III.4Клиентская поддержка и customer success

jingyeom/SOLAR_KO_1.3_deup — это плотная авторегрессионная языковая модель семейства LLaMA на 10,7 млрд параметров, созданная на основе beomi/OPEN-SOLAR-KO-10.7B. Модель предназначена для генерации текста и диалоговых сценариев на корейском языке; доступна в формате safetensors и рассчитана на контекст до 2048 токенов. При подготовке использованы общедоступные данные и алгоритм дедупликации обучающих данных. В README приведены результаты Ko-LLM-Leaderboard: средний балл 53,63 и 11-е место по состоянию на 29 января 2024 года. Модель распространяется по лицензии Apache-2.0.

Модель abdulelahagr/speech-emotion-recognition-wav2vec2 — дообученная Abdulelahagr модель Wav2Vec2 Large XLSR-53 для классификации эмоций по аудиоречи. Она принимает аудио и выдаёт метку класса; в README приведён результат оценки: accuracy 0,9045 и loss 0,2842. Датасет и набор эмоциональных классов в карточке не раскрыты. Модель основана на jonatasgrosman/wav2vec2-large-xlsr-53-english, содержит 402,7 млн параметров и опубликована в формате safetensors. Подходит для определения эмоциональной окраски речи в аудиозаписях. Лицензия — Apache-2.0.

SynatraTbST02MIN01 — разговорная языковая модель, созданная StableFluffy на основе mistralai/Mistral-7B-Instruct-v0.1. Это плотная архитектура Mistral для генерации текста и диалогов; в репозитории указано 10,6 млрд параметров и контекст до 32 768 токенов. В метаданных заявлен корейский язык. Модель подходит для диалоговых приложений и генерации текста на корейском языке. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Результаты бенчмарка в README не приведены.

er1123090/T3Q_SOLAR_DARETIES_v1.0 — языковая модель, созданная автором репозитория слиянием нескольких предварительно обученных моделей методом DARE TIES через mergekit. В качестве базовой использована T3Q-LLM/T3Q-LLM2-FP-v1.0; также объединены hwkwon/S-SOLAR-10.7B-v1.5 и chihoonlee10/T3Q-ko-solar-dpo-v7.0. Модель построена на архитектуре Llama с плотной причинной языковой моделью и содержит 10,6 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Она работает с текстовым вводом и выдаёт текст; контекст составляет 4096 токенов. Базовые модели ориентированы на корейский язык, поэтому корейский является основным языком для практического применения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Качество и ограничения конкретного слияния в карточке не описаны.

T3Q_SOLAR_SLERP_v1.0 — объединённая методом SLERP языковая модель, созданная с помощью mergekit из chihoonlee10/T3Q-ko-solar-dpo-v7.0 и hwkwon/S-SOLAR-10.7B-v1.5. Это плотная Llama-архитектура с 10,6 млрд параметров, предназначенная для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст; максимальная длина контекста — 4096 токенов. Базовые модели описаны как корейские, поэтому основным языком следует считать корейский. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — MIT.

Razon2006 дообучил текстовую модель Gemma 3 на базе unsloth/gemma-3-270m-it с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель архитектуры Gemma3ForCausalLM с 257 млн параметров, предназначенная для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 32 768 токенов. Модель может применяться для простых диалогов, ответов на вопросы и генерации текста. В карточке не описаны обучающие данные и конкретные улучшения после дообучения, поэтому специализацию на тамильском языке по названию модели подтвердить нельзя; метаданные указывают английский язык. Лицензия — Apache-2.0.

Модель fpadovani/tam-taml-10mb-after-ppt-Dp-10mb-ckpt500_seed3407 — дообученная с помощью TRL версия fpadovani/tam-taml-10mb-ppt-Dp-10mb_seed3407. Это плотная авторегрессионная языковая модель семейства GPT-2, предназначенная для генерации текста. Карточка демонстрирует использование в формате диалога: модель продолжает ответ на вопрос пользователя. Модель рассчитана на текстовый ввод и выдаёт текст; длина контекста составляет 512 токенов. В карточке не приведены сведения о поддерживаемых естественных языках и лицензии.

Это дообученная Francesca9805 версия модели goldfish-models/tam_taml_10mb на архитектуре GPT-2. Модель обучалась с помощью TRL и предназначена для генерации текста в ответ на запросы; карточка приводит пример ответа на открытый вопрос. Для работы используется библиотека Transformers, веса опубликованы в формате safetensors, контекст составляет 512 токенов. Карточка не уточняет языки обучения и специализацию модели, поэтому её можно описать только как модель общего назначения для генерации текста. Лицензия в предоставленных данных не указана.

ThoughtStream-4B-v0.1 — англоязычная диалоговая языковая модель, созданная автором trollek на базе h2oai/h2o-danube3-4b-base. Модель дообучена с помощью LoRA+ и BAdam на наборе ThoughtfulAssistant-v01 и рассчитана на генерацию ответов в формате ChatML; заявленная идея — отделять рассуждения от итогового ответа или показывать их как «облачко мыслей». Архитектура — плотная модель семейства Llama с 3,8 млрд параметров и контекстом 8192 токена. Модель подходит для англоязычного диалога и генерации текста, включая рекомендации и ответы на вопросы. В README приведён пример с рассуждением перед ответом; он иллюстрирует формат обучения, но не гарантирует достоверность рассуждений или ответов. Лицензия — Apache-2.0.

Tiger-Gemma-9B-v1 — разговорная текстовая модель на 9 млрд параметров, созданная TheDrummer на основе семейства Gemma 2. Автор описывает её как версию Gemma 9B с ослабленными отказами; модель предназначена для генерации текста в диалоге и чат-сценариев. Репозиторий содержит веса в формате safetensors, заявленный контекст — 8192 токена. Карточка не приводит оценок качества, подробностей обучения или результатов проверок. Ослабление отказов может означать, что модель чаще отвечает на запросы, которые другие модели отклоняют. Лицензия в доступных данных не указана.

luckychao выпустил TinyAlpaca-1.1B — плотную авторегрессионную языковую модель семейства Llama с примерно 1 млрд параметров, полученную дообучением TinyLlama-1.1B на наборе инструкций Stanford Alpaca. Модель предназначена для генерации текста и ответов на инструкции на английском языке; её можно применять для простых диалогов, черновиков и выполнения текстовых запросов. Контекст составляет 2048 токенов, веса опубликованы в формате safetensors. README предписывает соблюдать ограничения TinyLlama-1.1B и Stanford Alpaca. Лицензия отдельно в предоставленных данных не указана.

hsuk/tiny-bert-sst2-distilled — компактная модель классификации текста, размещённая пользователем hsuk на Hugging Face. Она предназначена для анализа тональности англоязычных текстов в рамках задачи SST-2 и возвращает один из двух классов: negative или positive. В карточке модели указано использование через Transformers и AutoModelForSequenceClassification. Модель основана на архитектуре BERT и подвергнута дистилляции, то есть уменьшена по сравнению с исходной моделью для более экономичного запуска. Токенизатор использует uncased-режим BERT, словарь BERT и максимальную длину последовательности 512 токенов. Модель поддерживает только текстовый ввод и не предназначена для генерации текста, мультимодальных задач или надёжного анализа языков, отличных от английского. Ключевые преимущества — небольшой размер, низкие требования к вычислительным ресурсам и специализация на бинарной классификации тональности. Ограничения включают узкую область применения, зависимость качества от английского языка и домена отзывов, а также недостаток подробно опубликованных сведений о точности, обучающем наборе данных и лицензии. Условия лицензирования для этого репозитория в найденных источниках явно не указаны.

NicholasCorrado/ultrafeedback-binarized-tulu-2-7b-dpo-full — чат-модель на архитектуре Llama, дообученная на allenai/tulu-2-7b с помощью DPO на датасете HuggingFaceH4/ultrafeedback_binarized. Модель содержит 6,6 млрд параметров, принимает текст и рассчитана на контекст до 8192 токенов. Она предназначена для генерации ответов на инструкции и диалоговые запросы. В README приведены метрики оценки на тестовом наборе, включая точность предпочтений 0,6746; подробности методики оценки и сценариев применения не описаны. Модель англоязычная, поэтому качество ответов на других языках не подтверждено. Модель распространяется в формате safetensors через Transformers. Лицензия в предоставленных данных не указана.

Aniemore/wavlm-bert-fusion-s-emotion-v1-crosslingual — модель AniEmore для распознавания эмоций в речи по аудиосигналу и его расшифровке. Она классифицирует речь по семи категориям: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Архитектура WavLMBertForSequenceClassification объединяет WavLM и RuBERT; модель дообучена на смеси 27 939 аудиофрагментов из восьми языков и трёх речевых регистров, чтобы лучше распознавать спонтанную речь. Модель подходит для анализа эмоциональной окраски разговоров, подкастов и других речевых записей. На тесте спонтанной русской речи она заметно лучше предыдущей русскоязычной версии, тогда как на актированной русской речи результат ниже; показатель на CAMEO авторы рекомендуют считать внутридоменным, а не доказательством переноса между языками. В репозитории доступны варианты int8, fp8 и int4 наряду с fp32. Модель принимает чистую расшифровку вместе с аудио, поэтому качество может снижаться при использовании неточных результатов ASR. Лицензия репозитория — MIT; README указывает, что лицензия следует лицензиям базовых моделей microsoft/wavlm-large и DeepPavlov/rubert-base-cased.

WeirdCompound-v1.6-24b — слитая разговорная языковая модель от FlareRebellion, созданная из нескольких предварительно обученных моделей семейства Mistral с помощью mergekit. Это плотная авторегрессионная модель на 23,4 млрд параметров с контекстом до 131 072 токенов и интерфейсом для чата. Модель предназначена для генерации текста в диалоге, включая ролевые сценарии и художественное повествование. В состав слияния вошли модели, ориентированные на сторителлинг, ролевую игру и следование инструкциям; автор подобрал состав и веса экспериментально, по собственным предпочтениям. Использованы методы Model Stock, SLERP и NuSLERP; базой указан TheDrummer/Cydonia-24B-v4.1. В README не заявлена поддержка конкретных языков, а также не описаны результаты оценок качества. Репозиторий содержит веса safetensors для Transformers. Лицензия в предоставленных данных не указана.

XLM-EMO — мультиязычная модель классификации эмоций в текстах социальных сетей, разработанная Federico Bianchi, Debora Nozza и Dirk Hovy. Она дообучена на базе XLM-T и предназначена для выявления эмоциональных категорий в тексте, в том числе при работе с языками, для которых мало обучающих данных. Модель основана на XLM-RoBERTa и содержит около 305,2 млн параметров; максимальная длина контекста — 514 токенов. Она принимает текст и выдаёт метки классов эмоций. В карточке сообщается о F1 0,85 на тестовом наборе и конкурентных результатах в zero-shot сценарии. Авторы позиционируют модель как исследовательский инструмент; результаты на конкретных языках и типах текстов могут различаться. Лицензия в предоставленных данных не указана.

Aimlab/xlm-roberta-base-finetuned-urdu — модель классификации текста, созданная дообучением XLM-RoBERTa-base на данных тональности на урду. Она определяет эмоциональную окраску предложения и относит его к одному из двух классов: положительному или отрицательному. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и принимает текст на урду. Контекст составляет до 514 токенов. Модель подходит для анализа отзывов и коротких сообщений на урду; качество на других языках или для иных задач не подтверждено. Модель распространяется по лицензии AFL-3.0 и рассчитана на использование с библиотекой Transformers в формате PyTorch.

Это дообученная модель генерации текста на базе goldfish-models/zho_hans_100mb. Разработчик обучал её с помощью TRL; архитектура — GPT-2, веса опубликованы в формате safetensors. Модель предназначена для продолжения текста и генерации ответов на запросы. В карточке приведён пример диалога на английском языке. Контекст модели — 512 токенов. Лицензия в предоставленных данных не указана.

ShenaoZ/0.000001_ablation_iter_2 — дообученная версия ShenaoZ/0.000001_ablation_iter_1, созданная на наборах данных updated и original. Это плотная авторегрессионная языковая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает диалоговый режим; заявленная длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии MIT. README не описывает целевые сценарии, методику обучения или результаты оценки, поэтому качество и специализацию модели определить нельзя.

Модель AISquare-Instruct-yi-ko-6b-v0.9.30 разработана командой UI Platform компании Inswave Systems на базе beomi/Yi-Ko-6B с применением дообучения SFT и DPO. Это плотная авторегрессионная языковая модель семейства Llama с 5,9 млрд параметров, предназначенная для генерации текста и работы в формате инструкций. Для запуска доступна в формате safetensors через Transformers; длина контекста составляет 2048 токенов. В карточке указано обучение на четырёх ускорителях A100. Модель подходит для ответов на инструкции и генерации текста на корейском языке. Для использования весов применяется лицензия CC BY-NC 4.0, которая требует атрибуции и ограничивает коммерческое использование. Небольшое контекстное окно ограничивает работу с длинными документами.

NAMAA Community представила эту модель для AlexandriaX-2026: она переводит контекстные диалоги с английского на один из 13 вариантов разговорного арабского языка. Это полное дообучение encoder-decoder модели T5 AraT5v2-base-1024; в карточке указано 183,7 млн параметров, а README приводит оценку около 368 млн. Целевой диалект задаётся текстовым префиксом на естественном языке. Модель предназначена для перевода реплик с учётом контекста диалога. По заявлению авторов, это была сильнейшая из пяти небольших моделей команды в ограниченном треке; в ансамбле она дала лучший результат для мавританского и оманского диалектов. Используйте токенизатор из репозитория: README сообщает о проблеме медленного токенизатора T5 в Transformers 5.x. Модель распространяется по лицензии Apache-2.0.

Это дообученная на базе fpadovani/arb-arab-100mb-ppt-shuff-dyck-10mb_seed3407 модель GPT-2 для генерации текста. Разработчик — fpadovani; дообучение выполнено с помощью TRL. Пример использования показывает генерацию ответа на текстовый вопрос.

A-Funakoshi/bert-base-japanese-v3-wrime-v1 — японская модель классификации текста на базе cl-tohoku/bert-base-japanese-whole-word-masking. Она дообучена на датасете llm-book/wrime-sentiment с использованием оптимизатора Adafactor; гиперпараметры подбирались с помощью Optuna. Модель предназначена для классификации японских текстов по эмоциональным категориям WRIME. Архитектура — BERT для классификации последовательностей, около 137,8 млн параметров; максимальная длина контекста — 512 токенов. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

magnifi/bge-small-en-v1.5-ft-orc-0806 — дообученная компанией Magnifi модель Sentence Transformer на базе BAAI/bge-small-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена прежде всего для поиска семантически подходящих результатов по запросам на естественном языке. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; для сравнения применяется косинусное сходство. Максимальная длина входа — 512 токенов. Дообучение на 723 парах запросов и результатов ориентировано на финансовые запросы о портфеле, доходности и бэктестах, сопоставляемые с вызовами инструментов. Эмбеддинги также можно применять для сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель англоязычная; метаданные указывают 40 млн параметров. Лицензия в предоставленных данных не указана.

Bielik-11B-v2.2-Instruct — причинная декодерная языковая модель с 11 млрд параметров, разработанная проектом SpeakLeash совместно с центром ACK Cyfronet AGH. Это инструкционно дообученная версия speakleash/Bielik-11B-v2 на польских текстовых корпусах и наборах инструкций; поддерживает диалоговый режим и создана для генерации ответов на польском языке и выполнения разнообразных языковых задач. Модель подходит для чат-ботов, ответов на вопросы, следования инструкциям и других сценариев генерации текста на польском языке. В README отмечено, что качество ответов может быть непоследовательным из-за неоднородности обучающих инструкций. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы и не имеет механизмов модерации. Лицензия указана как Apache 2.0; README также упоминает условия использования. Для применения следует учитывать эти условия и отсутствие встроенных защитных механизмов.

BR-Voice-Reasoner — мультимодальная модель для голосового взаимодействия, разработанная BR Group на основе Qwen3-Omni-30B-A3B-Thinking. Она принимает аудио и отвечает текстом, позволяя задавать вопросы по речи и получать ответы без отдельного этапа транскрибирования. Подходит для голосовых вопросов на общие знания, многошаговых рассуждений, следования инструкциям и открытого диалога, включая сценарии с требованиями безопасности и отказами. Модель использует архитектуру Mixture-of-Experts. Дообучение выполнено методом кросс-модальной дистилляции на траекториях, создаваемых самой моделью; обновлялись только два аудиоязыковых проекционных модуля, а языковая модель и аудио- и визуальные энкодеры оставались замороженными. Помимо аудио, README указывает текст, изображения и видео как входы, но визуальные и видеовозможности унаследованы от базовой модели и подробно не переоценивались. Основной фокус обучения и оценки — английский язык. Модель распространяется по лицензии Apache-2.0.

AtAndDev/CapybaraMarcoroni-7B — дообученная модель семейства Mistral, разработанная AtAndDev. Она предназначена для генерации текста; при создании использовались QLoRA и набор данных Photolens/Capybara-text, а исходной моделью была cookinai/CatMacaroni-Slerp. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель может подойти для генерации и продолжения англоязычного текста. Она распространяется в формате safetensors по лицензии Apache-2.0. README не сообщает об оценках качества или специализированных сценариях применения.

CERE-LLMA-3-8b-TR — языковая модель CerebrumTech на архитектуре Llama 3, дообученная для выполнения инструкций на турецком языке. Модель содержит около 7,5 млрд параметров, использует расширенный для турецкого языка токенизатор и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и выполнения инструкций на турецком: она может отвечать на вопросы, следовать пользовательским запросам и решать задачи на понимание текста и рассуждение. В карточке приведены результаты тестов на турецком языке, включая MMLU, TruthfulQA, GSM8K и HellaSwag. Обучение включало данные на 5 млрд токенов и турецкие наборы инструкций; сначала применялся DoRA, затем LoRA. Весы опубликованы в формате Safetensors. Лицензия — Llama 3 Community License; ограничения использования определяются её условиями. Результаты тестов не гарантируют качество на любых запросах, а основная языковая специализация модели — турецкий.

Модель francesca9805/eng-100mb-after-wc-uniform-newlex-before-ckpt500-packed-bfdiso_seed3407 — дообученная GPT-2, созданная на основе francesca9805/ppt-wc-uniform-newlex-eng-before-100mb-packed-bfdiso_seed3407. Согласно карточке, модель обучалась с помощью TRL; веса доступны в формате safetensors и запускаются через Transformers. Модель предназначена для генерации текста на английском языке. Её можно использовать для продолжения текста и получения ответов на текстовые запросы; контекст ограничен 512 токенами. Данных о специализированной области применения или лицензии в предоставленных источниках нет.

Это дообученная модель генерации текста на базе GPT‑2, разработанная fpadovani и обученная с использованием TRL. Она предназначена для продолжения текста и генерации ответов на английском языке, в том числе на вопросы в формате диалога. Модель построена на плотной архитектуре GPT‑2, использует формат safetensors и имеет контекстное окно 512 токенов. Модель принимает текстовые запросы и выдаёт сгенерированный текст. Карточка показывает пример ответа на открытый вопрос, однако не сообщает о специализированной области применения или результатах оценки качества. Модель распространяется на Hugging Face; сведения о лицензии в предоставленных данных отсутствуют.