработала нидерландоязычную разговорную модель на основе Meta Llama 3 8B. Модель дообучена с помощью QLoRA и ORPO на синтетическом наборе отзывов BramVanroy/ultra_feedback_dutch; её архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров. Она предназначена для общения и генерации текста на нидерландском языке. Нативная длина контекста составляет 8192 токена. В оценке ScanDeval модель показала смешанные результаты: улучшила некоторые показатели относительно базовой Llama 3 8B, но снизила другие. Ответы могут быть ошибочными, вводящими в заблуждение или оскорбительными. Лицензия — Llama 3.

GraySwanAI/Llama-3-8B-Instruct-RR — диалоговая модель генерации текста на архитектуре Llama 3 с 7,5 млрд параметров и контекстом до 8192 токенов. Разработчик добавил в модель «контурные выключатели» с помощью метода Representation Rerouting, который изменяет внутренние представления, связанные с вредоносными ответами. Модель предназначена для диалоговых сценариев, где важно снижать вероятность генерации вредоносного контента, сохраняя основные возможности исходной модели. В карточке заявлено, что метод нацелен на минимальное ухудшение этих возможностей; количественные результаты и перечень проверенных сценариев не приведены. Модель принимает текст и генерирует текстовые ответы. Репозиторий содержит веса в формате Safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

Это объединённая с помощью SLERP модель генерации текста на архитектуре Llama 3, созданная mergekit из JDBMG/Llama3-8B-SlimOrca_f16 и nehuggingface/tmptmptmp2. В репозитории указано представление весов safetensors; метаданные сообщают о 7,5 млрд параметров и контексте до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев на основе текстового ввода. Для неё указана библиотека Transformers; в метаданных также отмечена связь с базовой SlimOrca-моделью, для которой каталог указывает генерацию английского текста. Это слияние предварительно обученных моделей, а не отдельное дообучение, и README не приводит сравнительных оценок качества или подробностей о назначении второго компонента. Лицензия в предоставленных данных не указана.

MedNarra-X1.0 — чат-модель на архитектуре Llama с 7,5 млрд параметров, дообученная PranavHarshan на базе PranavHarshan/MedNarra-X1. Модель предназначена для генерации текста в диалогах; карточка сообщает об обучении с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст длиной до 8192 токенов. Распространяется в формате safetensors по лицензии Apache-2.0. В карточке нет сведений о специальных медицинских сценариях или оценках качества, поэтому её пригодность для медицинских решений не подтверждена.

Карточка модели MergekitCloud/mergekit-67 на Hugging Face совпадает с карточкой MergekitCloud/mergekit-73, поэтому описание составлено по ней. MergekitCloud/mergekit-73 — объединённая языковая модель на основе Llama 3.1, созданная с помощью mergekit методом Model Stock. В слияние вошли четыре модели для диалогов и ролевого общения; базовой указана vicgalle/Humanish-Roleplay-Llama-3.1-8B. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста в формате диалога. Заявленная длина контекста — 131 072 токена. Модель подходит для ведения диалогов и ролевых сценариев, в том числе с более свободными ответами. README не приводит результаты оценки качества или подробностей о поддерживаемых языках. В репозитории указаны веса safetensors; библиотека для работы — Transformers. Условия лицензирования в предоставленных данных не описаны.

AIdenU/Mistral-7B-v0.2-ko-Y24_v1.0 — разговорная языковая модель на архитектуре Mistral, созданная на основе alpindale/Mistral-7B-v0.2-hf. Она предназначена для генерации текста и диалоговых сценариев на корейском языке. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель поставляется в формате safetensors, поддерживает чат и распространяется по лицензии Apache-2.0. Карточка сообщает базовую модель, но не описывает подробности дообучения или результаты оценки качества, поэтому возможности за пределами заявленной генерации текста и диалогов определить нельзя.

Карточка модели qingy2024/Mistral-Reddit-12B на Hugging Face совпадает с карточкой qingy2024/NaturalLM, поэтому описание составлено по ней. NaturalLM — дообученная языковая модель, опубликованная qingy2019 и основанная на unsloth/mistral-nemo-base-2407-bnb-4bit. Она использует архитектуру MistralForCausalLM с плотной структурой и содержит 12,1 млрд параметров. Модель предназначена для генерации текста; в карточке указаны английский язык и контекстное окно до 1 024 000 токенов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или более узкой специализации, поэтому пригодность для конкретных сценариев генерации следует проверять на собственных данных.

MITRE (Multilingual Translation with Registers) — многоязычная авторегрессионная модель с архитектурой decoder-only, разработанная для перевода NAIST NLP. Репозиторий содержит предварительно обученную модель примерно с 1 млрд параметров для инференса; доступна через библиотеку Transformers и использует SentencePiece для токенизации. Модель предназначена для перевода между 24 языками в 552 направлениях, включая прямой перевод между языковыми парами. В README описаны пять языковых групп: германская, романская, славянская, малайско-полинезийская и азиатская. Разработчики указывают, что подход основан на M2M и включает изменения, призванные снизить стоимость генерации. Модель распространяется под лицензией MIT. Контекст ограничен 256 токенами, поэтому она рассчитана на короткие фрагменты текста; ограничения качества и результаты оценки в предоставленных материалах не описаны.

Mixtral-8x7B-v0.1-japanese — языковая модель ABEJA, созданная на основе Mixtral-8x7B-v0.1. Разработчики расширили японский словарь модели и провели дополнительное продолжительное предобучение; в архитектуре используется разреженная смесь экспертов (MoE). Репозиторий содержит веса в формате safetensors, а размер модели в метаданных указан как 7,2 млрд параметров. Модель предназначена для генерации японского текста и других сценариев генерации текста на японском языке. Она поддерживает контекст до 32 768 токенов. Лицензия Apache-2.0 разрешает использование на её условиях.

Mixtral-Extraction-4x7B-Instruct-v0.1 — экспериментальная модель, созданная путём извлечения и объединения четырёх экспертов из mistralai/Mixtral-8x7B-Instruct-v0.1. Это разговорная модель семейства Mixtral с архитектурой MoE и классом MixtralForCausalLM; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Поддерживаемые языки по метаданным: английский, французский, итальянский, немецкий и испанский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Автор описывает её как экспериментальную и сообщает, что состав экспертов можно менять при извлечении; отдельные результаты оценки качества или специализированные сценарии в карточке не приведены.

Raven-Pro/mixup1001 — объединённая языковая модель, созданная с помощью mergekit методом passthrough на основе nothingiisreal/MN-12B-Celeste-V1.9 и athirdpath/Theia-21B-v1_pretrained. В конфигурации слои 0–29 взяты из MN-12B-Celeste-V1.9, а слои 30–69 — из Theia-21B-v1_pretrained. Модель использует архитектуру MistralForCausalLM, содержит 20,7 млрд параметров и распространяется в формате safetensors для Transformers; каталог указывает контекст до 1 024 000 токенов и возможность чата. Модель предназначена для генерации текста в диалоговом формате. Описание базовой модели MN-12B-Celeste-V1.9 связывает её с художественными историями и интерактивными ролевыми диалогами, поэтому такие сценарии подходят и для поиска этой модели. Документация не приводит оценки качества объединённой версии или подробностей её поведения; лицензия в предоставленных данных не указана.

cirimus/modernbert-large-go-emotions — англоязычный классификатор эмоций, разработанный на базе ModernBERT-large и дообученный на наборе GoEmotions с помощью Hugging Face Transformers. Модель выполняет многометочную классификацию текста по 28 эмоциональным категориям: для одного текста может быть предсказано несколько меток. Число параметров — 394,7 млн, длина контекста — до 8192 токенов. Модель предназначена для анализа эмоций в сообщениях социальных сетей, оценках и отзывах клиентов, а также для исследований поведения и психологии. На тестовой выборке GoEmotions при пороге 0,5 указаны macro F1 0,490 и macro recall 0,420; подбор порога отдельно для каждой метки повысил эти показатели до 0,543 и 0,533. Редкие категории, например grief и relief, распознаются хуже; данные Reddit могут не отражать другие тематики и культурные контексты, а разметка содержит неоднозначности. Лицензия — MIT. Автор README сообщает, что модель заменена на cirimus/ultrabert-380M-go-emotions.

zelk12/MT-MM-gemma-2-AAIF-9B — объединённая языковая модель на архитектуре Gemma 2, созданная методом SLERP с помощью mergekit из ifable/gemma-2-Ifable-9B и lemon07r/Gemma-2-Ataraxy-Advanced-9B. Модель содержит 9 млрд параметров и рассчитана на генерацию текста в диалоговом режиме; она подходит для ведения беседы и творческого письма. Работает с библиотекой Transformers, веса представлены в формате safetensors, контекстное окно составляет 8192 токена. Модель принимает текст и генерирует текст. README не сообщает результаты сравнительных оценок или специализированные возможности. Лицензия в предоставленных данных не указана.

zxcd1/MyModel_xh — разговорная языковая модель, разработанная zxcd1 и дообученная на базе unsloth/DeepSeek-R1-Distill-Qwen-1.5B-unsloth-bnb-4bit. Модель построена на архитектуре Qwen2 и предназначена для генерации текста в диалоге; обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. В метаданных указаны 7,1 млрд параметров и контекст до 131 072 токенов; модель помечена как англоязычная. Она распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, данные обучения или результаты оценки, поэтому качество для конкретных предметных областей определить нельзя.

Na_M2_1000steps_1e7_SFT — дообученная диалоговая языковая модель на архитектуре Mistral, созданная на основе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста и ответов в диалоговом формате. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке приведён результат оценки: loss 0,3111; набор данных и подробности обучения не раскрыты. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Из-за отсутствия описания данных и сценариев дообучения её специализацию и качество для конкретных задач определить нельзя.