III.4Клиентская поддержка и customer success

Карточка модели MergekitCloud/mergekit-74 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.

Pongsasit/nemotron-3-sfted — языковая модель для генерации диалоговых ответов, созданная полным supervised fine-tuning модели NVIDIA Nemotron 3 Nano на наборе Nemotron-SFT-Safety-v2. Дообучение на англоязычной части набора направлено на улучшение безопасного поведения в ответах при сохранении способности базовой модели к рассуждениям. Базовая модель использует гибридную архитектуру MoE и Mamba: в ней 30 млрд параметров, из которых активно около 3 млрд. Для этой версии в метаданных указаны 1,9 млрд параметров и контекст длиной до 262 144 токенов. Модель принимает текст и генерирует текст; карточка указывает английский язык и поддержку чатового сценария. Веса сохранены в формате safetensors, для запуска описано использование Transformers и BF16. Модель подходит для генерации безопасных ответов и диалоговых приложений на английском языке. Ограничение: дообучение выполнено на англоязычной части датасета безопасности, поэтому карточка не подтверждает аналогичное поведение на других языках. Лицензия — Apache-2.0.

KBNIT/nox-solar-10.7b-v4-kolon-ITD-5-v2.2 — разговорная языковая модель, дообученная разработчиками для Kolon на базе yanolja/KoSOLAR-10.7B-v0.3. Модель использует архитектуру Llama с плотной causal language model и содержит 10,6 млрд параметров; для дообучения применялся QDoRA с параметрами 256 и 64, один цикл обучения и закрытые данные. Модель предназначена для генерации текста в диалоговом формате. В карточке указана разработка для Kolon; поддерживаемые языки по метаданным — корейский и английский. Контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch, лицензия — CC BY-NC 4.0. Карточка не описывает конкретные сценарии Kolon, показатели качества или ограничения дообучения.

Qwen1.5-Wukong-1.8B — разговорная дообученная модель от RESMPDEV на базе Qwen1.5-1.8B команды Qwen. Она предназначена для генерации текста в диалогах и чат-сценариях. В README указано, что модель прошла три эпохи обучения на отобранной части наборов данных Cognitive Computations Dolphin 2.9; примеры ответов пока не приведены. Модель использует плотную decoder-only архитектуру Transformer семейства Qwen2 и содержит 1,5 млрд параметров. Заявлена поддержка контекста до 32 768 токенов; метаданные карточки указывают английский и китайский языки, а формат весов — safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели.

Это дообученная на турецких триплетах модель Sentence Transformers на базе Qwen/Qwen3-Embedding-0.6B, разработанная автором репозитория seroe. Она преобразует предложения и абзацы на турецком языке в плотные векторы размерностью до 1024 и предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Модель обучалась на данных телекоммуникационной тематики и особенно подходит для запросов о мобильных услугах, счетах, кампаниях и подписках. Архитектура включает Qwen3Model, пулинг по последнему токену и нормализацию; заявленная максимальная длина последовательности — 32768 токенов. В README приведены высокие результаты на тестах триплетов с размерностями эмбеддингов 1024, 768, 512 и 256, однако методика и наборы для части оценок могут не отражать качество на реальных данных. Лицензия — Apache-2.0. Модель может хуже работать за пределами турецкого телекоммуникационного домена.

Thespis-Mistral-7b-Alpha-v0.7 — экспериментальная версия модели Thespis на архитектуре Mistral, опубликованная cgato. Это плотная языковая модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст. В обучающих данных использована смесь примерно из 40% ответов ассистента и 60% ролевых диалогов, включая Pure-Dove Dataset, Claude Multiround 30k, No Robots, OpenOrcaSlim и Augmental Dataset. Модель предназначена для многоходового общения с заданным характером, ролевых диалогов в интернет-стиле и работы в роли чат-ассистента. Автор отмечает улучшение следования инструкциям и связности ответов, а также совместимость со стандартными шаблонами чата Ooba и SillyTavern. Это ранняя версия, в которой продолжается добавление возможностей и улучшение первых ответов. Лицензия — Apache-2.0.

TokenAlign — исследовательский прототип классификации текстов по описаниям меток, созданный автором репозитория на основе замороженной языковой модели Qwen3-1.7B. Модель предназначена для классификации банковских обращений на английском языке, в том числе по категориям, которые не участвовали в обучении классификационной головы. Репозиторий содержит обучаемую голову из 2 236 929 параметров в формате Safetensors, а для работы отдельно требуется базовая модель Qwen3-1.7B. Голова сопоставляет токены текста и описаний меток посредством позднего взаимодействия и выбирает одну из предложенных меток. Лимит входа — 128 токенов с учётом префикса. Лицензия — Apache-2.0. Модель обучена на Banking77 и проверена для классификации банковских намерений на английском языке. Авторы описывают её как независимый исследовательский прототип; качество для других областей, языков и сценариев не подтверждено.

Trendyol-LLM-7b-chat-stock — диалоговая языковая модель, созданная Trendyol слиянием нескольких предварительно обученных моделей с помощью Model Stock из mergekit. В качестве базовой использована Trendyol/Trendyol-LLM-7b-chat-dpo-v1.0; в слияние также вошли Trendyol-LLM-7b-base-v1.0 и TURKCELL/Turkcell-LLM-7b-v1. Модель построена на архитектуре Mistral, содержит 7,2 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Базовые модели ориентированы на турецкий язык, поэтому модель подходит для турецкоязычного общения и создания текста. В репозитории указаны веса в формате safetensors; README сообщает, что при слиянии использован тип bfloat16. Лицензия в предоставленных данных не указана. Качество модели на конкретных задачах и её ограничения в карточке не описаны; результаты могут различаться в зависимости от запроса и сценария использования.

anwgpt/anwgpt4-chat — разговорная модель генерации текста, разработанная на базе anwGPT4-base. Она предназначена для диалогов и ответов на запросы в формате «Human: … Assistant: …» и запускается через библиотеку Transformers. Модель основана на архитектуре GPT-2, имеет контекст до 2048 токенов и дообучена на наборах UltraChat 200k, Alpaca, OpenAssistant OASST1 и Databricks Dolly 15k. Карточка указывает английский язык. Модель распространяется в форматах PyTorch и safetensors по лицензии MIT. Её можно использовать для текстовых диалогов и генерации ответов. README не приводит результатов бенчмарков или подробных оценок качества, поэтому пригодность для конкретных задач требует отдельной проверки.

WangZeJun разработал bloom-396m-chat — чат-модель для генерации диалоговых ответов. Она основана на архитектуре BLOOM и содержит около 449,9 млн параметров. Модель принимает текст и генерирует текст; карточка показывает пример её использования для диалоговой генерации. Модель распространяется в форматах PyTorch и Safetensors по лицензии BigScience BLOOM RAIL 1.0. README не сообщает о поддерживаемых языках, длине контекста и известных ограничениях качества.

Chinese-Emotion — модель классификации китайских текстов по эмоциональному тону, разработанная автором репозитория Johnson8187 и дообученная на базе joeddav/xlm-roberta-large-xnli. Она предназначена для анализа эмоциональной окраски сообщений и различает восемь меток: нейтральный, обеспокоенный, радостный, сердитый, грустный, вопросительный, удивлённый и отвращённый тон. Модель построена на архитектуре XLM-RoBERTa для классификации последовательностей, содержит 658,7 млн параметров и принимает текст длиной до 514 токенов. В карточке указано, что для дообучения использованы 4 000 размеченных примеров на традиционном китайском языке из набора Chinese_Multi-Emotion_Dialogue_Dataset. Модель подходит для мониторинга эмоционального тона в обращениях клиентов, анализа публикаций в социальных сетях и классификации отзывов. Лицензия — MIT. Автор описывает модель как вариант с более быстрым выводом и близкими результатами по сравнению с более крупным вариантом, однако конкретные показатели качества не приведены. Описанная разметка ориентирована на китайский язык, поэтому применимость к другим языкам и формам текста не подтверждена.

decider-2b-GGUF — набор GGUF-конвертаций модели Mapika/decider-2b версии v10 для запуска через llama.cpp. Исходная модель представляет собой дообученную Qwen3.5-2B-Base и предназначена для принятия решений по заданному состоянию, вопросу и набору вариантов ответа. Модель выполняет классификацию за один проход и возвращает вероятности вариантов, а не генерирует связный текст. Репозиторий cosetoenor изменяет только формат файлов, поэтому авторство самой модели принадлежит Mapika. Модель ориентирована на маршрутизацию обращений, выбор действий и другие задачи классификации с явно заданными вариантами. Для получения вероятностей требуется специальная подготовка промпта, чтение logits в позиции ответа, ограничение их токенами вариантов и применение softmax; обычный запуск через llama-cli или llama-server сам по себе не предоставляет готовый интерфейс вероятностей. Доступны варианты F16 размером около 3,8 ГБ, Q8_0 около 2,0 ГБ и IQ4_NL около 1,2 ГБ. Поддерживаемые языки, максимальный контекст и точные архитектурные характеристики в README не указаны. Сильная сторона модели — компактный размер и возможность локального выбора из большого числа вариантов с использованием llama.cpp. Для v10 приведены результаты исходной модели на браузерных и других тестах, однако точность и скорость именно GGUF-файлов не измерялись: для них выполнены только структурная и конверсионная проверки. Исторические результаты квантованных файлов относятся к v8 и не должны напрямую применяться к v10; качество также зависит от схемы промпта и конфигурации запуска. Файлы распространяются по лицензии Apache-2.0.

Higgs TTS 3 — модель синтеза выразительной разговорной речи, разработанная Boson AI. Она преобразует текстовые ответы в аудио и предназначена для голосовых диалогов, мультиязычного синтеза и клонирования голоса по короткому аудиопримеру без дополнительного обучения. Модель поддерживает управление эмоциями, стилем речи, темпом, высотой тона, паузами и звуковыми эффектами с помощью встроенных тегов. В основе лежит авторегрессионный декодер примерно на 4 млрд параметров с архитектурой Higgs Multimodal Qwen 3. Он обрабатывает чередующиеся текстовые и аудиотокены; аудио представлено восемью кодовыми книгами. Контекст обучения составляет 8192 токена. В README заявлена поддержка 102 языков: для 85 указаны значения WER/CER ниже 5, для ещё 17 — от 5 до 10; русский входит в первую группу. Модель распространяется по исследовательской и некоммерческой лицензии Boson Higgs TTS 3: коммерческое использование, размещение API и получение дохода требуют отдельной лицензии. Запрещено клонировать голос без согласия, выдавать себя за другого человека, использовать модель для мошенничества, обмана на выборах или биометрического наблюдения.

j.o.s.i.e.v4o-1.5b-dpo-stage1-v1 — разговорная языковая модель Goekdeniz-Guelmez, дообученная на основе Goekdeniz-Guelmez/Josiefied-Qwen2.5-1.5B-Instruct-abliterated-v1 с использованием Unsloth и TRL. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации диалоговых ответов. Контекст составляет до 32 768 токенов; карточка указывает поддержку английского языка и интерфейс для работы с инструментами. Модель подходит для чат-ботов, диалоговых приложений и локального запуска через Ollama; карточка также упоминает варианты GGUF-квантизации. В метаданных указана лицензия Apache-2.0. Опубликованные результаты Open LLM Leaderboard включают средний балл 13,49, но по карточке нельзя определить качество для конкретных пользовательских задач.

TeamUNIVA/Komodo_7B_v1.0.0 — текстовая генеративная модель семейства Mistral, представленная командой TeamUNIVA. Она дообучена на базе mistralai/Mistral-7B-v0.1 и предназначена для генерации ответов в формате чат-бота. В README приведён пример запроса на корейском языке; метаданные указывают поддержку корейского и английского языков. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0. Карточка не содержит сведений о данных обучения, оценках качества или специальных ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Azazelle/L3-Persephone-8B-v1.0 — языковая модель на архитектуре Llama, созданная слиянием предварительно обученных языковых моделей с помощью mergekit. По описанию разработчика, в состав слияния вошли модели с разными характеристиками и LoRA-слияния, после чего применялся ExPO; модель ориентирована на диалог и ролевые сценарии. Модель содержит 7,5 млрд параметров, принимает и генерирует текст и поддерживает контекст длиной до 8192 токенов. Для запуска в карточке рекомендуются настройки с температурой 1.0, TFS 0.85 и штрафом за повторы 1.1. Доступны веса в формате safetensors; библиотека для работы — Transformers. Модель распространяется по лицензии Llama 3. README не приводит результатов оценки качества или подробных ограничений по сценариям использования.

Карточка модели mobark3/lahja-sa-huba-v1 на Hugging Face совпадает с карточкой wasmdashai/lahja-sa-huba-v1, поэтому описание составлено по ней. Lahja SA Huba V1 — модель синтеза речи на арабском языке, разработанная WasmAI и настроенная на саудовский диалект. Она преобразует текст в естественную речь с характерными для диалекта произношением, ритмом и интонацией. Модель создана на архитектуре VITS и дообучена на наборе данных LAHJA-API-Data; содержит 3,5 млн параметров и распространяется в формате safetensors для использования с Transformers. Модель предназначена для голосовых помощников, чат-ботов, IVR, клиентской поддержки, образовательных и вспомогательных сервисов, а также голосовых интерфейсов устройств и робототехники. Заявлены низкая задержка и выразительная речь. Лицензия в предоставленных данных не указана.

Mahou-1.3-yi-9B — разговорная языковая модель Flammen AI для диалогов и ролевых сценариев. Это плотная авторегрессионная модель архитектуры Llama с 8,6 млрд параметров, распространяемая в формате Safetensors и рассчитанная на контекст до 4096 токенов. Модель дообучена на flammenai/Mahou-1.2-yi-9B на наборе flammenai/MahouMix-v1; README указывает обучение в течение 10 эпох и формат диалога ChatML. Модель предназначена для генерации ответов в чатах и ролевых диалогах. Для ролевой записи README рекомендует оформлять речь без кавычек, а действия — между звёздочками. Указана лицензия Apache-2.0. Карточка описывает модель как ориентированную на готовое к применению общение, однако фактическое качество и поведение в конкретных сценариях могут различаться.

openjev-rlcd-qwen3-4b-v1 — экспериментальная модель dknguyen2304, дообученная на базе Qwen3-4B методом GRPO с подходом RLCD к калибровке решений. Она предназначена для классификации намерений по SNIPS: получает короткий текст и набор из 2–20 вариантов с метками и возвращает один выбранный вариант и оценку уверенности в компактном JSON. Модель обучена на семи типах намерений, включая запросы о погоде, музыке, ресторанах и бронировании билетов. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; поддерживаются английский язык и контекст до 40 960 токенов. Для генерации требуется отключить режим рассуждений Qwen3 через параметр шаблона enable_thinking=False. Обучение продолжается, а опубликованный чекпойнт охватывает только одну сравнительно простую область; качество на неоднозначных примерах и перенос на другие категории решений не проверены. Уверенность представлена одним числом для выбранного ответа, а не распределением вероятностей по всем вариантам. Это независимая реализация методики RLCD, не связанная с TypeSafe AI Jev и не использующая его веса. Лицензия — Apache-2.0.

MihaiPopa-1/Qwen3-0.6B-English-Hinglish — дообученная модель семейства Qwen3 для генерации текста в формате диалога. Она создана на базе unsloth/qwen3-0.6b-unsloth-bnb-4bit и обучена с использованием TRL. Модель содержит около 508 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации ответов на пользовательские сообщения. Название указывает на ориентацию на английский и хинглиш, однако карточка не описывает качество перевода или другие специализированные задачи. Для обучения использовалась базовая модель с 4-битным представлением; файлы этой модели представлены в формате safetensors. Лицензия в предоставленных данных не указана.

kyle/vi-asr-fastconformer-114m — модель распознавания вьетнамской речи в текст, разработанная для разговорного аудио и телефонных звонков. Она построена на архитектуре FastConformer-Transducer (RNNT), содержит около 114 млн параметров и адаптирована из англоязычной nvidia/stt_en_fastconformer_transducer_large с расширением словаря и поэтапным дообучением на публичных вьетнамских наборах данных. Модель предназначена для расшифровки вьетнамской речи в условиях колл-центра, включая телефонный звук с частотой 8 кГц, а также для офлайн-транскрибации аудио с частотой 8 и 16 кГц. Особое внимание уделено точному распознаванию длинных последовательностей цифр и идентификаторов; карточка приводит улучшение полноты распознавания цифр на контролируемой оценке. Модель оптимизирована для разговорного вьетнамского языка. На формальной дикторской речи, например новостном чтении, и на незнакомой предметной лексике качество снижается; оценки для реальных телефонных номеров основаны на небольшой размеченной выборке. Лицензия — CC-BY-4.0.

Модель wavlm-bert-fusion-s-emotion-russian-resd разработана для распознавания эмоций в русской речи. Это мультимодальный классификатор, который совместно анализирует аудиосигнал и его текстовую расшифровку: аудиоветвь основана на WavLM/wav2vec2, дообученной для русского распознавания речи, а текстовая — на DeepPavlov/rubert-base-cased. Модель содержит 504 млн параметров и принимает монофоническое аудио с частотой 16 кГц и текст произнесённой реплики. Она относит высказывание к одному из семи классов: гнев, отвращение, энтузиазм, страх, счастье, нейтральное состояние или грусть. Обучение проводилось на датасете Aniemo­re/resd. На тестовой выборке RESD модель показала macro-F1 0,794, однако результаты на подкастах и наборе CAMEO существенно ниже. Модель подходит для анализа эмоциональной окраски русских реплик, когда доступна расшифровка речи. Главные ограничения связаны с обучением на сбалансированной постановочной речи: на спонтанной речи модель часто переоценивает эмоциональные классы. Она рассчитана только на русский язык, семь заданных классов и отдельные реплики; перед применением на собственных данных рекомендуется оценить качество и откалибровать вероятность нейтрального класса. Лицензия — MIT.

Модель bhatayus/aika-filler-slm-v4-7-2-v4_6-e3 — дообученная автором bhatayus языковая модель семейства Gemma 3 Text с архитектурой Gemma3ForCausalLM. Она предназначена для генерации текста в диалоговом формате и может использоваться в чат-сценариях. Модель содержит 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Лицензия — Apache-2.0. В карточке не описаны специализация дообучения, набор данных и результаты оценки качества. Метаданные указывают английский язык; подтверждений поддержки других языков нет.

DialoGPT-finetuned-daily-dialog — диалоговая языковая модель, дообученная на наборе DailyDialog на основе microsoft/DialoGPT-medium. Она предназначена для генерации ответов в текстовых многоходовых беседах и может использоваться в диалоговых прототипах и чат-ботах. Модель построена на архитектуре GPT-2, имеет контекст длиной до 1024 токенов и опубликована в формате PyTorch. В карточке приведено значение loss 2,1788 на оценочной выборке, но подробности оценки не описаны. Лицензия — MIT. README не содержит дополнительных сведений о применении и ограничениях модели.

DialoGPT-medium — предварительно обученная диалоговая модель Microsoft для генерации ответов в многоходовых текстовых беседах. Она основана на архитектуре GPT-2 и обучена на 147 млн многоходовых диалогов из обсуждений Reddit. Модель предназначена для чат-ботов и интерактивных собеседников. Карточка описывает генерацию ответов в диалоге и сообщает, что в оценке одноходовых бесед качество ответов было сопоставимо с человеческим. Метаданные указывают контекст до 1024 токенов и поддержку чата; доступны версии для PyTorch, TensorFlow и Flax. Модель принимает текст и генерирует текст. Обучение на Reddit может приводить к разговорным, нерелевантным или неподходящим ответам; результаты оценки в карточке не гарантируют качество для конкретных сценариев. Лицензия — MIT.

LumiNeuro-8B-Instruct — разговорная модель, опубликованная safe049 и дообученная на NeverSleep/Lumimaid-v0.2-8B. По карточке, обучение проводилось на наборе данных Neuro-Sama-QnA с использованием Unsloth и библиотеки TRL; модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалоге и сценариях вопросов и ответов. Указан контекст до 131 072 токенов; данные карточки обозначают английский язык. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей ограничений, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

raytuo/maysa-whatsapp-bot — дообученная raytuo разговорная модель генерации текста на архитектуре Llama. Она основана на unsloth/llama-3-8b-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалоговой генерации текста; название указывает на сценарий WhatsApp-бота, однако README не уточняет его функции и специализацию. Размер модели — 7,5 млрд параметров, длина контекста — 8192 токена. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

QuantFactory/Peach-9B-8k-Roleplay-GGUF — квантизированная версия разговорной языковой модели Peach-9B-8k-Roleplay, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана на основе 01-ai/Yi-1.5-9B и дообучена на более чем 100 тысячах синтезированных диалогов. Она предназначена прежде всего для чат-взаимодействия, ролевых сценариев и имитации персонажей, а также поддерживает генерацию текста на китайском и английском языках. Модель имеет около 9 млрд параметров и заявленный контекст до 8 тысяч токенов. В качестве ориентиров производительности указаны результаты MMLU 66,19 и CMMLU 69,07 в режиме 5-shot. К сильным сторонам относятся специализация на ролевом общении и сравнительно небольшой размер, однако модель может хуже справляться с математикой, программированием и логическими задачами, а также с длинными диалогами и языками с небольшим количеством ресурсов. Разработчики предупреждают о возможной генерации токсичного, вредоносного, нежелательного или NSFW-контента и значительных галлюцинациях; для снижения повторов и ошибок рекомендуется использовать низкие значения temperature и top_p. Модель распространяется по лицензии Apache-2.0.

BanterBot — чат-модель, разработанная Alannikos768 для конструктивного выражения эмоций и общения в напряжённых социальных ситуациях. Она предназначена для генерации остроумных, сдержанных ответов, смягчения конфликтов и поддержания отношений. Модель дообучена на базе InternLM2.5 с 1,7 млрд параметров и архитектурой InternLM2; её контекст составляет до 32 768 токенов. Она принимает текст и генерирует текстовые ответы, ориентирована на английский язык. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

Tayyab-ilyas/distilbert-finetuned-feedback — дообученная модель классификации текста на базе DistilBERT, разработанная пользователем Tayyab-ilyas. Она предназначена для отнесения входного текста к классам; название репозитория указывает на обратную связь как целевую область применения, однако карточка не раскрывает метки классов и конкретные сценарии. Модель использует архитектуру DistilBertForSequenceClassification, веса сохранены в формате safetensors, максимальная длина контекста составляет 512 токенов. Базовая модель — distilbert/distilbert-base-uncased, ориентированная на английский язык. В карточке приведено значение loss 0,5989 на оценочном наборе, но датасет указан как None, а его состав, метрики и условия оценки не описаны. Лицензия — Apache-2.0. Из-за недостатка сведений о классах и данных качество модели для конкретной задачи обратной связи следует оценивать отдельно.