III.4Клиентская поддержка и customer success

Это компактная GPT-2 для генерации текста, разработанная Francesca9805 и дообученная с помощью TRL на базе francesca9805/rus-cyrl-10mb-ppt-Dp-10mb-packed-bfdiso_seed10. Модель предназначена для продолжения текста и генерации ответов на запросы; пример в карточке показывает диалоговый ввод и генерацию ответа. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая текст. Контекст составляет 512 токенов. В названии базовой модели и описании каталога указана ориентация на русский язык. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Модель francesca9805/rus-cyrl-10mb-after-ppt-Dp-10mb-packed-bfdiso-ckpt500_seed3407 — дообученная на русском кириллическом тексте GPT‑2 с архитектурой GPT2LMHeadModel. Разработчик указывает, что модель обучена с помощью TRL; в примере показана генерация ответа на открытый вопрос и продолжение текста. Она принимает текст и выдаёт текст, а доступный контекст составляет 512 токенов. Модель подходит для генерации коротких ответов и продолжений на русском языке. В карточке нет сведений о размере модели, оценках качества и лицензии, поэтому нельзя надёжно судить о её пригодности для конкретных задач или условиях коммерческого использования.

SauerkrautLM-Gemma-2b — экспериментальная немецко-английская языковая модель от VAGO solutions и Hyperspace.ai, дообученная на базе google/gemma-2b. Это плотная авторегрессионная модель семейства Gemma с 2,5 млрд параметров и контекстом до 8192 токенов. Она предназначена для диалогов с ассистентом и генерации текста; обучение выполнено методом SFT с применением laser-QLoRA и оптимизацией LaserRMT. Модель использует шаблон запросов Vicuna. Авторы обозначают релиз как раннюю альфа-версию и рекомендуют использовать её с осторожностью. Карточка приводит результаты нескольких языковых бенчмарков, но часть таблиц относится к другим моделям семейства, поэтому эти оценки не следует считать полной характеристикой именно версии 2b. Лицензия — gemma-terms-of-use.

Schaapje-2B-Chat-V1.0 — диалоговая языковая модель на архитектуре Granite, разработанная Robinsmits и полученная DPO-дообучением модели Schaapje-2B-Chat-SFT-V1.0. Она предназначена для общения на нидерландском языке и выполнения инструкций. Модель содержит 2,5 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 4096 токенов; для работы используется библиотека Transformers. Модель подходит для нидерландоязычных диалогов и ответов на пользовательские инструкции. В карточке заявлен интерфейс вызова инструментов, однако подробности его применения не приведены. Возможны предвзятые ответы и галлюцинации, поэтому результаты требуют проверки. Лицензия — Apache-2.0.

Schaapje-2B-Pretrained — нидерландоязычная модель генерации текста, созданная Robinsmits путём продолжения предобучения IBM Granite 3.0 2B Instruct. Модель обучалась примерно на 2,4 млрд токенов нидерландских текстов из Wikipedia и MC4, чтобы повысить беглость генерации на нидерландском языке и расширить знания о нём. Модель подходит для генерации и продолжения текста на нидерландском, в том числе в диалоговых сценариях. Это плотная авторегрессионная архитектура GraniteForCausalLM на 2,5 млрд параметров с контекстом до 4096 токенов; файлы представлены в формате safetensors и предназначены для библиотеки Transformers. Доступна по лицензии Apache-2.0. Как и другие языковые модели, она может выдавать предвзятые или фактически неверные ответы. Перед применением результаты следует проверять и валидировать; карточка не приводит количественных оценок качества.

Модель alsgyu/sentiment-analysis-fine-tuned-model — дообученный разработчиком чекпойнт beomi/KcBERT-base для анализа тональности корейского текста. Она классифицирует текст по эмоциональным меткам, включая позитивную, негативную и нейтральную тональность, и подходит для анализа отзывов клиентов, мониторинга социальных сетей и определения эмоционального контекста. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification, содержит 136,3 млн параметров и принимает последовательности длиной до 300 токенов. Обучение проводилось на корейском наборе эмоциональных данных AI Hub с нормализацией текста и кодированием меток; для работы используются Transformers и формат весов safetensors. README указывает лицензию MIT, разрешающую использование, изменение и распространение модели. Качество зависит от соответствия входного текста корейскому обучающему набору и заданным эмоциональным меткам; характеристики на других языках или в иных предметных областях не заявлены.

jeremierostan/SmolLM2-FT-MyDataset — компактная языковая модель, дообученная автором репозитория на собственном наборе данных на основе HuggingFaceTB/SmolLM2-135M с использованием TRL. Она предназначена для генерации текста в диалоговом формате, например для ответов на вопросы и продолжения беседы. Модель имеет плотную архитектуру семейства Llama с 134,5 млн параметров и контекстом до 8192 токенов; использует библиотеку Transformers и формат safetensors. Базовая SmolLM2-135M ориентирована на английский язык, поэтому модель подходит для компактных текстовых и чат-сценариев на английском. Карточка не сообщает подробностей о составе обучающего набора или сравнительных оценках качества, поэтому пригодность для конкретных тем и надёжность ответов следует оценивать отдельно. Лицензия в предоставленных данных не указана.

jieunhan/TEST_MODEL — диалоговая языковая модель на архитектуре Mixtral с 10,6 млрд параметров, собранная слиянием upstage/SOLAR-10.7B-v1.0 и yanolja/EEVE-Korean-10.8B-v1.0. В README также указано, что модель дообучалась методом Direct Preference Optimization (DPO) с использованием Axolotl; метаданные классифицируют её происхождение как слияние. Модель предназначена для генерации текста и ответов в формате диалога. В карточке указано расширение корейского словаря исходной модели; контекст составляет 4096 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель ориентирована на корейский язык, однако карточка не содержит подробной оценки качества или описания ограничений. Репозиторий помечен как тестовый, поэтому пригодность для практического применения следует проверять на целевых сценариях.

xuancoblab2023/tiny-bert-sst2-distilled — компактная модель классификации последовательностей, дообученная автором на базе google/bert_uncased_L-2-H-128_A-2. Она предназначена для определения тональности английских текстов по двум классам набора SST-2 и может использоваться для классификации коротких отзывов и высказываний. Модель содержит 4,4 млн параметров, использует архитектуру BERT и принимает текст длиной до 512 токенов. На оценочном наборе указаны accuracy 0,7631, precision 0,7071, recall 0,4941 и F1 0,5817; результаты указывают на ограниченное качество, особенно по полноте. Данные обучения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

shitshow123/tinylamma-20000 — чат-модель для генерации текста, дообученная автором на базе TinyLlama 1B Instruct методом Direct Preference Optimization (DPO) на протяжении 20 тыс. шагов. Она построена на плотной архитектуре LlamaForCausalLM, содержит 1 млрд параметров и рассчитана на контекст до 2048 токенов. Модель подходит для диалогов и генерации ответов на текстовые запросы. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не приводит оценок качества, описания обучающих данных или сведений о поддерживаемых естественных языках; поэтому её возможности за пределами общего диалогового применения не подтверждены.

s3nh/TinyLLama-4x1.1B-MoE — компактная языковая модель, созданная автором репозитория с помощью mergekit путём объединения моделей TinyLlama в архитектуру mixture of experts (MoE). Она предназначена для генерации текста и диалоговых ответов на английском языке, в том числе в сценариях чата. Модель содержит около 1 млрд параметров, использует архитектуру MixtralForCausalLM и принимает текст с контекстом до 2048 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель опубликована под лицензией MIT.

Translation-GPT-v3 — дообученная разработчиком Dhahlan2000 модель семейства mT5 для генерации текста по текстовому запросу. Она содержит 157,4 млн параметров и представлена в формате TensorFlow. По карточке указаны результаты обучения на одном неизвестном наборе данных: значение функции потерь на обучении — 3,2180, на проверке — 2,5928 после одной эпохи. Модель предназначена для перевода текста, однако README не описывает поддерживаемые языковые пары, качество перевода или конкретные сценарии применения. Она дообучена на базе Dhahlan2000/Translation-GPT-v2; лицензия — Apache-2.0.

Turkish-Llama-8b-Instruct-v0.1 — разговорная языковая модель на архитектуре Llama 3, созданная YTU-CE путём полного дообучения Meta-Llama-3-8B-Instruct на 30 ГБ турецких текстовых данных, включая сайты и книги. Модель содержит 7,5 млрд параметров, принимает текст и генерирует связный текст в продолжение заданного фрагмента; также подходит для диалоговых сценариев. Контекстное окно — до 8192 токенов. Модель предназначена прежде всего для генерации текста на турецком языке. Разнообразие источников обучения может приводить к смещениям в ответах. Распространяется по лицензии Llama 3; применяйте её с учётом условий этой лицензии.

Turkish-LLM-14B-Instruct — модель для генерации текста и диалогов, разработанная ogulcanaydogan и архивированная VeriPazarı. Она создана дообучением Qwen/Qwen2.5-14B-Instruct методом QLoRA на 242 тысячах турецких инструкционных примеров; архитектура — плотная Qwen2, размер — 14 млрд параметров, контекст — до 32 768 токенов. Модель предназначена прежде всего для ответов на инструкции и общения на турецком языке; в карточке также заявлена поддержка английского. В приведённом сравнении MMLU-TR модель набрала 0,5977 против 0,5947 у базовой модели. Репозиторий содержит веса Safetensors; в README также описаны варианты GGUF с разной квантизацией. Лицензия — Apache 2.0.

UndiMix-v2-13b — экспериментальная текстовая генеративная модель Undi95, созданная слиянием нескольких моделей семейства Llama 2. В README описан рецепт слияния на базе TheBloke/Llama-2-13B-fp16 с использованием Airoboros, Athena и предыдущей версии UndiMix; также перечислены модели MythoMax, Huginn и llama-2-13b-chat-limarp-v2-merged как компоненты исходного микса. Репозиторий содержит веса FP16 в формате safetensors, около 12,9 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации ответов и диалогового текста в стиле шаблона Alpaca. По описанию, она может переключаться между серьёзной и игривой подачей и использовать эмодзи. Автор предупреждает, что версия говорит значительно больше, чем v1, и отмечает, что модель находится на этапе тестирования. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не коммерческое использование.

Модель cartesinus/xlm-r-base-amazon-massive-intent — дообученная cartesinus модель на базе XLM-RoBERTa Base от FacebookAI для классификации намерений в коротких пользовательских запросах. Она обучена на англоязычной части набора AmazonScience/MASSIVE и предназначена для определения намерения пользователя в сценариях голосовых помощников и NLU. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей, содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. В README указаны точность и F1 0,8775 на оценочном наборе; результаты заметно различаются по доменам, поэтому качество зависит от категории запросов. Поддерживается классификация текста на английском языке. Лицензия — MIT. Карточка не описывает ограничения применения и не приводит сведения о метках классов или инструкции по использованию.

AceGPT-13B-chat — диалоговая генеративная языковая модель семейства AceGPT, разработанная исследователями из CUHKSZ, SRIBD и KAUST. Модель полностью дообучена на базе Llama 2 и рассчитана прежде всего на общение на арабском языке. Она принимает и выдаёт текст, содержит около 12,9 млрд параметров и использует архитектуру Llama с контекстом 2048 токенов. Модель предназначена для диалоговых приложений: ответов на вопросы, помощи с повседневными задачами и генерации арабского текста. В README сообщается о сравнении с открытыми арабскими диалоговыми моделями на нескольких бенчмарках; результаты не гарантируют точность фактических ответов. Модель распространяется по лицензии Apache-2.0.

arb-arab-100mb-after-ppt-Dp-10mb-ckpt500_seed3407 — дообученная модель семейства GPT-2 от fpadovani для генерации текста. Согласно карточке, модель получена дообучением fpadovani/arb-arab-100mb-ppt-Dp-10mb_seed3407 с использованием TRL; архитектура — плотная GPT-2 с классом GPT2LMHeadModel, веса представлены в safetensors. Она предназначена для продолжения текста и генерации ответов на запросы; пример в карточке показывает ответ на вопрос в формате диалога. Модель принимает текст и выдаёт текст. Контекст ограничен 512 токенами. В метаданных и карточке не описана специализация по языку или предметной области. Лицензия в предоставленных данных не указана.

Hatman/audio-emotion-detection — модель классификации аудио, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она анализирует речевой аудиосигнал и относит его к одной из семи категорий эмоций: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Архитектура — Wav2Vec2ForSequenceClassification семейства wav2vec2, около 402,7 млн параметров; модель сохранена в формате safetensors. Модель предназначена для распознавания эмоциональной окраски речи. В README приведены результаты оценки: accuracy 0,6262 и loss 0,9555. Для корректной работы входное аудио следует привести к частоте дискретизации 16 кГц. Обучающие данные включают Common Voice 6.0 и speech-recognition-community-v2/dev_data. Модель выпущена под лицензией Apache-2.0. Приведённая точность указывает на возможные ошибки классификации; оценка дана на конкретном наборе и не гарантирует такое же качество на других голосах, языках и акустических условиях.

malteos/bloom-1b5-clp-german — языковая модель семейства BLOOM с плотной архитектурой, адаптированная к немецкому языку методом CLP-Transfer на немецкой подвыборке OSCAR. Модель разработана автором репозитория на основе многоязычной BLOOM-1b7 и предназначена для генерации текста на немецком языке. Модель содержит около 1,7 млрд параметров, принимает текст и выдаёт продолжение текста. Родная длина контекста — 2048 токенов. В репозитории доступны веса PyTorch и Safetensors. Лицензия — BigScience BLOOM RAIL 1.0.

Boto 9B — языковая модель lucianosb, дообученная на Gemma 2 9B с использованием набора данных cetacean-ptbr. Она предназначена для генерации текста и диалоговых ответов на португальском языке. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и поддерживает контекст до 8192 токенов. Ответы модели обычно многословны и не всегда достаточно предметны. В карточке также указано, что у модели нет механизмов модерации: она может воспроизводить стереотипы и выдавать недостоверную информацию, поэтому её ответы не следует использовать как единственное основание для важных решений. Модель распространяется по лицензии Apache-2.0.

DataVortexS-10.7B-dpo-v1.11 — корейская диалоговая языковая модель команды, указанной в карточке Hugging Face, дообученная на LDCC/LDCC-SOLAR-10.7B методом DPO. Это плотная модель семейства Llama с 10,7 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и использует формат инструкций Alpaca Chat. Модель предназначена для диалогов и ответов на вопросы на корейском языке. В карточке приведены результаты оценивания на корейских бенчмарках Ko LM Eval Harness и Ko-LLM-Leaderboard. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Edentns/DataVortexS-10.7B-v0.2 — корейская чат-модель, разработанная командой, в которую входят Kwangseok Yang, Seunghyun Choi, Jeongwon Choi и Hyoseok Choi. Она дообучена методом fine-tuning на базе hyeogi/SOLAR-10.7B-dpo-v0.1 на наборах KoAlpaca-v1.1a и Worktronics-FAQ для генерации текста и ответов на инструкции на корейском языке. Модель построена на плотной архитектуре LLaMA с классом LlamaForCausalLM и содержит 10,7 млрд параметров. Она принимает текст в формате инструкций Alpaca и поддерживает чат; контекст составляет 4096 токенов. В README приведены результаты на Ko-LLM-Leaderboard и задачах Ko LM Eval Harness. Модель распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0. Один из обучающих наборов Worktronics-FAQ является частным, поэтому его содержимое недоступно для независимой проверки.

SetFit/distilbert-base-uncased__sst2__train-16-0 — модель DistilBERT, дообученная на основе distilbert-base-uncased для классификации текста. Репозиторий указывает датасет SST-2, однако подробности о составе обучающих данных и настройке обучения не приведены. Архитектура — DistilBertForSequenceClassification; модель принимает текст, поддерживает контекст до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых последовательностей; вероятный сценарий применения с SST-2 — определение тональности отзывов или коротких высказываний. В README приведён результат на тестовом наборе: accuracy 0,5091 и loss 0,6903, что указывает на ограниченную точность в этой оценке. Лицензия — Apache-2.0.

Gwennji/distilbert-sentiment-demo — модель классификации текста, созданная дообучением DistilBERT на неизвестном наборе данных. Архитектура — DistilBertForSequenceClassification; модель предназначена для присвоения тексту меток классов, включая анализ тональности, что следует из названия репозитория, однако конкретные метки и обучающий набор не описаны. Модель принимает текст и поддерживает контекст до 512 токенов. В README указана точность 0,8452 и значение функции потерь 0,4220 на оценочном наборе, но подробности оценки не приведены. Опубликованы веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

vvcz/dvxipt-uk — объединённая автором модель генерации текста на базе архитектуры Llama, созданная с помощью mergekit методом passthrough из NeverSleep/Llama-3-Lumimaid-8B-v0.1, Sao10K/L3-8B-Stheno-v3.2 и SanjiWatsuki/Kunoichi-7B. Модель содержит 11 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации текста, включая ролевое общение и написание историй — такие сценарии поддерживают базовые модели. Указанный в каталоге основной тег задачи — text-generation; архитектура относится к семейству Llama и описана как плотная авторегрессионная языковая модель. Карточка не сообщает специальных ограничений или условий лицензии, поэтому условия использования следует проверять в репозитории модели и у исходных моделей слияния. Английский язык указан в описании базовой модели; сведения о поддержке других языков в предоставленных данных отсутствуют.

Модель eng-100mb-after-eng-baseline-newlexicon-ckpt500seed3407 — дообученная GPT-2-подобная языковая модель, созданная на основе fpadovani/ppt-art-lang-newlexicon-eng-baseline-100mb_seed3407. Разработчик указывает, что модель обучалась с помощью TRL; веса представлены в формате Safetensors и предназначены для генерации текста по запросу. Модель можно применять для продолжения текста и генерации ответов на английском языке. В карточке показан пример генерации ответа на вопрос с использованием Transformers pipeline. Контекст модели составляет 512 токенов. Данных о специализированной предметной области или отдельных гарантиях качества нет. Лицензия в предоставленных сведениях не указана.

Это дообученная модель генерации текста на базе GPT-2, разработанная fpadovani и обученная с использованием TRL. Она предназначена для продолжения текста и ответов на открытые вопросы на английском языке; в карточке приведён пример генерации ответа на вопрос о выборе между путешествием в прошлое и будущее. Модель распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Карточка не приводит подробностей о размере модели, обучающих данных и результатах оценки качества. Лицензия в предоставленных сведениях не указана.

fpadovani разработал эту модель как дообученную версию fpadovani/eng-latn-10mb-ppt-shuff-dyck-10mb_seed455. Это плотная авторегрессионная модель GPT-2 для генерации текста; карточка указывает обучение с помощью TRL и демонстрирует ответы на вопросы в формате диалога. Она рассчитана на англоязычные текстовые запросы, а её контекст составляет 512 токенов. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

FLM-Audio — аудиоязыковая модель CofeAI, созданная на основе RoboEgo/FLM-Ego. Это плотная LLM-архитектура с 7,1 млрд параметров, аудиоэнкодером для входящей речи и декодером для генерации аудио. Модель поддерживает двусторонний диалог в реальном времени: одновременно слушает, говорит и формирует внутренний монолог; в README заявлены английский и китайский языки. Модель предназначена для голосового общения, распознавания речи и синтеза речи. Обучение включало постобучение на аудиоданных и дообучение на многоходовых речевых диалогах с обработкой перебиваний и шумов. В метаданных указан контекст 8192 токена и формат safetensors. Авторы сообщают об устойчивости к шуму и перебиваниям и о низкой задержке, однако приведённые результаты относятся к описанным авторами тестам. README ограничивает назначение исследовательским использованием; для коммерческого использования предлагается связаться с авторами. Модель может генерировать предвзятый или оскорбительный контент, поэтому качество и безопасность ответов требуют оценки в конкретном сценарии.