III.4Клиентская поддержка и customer success

fpadovani выпустил дообученную с помощью TRL модель для генерации текста. Она основана на GPT-2-подобной монолингвальной модели goldfish-models/eng_latn_100mb и предназначена для продолжения текста и ответов на открытые вопросы на английском языке. Модель использует архитектуру GPT2LMHeadModel, веса доступны в формате safetensors, а контекст ограничен 512 токенами. Лицензия в предоставленных данных не указана.

Модель francesca9805/ppt-wc-uniform-newlex-arb-before-100mb-packed-bfdiso_seed10 — дообученная версия одноязычной GPT-2-модели goldfish-models/eng_latn_100mb, созданная с использованием TRL. Она предназначена для генерации английского текста; в карточке приведён пример продолжения ответа на вопрос. Модель использует архитектуру GPT2LMHeadModel, хранится в формате safetensors и принимает текст, выдавая текст. Длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

fpadovani опубликовал модель ppt-wc-uniform-newlex-jpn-100mb_seed10 — дообученную с помощью TRL плотную GPT-2-подобную модель для генерации текста. Она основана на goldfish-models/eng_latn_100mb, монолингвальной модели для генерации текста на английском языке, и распространяется в формате Safetensors. Модель можно использовать для продолжения текста и генерации ответов на запросы; в карточке приведён пример генерации ответа на вопрос. Указанное окно контекста — 512 токенов. Лицензия и дополнительные ограничения в предоставленных данных не описаны. README не уточняет, насколько дообучение изменило языковые возможности базовой модели, поэтому английский — единственный подтверждённый язык, на который модель рассчитана.

Это дообученная модель GPT-2, созданная на основе goldfish-models/eng_latn_100mb и обученная с помощью TRL. Она предназначена для генерации английского текста в ответ на запросы; в карточке приведён пример ответа на открытый вопрос. Модель принимает текст и выдаёт текст, а контекст ограничен 512 токенами. Модель опубликована в формате safetensors и доступна через библиотеку Transformers. Размер параметров в предоставленных данных не указан. Условия лицензии не приведены, поэтому их нельзя определить по доступной карточке.

PrimeMind-0.8B — компактная плотная языковая модель на архитектуре Qwen3.5, разработанная CrowdMind путём дообучения Qwen/Qwen3.5-0.8B. Она настроена выдавать краткие ответы после сжатого, информационно насыщенного рассуждения в стиле «пещерного человека»; README описывает обучение LoRA методом SFT на 1 200 примерах в течение одной эпохи. Модель подходит для диалогов и генерации лаконичных ответов с использованием текста рассуждений, помеченного специальными тегами. Модель содержит 581,4 млн параметров, работает с контекстом до 262 144 токенов и распространяется в формате safetensors для Transformers. Обучающие данные включали мультимодальный набор, однако сведения о поддержке изображений самой итоговой модели не подтверждены; метаданные указывают текстовую архитектуру и задачу text-generation. Основной заявленный язык — английский. Лицензия Apache-2.0.

Модель itayl/qwen2.5-3b_Hebrew — дообученная Itayl разговорная языковая модель семейства Qwen 2.5 с архитектурой Qwen2ForCausalLM и примерно 3,1 млрд параметров. В качестве основы использована unsloth/qwen2.5-3b-instruct-bnb-4bit; обучение проводилось с Unsloth и библиотекой TRL. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется по лицензии Apache-2.0. Название указывает на ориентацию на иврит, однако README и метаданные не подтверждают, насколько хорошо модель его поддерживает; в языковых тегах указан английский.

Модель TeichAI — дообученная версия Qwen3 с 1,7 млрд параметров, созданная на 1000 примерах ответов Gemini 2.5 Flash Lite Preview от сентября 2025 года. Для обучения использовались Unsloth и библиотека TRL; архитектура — плотная причинная языковая модель Qwen3, файлы представлены в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов и рассчитана на английский язык. Лицензия — Apache-2.0. Карточка не приводит сравнительных оценок качества; небольшой объём обучающих примеров ограничивает основания ожидать широкого переноса поведения Gemini на разные задачи.

Это самостоятельная модель генерации текста Qwen3 с 7,6 млрд параметров, созданная на основе Qwen/Qwen3-8B-Base. Разработчик продолжил предобучение базовой модели на наборе данных CompassioninMachineLearning/compassion_12185_cleaned; представлен объединённый чекпойнт третьей эпохи, шаг 1125, в формате BF16 и safetensors. Для загрузки отдельный адаптер не нужен. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и поддерживает контекст до 32 768 токенов. Обучение на тематическом наборе данных само по себе не подтверждает улучшение способности отвечать с сочувствием: это качество нужно оценивать отдельно. Лицензия в предоставленных данных не указана.

Retail Bank domain-intent router — дообученная модель DistilBERT для маршрутизации запросов клиентов розничного банка. Общий энкодер оснащён бинарной головой, определяющей, относится ли запрос к банковской тематике или к внешнему домену (OOD), и головой классификации по 77 банковским намерениям. Для строк CLINC функция потерь по классификации намерений отключается. Модель предназначена для определения банковского намерения и отсева запросов вне поддерживаемой области перед передачей их подходящему сценарию обслуживания. В README приведены результаты на отложенной выборке: macro F1 для намерений 0,948, доля ошибочных отказов для внутридоменных запросов 0,51%, а доля ошибочного принятия OOD-запросов 2,01%; для разговорных запросов доля ошибочных отказов составляет 5%. Это текстовый классификатор на базе DistilBERT с контекстом до 512 токенов, распространяемый в формате safetensors по лицензии Apache-2.0. Карточка описывает английскую базовую модель и банковские намерения, поэтому назначение модели — англоязычная маршрутизация в банковском домене. Она не заменяет отдельные проверки ввода учётных данных и небезопасных ответов; при недоступном или повреждённом артефакте система обслуживания должна возвращать стандартный OOD-ответ.

IIC/RigoChat-7b-v2-GGUF — это версия языковой чат-модели RigoChat-7b-v2, разработанной Instituto de Ingeniería del Conocimiento (IIC), представленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель предназначена для генерации текста и диалоговых сценариев преимущественно на испанском языке. Модель имеет размер 7 миллиардов параметров и поддерживает исходные веса FP16, а также варианты с различными уровнями квантования, включая Q4_K_M и Q8_0. Для квантования использовалась матрица важности, рассчитанная на испанском тексте. README не содержит сведений о точной архитектуре, размере контекстного окна, дополнительных модальностях или поддерживаемых языках помимо заявленного испанского. К сильным сторонам относятся возможность запуска в экосистеме llama.cpp, наличие нескольких вариантов точности для выбора баланса между качеством, скоростью и требованиями к памяти, а также адаптация к испанскому языку. К ограничениям относятся зависимость характеристик от выбранного уровня квантования и отсутствие подробных показателей оценки непосредственно в карточке модели. Разработчики рекомендуют использовать версию FP16 или выполнять квантование на собственных данных, соответствующих целевому сценарию. Лицензия обозначена как rigochat-nc; это специальная лицензия с условиями, которые необходимо уточнять в файле LICENSE. Коммерческие условия использования из README не раскрыты.

rizkyayub/rizbuy-submission-qwen3-indonesian — модель-инструкция на основе Qwen3-4B, дообученная Rizky Ayub для ответов на индонезийском языке. Это плотная причинно-языковая Transformer-модель с 3,7 млрд параметров, настроенная в формате диалога. Для обучения использовались Unsloth, TRL SFTTrainer и QLoRA 4-bit; итоговые веса объединены в 16-битный формат Safetensors, поэтому отдельный адаптер LoRA для инференса не требуется. В README указано окно контекста 1024 токена, тогда как метаданные каталога сообщают 40960 токенов; фактический поддерживаемый размер контекста следует сверить с конфигурацией модели. Модель предназначена для генерации ответов на вопросы и выполнения текстовых инструкций на индонезийском языке. Обучение проводилось на 40 000 примерах из Ichsan2895/alpaca-gpt4-indonesian, для оценки использовались 200 примеров. Карточка приводит пример ответа о крупных аэропортах Индонезии. Модель распространяется по лицензии Apache-2.0.

Модель antalvdb/robbert-v2-dutch-base-finetuned-emotion — дообученная для классификации эмоций версия нидерландской RobBERT-v2 Dutch Base от pdelobelle. Она построена на архитектуре RoBERTa и предназначена для отнесения текста к эмоциональным классам. Модель содержит 144 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате Safetensors по лицензии MIT. В README указаны результаты оценки: Accuracy 0,52 и F1 0,5123. Название модели указывает на настройку для распознавания эмоций, однако карточка не сообщает набор классов, данные обучения или подробности методики оценки.

Rosa v1 7B — объединённая автором карточки модель на архитектуре Mistral, созданная из Go-Bruins, Bagel-DPO и Toppy M. Она предназначена для работы в качестве интеллектуального помощника, который отвечает на вопросы и поддерживает ролевые диалоги. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов; карточка указывает формат safetensors и наличие версии GGUF. Модель ориентирована на генерацию текста на английском языке. Автор сообщает, что провёл краткое тестирование и остался доволен результатом, но подробных оценок качества не приводит. Лицензия обозначена как other, поэтому условия использования следует проверять в файлах репозитория, включая merge.yml.

NekoFi/SahabatAI-Lion-9B-TIES-v1-Instruct — диалоговая языковая модель NekoFi на архитектуре Gemma 2 с 9 млрд параметров. Она дообучена на базе gmonsoon/SahabatAI-Lion-9B-TIES-v1 и предназначена для генерации текста и ответов на инструкции в чате. Контекст модели — до 8192 токенов; репозиторий содержит веса PyTorch. По описанию базовой модели, она ориентирована на языки Юго-Восточной Азии и английский; карточка указывает индонезийский. Модель распространяется по лицензии Apache-2.0. Сведения о качестве на отдельных задачах и подробные ограничения в карточке отсутствуют.

Minbyul/selfbiorag-7b-wo-kqa_golden-iter-sft-step1 — языковая модель, дообученная на базе dmis-lab/selfbiorag_7b на датасете HuggingFaceH4/deita-10k-v0-sft. Модель построена на архитектуре Llama и содержит 6,6 млрд параметров; веса опубликованы в формате safetensors. Она предназначена для генерации текста и может использоваться в сценариях, требующих текстовых ответов и продолжения заданного контекста. Максимальная длина контекста — 4096 токенов. В README приведено значение loss 1,0452 на evaluation set, но подробности оценки и целевые сценарии не описаны. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

haideraliuk/sentiment-model — модель классификации текста на основе DistilBERT, дообученная автором репозитория от distilbert/distilbert-base-uncased. Она предназначена для определения тональности текста. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст с контекстом до 512 токенов и выдаёт метку класса. В README приведены результаты оценки: accuracy 0,6598, взвешенные и макро F1 — 0,6493. Эти показатели указывают на ограниченное качество классификации; назначение меток и данные оценки не описаны. Модель распространяется под лицензией Apache-2.0.

sfmunfilteredmidtrainalignment-5k6k7k8k9kweightedavgmerge — объединённая языковая модель, опубликованная пользователем yuhengtu. Она создана с помощью mergekit методом Linear merge на основе контрольных точек языковых моделей для midtrain alignment с шагов 5000–9000. Модель имеет архитектуру GPT-NeoX, около 8,8 млрд параметров и контекстное окно до 16 384 токенов; доступные файлы представлены в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. В карточке не описаны конкретные сценарии применения, языковая специализация или сравнительные результаты, поэтому качество для отдельных задач по этим данным оценить нельзя. Лицензия в предоставленных сведениях не указана.

hyeogi/SOLAR-10.7B-v1.3 — корейская языковая модель авторегрессионной генерации текста, основанная на yanolja/KoSOLAR-10.7B-v0.2. Это плотная модель архитектуры Llama с 10,6 млрд параметров и контекстом до 4096 токенов. В карточке указано дообучение на переведённых и отобранных примерах Open-Orca/SlimOrca, Anthropic/hh-rlhf и GAIR/lima, а также на корейском наборе jojo0217/korean_rlhf_dataset. Модель предназначена для генерации ответов и диалогового текста на корейском языке. Она распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

T3Q-ko-solar-sft-v3.0 — разговорная языковая модель, разработанная Chihoon Lee и T3Q. Это модель семейства Llama с плотной архитектурой LlamaForCausalLM и 10,6 млрд параметров, дообученная методом SFT на базе chihoonlee10/T3Q-ko-solar-dpo-v3.0. Модель предназначена для генерации текста и диалоговых сценариев; заявленный контекст составляет 4096 токенов. В метаданных указан английский язык, а в названии и базовой модели обозначена ориентация на корейский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Сведения о конкретных возможностях, помимо генерации текста и чата, и о результатах оценки качества в карточке не приведены.

burak/Trendyol-Turkcell-mix — объединение двух предварительно обученных языковых моделей, выполненное методом SLERP с помощью mergekit. В него вошли Trendyol/Trendyol-LLM-7b-chat-dpo-v1.0 и TURKCELL/Turkcell-LLM-7b-v1; архитектура — плотная MistralForCausalLM с 7,2 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Контекст — до 32 768 токенов. Карточка не сообщает результатов сравнительных оценок или подробностей о том, для каких сценариев объединённая модель лучше исходных моделей. Метаданные описывают базовую модель как турецкоязычную, поэтому в первую очередь модель подходит для общения и генерации текста на турецком языке. Файлы представлены в формате safetensors. Условия лицензии в предоставленных данных не приведены.

Turkish-Gemma-9b-v0.1 — языковая модель для генерации текста на турецком языке, разработанная на основе Gemma 2 9B. По карточке, модель прошла продолжительное предобучение, инструкционную настройку с учителем (SFT), оптимизацию предпочтений DPO и слияние моделей. Она предназначена для диалогов, ответов на вопросы и связного продолжения текста. Архитектура — плотная Gemma2ForCausalLM; модель содержит 9 млрд параметров, принимает текст и имеет контекст длиной до 8192 токенов. В карточке приведены результаты оценки на наборе из 1450 вопросов с участием 18 аннотаторов, а также результаты турецких бенчмарков. Модель может наследовать смещения из обучающих данных; приведённых сведений недостаточно для независимой оценки качества и устойчивости на разных сценариях. Лицензия — Gemma.

Cosmos Turkish LLaMa 3 (8B) Instruct — модель генерации текста, разработанная группой COSMOS AI Research Group Университета Йылдыз Техник и представленная в архиве VeriPazarı. Это полное дообучение Meta-Llama-3-8B-Instruct на наборе турецких текстовых данных объёмом 30 ГБ; модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалоговой генерации и продолжения текста на турецком языке с учётом контекста. Её можно использовать для черновиков, ответов на запросы и турецкоязычных разговорных интерфейсов. В README отмечены возможные смещения, связанные с разнородными источниками обучающих данных, включая сайты и книги. Лицензия указана как Llama 3; применяются её условия использования.

Abduulllaah/TwinQwen3-0.6B-DPO — дообученная модель семейства Qwen3, разработанная Abduulllaah на основе Abduulllaah/TwinQwen3-0.6B. Это плотная авторегрессионная языковая модель примерно на 508 млн параметров для генерации текста и диалогов. Модель обучали с использованием Unsloth и библиотеки TRL; в метаданных указано наличие чат-возможностей и контекста до 32 768 токенов. Модель подходит для генерации ответов и ведения диалогов в компактных приложениях. Карточка не описывает специализацию DPO-обучения, результаты оценивания или отдельные предметные области. Поддержка английского указана в языковых метаданных; других языков карточка не подтверждает. Модель распространяется по лицензии Apache-2.0. Как компактная модель, она может уступать более крупным моделям в сложных рассуждениях и точности; README не приводит результатов тестирования.

VinaLLaMA-7B-Chat — чат-модель на архитектуре Llama, разработанная VinaLLaMA для общения на вьетнамском языке. Она предназначена для генерации ответов в диалоге и запускается как причинная языковая модель с общим числом параметров 6,7 млрд и контекстом до 4096 токенов. Для общения используется формат сообщений ChatML с ролями system, user и assistant. Модель распространяется в форматах PyTorch и Safetensors; заявлена лицензия Llama 2. Карточка не уточняет детали обучения и его датасеты, поэтому качество и поведение в отдельных предметных областях по ней оценить нельзя.

Aniemore/wavlm-bert-base-s-emotion-v1-crosslingual — модель распознавания эмоций в речи, разработанная Aniemore. Она принимает аудио вместе с транскриптом и относит речь к семи классам: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Архитектура WavLMBertForSequenceClassification объединяет Microsoft WavLM Large и bert-base-multilingual-cased. Модель переобучена на смеси 27 939 аудиофрагментов на восьми языках и с тремя регистрами речи; доступны веса fp32 и варианты int8, fp8 и int4. Модель предназначена для анализа эмоциональной окраски спонтанной и подготовленной речи, например в подкастах и диалогах. В оценке она показала улучшение на спонтанной русской речи относительно предыдущего русскоязычного выпуска, но более низкий результат на тесте с разыгранной русской речью. Лицензия репозитория — MIT; в README сказано, что лицензия следует лицензии базовой модели.

Salesforce/xLAM-2-3b-fc-r — языковая модель семейства xLAM-2, разработанная Salesforce для работы в составе ИИ-агентов. Она дообучена на базе Qwen2 и предназначена для многошагового диалога и вызова функций: по запросу пользователя модель формирует аргументы и вызовы инструментов, чтобы агент мог выполнять задачи и автоматизировать рабочие процессы. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Она принимает текст и генерирует текст, включая структурированные вызовы инструментов; карточка указывает английский язык. Для запуска подходят Transformers и vLLM, причём для Qwen-моделей README рекомендует vLLM версии 0.6.5 или новее. В качестве преимуществ заявлены способности к многоходовому использованию инструментов и сохранению последовательности действий; в README приводятся результаты более крупных моделей семейства, но не отдельные оценки этой версии на 3B. Релиз обозначен как исследовательский, поэтому перед применением в продуктивных сценариях следует отдельно проверить точность и безопасность. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

YanoljaNEXT-EEVE-Instruct-10.8B — разговорная языковая модель Yanolja, дообученная методом Direct Preference Optimization (DPO) на корейских переводах наборов Open-Orca/SlimOrca-Dedup и UltraFeedback. Она предназначена для ответов на вопросы и ведения диалога; для общения используется шаблон с ролями пользователя и ассистента. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 10,6 млрд параметров, работает с текстом и имеет контекстное окно 4096 токенов. Базой послужила yanolja/EEVE-Korean-10.8B-v1.0 — модель с расширенным корейским словарём, основанная на upstage/SOLAR-10.7B-v1.0. Модель ориентирована прежде всего на корейский язык. В карточке приведены результаты тестов на рассуждение и здравый смысл, но они не гарантируют качество в конкретных сценариях. Распространяется по лицензии Apache-2.0.

Модель ShenaoZ/0.0005_withdpo_4iters_bs256_2epoch_5311lr_iter_1 — дообученная на датасете HuggingFaceH4/ultrafeedback_binarized версия Mistral для генерации текста и диалогового общения. Она содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и формат весов safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена для ответов на вопросы и ведения текстовых диалогов. Карточка указывает на дообучение методом DPO, но не содержит сведений о результатах оценки или специальных сценариях применения. Лицензия — MIT. Поддержка русского языка отдельно не заявлена; базовая модель описана как обученная на англоязычных синтетических диалогах, поэтому основным языком следует считать английский.

Algae-550M — англоязычная причинно-языковая модель генерации текста на архитектуре Phi, опубликованная PhelixZhen. В метаданных указано 621,4 млн параметров, а README называет размер 550 млн; длина контекста составляет 1024 токена. Модель обучалась на очищенных и дедуплицированных открытых наборах данных, примерно на 30 млрд обучающих примеров. Модель предназначена для генерации текста на английском языке. Автор отмечает, что она не поддерживает написание кода и может уступать по качеству из-за обучения на потребительском оборудовании без профессионального руководства. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

algograp-Inc/algograpV4 — языковая модель algograp-Inc для генерации текста и диалогового общения. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 10,6 млрд параметров; она основана на yanolja/EEVE-Korean-Instruct-10.8B-v1.0 и дообучена методом, представленным в статье SOLAR. Для обучения использовались DeepSpeed, TRL Trainer и Accelerate. Модель предназначена для генерации ответов в чате и других текстовых сценариев на корейском языке. Контекст составляет 4096 токенов. Весовые файлы доступны в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.