III.4Клиентская поддержка и customer success

Astrid-1B — языковая модель PAIX.Cloud на архитектуре GPT-NeoX, предназначенная для генерации связного текста на английском языке. Модель содержит 1,2 млрд параметров, использует причинное языковое моделирование и рассчитана на контекст до 2048 токенов. Для работы предусмотрена библиотека Transformers и формат весов PyTorch. Модель общего назначения можно применять для продолжения текста, чернового написания и генерации ответов на текстовые запросы. README отмечает цели персонализации, защиты данных и прозрачного управления ИИ, но не приводит подробных сценариев или результатов оценки качества. Обучение выполнялось с H2O LLM Studio. Генерации могут быть ошибочными, бессмысленными, нерелевантными или содержать предвзятые и оскорбительные высказывания; результаты следует проверять. Условия лицензии в предоставленных данных не указаны.

Barcenas-8b-Cartas — испаноязычная языковая модель для генерации писем, разработанная Danielbrdz. Она основана на NousResearch/Meta-Llama-3.1-8B-Instruct и дообучена на наборе Danielbrdz/Barcenas-Cartas. Модель предназначена для создания писем с заданной эмоциональной окраской, выразительным содержанием и высоким качеством текста. Модель имеет плотную архитектуру LlamaForCausalLM на 7,5 млрд параметров, работает через библиотеку Transformers, поддерживает диалоговый режим и контекст до 131 072 токенов. В репозитории представлены веса Safetensors. Указана лицензия Llama 3.1; при использовании необходимо соблюдать её условия. Карточка не приводит оценки качества или подробностей об ограничениях применения.

pysentimiento/bert-pt-emotion — модель классификации текста на основе BERT, опубликованная проектом pysentimiento. Она предназначена для распознавания эмоций в португальском тексте и выдаёт оценки для нескольких эмоциональных категорий, включая восхищение, радость, гнев, грусть и нейтральность. Модель содержит 136,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель подходит для анализа эмоциональной окраски пользовательских сообщений и публикаций на португальском языке. Документация pysentimiento отмечает, что для разных задач и языков используются разные данные и модели; опубликованные результаты для BERT-pt на распознавании эмоций приведены как средний macro-F1 44,4 ± 0,6%. Сведения о лицензии в доступных источниках не подтверждены.

Rasooli/Bert-Sentiment-Fa — дообученная модель на базе dadashzadeh/roberta-sentiment-persian для классификации текстов. Она использует архитектуру RoBERTa с головой классификации последовательностей и содержит 145,5 млн параметров. Модель рассчитана на анализ тональности текстов на персидском языке; максимальная длина контекста — 514 токенов. В README приведены результаты оценки: accuracy 0,8333 и F1 0,8213; набор данных описан как None, поэтому оценку сложно интерпретировать и сравнивать с другими моделями. Модель распространяется по лицензии Apache-2.0.

patrickxchong/bert-tiny-bahasa-cased-sentiment — компактная модель классификации текста для анализа тональности, разработанная как proof of concept на основе BERT и дообученная на данных, собранных huseinzol05. Модель содержит 18 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса в формате TensorFlow. Модель предназначена для определения тональности текста, в первую очередь на бахасском языке; в метаданных также отмечена поддержка английского и многоязычность. Она может подойти для прототипов и лёгких сценариев анализа отзывов или коротких сообщений. Лицензия — Apache-2.0.

M-FAC/BERT-tiny — компактная модель семейства BERT для классификации текста, дообученная авторами карточки на наборе SST-2 с оптимизатором второго порядка M-FAC. Она предназначена прежде всего для определения тональности коротких англоязычных отзывов и предложений. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метку класса; валидационная точность на SST-2 указана как 81,86% ± 0,76% по пяти запускам. Карточка описывает эксперимент по сравнению M-FAC с Adam и отмечает, что настройка гиперпараметров может улучшить результат. Доступный формат — PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

Bielik-11B-v2.2-Instruct-MLX-4bit — 4-битная версия модели Bielik, подготовленная SpeakLeash и ACK Cyfronet AGH в формате MLX для запуска с mlx-lm. Это причинная decoder-only языковая модель семейства Mistral с 11 млрд параметров, настроенная для диалогового взаимодействия и генерации текста. Модель предназначена прежде всего для работы на польском языке; длина контекста составляет 32 768 токенов. Подходит для польскоязычных диалогов, ответов на вопросы и генерации текста. Квантизация снижает требования к памяти, но может ухудшить качество ответов и увеличить вероятность галлюцинаций. В README указана лицензия Apache 2.0 и Terms of Use; перед применением следует учитывать оба условия.

Bielik-4.5B-v3.0-Instruct-GGUF — квантованная GGUF-версия инструкционной языковой модели Bielik-4.5B-v3.0-Instruct, разработанной speakleash и квантованной Second State Inc. Модель предназначена для диалоговых сценариев и выполнения текстовых инструкций на польском языке. Она совместима с LlamaEdge и использует шаблон запросов ChatML; рекомендуемая температура генерации — 0,4. Модель имеет около 4,5 млрд параметров в исходной версии, поддерживает контекст до 32 000 токенов и работает в текстовой модальности. Доступны варианты GGUF с квантованием от Q2_K до Q8_0, а также f16, размером примерно от 1,77 до 9,52 ГБ. Варианты Q4_K_M и Q5_K_M рекомендуются как сбалансированные по качеству и размеру; более сильное квантование уменьшает требования к памяти, но может заметно снижать качество ответов. Модель подходит для локального запуска, чат-ботов и приложений, обрабатывающих польскоязычные запросы. Ограничения включают неизвестные в README показатели качества, отсутствие заявленной поддержки других языков и потенциальную потерю качества в низкобитных вариантах. Модель распространяется по лицензии Apache-2.0.

CoEvol-Mixtral_Mistral-7B-v0.1_SFT — дообученная языковая модель CAS-SIAT-ConsistencyAI на архитектуре MistralForCausalLM с 7,1 млрд параметров. Она создана на базе mistralai/Mistral-7B-v0.1 и обучена на наборе coevol-mixtral_multi_deita6k; карточка также связывает модель с датасетом CAS-SIAT-ConsistencyAI/CoEvol. Модель предназначена для генерации текста. Контекст составляет до 32 768 токенов, в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. README не описывает дополнительные сценарии, результаты оценки или ограничения качества. Лицензия — Apache-2.0.

Dans-07YahooAnswers-7b-Mistral-7B-Instruct-v0.1 — объединённая методом SLERP чат-модель на основе Mistral-7B-Instruct-v0.1 и Dans-07YahooAnswers-7b. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и ответы на вопросы. Карточка указывает контекст до 32 768 токенов и поддержку английского языка. Модель подходит для ответов на вопросы и диалоговых сценариев, особенно связанных с датасетом Yahoo Answers. Она принимает текст и генерирует текст. Репозиторий содержит веса Safetensors; модель распространяется по лицензии Apache-2.0. Качество и фактическая специализация зависят от исходной модели Dans-07YahooAnswers-7b и способа слияния; README не приводит результатов оценки.

SzilviaB/DarkNeuralDareDevil-Eight-Orbs-Of-Power-8b — объединённая разговорная языковая модель, созданная автором репозитория с помощью mergekit методом TIES на основе DavidAU/L3-Dark-Planet-8B. В слияние вошли DavidAU/L3-Dark-Planet-8B-V2-Eight-Orbs-Of-Power и mlabonne/NeuralDaredevil-8B-abliterated; веса представлены в формате safetensors и имеют точность float16. Модель семейства Llama с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров предназначена для генерации текста в диалогах и ролевых сценариях. Контекст составляет до 8192 токенов. Базовая модель описана как вариант для диалоговой генерации с меньшими поведенческими ограничениями; модель унаследовала такой профиль от одного из компонентов слияния. Репозиторий не сообщает об отдельных оценках качества или подробных ограничениях применимости. Лицензия в предоставленных данных не указана.

DeutschGPT — компактная языковая модель KordAI для общения и выполнения инструкций на немецком языке. Она дообучена на базе unsloth/qwen3-1.7b-base-unsloth-bnb-4bit с помощью Unsloth и библиотеки Hugging Face TRL. Архитектура — плотная Qwen3ForCausalLM с 1,7 млрд параметров; модель принимает и генерирует текст, а заявленная длина контекста составляет 32 768 токенов. Модель предназначена для немецкоязычных диалогов, ответов на вопросы, генерации и перефразирования текста, простых кратких изложений и общих письменных задач. В README указано, что для соответствия обучающему формату следует использовать шаблон с ролями SYSTEM, USER и ASSISTANT. Метаданные также отмечают интерфейс для вызова инструментов, но README не описывает его подробнее. Из-за небольшого размера модель может уступать на сложных задачах, длинных контекстах, логических рассуждениях и узкоспециальных темах; ответы могут быть ошибочными, неполными или содержать выдуманные сведения, поэтому важные результаты следует проверять. DeutschGPT распространяется по лицензии Apache 2.0; также следует учитывать лицензии базовой модели и обучающих данных.

Модель disham993/electrical-classification-ModernBERT-base разработана как дообученная версия answerdotai/ModernBERT-base для классификации отзывов об электротехнических устройствах. Она определяет тональность отзывов о автоматических выключателях, трансформаторах, умных счётчиках, инверторах, солнечных панелях и удлинителях, присваивая классам положительную, отрицательную, нейтральную или смешанную тональность. Это encoder-only модель семейства ModernBERT с архитектурой ModernBertForSequenceClassification и 149 млн параметров. Она принимает текст на английском языке, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. В описанной оценке достигнуты F1 0,8899 и точность 0,8875. Модель подходит для анализа отзывов, опросов и другой обратной связи о электротехнических товарах. Обучающие данные сбалансированы по классам, но включают синтетические примеры, созданные Llama 3.1:8b, поэтому возможны ошибки разметки и смещения. Лицензия — MIT; автор рекомендует проверять результаты перед применением в критически важных сценариях.

ELYZA-Shortcut-1.0-Qwen-7B — диалоговая языковая модель, разработанная ELYZA на основе Qwen2.5-7B-Instruct. Это плотная модель Qwen2 с 7,1 млрд параметров, дообученная методом supervised fine-tuning на парах «задача — решение». При подготовке данных из оптимальных путей рассуждения, найденных алгоритмом на основе Monte Carlo Tree Search, удаляли промежуточные шаги рассуждений. Модель предназначена для диалогов и генерации текста, когда нужен прямой итоговый ответ без пошагового объяснения. Она поддерживает японский и английский языки и контекст до 32 768 токенов; для запуска доступны Transformers и пример сервинга через vLLM. В метаданных указана лицензия Apache-2.0. Карточка не приводит оценки качества или подробного описания ограничений; модель специально обучена обходить пошаговое рассуждение, поэтому может быть неподходящей, когда требуется объяснение хода решения.

Модель francesca9805/eng-latn-100mb-ppt-Dp-100mb-packed-wrapped_seed455 — дообученная на TRL англоязычная GPT-2-подобная модель для генерации текста. Она основана на goldfish-models/eng_latn_100mb и предназначена для продолжения текста и ответов на пользовательские запросы; пример в карточке показывает генерацию ответа на открытый вопрос. Модель использует архитектуру GPT2LMHeadModel, формат safetensors и контекст длиной 512 токенов. Карточка не уточняет лицензию и подробности обучающих данных.

Модель francesca9805/eng-latn-10mb-ppt-Dp-100mb-packed-bfd_seed10 — дообученная автором Francesca9805 языковая модель на базе goldfish-models/eng_latn_10mb. Это плотная GPT-2-модель для генерации текста; карточка указывает на обучение с помощью TRL и формат весов Safetensors. Пример запуска показывает генерацию ответа на текстовый вопрос. Модель предназначена для продолжения текста и генерации ответов на запросы на английском языке. Её контекст ограничен 512 токенами. Лицензия и результаты оценки качества в предоставленных данных не указаны.

FatLlama-1.7T-Instruct — текстовая генеративная модель семейства Llama, представленная RichardErkhov. Репозиторий описывает её с юмором как чрезвычайно крупную модель, предназначенную для запуска инструктивных запросов и диалогов. По метаданным модель содержит 1,7 трлн параметров, имеет плотную архитектуру LlamaForCausalLM и контекст до 131 072 токенов; доступны интерфейсы чата и вызова инструментов. Модель может применяться для генерации текста и ответов на запросы, однако README не приводит проверяемых результатов оценки или практических инструкций по использованию. Автор указывает, что размер модели делает запуск крайне требовательным к ресурсам и затрудняет квантизацию. Файлы представлены в формате safetensors. Сведения о лицензии и поддерживаемых естественных языках отсутствуют в предоставленных данных.

Модель vincent-pro-ai/french-llm-from-scratch — языковая модель GPT-2 с архитектурой decoder-only Transformer, разработанная vincent-pro-ai и обученная с нуля на французском корпусе. Она содержит около 292 млн параметров, использует собственный BPE-токенизатор Fineweb-32k со словарём 32 000 токенов и обрабатывает контекст длиной до 1024 токенов. Модель предназначена для генерации текста на французском языке, включая продолжение текста и ответы в формате диалога или инструкции. В обучающий набор вошли французские версии UltraChat, OASST2 и Dolly, а также материалы Wikipedia и FineWeb. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель оптимизирована для французского языка и ограничена контекстом примерно в 2800 символов. Собственный токенизатор несовместим со стандартными токенизаторами Mistral и GPT-2. README также отмечает возможное наследование смещений из исходных датасетов и дату отсечения обучающих данных — ноябрь 2024 года.

Gemma2b-Turkish-Instruction — языковая модель на базе Gemma 2B, дообученная на примерно 75 тысячах пар инструкций и ответов на турецком языке. Модель разработана для диалогового взаимодействия и генерации текста по инструкциям; её можно применять для создания ответов на запросы на турецком языке. Модель имеет плотную архитектуру GemmaForCausalLM с 2,5 млрд параметров и контекстное окно до 8192 токенов. Она принимает текст и генерирует текст. Репозиторий содержит веса в формате safetensors. Лицензия — CC BY-NC 4.0; также применяются условия использования Gemma и связанные с ними ограничения.

Gemma2-Nephilim-v3-9B — диалоговая языковая модель на 9 млрд параметров, созданная grimjim слиянием моделей Gemma 2 методом SLERP через mergekit. В слияние вошли UCLA-AGI/Gemma-2-9B-It-SPPO-Iter3 и princeton-nlp/gemma-2-9b-it-SimPO; архитектура — плотная Gemma2ForCausalLM. Модель доступна в формате safetensors и рассчитана на контекст до 8192 токенов. Модель генерирует текст и подходит для диалогов, творческого письма и ролевых сценариев. Автор отмечает, что она склонна к креативным ответам; при тестировании использовались temperature 1 и minP 0.01, но настройки можно менять под задачу. Лицензия — Gemma. В сложных сценариях модель иногда теряет нить контекста; автор связывает это с компонентом SPPO. README не указывает поддерживаемые языки, поэтому конкретный язык не заявляется.

Gepard — авторегрессионная модель синтеза речи для диалогов в реальном времени, разработанная nineninesix.ai. Она предназначена для потоковой и пакетной генерации речи в голосовых агентах, диалоговых системах и озвучивании контента; может начинать выдавать звук по мере поступления текста. Модель поддерживает клонирование голоса по короткому аудиофрагменту и рассчитана на английский, испанский Мексики, португальский Бразилии и нидерландский, а также несколько английских акцентов. По карточке, это декодерная модель на базе Qwen3.5 с аудиокодеком NVIDIA NeMo NanoCodec: звук кодируется в 22,05 кГц и генерируется кадр за один шаг. В метаданных указано 445,1 млн параметров и контекст 262 144 токена; README приводит другие оценки размера — около 500 млн параметров для основы и 555,7 млн с аудиоинтерфейсом и компрессором клонирования. Карточка заявляет низкую задержку при работе через vLLM и высокое качество естественности речи, но отмечает компромиссы в точности слов и сходстве с голосом-образцом; качество сильнее всего для английского. Модель дообучена на nineninesix/qwen3_5-full-attn-only-14 и распространяется под Apache 2.0. Для используемого аудиокодека действует отдельная лицензия NVIDIA Open Model License Agreement.

ganeshkharad/gk-hinglish-sentiment — модель классификации тональности на основе BERT, дообученная автором на небольшом наборе отзывов на хинглиш, то есть на смеси хинди и английского. Она присваивает тексту одну из трёх меток: отрицательная, нейтральная или положительная. Модель предназначена для анализа отзывов и других коротких сообщений на хинглише, особенно в индийском контексте. Модель принимает текст и выдаёт метку тональности. В метаданных указаны 205,1 млн параметров и контекст до 512 токенов. Лицензия — Apache-2.0. Автор отмечает, что обучающих данных было мало; поэтому качество на других языках, письменностях и жанрах не установлено, а результаты на хинглише могут быть нестабильны.

Это дообученная модель генерации текста на основе GPT-2, созданная Francesca9805 и обученная с помощью TRL. Модель предназначена для генерации продолжений и ответов на текстовые запросы; пример в карточке показывает ответ на вопрос в формате диалога. Модель использует архитектуру GPT2LMHeadModel, хранится в формате safetensors и имеет контекст длиной 512 токенов. В карточке не приведены сведения о специализации по предметной области, обучающих данных или оценке качества. Лицензия не указана в предоставленных данных.

Это дообученная с помощью TRL модель генерации текста на базе GPT-2, опубликованная Francesca9805. Она предназначена для продолжения текста и ответов на запросы в формате диалога; пример в карточке показывает генерацию ответа на вопрос с ограничением до 128 новых токенов. Модель принимает текст и выдаёт текст, работает через Transformers и сохраняет веса в формате Safetensors. Контекст ограничен 512 токенами. Сведения о специальных областях применения и поддерживаемых языках в карточке отсутствуют. Лицензия не указана в предоставленных данных.

Karasu-DPO-7B — японская разговорная модель компании Lightblue, созданная дообучением Qwen/Qwen2.5-7B-Instruct методом QLoRA DPO на синтетических японских диалогах. Она предназначена для общего диалогового взаимодействия и генерации ответов; авторы сообщают о более высоком результате, чем у базовой модели, на мультиязычном чат-бенчмарке arena-hard-auto-multilingual (66,2 против 50,0). Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров и принимает текстовые запросы, выдавая текст. В метаданных указан контекст 32 768 токенов; README приводит длину 1 024 токена. Для японских и английских запросов использовались обучающие данные, однако модель позиционируется прежде всего как японская. Весы доступны в формате safetensors, модель работает с Transformers; авторы рекомендуют vLLM для запуска. Модель выпущена по лицензии Apache-2.0. Результат бенчмарка не гарантирует качество во всех задачах; явных дополнительных ограничений в карточке не описано.

Komodo 6B v1.0.0 — плотная авторегрессионная языковая модель семейства Llama с примерно 5,9 млрд параметров, опубликованная TeamUNIVA. Карточка указывает базовую модель beomi/Yi-Ko-6B; пример использования показывает генерацию ответа чат-бота на корейском языке. Модель принимает текст и генерирует текст, поддерживает корейский и английский языки, а её контекст составляет 2048 токенов. Модель подходит для генерации текста и создания простого диалогового чат-бота. Репозиторий содержит веса в формате Safetensors, лицензия — Apache-2.0. В карточке нет сведений о данных обучения, оценках качества и специальных ограничениях; поэтому пригодность для конкретных сценариев следует проверять отдельно.

komt-llama-2-7b — авторегрессионная языковая модель на архитектуре Transformer, разработанная changyeon Kim (davidkim). Модель дообучена методом supervised fine-tuning на корейском многоцелевом наборе инструкций, чтобы улучшить выполнение инструкций на корейском языке. Она принимает текст и генерирует текст; размер составляет 6,6 млрд параметров, контекст — до 4096 токенов. В карточке приведён шаблон запроса с разделами instruction и Response. Модель подходит для диалоговых ответов на корейском языке и других задач генерации текста по инструкциям. Карточка приводит результаты оценки корейского семантического сходства, но не содержит полных примеров использования или сравнительных результатов для всех задач. Возможны неточные, предвзятые или нежелательные ответы; перед применением в конкретном продукте требуется оценка качества и настройка безопасности. Метаданные указывают лицензию Apache-2.0.

KOMT-Solar-10.7B-SFT-v5 — корейская языковая модель с многозадачной настройкой по инструкциям, разработанная David Kim (Changyeon Kim). Она предназначена для генерации ответов и текста на корейском языке по инструкциям и для сценариев, где LLM нужно выполнять разные задачи на основе запроса пользователя. Модель основана на Edentns/DataVortexS-10.7B-dpo-v1.11 и дообучена на многозадачных инструкционных данных comp-341k. Это плотная архитектура семейства Llama с 10,7 млрд параметров, принимает и генерирует текст; заявленная длина контекста — 4096 токенов. Модель распространяется в формате safetensors по лицензии CC BY 4.0. README описывает цель улучшить качество ответов и генерации на корейском языке, однако не приводит оценок качества или результатов сравнений. Контекст ограничен 4096 токенами, поэтому модель не подходит для обработки существенно более длинных входов без дополнительной подготовки.

DILAB-HYU выпустила instruct-настроенную модель генерации текста на основе hyunseoki/ko-ref-llama2-7b, дообученную с использованием набора KoQuality. Это плотная авторегрессионная модель семейства LLaMA 2 с 6,6 млрд параметров и контекстом 2048 токенов, предназначенная для генерации ответов и инструкционного диалога на корейском языке. Модель подходит для создания корейского текста и ответов на инструкции. В карточке указаны корейский язык и базовая модель; сведений о лицензии и специальных прикладных областях нет.

laya-ara — дообученная Mohammad Alkhenizan модель ConvAI Laya для арабских задач понимания текста и принятия решений по заданным вариантам ответа. Она основана на convaiinnovations/laya-multilingual и использует архитектуру ModernBERT с плотными весами; размер модели — 306,9 млн параметров, контекст — до 8192 токенов. Это не генеративная языковая модель: она выбирает ответ, оценивает бинарное следование выводу и при необходимости выдаёт порядковую оценку. Модель предназначена для классификации намерений и сценариев, вывода по естественному языку и ранжирования небольшого списка кандидатов на арабском языке. В карточке приведены результаты на MASSIVE-ar, OSACT4-A и арабской части XNLI; также сообщается об улучшении выбора предложений в TyDiQA-ar и ранжирования коротких списков по сравнению с базовой моделью. Результаты зависят от задачи: например, XNLI уступает типичным дообученным AraBERT, а на некоторых задачах определения токсичности качество ниже базовой модели. Для запуска карточка рекомендует библиотеку Laya. Модель выпущена под лицензией с ограничением использования в исследованиях и некоммерческих целях из-за включения данных XNLI с лицензией CC BY-NC 4.0. У неё нет головы для токенной разметки NER или извлечения фрагментов текста; оценку распознавания оскорбительной речи нельзя считать гарантией для модерации. Разнообразие арабских диалектов исследовано ограниченно.