III.4Клиентская поддержка и customer success

trinhkhng/ties_Merged_gpt2-large_0.2 — объединённая языковая модель на основе GPT-2 Large, созданная автором репозитория методом TIES с помощью mergekit. В слиянии использованы предварительно обученная модель /kaggle/working/gpt2-large и модель /kaggle/working/debias_gpt2-large; токенизатор взят из базовой модели. Архитектура — GPT2LMHeadModel, плотная авторегрессионная модель для генерации текста; веса сохранены в формате safetensors. Модель предназначена для продолжения текста и других сценариев генерации на основе текстового контекста. В карточке указана длина контекста 1024 токена. README описывает слияние с моделью debias_gpt2-large, однако не приводит оценок качества или подробностей о том, как именно проявляется снижение смещений. Для использования доступны сведения о библиотеке Transformers; лицензия в предоставленных данных не указана, поэтому условия распространения следует проверять в карточке репозитория Hugging Face.

Tiger-7B-v0.1 — языковая модель, созданная NeuralNovel с помощью слияния SLERP двух моделей: Mistral-7B-Instruct-v0.2-Neural-Story и Gecko-7B-v0.1-DPO. Она предназначена для генерации текста и диалоговых сценариев. Модель построена на архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В качестве сценариев применения подходят ведение диалога, написание историй и генерация ответов на запросы. В README приведены результаты оценивания на наборах AI2 Reasoning Challenge и HellaSwag, но данных для вывода о качестве в других задачах нет. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Tofu_3B — разговорная языковая модель, созданная jeiku слиянием нескольких предварительно обученных моделей семейства StableLM Epoch. В README указан метод task arithmetic, а базой слияния названа jeiku/Rosa_v1_3B; в состав также вошли модели для инструкционного диалога, ролевых сценариев и других разговорных задач. Модель предназначена для генерации текста и диалоговых сценариев. Она содержит около 2,7 млрд параметров, использует плотную архитектуру StableLMEpochForCausalLM и принимает текст, выдавая текст. Контекстное окно составляет 4096 токенов. Метаданные указывают на англоязычную разговорную базовую модель StableLM Epoch. Модель распространяется в формате safetensors. Ключевые ограничения, сведения о лицензии и оценка качества в предоставленных материалах отсутствуют; поскольку это слияние разнородных моделей, поведение и качество на разных сценариях могут отличаться.

Windstorm Labs публикует модель машинного перевода английского текста на вьетнамский язык. Это доработанная версия Helsinki-NLP/opus-mt-en-vi на архитектуре MarianMT с 52,7 млн параметров; веса поставляются в формате safetensors и рассчитаны на контекст до 512 токенов. По карточке, параметры намеренно изменены численным преобразованием, а не обучением; конкретная цель этого изменения не описана. Модель подходит для перевода коротких текстов с английского на вьетнамский, включая отдельные фразы и предложения. В скрининговой оценке на 48 предложениях FLORES-200 она получила chrF++ 45,30 и BLEU 25,62; этот результат не является публикационной оценкой и не гарантирует аналогичное качество на других текстах. Поддерживается только направление en→vi. Лицензия — Apache-2.0.

Trendyol-LLM-7b-chat-v0.1-DPO — диалоговая языковая модель Умара Игана, дообученная на основе Trendyol-LLM-7b-chat-v0.1. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 6,7 млрд параметров; она рассчитана на генерацию текста и чат на турецком языке. Контекст модели составляет 4096 токенов. В карточке указано, что обучение проводилось на переведённом на турецкий язык наборе Falcon instruction. Модель может использоваться для ответов в диалоге и выполнения инструкций на турецком. Распространяется по лицензии Apache-2.0.

UndiMix-v1-13b — личная смешанная языковая модель Undi95 на архитектуре Llama 2 с 12,9 млрд параметров. В README указано, что веса объединены из базовой TheBloke/Llama-2-13B-fp16 и нескольких моделей семейства Llama 2, включая Huginn-13b-v1.2 и llama-2-13b-chat-limarp-v2-merged. Репозиторий содержит веса fp16 в формате safetensors; для общения используется шаблон Alpaca, а контекст составляет 4096 токенов. Модель предназначена для генерации текста и диалогов с переменной тональностью: автор отмечает, что она может отвечать серьёзно, игриво и использовать эмодзи. В README приведены результаты оценки на бенчмарках, но они не гарантируют качество в конкретных сценариях. Модель создана в 2023 году и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Aniemore/wav2vec2-bert-tiny2-s-emotion-v1-crosslingual — мультиязычная модель распознавания эмоций в речи, разработанная Aniemore. Это дообученная модель классификации последовательностей на архитектуре Wav2Vec2BertForSequenceClassification; она принимает аудио вместе с текстовой расшифровкой и относит речь к одному из семи классов: гнев, отвращение, воодушевление, страх, счастье, нейтральность или грусть. Модель обучена на 27 939 аудиофрагментах из восьми языков и трёх речевых регистров, в том числе на спонтанной речи. Поддерживаются русский, английский, немецкий, польский, итальянский, французский, испанский и бенгальский языки. Модель ориентирована на анализ эмоций в естественной разговорной речи. На тесте спонтанной русской речи она заметно превзошла предыдущую версию, тогда как на тесте с актёрской русской речью показала более низкий macro-F1; выбор модели зависит от типа аудио. В репозитории доступны варианты весов fp32, int8, fp8 и int4; README приводит результаты для fp32, int8 и fp8. Лицензия — Apache-2.0. Качество зависит от речевого регистра и набора классов: результаты для спонтанного набора с четырьмя классами нельзя напрямую сравнивать с семиклассовыми. Оценка на CAMEO не подтверждает обобщение на другие языки из-за ограничений разбиения по дикторам. Модель обучалась и оценивалась с чистыми корпусными транскриптами, поэтому шумные автоматические расшифровки могут ухудшить результат; для практического применения также может потребоваться настройка порога нейтрального класса.

YetAnother_Open-Llama-3B-LoRA-OpenOrca — языковая модель Andron00e, полученная дообучением openlm-research/open_llama_3b на датасете Open-Orca/OpenOrca. Это плотная авторегрессионная модель семейства Llama с 3,3 млрд параметров, предназначенная для генерации текста и ответов на вопросы. Она принимает текст и выдаёт текст; в метаданных указан английский язык и контекст до 2048 токенов. Модель опубликована в форматах PyTorch и Safetensors и использует библиотеку Transformers. В README приведена оценка на тестовой части HellaSwag: accuracy 0,4899 и нормализованная accuracy 0,6506. Модель может подойти для ответов на вопросы и текстовых инструкций на английском, однако приведённая оценка относится к бенчмарку, а не к широкому набору прикладных сценариев. Лицензия — Apache-2.0.

N8Programs Yukikai-Gemma-v0.3 — дообученная модель генерации текста на архитектуре Gemma 2 с 9 млрд параметров, основанная на unsloth/gemma-2-9b. Разработчик указывает, что обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации и продолжения текста. В метаданных указан английский язык и контекстное окно 8192 токена. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache 2.0. Карточка не описывает специализированные сценарии, результаты оценки качества или дополнительные возможности модели; её пригодность для конкретных задач следует проверять отдельно.

ShenaoZ/0.00001_withdpo_4iters_bs256_531lr_iter_3 — разговорная языковая модель, дообученная на основе ShenaoZ/0.00001_withdpo_4iters_bs256_531lr_iter_2 на обновлённом и исходном наборах данных. Она использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст; длина контекстного окна — до 32 768 токенов. Карточка не описывает конкретные сценарии, результаты оценки или известные ограничения качества. Модель опубликована в формате safetensors под лицензией MIT.

Это диалоговая языковая модель на архитектуре Mistral, дообученная автором ShenaoZhang на основе HuggingFaceH4/mistral-7b-sft-beta. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и общения в формате чата; заявлены контекст до 32 768 токенов и веса в формате safetensors. Карточка указывает, что дообучение проводилось на наборах updated и original, но не раскрывает их состав, методику обучения или результаты оценки. Базовая модель описана как обученная на англоязычных синтетических диалогах, поэтому английский — основной предполагаемый язык применения. Модель распространяется по лицензии MIT.

AfriGuard-tiny-aya-global-full — дообученная israel модель на базе CohereLabs/tiny-aya-global, обученная на датасете afriguard. Это плотная языковая модель Cohere2 с 3,3 млрд параметров для генерации текста и диалогов; карточка указывает поддержку чата. Модель принимает текст и выдаёт текст, а контекст составляет до 8192 токенов. В README не описаны целевые сценарии и результаты оценки, поэтому назначение дообучения на африканском датасете можно определить лишь в общих чертах. Базовая модель многоязычная и поддерживает более 70 языков; карточка этой версии не уточняет языковой охват и ограничения. Лицензия указана как other, конкретные условия использования требуют проверки в репозитории.

Aira-2-portuguese-560M — инструктивно дообученная модель генерации текста из серии Aira-2, разработанная Nicholas Kluge на основе BLOOM от BigScience. Модель содержит около 659 млн параметров по метаданным и обучена на португалоязычном наборе Instruct-Aira Dataset, состоящем из синтетических пар запросов и ответов, созданных с помощью уже настроенных моделей. Модель предназначена для диалоговых ответов и выполнения инструкций на португальском языке. Она использует архитектуру BLOOM с причинным языковым моделированием и доступна в форматах PyTorch и Safetensors для Transformers. В README описаны риски галлюцинаций, воспроизведения предубеждений и токсичных ответов, а также повторов и многословия. Лицензия — BigScience BLOOM RAIL 1.0.

Amadeus-Verbo-FI-Qwen2.5-0.5B-PT-BR-Instruct — компактная языковая модель на основе Qwen2.5-0.5B-Instruct, разработанная Amadeus AI для общения и генерации текста на бразильском португальском. Модель дообучена в течение двух эпох на наборе из 600 тысяч инструкций. Это плотная Transformer-модель для причинной генерации текста с 494 млн параметров, 24 слоями и контекстом до 32 768 токенов. В архитектуре используются RoPE, SwiGLU, RMSNorm и grouped-query attention; модель запускается через библиотеку Transformers и поддерживает диалоговый сценарий. Подходит для ответов на инструкции и вопросов, а также для генерации текста на бразильском португальском. Небольшой размер удобен для сценариев с ограниченными вычислительными ресурсами, однако качество и надёжность могут уступать более крупным моделям. Распространяется по лицензии Apache-2.0.

ARIA-70B-V3 — франкоязычная текстовая модель Faradaylab на архитектуре Llama, дообученная на базе Llama2-70B-Chat-HF. По карточке, обучение проводилось на частном высококачественном наборе данных из более чем 100 000 примеров с акцентом на грамматику, навыки письма и снижение смещений в данных. Модель предназначена для генерации и редактирования французского текста, создания контента и задач, где важны грамотность и естественность формулировок. Она содержит 68,7 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. В репозитории указаны веса Safetensors. Модель выпущена под лицензией с обозначением «other»; конкретные условия использования следует сверить с лицензией в репозитории. Карточка не приводит оценки качества или подробностей ограничений, поэтому заявленные преимущества в письме и снижении смещений не подтверждены количественными результатами.

Barcenas-27b — разговорная языковая модель, разработанная автором репозитория Danielbrdz на основе SillyTilly/google-gemma-2-27b-it и дообученная на испаноязычном наборе pinzhenchen/alpaca-cleaned-es. Это плотная модель семейства Gemma 2 с 27,6 млрд параметров, рассчитанная на генерацию текста в диалоговом формате; максимальная длина контекста составляет 8192 токена. Модель предназначена для общения на испанском языке и выполнения инструкций на естественном языке. Автор заявляет, что цель дообучения — улучшить работу крупной модели на испанском; в README также приводится субъективное сравнение с ранними версиями GPT-4, не подкреплённое результатами оценки. В репозитории представлены веса Safetensors. Лицензия указана как gemma; перед использованием следует учитывать условия лицензии Gemma. Метаданные также отмечают английский язык, однако README описывает обучение именно на испанском наборе данных.

Модель Yoshitomo Matsubara — версия BERT-base-uncased, дообученная на датасете SST-2 для классификации тональности коротких текстов на английском языке. Она использует архитектуру BERT с 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. В README обучение описано как воспроизводимый пример с использованием torchdistill и библиотек Hugging Face; указанный общий результат на тестах GLUE — 77,9 балла. Модель подходит для определения положительной или отрицательной тональности английских фраз и отзывов. Она опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. Обучение на SST-2 ограничивает специализацию модели анализом тональности; README не приводит отдельной оценки качества именно для этой модели на SST-2.

Это дообученная AmberYifan модель Marin 8B Base на базе архитектуры Llama с 7,5 млрд параметров. Обучение выполнено на наборе capsd_marin-8b-base-n80000-opc__mix_code_less_b4000_s0; название набора указывает на снижение доли кода, но подробности его состава не приведены. Модель предназначена для генерации и продолжения текста в сценариях диалога. Контекст составляет 4096 токенов. В репозитории указана лицензия other; конкретные условия использования в карточке не раскрыты. Подробные сведения о качестве, оценке и ограничениях отсутствуют.

Austism/chronos-wizardlm-uc-scot-st-13b — языковая модель для генерации текста, созданная объединением Chronos-13B и смеси WizardLM Uncensored, CoT и Storytelling в пропорции 80/20. Разработчик описывает её как вариант Chronos с изменёнными способностями к письму и следованию инструкциям. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 12,9 млрд параметров; доступный формат — PyTorch, родной контекст — 2048 токенов. Модель предназначена для написания текстов и выполнения инструкций в диалоговом формате, включая сценарии с пошаговыми рассуждениями. В метаданных указана лицензия `other`, без уточнения её условий. Практический контекст ограничен 2048 токенами; README не приводит оценок качества или подробностей об обучающих данных.

sahikjaman/cloudsentimen-gojek — модель классификации тональности отзывов о приложении Gojek в Google Play Store. Это дообученная на indонезийских отзывах модель indobenchmark/indobert-base-p1 на архитектуре BERT с 151,6 млн параметров; она относит текст к одному из трёх классов: положительный, нейтральный или отрицательный. Модель рассчитана на классификацию коротких пользовательских отзывов на индонезийском языке и поддерживает контекст до 512 токенов. Для обучения использовались публичные отзывы Google Play, а метки автоматически выводились из рейтинга: 4–5 звёзд — положительная тональность, 3 — нейтральная, 1–2 — отрицательная. Перед подачей текста требуется применить ту же очистку, что и при обучении: привести текст к нижнему регистру, удалить ссылки, эмодзи и пунктуацию, нормализовать сленг и удалить стоп-слова средствами Sastrawi. Весы опубликованы в формате safetensors; лицензия — MIT.

appvoid/danube-reason-4ep — языковая модель, разработанная appvoid путём дообучения h2oai/h2o-danube3-500m-base. Это плотная авторегрессионная модель архитектуры Llama с 464,4 млн параметров, предназначенная для генерации текста. В метаданных указан контекст до 8192 токенов и поддержка английского языка. Модель можно применять для генерации продолжений и черновиков текста на английском языке. README сообщает, что обучение проводилось с Unsloth и библиотекой TRL; репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет, какие именно навыки рассуждения или специальные сценарии улучшены дообучением.

DataDecide-falcon-1B-6000062500650006750069369weightedavgmerge — объединённая языковая модель на 1,2 млрд параметров, созданная с помощью mergekit методом Linear из нескольких контрольных точек Falcon. В README базовой указана контрольная точка step69369; в объединение также вошли step60000, step62500, step65000 и step67500. Архитектура — плотная LlamaForCausalLM, библиотека для работы — Transformers, веса представлены в формате safetensors. Модель предназначена для генерации текста. Контекст составляет 2048 токенов. README и метаданные не уточняют поддерживаемые естественные языки и специализированные сценарии применения, поэтому её можно описать только как модель общего назначения. Данных о лицензии и известных ограничениях нет.

Edentns/DataVortexS-10.7B-dpo-v1.10 — корейско-английская языковая модель с архитектурой Llama и 10,7 млрд параметров, созданная командой, указанной в карточке, на основе beomi/OPEN-SOLAR-KO-10.7B. Модель дообучена для диалоговой генерации текста и использует формат Alpaca Chat; в репозитории представлены веса safetensors. Модель предназначена для ответов на вопросы и ведения диалога на корейском языке. В README приведены результаты на корейских бенчмарках Ko LM Eval Harness и Ko-LLM-Leaderboard. Контекст модели составляет 2048 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Anasft9/distilbert-sentiment-demo — дообученная модель классификации текста на базе distilbert/distilbert-base-uncased, опубликованная пользователем Anasft9. Она предназначена для отнесения текстовых последовательностей к классам; название модели указывает на анализ тональности, однако README не раскрывает метки классов и обучающий набор данных. Архитектура — DistilBertForSequenceClassification, поддерживаемая длина контекста — до 512 токенов. Доступны веса в форматах Safetensors и ONNX. В README приведены результаты на оценочной выборке: accuracy 0,8443 и loss 0,4280. Эти показатели не позволяют судить о качестве на других данных, поскольку набор данных, схема меток и протокол оценки не описаны. Модель распространяется по лицензии Apache-2.0.

Dolphin 2.9.3 Qwen2 1.5B — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и Cognitive Computations на базе Qwen/Qwen2-1.5B. Это плотная авторегрессионная архитектура Qwen2 с 1,5 млрд параметров; модель дообучена на инструкционных и диалоговых данных, включая Dolphin-2.9, OpenHermes-2.5, наборы для математики и взаимодействия с агентами. Для базовой модели заявлен контекст 128 тысяч токенов, а полновесное дообучение проводилось с длиной последовательности 16 тысяч токенов. Модель предназначена для диалогов, выполнения инструкций и генерации текста в формате чата. При подготовке этой версии исключили наборы для программирования, вызова функций и многоязычного системного чата, поскольку небольшую модель сложнее дообучать на данных, созданных для более крупных моделей. Автор описывает Dolphin как uncensored и указывает на высокую готовность следовать запросам; для публикации в виде сервиса рекомендуется самостоятельно добавить слой выравнивания. Это ограничивает её пригодность для пользовательских сценариев без дополнительной модерации. Лицензия Apache-2.0 допускает коммерческое использование в соответствии с её условиями.

TehranNLP-org/electra-base-sst2 — модель классификации текста на базе архитектуры ELECTRA, дообученная на наборе SST-2. Она предназначена для определения тональности коротких англоязычных текстов, например отзывов и пользовательских высказываний. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README указана точность 0,9507 на оценочной выборке SST-2. Модель разработана TehranNLP-org и основана на google/electra-base-discriminator. Доступна в формате PyTorch по лицензии Apache-2.0. Её назначение ограничено классификацией тональности в стиле SST-2; результаты на других типах текстов и языках карточка не описывает.

Это дообученная модель GPT-2 от fpadovani, созданная на основе fpadovani/ppt-art-lang-newlexicon-zipf-eng-baseline-100mb_seed455 с использованием TRL. Она предназначена для генерации текста и ответов на открытые вопросы; в примере карточки показан диалоговый запрос на английском языке. Модель построена на плотной архитектуре GPT2LMHeadModel, распространяется в формате safetensors и имеет контекстное окно 512 токенов. Лицензия в доступных данных не указана.

Модель fpadovani/eng-100mb-after-wc-uniform-oldlex-eng-ckpt500_seed455_seed455 — дообученная версия fpadovani/ppt-wc-uniform-oldlex-eng-100mb_seed455, созданная с использованием TRL. Это плотная языковая модель семейства GPT-2 для генерации текста; пример в карточке показывает продолжение ответа на вопрос на английском языке. Модель принимает текст и генерирует текст. Её нативный контекст составляет 512 токенов, а файлы весов представлены в формате safetensors. Карточка не описывает специальные предметные области или дополнительные возможности. Условия лицензии в предоставленных данных не указаны.

eng-latn-100mb-ppt-Dp-10mb-packed_seed3407 — дообученная модель семейства GPT-2, созданная на основе goldfish-models/eng_latn_100mb. Согласно карточке, она обучалась с помощью TRL и предназначена для генерации текста; пример показывает ответы на открытый вопрос. Модель использует архитектуру GPT2LMHeadModel, работает с текстом и имеет контекст длиной 512 токенов. Базовая модель ориентирована на английский язык, поэтому основной сценарий — генерация англоязычного текста. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и специальных ограничениях в предоставленных данных отсутствуют.

Erk-32B — турецкая языковая модель eCloud Tech., дообученная на базе Qwen3-32B. В репозитории указаны продолженное обучение на 1,05 млрд токенов турецкого текста и настройка по инструкциям на 423 млн токенов; текущая версия v2 дополнительно обучена на турецких текстах и смешана с весами v1 в равных долях. Это плотная модель семейства Qwen3 с 29,7 млрд параметров, контекстом 40 960 токенов и поддержкой диалога; карточка также отмечает интерфейс вызова инструментов. Модель предназначена прежде всего для общения и генерации текста на турецком языке. В README приведены результаты на TurkishMMLU и TurkMorfBench; авторы отмечают улучшение турецких знаний и соответствия формату ответа, но не измеряли качество генерации в целом, работу с длинным контекстом, программирование и рассуждения. Для v2 идентичность модели задаётся системным сообщением в шаблоне чата. Веса распространяются по лицензии Apache 2.0.