III.4Клиентская поддержка и customer success

YoliGuadir/xlnet-tass-sentimientos — дообученная модель XLNet Base Cased для классификации тональности текстов на испанском языке. Она разработана автором репозитория и предназначена для определения тональности в задаче TASS. Модель содержит 137,8 млн параметров, построена на архитектуре XLNetForSequenceClassification и распространяется в формате safetensors; для работы используется Transformers. В карточке приведены результаты оценки: accuracy 0,5437, F1 Macro 0,5359 и F1 Weighted 0,5381. В описании также указано, что опубликованный вариант обучался с batch size 16 и показал F1 Macro 0,5339, не достигнув упомянутого baseline BETO в 64%. Лицензия — MIT. Датасет обозначен как None, поэтому детали обучающих данных неясны.

Nondzu/zephyr-speakleash-010-pl-3072-32-16-0.01 — разговорная языковая модель, опубликованная Nondzu и связанная с проектом SpeakLeash. Это плотная авторегрессионная модель семейства Mistral примерно на 7,1 млрд параметров, предназначенная для генерации текста и диалогов в формате ChatML. Для запуска в карточке приведены примеры с Transformers и text-generation; контекстная длина по метаданным — 32 768 токенов. Модель ориентирована на польский язык, что следует из идентификатора модели; карточка также указывает шаблон ChatML. Репозиторий распространяет веса в формате Safetensors/PyTorch по лицензии MIT. Конкретные оценки качества и подробные ограничения в доступных источниках не приведены.

Это разговорная языковая модель Shenao Zhang, дообученная на базе ShenaoZhang/0.001_3iters_bs256_nodpo_only4w_iter_1 на обновлённом и исходном наборах данных. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и принимает текст для генерации текста; контекстное окно составляет 32 768 токенов. Модель предназначена для диалоговой генерации текста. Карточка не уточняет целевые сценарии, языки обучения и результаты оценки, поэтому её пригодность для конкретных задач не подтверждена. Распространяется по лицензии MIT.

AceGPT-v2-70B-Chat — диалоговая генеративная языковая модель семейства AceGPT, разработанная исследователями KAUST, Китайского университета Гонконга в Шэньчжэне и Shenzhen Research Institute of Big Data. Это полностью дообученная плотная модель на архитектуре Llama с 69,5 млрд параметров и контекстом 8192 токена; она принимает и выдаёт текст. Модель оптимизирована для диалогов и вопросов на арабском языке, в том числе для ответов на вопросы и заданий с выбором ответа. В метаданных также заявлена поддержка китайского и английского языков. По описанию разработчиков, в бенчмарках модель превосходила доступные открытые арабские диалоговые модели; в карточке приведены примеры ответов на арабские вопросы. Распространяется по лицензии Apache-2.0.

Athena-v4 — экспериментальная текстовая модель семейства Llama, опубликованная IkariDev. Репозиторий содержит веса FP16; модель использует шаблон Alpaca и предназначена для генерации текста в ролевых сценариях, ERP и задачах общего характера. Модель размером 12,9 млрд параметров создана слиянием Athena-v3, Xwin-LM-13B-V0.1, PsyMedRP-v1-13B, Thespis-13b-v0.2 и airoboros-l2-13b-3.0. Максимальная длина контекста — 4096 токенов. Для модели также упомянуты сторонние сборки GGUF, GPTQ, EXL2 и AWQ, но этот репозиторий содержит FP16-веса. Автор подчёркивает экспериментальный характер модели, поэтому качество ответов может быть нестабильным. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Badger κ Llama 3 8B Instruct «Abliterated» — разговорная модель на базе Llama 3, созданная автором репозитория путём слияния и преобразования весов нескольких моделей Llama 3 8B, включая instruct-модели и их производные. Модель предназначена для генерации ответов, продолжения историй и ролевого диалога; автор отмечает, что она хорошо справляется с обычными запросами, но ролевые ответы могут быть небрежными и при этом описательными. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекстное окно 8192 токена. Она принимает текст и генерирует текст; метаданные указывают библиотеку Transformers и формат safetensors. README описывает модель как uncensored, однако качество и безопасность ответов отдельно не подтверждены. Лицензия указана как Llama 3 license.

Это авторегрессионная языковая модель семейства PicoDecoder, опубликованная организацией Beetle-FineWeb-2B на Hugging Face. Репозиторий помечен как модель генерации текста и использует Transformers с файлами Safetensors. Модель предназначена для продолжения текста и генерации ответов по текстовой подсказке. Название репозитория указывает на двуязычную версию для нидерландского и английского языков, обученную на FineWeb; подробности карточки о размере, контексте, лицензии и ограничениях не заполнены.

ChocoLlama-2-7B-instruct — нидерландоязычная диалоговая языковая модель, разработанная Matthieu Meeus и Anthony Rathé. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она дообучена на базе ChocoLlama-2-7B-base с помощью supervised fine-tuning (SFT), а затем Direct Preference Optimization (DPO) на нидерландских переводах наборов инструкций. Модель предназначена для генерации ответов и ведения диалогов на нидерландском языке. Она принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Для корректной работы рекомендуется применять соответствующий шаблон чата. Карточка сообщает о сравнительной оценке на нидерландских бенчмарках, но не приводит подробных результатов именно этой версии. Авторы предупреждают, что дообучение только на нидерландских данных могло привести к существенному ухудшению работы на английском и других языках. Дополнительная фильтрация данных на предмет предвзятости и вредного содержания не проводилась. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Карточка модели Josephus67/disal_tts на Hugging Face совпадает с карточкой Josephus67/Appati_tts, поэтому описание составлено по ней. Josephus67/Appati_tts — дообученная Josephus67 модель на архитектуре LlamaForCausalLM с 3,3 млрд параметров, созданная на базе unsloth/orpheus-3b-0.1-ft с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors; модель поддерживает диалоговый режим и принимает текст для генерации текста. В карточке не описаны отдельные задачи обучения или примеры использования, поэтому назначение синтеза речи, потокового озвучивания и клонирования голоса базовой модели нельзя уверенно приписать этой дообученной версии. Метаданные указывают контекстное окно до 131 072 токенов и английский язык. Модель лицензирована по Apache-2.0. Ее практические возможности и качество зависят от дообучения, однако карточка не приводит его данные или известные ограничения.

Discord-Micae-8B-Preview-i1-GGUF — квантованная версия модели Discord-Micae-8B-Preview, подготовленная mradermacher. Базовая модель разработана на основе семейства Llama 3 и дообучена с использованием merged LoRA на наборе данных mookiezi/Discord-Dialogues. Модель предназначена для генерации текста, инструкционного взаимодействия и ведения диалогов в чат-сценариях, включая применение в conversational AI и Discord-подобных переписках. Модель содержит около 8 миллиардов параметров, относится к causal language models и поддерживает английский язык. Это текстовая модель без заявленной поддержки изображений, аудио или других модальностей. Репозиторий предоставляет файлы в формате GGUF с различными вариантами квантования от i1-IQ1_S до i1-Q6_K, что позволяет выбирать между размером, скоростью и качеством; рекомендуемыми указаны i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как сбалансированный по размеру, скорости и качеству. Сильными сторонами являются открытые веса, наличие множества вариантов квантования и специализация на диалоговой генерации. Ограничения включают отсутствие данных о размере контекстного окна, результатах тестирования, системных требованиях и качестве за пределами английских разговорных сценариев; варианты с низким уровнем квантования могут заметно снижать качество. Лицензия указана как Llama 3, поэтому использование модели должно соответствовать её условиям.

Модель cvapict/distilbert-base-multilingual-cased-aoe-test12 — дообученная версия DistilBERT multilingual cased для классификации текста по последовательностям. В карточке указаны точность 0,9571 и loss 0,1165 на оценочном наборе; название датасета приведено как None, поэтому результаты нельзя связать с конкретной областью или набором классов. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. Она основана на distilbert/distilbert-base-multilingual-cased, поддерживает контекст до 512 токенов и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Карточка не описывает целевые классы, обучающие данные и предполагаемые сценарии применения, поэтому качество для конкретной задачи оценить нельзя. Перед применением следует проверить модель на данных и метриках целевого сценария.

joeddav/distilbert-base-uncased-go-emotions-student — англоязычный классификатор эмоций, разработанный как компактная ученическая модель на базе DistilBERT. Его обучили дистилляцией предсказаний модели zero-shot классификации на неразмеченных данных GoEmotions; обучение продолжалось 10 эпох со смешанной точностью. Модель предназначена для классификации текста по эмоциональным категориям GoEmotions и для демонстрации способа переноса знаний от ресурсоёмкой NLI-модели к более эффективному классификатору, обучаемому на неразмеченных данных. Она поддерживает входной текст длиной до 512 токенов и выдаёт метки классов. По заявлению автора, качество может быть ниже, чем у модели, обученной на полностью размеченных данных. Хотя GoEmotions допускает несколько меток для одного примера, учитель создавал псевдометки только одного класса. Модель распространяется по лицензии MIT.

Dixtral — модель распознавания речи, разработанная группой BUT Speech@FIT Брненского технического университета. Она сочетает речевую модель Voxtral-Mini-3B-2507 с энкодером DiCoW v3 large, учитывающим информацию о диаризации, чтобы распознавать речь целевого говорящего в многоголосых записях. Модель предназначена для транскрибации разговоров и записей совещаний с несколькими участниками. Для ответов на вопросы по аудио разработчики рекомендуют отдельную модель Dixtral_QA. Модель дообучена на NOTSOFAR-1, AMI Meeting Corpus и LibriMix/LibriSpeechMix; опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

EEVE-Korean-Instruct-10.8B-v1.0-32k — разговорная языковая модель на архитектуре Llama с 10,6 млрд параметров, разработанная командой EEVE. Модель дообучена методом Direct Preference Optimization (DPO) на корейских переводах наборов Open-Orca/SlimOrca-Dedup и UltraFeedback. В карточке указана длина контекста 32 768 токенов. Модель предназначена для диалога на корейском языке: она отвечает на вопросы и формулирует подробные, вежливые ответы по шаблону чата. Используйте её для корейскоязычных ассистентов и генерации текста. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

spow12/EEVE_ver_4.1_sft — дообученная модель spow12 на базе yanolja/EEVE-Korean-10.8B-v1.0. Это плотная причинная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 10,6 млрд параметров, представленная в формате Safetensors и рассчитанная на генерацию текста и диалоговое общение. В README указано дообучение на пользовательском датасете, но его состав и специализация не раскрыты. Модель поддерживает английский и корейский языки, использует контекст длиной до 4096 токенов и распространяется по лицензии Apache-2.0. Её можно рассматривать для генерации текста и диалоговых сценариев на поддерживаемых языках. Поскольку сведения о датасете и результаты оценки качества отсутствуют, пригодность для конкретной предметной области и уровень качества ответов по карточке определить нельзя.

pelmeshkass/elit-final — дообученная модель семейства Qwen3.5, созданная pelmeshkass на базе unsloth/Qwen3.6-27B с использованием Unsloth и Hugging Face TRL. Она предназначена для диалоговых задач с текстом и изображениями, включая анализ визуального содержимого; репозиторий также заявляет интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen3_5ForConditionalGeneration и поддерживает контекст до 1 048 576 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять отдельно.

Это дообученная на английском языке модель генерации текста на базе fpadovani/ppt-wc-zipf-newlex-jpn-100mb_seed10. Разработчик — fpadovani; модель построена на архитектуре GPT-2 и обучалась с помощью TRL. Пример в карточке показывает генерацию ответа на вопрос по заданной теме. Модель предназначена для продолжения текста и ответов на англоязычные запросы в пределах контекста до 512 токенов. Репозиторий содержит веса в формате safetensors. Сведений о лицензии в предоставленных данных нет.

Enno-Ai/EnnoAi-Pro-Llama-3-8B-v0.1 — экспериментальная чат-модель семейства Llama для генерации текста на французском языке в профессиональных сценариях. По карточке модель создана на основе профессиональной базы данных на французском языке и дообучена с помощью QLoRA; метаданные указывают плотную архитектуру LlamaForCausalLM, 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалогов и генерации профессионального текста на французском языке. Репозиторий содержит веса в формате safetensors, а лицензия указана как BigScience BLOOM RAIL 1.0. Карточка называет модель альфа-версией и сообщает, что она находится в разработке, поэтому её качество и пригодность для конкретных рабочих задач требуют проверки.

Это дообученная модель генерации текста на базе GPT-2, опубликованная Francesca9805. Она создана с помощью TRL и предназначена для продолжения текста и генерации ответов на запросы; в карточке приведён пример ответа на открытый вопрос. Модель принимает текст и выдаёт текст, а заявленная длина контекста составляет 512 токенов. Модель сохранена в формате safetensors. В README и метаданных не указаны языки обучения или специализация по предметной области, поэтому область применения следует считать общей. Лицензия в предоставленных данных не указана.

Модель JavascriptMick/functiongemma-270m-it-simple-tool-calling — дообученная с помощью TRL версия компактной текстовой модели Google FunctionGemma 270M. Она построена на архитектуре Gemma 3 для причинной генерации текста и рассчитана на диалоговые сценарии с вызовом функций и создание специализированных агентов. Модель содержит 257 млн параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Карточка показывает запуск через Transformers как генератор текста; пример передаёт вопрос пользователя и получает текстовый ответ. Лицензия и конкретные инструменты, на которые настроена модель, в предоставленных данных не описаны.

FusionNet_SOLAR — экспериментальная англоязычная чат-модель, созданная разработчиком TomGrc с применением метода SOLAR Fusion и дообучения. Это плотная авторегрессионная модель семейства Llama с 15,8 млрд параметров; она принимает текст и генерирует текст, а контекст составляет 4096 токенов. Карточка приводит результаты оценивания на Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии MIT. README называет модель экспериментом; опубликованные оценки не гарантируют качество на других задачах.

Gemma4-E4B-SFT-Fable5 — модель ermiaazarkhalili, дообученная методом supervised fine-tuning на базе мультимодальной Gemma 4 E4B Instruct от Unsloth. Веса LoRA-адаптера объединены с базовой моделью; архитектура — Gemma4ForConditionalGeneration, размер — 8 млрд параметров. Модель предназначена для генерации текста в диалоговом формате после дообучения на датасете Fable-5-Complete-2M-Clean. Её можно применять для диалогов и генерации текста в сценариях, близких к обучающим инструкциям. Метаданные относят её к text-generation и указывают возможность чата; базовая модель мультимодальная, однако README не описывает проверенные сценарии обработки изображений для этого чекпойнта. Репозиторий использует формат safetensors, библиотека — Transformers; лицензия — Apache-2.0. Для модели не проводилась оценка на бенчмарках: опубликованы только значения обучающего loss. Поведение вне распределения единственного обучающего датасета не проверено; модель наследует смещения и ошибки базовой модели. Объединённый адаптер нельзя отделить от дообученных весов.

Модель francesca9805/hin-deva-100mb-after-ppt-Dp-100mb-packed-bfdiso-ckpt500_seed455 — дообученная на базе francesca9805/hin-deva-100mb-ppt-Dp-100mb-packed-bfdiso_seed455 GPT-2 для генерации текста. По карточке, модель обучалась с помощью TRL; пример использования показывает подачу текстового вопроса и генерацию ответа. Архитектура — GPT-2 с плотной структурой, веса размещены в формате safetensors, контекст — 512 токенов. Лицензия и целевые языки в предоставленных данных не обозначены.

Модель xbgoose/hubert-large-speech-emotion-recognition-russian-dusha-finetuned — аудиоклассификатор для распознавания эмоций в русской речи. Она разработана на основе HuBERT Large facebook/hubert-large-ls960-ft и дообучена на наборе данных DUSHA; архитектура — HuBERTForSequenceClassification, размер — 402,7 млн параметров. Модель принимает аудио и выдаёт метки классов эмоций. В карточке указано, что при дообучении использовали половину обучающей выборки и обучали модель два эпохи. На тестовой выборке автор получил accuracy 0,86, balanced accuracy 0,76 и macro F1 0,81, улучшив accuracy и F1 относительно базового результата датасета. Модель распространяется по лицензии Apache-2.0.

Huihui-HY-MT1.5-1.8B-abliterated — версия Tencent HY-MT1.5-1.8B, изменённая автором huihui-ai методом abliteration для снижения отказов модели. Это плотная авторегрессионная модель семейства HunYuan с 1,8 млрд параметров, предназначенная прежде всего для перевода, а также для диалогов вместе с переводом. Заявленный контекст — до 262 144 токенов; модель распространяется в формате safetensors и работает через Transformers. Модель рассчитана на многоязычную работу: метаданные перечисляют 33 языка, включая китайский, английский, русский, японский, арабский и другие. Исходная HY-MT1.5 поддерживает перевод между языками, работу с терминологией и форматированным выводом. Автор описывает эту версию как экспериментальную проверку метода снятия отказов и предупреждает о повышенном риске чувствительных, спорных или неподходящих ответов. Для одного лишь перевода автор рекомендует исходную модель Tencent. Лицензия в предоставленных данных не указана.

Hy-MT2-1.8B-GGUF — набор квантизированных файлов модели Hy-MT2-1.8B, разработанной Tencent и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена прежде всего для задач машинного перевода и поддерживает широкий набор языков, включая китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, немецкий, итальянский, вьетнамский, индонезийский, хинди, польский, украинский и другие. Модель содержит около 1,8 млрд параметров. Доступны варианты с разными уровнями квантования — от Q2_K до Q8_0, а также IQ4_XS и f16, с размером файлов примерно от 0,9 до 3,7 ГБ. В README не указаны архитектура, поддерживаемая длина контекста, точные характеристики качества или дополнительные модальности, поэтому модель следует рассматривать как текстовую систему перевода без подтверждённых возможностей за пределами этой задачи. К сильным сторонам относятся компактный размер, возможность локального запуска и выбор между экономией памяти, скоростью и качеством: варианты Q4_K_S и Q4_K_M рекомендованы как быстрые, Q6_K отмечен как обладающий очень хорошим качеством, а Q8_0 — как вариант с лучшим качеством среди быстрых сборок. К ограничениям относятся неизбежные потери качества при низком уровне квантования и отсутствие в README подробных сравнительных оценок. Распространение заявлено по лицензии Apache-2.0.

Это дообученная модель генерации текста на основе GPT-2, созданная fpadovani и обученная с использованием TRL. Она предназначена для продолжения текста и ответов на открытые вопросы в формате диалога; в карточке приведён пример генерации ответа на вопрос о выборе между прошлым и будущим. Модель принимает текст и выдаёт текст, поддерживает контекст до 512 токенов и сохранена в формате safetensors. Лицензия в предоставленных данных не указана.

Это дообученная модель GPT-2, созданная на основе francesca9805/isl-latn-100mb-ppt-Dp-10mb-packed-bfdiso_seed10 и обученная с помощью TRL. Она предназначена для генерации текста и ответов на вопросы в диалоговом формате; в примере карточки показан ответ на вопрос с выдачей до 128 новых токенов. Модель использует плотную архитектуру GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 512 токенов. Лицензия и сведения о языках в предоставленных данных отсутствуют.

neeleshg23/jamba-1.9b-3_layer — дообученная модель семейства Jamba с архитектурой MoE для генерации текста. Она основана на neeleshg23/jamba-1.9b-9 и содержит 1,2 млрд параметров; опубликована в формате safetensors и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации продолжения текста и может использоваться в задачах, где требуется текстовый ответ или черновик. Данные обучения, языки, специализированные сценарии и результаты оценки не описаны. Модель опубликована под лицензией, сведения о которой в доступных данных отсутствуют.

karcher_Merged_gpt2_0.1 — объединённая языковая модель на основе GPT-2, созданная автором репозитория с помощью mergekit методом среднего Кarcher. В слиянии использованы модели /kaggle/working/gpt2 и /kaggle/working/debias_gpt2; в метаданных архитектура указана как GPT2LMHeadModel, плотная авторегрессионная трансформерная модель. Репозиторий предназначен для генерации текста и работает через Transformers; веса сохранены в формате safetensors, контекст составляет 1024 токена. Модель подходит для продолжения текста и других сценариев генерации на основе текстовой подсказки. Карточка не сообщает о конкретных языках, датасетах или специальных прикладных областях, поэтому их назначение нельзя уточнить. Лицензия в предоставленных данных не указана.