III.4Клиентская поддержка и customer success

GenreLlama318b — дообученная языковая модель, опубликованная TACameronStott на базе unsloth/meta-llama-3.1-8b-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста; карточка не описывает специализированные жанровые функции или конкретные сценарии применения. Модель обучалась с использованием Unsloth и библиотеки TRL, поддерживает контекст до 131 072 токенов и рассчитана на английский язык. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0.

Germeo-7B-Laser — экспериментальная разговорная языковая модель, разработанная на базе Hermeo-7B и объединённая из leo-mistral-hessianai-7b-chat и DPOpenHermes-7B-v2. Это плотный авторегрессионный трансформер Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель понимает немецкий и английский, но предназначена преимущественно для ответов на немецком языке. Модель рассчитана на диалог, генерацию немецкого текста и понимание запросов на немецком и английском. В README автор описывает Laser-обучение на наборе LeoLM/OpenSchnabeltier как эксперимент, который должен усиливать немецкие возможности и снижать вероятность ответов на английском; приведены результаты языковых бенчмарков, но оценка обозначена как незавершённая. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Hailay/glot500-multilingual-sentiment — многоязычный классификатор тональности, разработанный Hailay Kidu Teklehaymanot в рамках проекта VEXMLM. Модель дообучена на базе cis-lmu/glot500-base: энкодер XLM-RoBERTa с классификационной головой предсказывает одну из трёх меток — positive, negative или neutral. В репозитории доступны веса Safetensors и формат ONNX; общее число параметров — около 421,3 млн. Модель предназначена для определения тональности коротких неформальных публикаций в социальных сетях. Обучающий корпус включает тексты на разных языках; в примерах README упоминаются английский, нигерийский пиджин, суахили, португальский, йоруба, игбо, тви, арабский, марокканская дариджа и амхарский. Максимальная длина входа — 512 токенов. На описанном тестовом наборе из 30 211 примеров точность составила 66,24%; лицензия — Apache-2.0. Многоязычная предобученная база расширяет применение модели на языки с ограниченными ресурсами, однако перечень языков обучения не проверен полностью, а языковые метки примеров отсутствовали. Результаты на коротких смешанных по языкам или кодовым сценариям текстах могут быть ненадёжными; показатели тестирования не гарантируют аналогичного качества для каждого языка и типа текста.

Locutusque разработала эту модель на базе GPT-2 и дообучила её на наборе Locutusque/InstructMix. Она предназначена для следования инструкциям и ведения диалогов на английском языке. Модель использует архитектуру GPT-2 для генерации текста и имеет контекстное окно 1024 токена; веса доступны в форматах PyTorch и safetensors. В карточке приведены результаты BLEU 26 и perplexity 12, а также заявлено улучшение относительно Locutusque/gpt2-conversational-or-qa. Обучение охватило 10% связанного набора данных, и автор планировал продолжить обучение, поэтому качество и полноту навыков следует оценивать с учётом этого ограничения. Лицензия — MIT.

GRMR-V3-Q4B — языковая модель, разработанная qingy2024 на основе Qwen3-4B-Base и дообученная полным обновлением параметров на 60 тысячах пар исходного и исправленного текста. Она предназначена для коррекции грамматики, пунктуации и орфографии, а также для улучшения структуры предложений на английском языке. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и принимает текстовые запросы в формате чата; максимальная длина контекста — 32 768 токенов. Модель можно применять для вычитки писем, черновиков и других англоязычных текстов. Она ориентирована на исправление ошибок, а не на стилистическое редактирование. Лицензия — Apache-2.0.

lunarly0/han-model-merged — объединённая с помощью SLERP языковая модель на базе архитектуры Llama, созданная автором репозитория из Sao10K/L3-8B-Stheno-v3.2 и ytu-ce-cosmos/Turkish-Llama-8b-Instruct-v0.1 с помощью mergekit. Модель содержит 7,5 млрд параметров, распространяется в формате Safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового общения. Базовые модели дают основание ожидать навыки выполнения инструкций, ролевого общения и написания историй; вторая базовая модель ориентирована на турецкий язык. Карточка не описывает результаты оценки объединённой модели, поэтому эти навыки и качество на конкретных языках нельзя считать подтверждёнными для итогового чекпойнта. Условия лицензии в предоставленных данных не указаны.

Heliactis-1-4B — языковая модель Apollon Labs на архитектуре Spark 2.5, дообученная на базе XHToken/Spark-X2.5-4B. Это полноточные веса fp16 в формате safetensors для генерации текста и диалогового взаимодействия; размер модели — 3,8 млрд параметров, заявленная длина контекста — до 1 048 576 токенов. Модель ориентирована на греческий и английский языки и поддерживает сценарии чата. Для загрузки используется Transformers с пользовательским кодом архитектуры и параметром trust_remote_code=True. Модель распространяется по лицензии Apache-2.0. README отсылает к карточке GGUF-варианта за измеренными результатами и подробным описанием ограничений, поэтому оценить качество и конкретные дефекты по доступным данным нельзя.

HelpingAI3 — языковая модель от HelpingAI для диалогов с эмоционально чуткими ответами. Это плотная авторегрессионная модель семейства Llama с архитектурой decoder-only, примерно 9,9 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для общения, эмоциональной поддержки, рекомендаций по благополучию, персонализированного обучения и профессиональной помощи. По карточке, обучение включало эмоциональные диалоги, терапевтические обмены, культурные беседы и сценарии кризисного реагирования; основной язык — английский. Модель может поддерживать эмпатичный разговор и учитывать эмоциональный контекст, однако способна отражать смещения обучающих данных и неверно трактовать сложные эмоции. Она не заменяет помощь квалифицированного специалиста при серьёзных психологических проблемах. Указана лицензия HelpingAI License (в метаданных — other); перед применением следует проверить её условия.

IndicTrans2 Indic-En 1.1B — модель машинного перевода от AI4Bharat, предназначенная для перевода с индийских языков на английский. Карточка сообщает, что это вариант семейства IndicTrans2 с 1,1 млрд параметров; модель использует текстовый формат «текст на входе — текст на выходе» и обучалась с использованием наборов данных FLORES-200, IN22-Gen и IN22-Conv. Модель подходит для перевода текстов с поддерживаемых индийских языков на английский. В тегах карточки перечислены ассамский, бенгальский, бодо, догри, английский, конкани, гуджарати, хинди, каннада, кашмири, майтхили, малаялам, манипури, маратхи, непальский, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду; основной сценарий — перевод на английский. Для этого варианта в README не указана длина контекста; упомянутые там модели RoPE-IT2 с контекстом до 2048 токенов являются отдельными моделями. Модель распространяется по лицензии MIT.

ITT-AF/ITT-Yi-Ko-6B-v2.0 — дообученная модель семейства Llama, созданная на основе beomi/Yi-Ko-6B на пользовательском наборе данных. В репозитории используется архитектура LlamaForCausalLM; модель содержит 5,9 млрд параметров и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации текста. Карточка не описывает состав обучающего набора, целевые сценарии, языки или результаты оценки, поэтому область применения и качество для конкретных задач по ней определить нельзя. Доступны веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией и ограничивает коммерческое применение.

QuantFactory/Josiefied-Qwen2.5-7B-Instruct-abliterated-GGUF — квантизированная версия модели Josiefied-Qwen2.5-7B-Instruct-abliterated, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана и профинансирована Gökdeniz Gülmez; она дообучена на базе Qwen/Qwen2.5-7B-Instruct и относится к семейству Qwen2. Модель предназначена для генерации текста и диалоговых сценариев, включая использование в качестве универсального ассистента. В карточке рекомендуется системная роль J.O.S.I.E.; также приведен шаблон Ollama с поддержкой сообщений, системных инструкций и вызовов инструментов. Модель имеет размер 7B параметров, работает с текстом и заявлена для английского, немецкого и других языков, точный список которых не указан. Доступна в формате GGUF, удобном для запуска через совместимые инструменты локального инференса. Данные о размере контекстного окна, конкретных вариантах квантизации и требованиях к оборудованию отсутствуют. К заявленным особенностям относятся повышенная «uncensored» направленность и дополнительное дообучение на пользовательском наборе данных. По опубликованным результатам Open LLM Leaderboard модель получила 73,17% на IFEval, 34,9% на BBH, 36,4% на MMLU-PRO, 9,62% на MuSR и 7,05% на GPQA; на MATH Level 5 указано 0% exact match. Эти результаты показывают заметную способность следовать инструкциям, но также существенные ограничения в сложном рассуждении и математике. В README отмечено, что существует более новая версия модели. Лицензия — Apache 2.0. Показатели приведены для исходной или связанной версии модели, поэтому их переносимость на конкретный GGUF-файл и выбранный уровень квантизации не гарантируется.

KAL-24B-mx-v1-i1-GGUF — это квантованная версия инструкционной разговорной модели KAL-24B-mx-v1, разработанной SaptivaAI и дополнительно подготовленной с использованием LoRA. Квантование выполнено mradermacher в формате GGUF; в карточке также указана базовая принадлежность к семейству Mistral/Mistral3. Модель обучалась на наборе данных SaptivaAI/kal-mx-training-data. Модель предназначена для генерации текста, диалоговых сценариев и выполнения инструкций на испанском языке, включая контексты, связанные с Мексикой. Заявленный размер — 24 млрд параметров. Поддерживается только текстовая модальность; точная длина контекста и дополнительные языки в карточке не указаны. Доступны многочисленные варианты квантования с разным соотношением размера, скорости и качества, включая IQ- и Q-квантизации. Рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S, тогда как наиболее компактные варианты могут заметно уступать по качеству. Сильной стороной модели являются специализированная испаноязычная инструкционная и разговорная настройка, а также возможность локального запуска через совместимые инструменты для GGUF. Ограничения связаны с потерями качества, характерными для квантованных версий, особенно при низкой разрядности; фактические показатели, качество рассуждений и поддерживаемый контекст в README не приведены. Модель распространяется по лицензии Apache 2.0.

Keiana-L3-Test6.2-8B-18 — диалоговая языковая модель семейства Llama, опубликованная Kaoeiri. Это объединение нескольких моделей серии Keiana с помощью LazyMergekit и метода model_stock; веса представлены в формате safetensors и точности float16. Модель предназначена для генерации текста в диалогах. Размер составляет 7,5 млрд параметров, родной контекст — 8192 токена. Автор предупреждает, что объединённая модель обычно не проходит тестирование; возможны ошибки в словаре. Лицензия CC BY-NC-ND 4.0 требует указания авторства и запрещает коммерческое использование и распространение производных версий. README не описывает поддерживаемые языки и специализированные области применения.

Jinuuuu разработал эту модель, дообучив KoELECTRA-base для классификации корейского текста по шести эмоциям: гневу, радости, тревоге, смущению, печали и обиде. Это модель классификации последовательностей на базе ELECTRA с 140,1 млн параметров; она принимает текст и возвращает эмоциональную метку с оценкой уверенности. Максимальная длина входа — 512 токенов. Модель предназначена для анализа публикаций и комментариев в соцсетях, отзывов клиентов и диалогов, а также для эмоционального анализа литературы и подбора контента по эмоциональной окраске. В карточке указаны обучающий набор примерно из 50 000 предложений и метрики на валидации: accuracy выше 0,85 и macro F1 выше 0,83; эти значения приведены автором и зависят от данных и сценария применения. Модель ориентирована на корейский язык. Сленг, неологизмы и диалекты могут снижать точность, а результат зависит от контекста и возможных смещений обучающих данных. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — MIT.

Kosmos-EVAA-PRP-v28-8B — слитая языковая модель для генерации текста, созданная с помощью mergekit методом SLERP из jaspionjader/Kosmos-EVAA-PRP-v25-8B и jaspionjader/Kosmos-EVAA-PRP-v27-8B. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров; для работы с ней используется библиотека Transformers, веса представлены в формате safetensors. Модель предназначена для генерации текста по текстовому запросу. Контекстное окно составляет до 8192 токенов. В карточке не приведены целевые сценарии, языки или результаты оценки качества, поэтому область специализации и сравнительные преимущества определить нельзя. Лицензия в предоставленных данных не указана.

JY623/KoSOLAR-10.7B-merge-v1.0 — объединённая разговорная языковая модель, созданная с помощью mergekit из корейских моделей chihoonlee10/T3Q-ko-solar-dpo-v3.0, davidkim205/nox-solar-10.7b-v4 и Deepnoid/deep-solar-Rev-v3.0.4. В качестве базовой указана T3Q-ko-solar-dpo-v3.0; применён метод TIES. Модель построена на плотной архитектуре Llama, содержит около 10,6 млрд параметров и использует формат safetensors. Модель предназначена для генерации текста и диалоговых ответов на корейском языке. Её можно применять в чат-ботах и для ведения текстового диалога; заявленная длина контекста — 4096 токенов. Лицензия в предоставленных данных не указана.

Карточка модели maoelana/legal-qwen-2.5-1.5b-experiment-3 на Hugging Face совпадает с карточкой maoelana/legal-qwen-2.5-1.5b-experiment-2, поэтому описание составлено по ней. maoelana дообучила модель Qwen2.5-1.5B на базе unsloth/qwen2.5-1.5b-unsloth-bnb-4bit. Это плотная языковая модель с архитектурой Qwen2ForCausalLM, предназначенная для генерации текста в диалоговом формате. В карточке указаны размер 1,5 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель может подойти для диалоговых приложений и генерации текста на английском языке. Конкретная специализация дообучения и результаты оценки качества в карточке не описаны. Лицензия — Apache-2.0.

Minbyul разработал эту модель как полноразмерное дообучение Meta Llama 2 на 7 млрд параметров с помощью DPO на датасете HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная модель семейства Llama для генерации текста, ориентированная на ответы в диалогах и следование предпочтениям, отражённым в данных обучения. Модель принимает текст и генерирует текст. Контекст составляет 4096 токенов; репозиторий содержит веса в формате safetensors. Карточка приводит метрики оценки на тестовом наборе, включая точность предпочтений 0,7868, но не описывает отдельные сценарии применения или языки обучения. Базовая Llama 2 описана как англоязычная, поэтому модель подходит прежде всего для англоязычных запросов. Лицензия в предоставленных данных не указана. Результаты могут содержать ошибки и отражают ограничения базовой модели и обучающих предпочтений; независимых сведений о безопасности или качестве в карточке нет.

Baha123/llama3.1-extraction-finetuned — дообученная языковая модель Baha123 на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, предназначенная для генерации текста и диалогового взаимодействия. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL. Модель можно применять для генерации ответов и текста в англоязычных чат-сценариях. Метаданные указывают контекст до 131 072 токенов и размер 7,5 млрд параметров. Репозиторий содержит веса PyTorch; заявлена лицензия Apache-2.0. Название предполагает задачу извлечения информации, однако README не описывает её поведение или качество, поэтому пригодность для конкретных задач извлечения не подтверждена.

ZeroXClem/Llama3.1-Hermes3-SuperNova-8B-L3.1-Purosani-2-8B — текстовая генеративная модель семейства Llama 3.1, созданная ZeroXClem слиянием моделей; в карточке описано объединение kotyKD/Llama3.1-Hermes3-SuperNovaLite-merged-with-base-8B и djuna/L3.1-Purosani-2-8B методом slerp. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — до 131 072 токенов. Модель предназначена для следования инструкциям, ролевых диалогов, интерактивных историй и длинных текстов, а также для задач виртуальных помощников и генерации диалогов игровых персонажей. Карточка не указывает конкретные поддерживаемые естественные языки. Модель распространяется по лицензии Apache-2.0. Качество и надёжность для отдельных задач в карточке не подтверждены независимыми оценками.

Hugosh71/Llama-3-8B-Eden — дообученная Hugosh71 языковая модель семейства Llama 3 для генерации текста. Она основана на unsloth/llama-3-8b-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы на английском языке. В карточке не описаны специализированные сценарии или отдельные возможности, поэтому её следует рассматривать как модель общего назначения. Лицензия — Apache-2.0.

adalbertojunior/Llama-3-8B-Instruct-Portuguese-v0.2-fft — разговорная языковая модель семейства Llama, представленная в формате safetensors. Карточка показывает шаблон диалога с системным сообщением, пользовательским запросом и ответом ассистента; модель предназначена для генерации ответов в чате на португальском языке. В метаданных указаны 7,5 млрд параметров и контекст 8192 токена. Модель может использоваться для диалоговых ассистентов и генерации коротких ответов на запросы на португальском. В README и метаданных не описаны метод обучения, базовая модель, лицензия и результаты оценки качества, поэтому происхождение и условия использования по этим сведениям определить нельзя.

llama-3-aura-bophades-8B — созданная nbeerbower объединённая языковая модель на архитектуре Llama 3. Она получена методом SLERP с помощью mergekit из ResplendentAI/Aura_Uncensored_l3_8B и nbeerbower/llama-3-bophades-v2-8B; размер составляет 7,5 млрд параметров, формат весов — safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста в диалогах и ролевых сценариях. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов. Карточка и метаданные описывают её как англоязычную модель без строгих ограничений на ответы. Для использования доступны веса в формате safetensors. Сведения о лицензии в предоставленных источниках отсутствуют; перед применением следует проверить условия лицензирования обеих исходных моделей.

Это конвертированная в формат MLX версия языковой модели llm-jp-13b-instruct-full-dolly-ichikara_004_001_single-oasst-oasst2-v2.0, опубликованная сообществом mlx-community. Исходная модель семейства Llama имеет плотную архитектуру LlamaForCausalLM и 13,2 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов; доступный контекст — до 4096 токенов. При обучении исходной модели использовались англоязычные и японские наборы Dolly и OpenAssistant, поэтому модель ориентирована на английский и японский языки. Репозиторий содержит веса Safetensors в конвертированном формате MLX; README указывает на использование mlx-lm версии 0.12.0. Лицензия — Apache-2.0. Качество ответов и применимость к другим языкам или задачам отдельно не охарактеризованы.

appvoid/merging-9 — модель генерации текста, созданная разработчиком appvoid с помощью mergekit методом passthrough на основе appvoid/palmer-003. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 1,1 млрд параметров. В конфигурации объединения используются диапазоны слоёв базовой модели, а веса сохранены в формате safetensors. Модель предназначена для генерации текста; описание базовой модели указывает на чат-сценарии и поддержку английского, испанского и французского языков. Контекст составляет 2048 токенов. Компактный размер подходит для сценариев, где важны умеренные требования к ресурсам. Карточка не содержит отдельных сведений о качестве или специальных прикладных областях. Лицензия в предоставленных данных не указана.

Felladrin разработал Minueza-32Mx2-Chat — компактную англоязычную чат-модель на основе Felladrin/Minueza-32M-Base. Она использует архитектуру Mixtral с разреженной экспертной моделью (MoE), содержит 22,8 млн параметров и рассчитана на контекст до 2048 токенов. Модель дообучена методом supervised fine-tuning на наборах инструкций и диалогов, а затем оптимизирована методом direct preference optimization. Она предназначена для диалогов, ответов на вопросы и выполнения текстовых инструкций; обучающие данные включают примеры общего общения, веб-вопросов и предпочтений ответов. Модель принимает текст и генерирует текст, используя формат диалога с ролями system, user и assistant. Модель распространяется под лицензией Apache License 2.0. Это компактная модель с коротким контекстом, поэтому её возможности и качество ответов могут быть ограничены по сравнению с более крупными современными чат-моделями; основной язык карточки — английский.

MISCHIEVOUS-12B-Mix_0.2v — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Mistral, опубликованная bamec66557. Она предназначена для генерации текста, в том числе ролевых диалогов и творческого письма. Модель содержит 12,1 млрд параметров; метаданные указывают контекст до 1 024 000 токенов и поддержку английского и корейского языков. Для работы с диалогами также заявлен интерфейс вызова инструментов. Модель распространяется в формате safetensors; README также упоминает сборку GGUF Q4_K_M. В карточке приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Лицензия — Apache-2.0. Приведённые сведения не описывают качество на конкретных прикладных задачах; фактическая производительность может зависеть от формата и используемого контекста.

liuda1/Mistral-7B-golden — дообученная авторами модель на архитектуре Mistral-7B. В качестве основы использована Mistral-7B-v0.1; модель обучали на англоязычном наборе диалогов и дополнительно настраивали с помощью обучения с подкреплением на специальных наборах данных. В карточке указано, что модель обладает базовыми диалоговыми возможностями, оценёнными авторами при самостоятельном тестировании. Модель предназначена для генерации текста и общения на английском языке. Она содержит 7,1 млрд параметров, работает с форматом PyTorch и поддерживает контекст до 32 768 токенов. Авторы планировали продолжить обучение, чтобы улучшить диалоговые возможности на китайском языке; текущий уровень поддержки китайского не уточнён. Лицензия в метаданных обозначена как неизвестная, поэтому условия использования по доступным данным определить нельзя.

Mistral-7B-Instruct-v0.2-turkish — языковая модель Мохамада Альхаджара, дообученная методом SFT с замороженными параметрами на наборе инструкций malhajar/alpaca-gpt4-tr. Она предназначена для ответов на пользовательские инструкции в формате чата, прежде всего на турецком языке. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Принимает текстовые инструкции и генерирует текстовые ответы; поддерживает контекст до 32 768 токенов. В метаданных указаны турецкий и английский языки. Распространяется по лицензии Apache-2.0.

mistral-ko-7b-wiki-neft — языковая модель, дообученная Seunghyeon Lee и Sungwoo Park на базе Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста на корейском языке по инструкциям; при обучении использовались корейский пользовательский датасет и NEFTune. В карточке также указаны параметры LoRA-модулей и шаблон запросов Mistral. Модель подходит для ответов на корейском языке и генерации текста по инструкциям. Доступны веса в формате safetensors. Условия лицензирования в предоставленных данных не приведены.