III.4Клиентская поддержка и customer success

Это модель Sentence Transformers, дообученная разработчиком seroe на базе BAAI/bge-m3 на наборе vodex-turkish-triplets-large. Она преобразует предложения и абзацы на турецком языке в плотные векторы размерностью 1024 для семантического сходства и поиска. Архитектура основана на XLM-RoBERTa с пулингом по токену CLS и нормализацией; максимальная длина последовательности — 8192 токена, сходство измеряется косинусом. Обучение ориентировано на телекоммуникационные тексты: мобильные услуги, счета, кампании и условия подписки. Модель выпущена под лицензией Apache-2.0. Модель также подходит для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены высокие показатели cosine accuracy на указанных тестах и размерностях, однако они не гарантируют аналогичного качества на других данных. Из-за специализации на турецком телеком-домене качество за его пределами может быть ниже; результаты следует проверять на целевых данных.

Eva Customer Support Manager — это дообученная модель Qwen/Qwen3.5-4B, созданная для первичной классификации обращений в службу поддержки приложения для женского здоровья в Казахстане. Модель принимает сообщение пользователя и возвращает JSON с категорией обращения, приоритетом, тональностью и рекомендуемым действием; этот результат используется для маршрутизации или выбора ответа из одобренной библиотеки шаблонов. Модель не предназначена для свободных ответов пользователям. Модель имеет плотную архитектуру Qwen3.5, около 3,4 млрд параметров и контекст до 262 144 токенов. Она обучена методом QLoRA на синтетических данных, после чего адаптер объединён с базовой моделью в формате float16. Заявленные языки сценария — русский и казахский; казахский представлен слабее. В тесте на синтетической выборке из 215 примеров точность категорий составила 82,79%, действий — 69,77%, приоритетов — 59,53%; базовая модель часто не соблюдала JSON-формат, поэтому сравнение не измеряет только качество понимания. Результаты на реальных обращениях ещё не оценены. Это образовательный прототип, а не готовая к промышленному применению система и не медицинское устройство. Его нельзя использовать для диагностики или самостоятельных медицинских ответов; README требует применять детерминированный слой безопасности и библиотеку утверждённых шаблонов. Данные обучения синтетические, покрытие некоторых категорий в реальных данных недостаточно, а безопасная деидентификация входящих сообщений не гарантирована. Сведения о лицензии в предоставленных материалах отсутствуют.

gipformer-65M-rnnt — модель распознавания вьетнамской речи, разработанная G-Group AI Lab. Она использует архитектуру Zipformer Transducer и предназначена для преобразования аудио в текст, в том числе для записей телефонных разговоров с шумом и различными региональными акцентами. Модель рассчитана на локальный запуск на мобильных и встраиваемых устройствах, что позволяет обрабатывать чувствительные аудиозаписи без облачной передачи. В README заявлены результаты на 12 тестовых наборах для телефонной, медицинской, вещательной и читанной речи; приведённая таблица содержит не все результаты, поэтому эти заявления нельзя независимо оценить по карточке. Репозиторий содержит модель в формате ONNX для запуска через ONNX Runtime. Лицензия — MIT. Карточка не сообщает размер модели в параметрах или длину поддерживаемого аудио.

Shikov971/sentiment-distilbert-multilingual-5class — дообученная многоязычная модель семейства DistilBERT для классификации текста на пять классов тональности. Она использует архитектуру DistilBertForSequenceClassification и предназначена для определения тональности текста в сценариях анализа отзывов, сообщений и других текстовых высказываний. Модель построена на distilbert/distilbert-base-multilingual-cased и принимает текст; максимальная длина контекста — 512 токенов. В оценке на тестовой выборке модель показала accuracy 0,375 и F1 0,3804, поэтому качество классификации может быть ограниченным. Датасет обучения и соответствие пяти классов в карточке не раскрыты. Модель распространяется под лицензией Apache-2.0.

Модель robertnetwork/strudel-phi3-test — преобразованная ONNX-версия Phi-3 Mini-4K-Instruct, подготовленная для запуска через onnxruntime-web и Transformers.js. Она предназначена для генерации текста и диалоговых сценариев в приложениях, работающих в браузере или JavaScript-среде. В метаданных указаны плотная архитектура GPT-J, около 319,9 млн параметров и контекст 2048 токенов; README при этом называет модель Phi-3 Mini-4K-Instruct и указывает, что изменения сделаны для совместимости с onnxruntime-web. Модель принимает и генерирует текст. Карточка не описывает языковую специализацию или конкретные ограничения качества. Лицензия — MIT.

papercat404/testcat_v0.4 — экспериментальная разговорная языковая модель, дообученная разработчиком на базе hwkwon/S-SOLAR-10.7B-v1.4. Модель построена на плотной архитектуре Llama и содержит 10,6 млрд параметров; для запуска указана библиотека Transformers, веса доступны в формате safetensors. Контекст — до 4096 токенов. Модель предназначена для генерации текста в формате диалога: на вход подаётся prompt, на выходе формируется response. Для дообучения использовались модифицированные данные nox SFT; автор отмечает, что это демо-версия, обученная на небольшом объёме данных, в течение одной эпохи. Заявлены английский и корейский языки. Лицензия — Apache-2.0.

dearxoasis/thaidoc-finetune — дообученная диалоговая языковая модель на архитектуре Qwen3 с 7,6 млрд параметров. Она создана на базе typhoon-ai/typhoon-s-thaillm-8b-instruct-research-preview; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации диалоговых ответов и работы в сценариях чат-бота. Контекст составляет до 32 768 токенов. Базовая модель ориентирована преимущественно на тайский и английский языки; карточка этой модели указывает английский. Лицензия — Apache-2.0. README не уточняет специализацию дообучения или его качество.

Модель stefaniftime/tmp93avx00w — дообученная на наборе DailyDialog версия диалоговой GPT-2-модели Microsoft DialoGPT-medium. Она предназначена для генерации ответов в текстовом диалоге и поддерживает задачу text-generation. Модель использует архитектуру GPT-2, принимает и генерирует текст, имеет контекст до 1024 токенов и распространяется по лицензии MIT. В README приведено значение loss 1,7075 на оценочном наборе; дополнительных сведений о качестве и ограничениях нет.

gipformer1.5-65M-rnnt — компактная модель распознавания вьетнамской речи, разработанная G Group AI Lab. Она построена на архитектуре Zipformer Transducer (RNN-T) и предназначена для преобразования аудио в текст, в том числе для записей телефонных разговоров с шумом и региональными вариантами произношения. Модель рассчитана на локальный запуск на мобильных и встраиваемых устройствах, включая офлайн-сценарии с чувствительными аудиоданными. В README заявлены результаты на тестах для колл-центров и тематических наборах по технологиям, финансам, образованию, госуслугам и медицине; приведённые таблицы не содержат результатов gipformer, поэтому эти заявления независимо проверить по карточке нельзя. Для запуска указан формат ONNX и библиотека ONNX Runtime. Лицензия — MIT. Размер модели в README отражён в её названии как 65M; отдельного значения числа параметров в метаданных нет.

kmhf/hf-moshiko — размещённая пользователем kmhf копия модели Moshi, разработанной лабораторией Kyutai; карточка репозитория автоматически создана и не содержит отдельных сведений о разработчике копии, лицензии или базовой модели. Moshi предназначена для разговоров голосом в реальном времени: она одновременно воспринимает речь пользователя и генерирует собственную, поддерживая двусторонний диалог с перебиваниями и наложением реплик. В модели примерно 8,7 млрд параметров по метаданным репозитория; архитектура — плотный Transformer Moshi, а исходная система сочетает языковую модель Helium с потоковой многоуровневой генерацией аудиотокенов. В статье разработчиков описана задержка около 200 мс на практике и эксперименты с контекстом до пяти минут; метаданные этой копии указывают native context в 3000 токенов. Модель принимает аудио и выдаёт аудио, а также связанный с речью текст; основное назначение — голосовой диалог, а не отдельная ASR- или TTS-система. В статье базовый языковой компонент обучен на английских текстах, поэтому не следует считать подтверждённой широкую поддержку других языков. Лицензия в карточке репозитория не указана; выяснить условия использования этой копии по доступным источникам нельзя.

msy127/mnsim-dpo-peftmerged-2-eos — разговорная модель генерации текста на архитектуре Llama, подготовленная командой, указанной в карточке как David Sohn. Она основана на mncai/llama2-13b-dpo-v7 и предназначена для диалогов в формате пользовательских инструкций; в карточке показан пример вопроса о здоровом питании. Модель также представлена как часть платформы AI Companion для общения с виртуальным собеседником. Модель содержит 12,9 млрд параметров, использует библиотеку Transformers и веса Safetensors. Карточка указывает поддержку корейского и английского языков и контекст длиной 2048 токенов. Лицензия — llama2. README отмечает пользовательский формат инструкций и наличие chat template, поэтому при использовании важно соблюдать ожидаемый формат диалога.

PMA-1.2 — компактная языковая модель Patriot Memory для работы на устройствах с ограниченными ресурсами. Это причинная авторегрессионная модель архитектуры PMA; в README указано 125,6 млн параметров, а в метаданных — 125,5 млн. Она рассчитана на контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель предназначена для общения на английском и традиционном китайском языках, ответов на вопросы о продукции Patriot Memory и Viper Gaming, включая оперативную память DDR4/DDR5, SSD, накопители и игровые периферийные устройства. Также предусмотрен интерфейс вызова инструментов для интеграции с backend API, например для проверки гарантии или поиска характеристик по серийному номеру. Модель ориентирована на локальное использование на edge-устройствах и выдачу быстрых ответов. В README отмечены слабая арифметика, ограниченная связность длинных рассказов и ненадёжность знаний за пределами обучающей выборки; ответы о технических характеристиках следует проверять. Выпуск обозначен как экспериментальный preview. Лицензия — Apache-2.0; для загрузки архитектуры требуется trust_remote_code=True.

Модель tiantiaf/wavlm-large-categorical-emotion предназначена для классификации эмоций в речи. Она разработана на основе подхода Vox-Profile и использует обучающий конвейер SAILER, занявший первое место в INTERSPEECH 2025 Speech Emotion Challenge. Модель дообучена на MSP-Podcast и не использует транскрипт речи при классификации. Модель принимает аудио и относит речь к одной из девяти категорий: гнев, презрение, отвращение, страх, счастье, нейтральное состояние, грусть, удивление или другая эмоция. В качестве основы используется WavLM Large от Microsoft; веса доступны в формате safetensors. Лицензия — OpenRAIL. Метаданные указывают английский язык, а описание базовой модели характеризует её как предварительно обученную на английской речи.

Whisper-base-ser-dusha — модель распознавания эмоций в русской речи, созданная путём дообучения энкодера OpenAI Whisper Base с классификационной головой на датасете Dusha-crowd. Модель принимает аудио и относит речь к одному из пяти классов: злость, грусть, нейтральная эмоция, позитивная эмоция или категория «другое». Она реализована на Transformers, содержит 51,7 млн параметров и распространяется в формате safetensors. Модель предназначена для автоматической классификации эмоциональной окраски русской речи, например для анализа голосовых записей и изучения эмоциональных реакций в аудио. При дообучении применялись сдвиг аудиосигнала, маскирование временных участков, цветной шум и взвешенная выборка классов. Точность на независимых данных и ограничения по условиям записи в карточке не описаны. Лицензия в предоставленных данных не указана.

Zefiro-7b-sft-ITA — модель с 7,1 млрд параметров, разработанная giux78 для проекта MII Community и дообученная методом SFT для общения на итальянском языке. Это плотная авторегрессионная модель семейства Mistral, созданная на основе mistralai/Mistral-7B-v0.1 с применением подходов Zephyr и Alignment Handbook; в README также упоминается влияние работы над Llamantino. Модель поддерживает генерацию текста и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалогов на итальянском языке и может служить основой для более специализированных разговорных приложений. Для обучения использовался отфильтрованный набор UltraChat-ITA, переведённый вариант UltraChat с синтетическими диалогами. Лицензия — Apache 2.0. В README указано, что модель не проходила RLHF-выравнивание по человеческим предпочтениям и не использует фильтрацию ответов, поэтому может выдавать проблемный контент. Авторы также отмечают, что перевод обучающих данных способен вносить ошибки в синтаксис и смысл; качество модели не следует считать гарантированным для задач, требующих высокой точности.

Friendliness_binary — дообученная модель на базе microsoft/deberta-v3-base для бинарной классификации текста по признаку дружелюбия. Модель разработана автором репозитория ajrayman; сведения о наборе данных и деталях обучения в карточке отсутствуют. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и принимает текст длиной до 512 токенов. На оценочном наборе указаны accuracy 0,6463 и F1 0,6773, поэтому предсказания могут быть ненадёжными, особенно для текстов, отличающихся от данных оценки. Распространяется по лицензии MIT.

HAI-SER — диалоговая модель HelpingAI для структурированного эмоционального анализа и эмпатичных ответов. Она основана на архитектуре Mixtral с причинно-языковой моделью MixtralForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Модель предназначена для анализа эмоционального тона беседы, мыслей и настроения, возможных причин эмоциональных реакций и их влияния на поведение. Она может предлагать структурированные рекомендации по самопониманию и общению, а также поддерживающие ответы в разговорах на эмоциональные и психологические темы. Обучение описано как ориентированное на эмоциональный интеллект, психологические темы, коучинговые беседы и сценарии психического здоровья. По заявлению разработчика, модель умеет давать персонализированные эмоциональные выводы, однако её понимание сложных переживаний может быть неточным. Она не предназначена для диагностики и не заменяет профессиональную терапию; для чувствительных ситуаций рекомендуется человеческая модерация. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

MeloTTS-Chinese — китайская модель синтеза речи из текста, разработанная MyShell.ai и входящая в мультиязычную библиотеку MeloTTS. Она предназначена для преобразования текста в речь; для китайского голоса заявлена поддержка смешанного китайско-английского текста. По README, инференс достаточно быстрый для работы в реальном времени на CPU. В репозитории указаны веса PyTorch и лицензия MIT.

Модель deccan-ai/phi-2-insurance_qa-sft-lora — англоязычная генеративная модель для ответов на вопросы о страховании. Она основана на Phi-2 от Microsoft и дообучена методом LoRA с учителем на датасете InsuranceQA-v2, содержащем 27,96 тыс. пар вопросов и ответов, составленных с участием специалистов по страхованию. Модель принимает текстовые инструкции в формате «Instruction / Response» и генерирует текстовые ответы. Архитектура — плотная авторегрессионная Phi, размер — 3,5 млрд параметров, контекст — до 2048 токенов. LoRA позволяет адаптировать модель к страховой тематике с небольшими дополнительными обучаемыми весами. Модель предназначена для черновых ответов на типовые вопросы клиентов о страховании и для прототипов диалоговых помощников. Ответы могут содержать фактические ошибки, модель может плохо выполнять сложные инструкции, неверно понимать неформальный английский и выдавать лишний текст. Выводы следует проверять, особенно перед использованием в консультациях. Лицензия — MIT.

PMA-1.0 — компактная плотная причинно-следственная языковая модель, разработанная Patriot Memory и дообученная для поддержки продуктов Patriot Memory и Viper Gaming. Она предназначена для ответов на вопросы о памяти DDR4 и DDR5, профилях XMP 3.0 и EXPO, совместимости и настройке, SSD с интерфейсами PCIe и SATA, накопителях и игровой периферии, а также для помощи при установке и устранении неполадок. Модель содержит около 63,9 млн параметров, построена на архитектуре MiniMind и имеет контекст до 32 768 токенов. Она поддерживает диалоговую генерацию текста на китайском и английском языках. В README также заявлена интеграция вызова функций и инструментов, например для проверки гарантии и поиска характеристик по серийному номеру; фактическое выполнение таких действий требует подключённой серверной системы. Модель выпущена как экспериментальная предварительная версия. Ответы могут содержать ошибки или выдуманные сведения, поэтому характеристики и рекомендации следует проверять. Веса распространяются по лицензии Apache 2.0.

Qwen3.5-4B Posture — дообученная диалоговая модель на базе Qwen/Qwen3.5-4B, созданная с помощью последовательных этапов обучения LoRA; итоговый адаптер второго этапа объединён с базовой моделью. В репозитории веса представлены в формате safetensors с точностью 16 бит. Модель предназначена для генерации текста в диалоге. Для проверенного запуска автор README рекомендует Transformers 5.5.0: версия 5.3.0 в указанной среде вызывала ошибки CUDA при многоходовом чате. Apache-2.0 — лицензия модели. Проверка ограничена тестом из пяти ходов и не подтверждает общее качество или стабильность. Бенчмарки не проводились, обучающие данные не опубликованы; модель может выдумывать реплики и неподтверждённые сведения о себе.

SoreQen S1 — диалоговый ассистент от ZorQelis AI, дообученный методом LoRA на базе Qwen/Qwen3.5-2B. Модель предназначена для двуязычного общения на английском и Hinglish: она отвечает латиницей на Hinglish, если пользователь пишет на нём, и на английском — если пользователь пишет по-английски. Дообучение на 21 062 примерах настроено на идентичность ассистента и разговорные ответы. Это плотная модель семейства Qwen 3.5 с 2 млрд параметров. Веса адаптера LoRA имеют ранг 16; визуальный энкодер, мультимодальный проектор, таблицы эмбеддингов, токенизатор и шаблон чата не изменялись. Заявленное контекстное окно — 262 144 токена. Базовая модель мультимодальная и поддерживает понимание изображений, но карточка SoreQen описывает дообучение прежде всего для текстового диалога. Модель подходит для двуязычного разговорного помощника и демонстрирует улучшенное распознавание собственной идентичности без системного промпта; поведение в Hinglish сохранено на уровне базы в приведённой проверке. Малый размер ограничивает надёжность точных чисел и арифметики, Hinglish генерируется латиницей, а модель не предназначена для критически важных или профессиональных рекомендаций. Лицензия — Apache 2.0.

gipformer-68M-rnnt — компактная модель распознавания вьетнамской речи от G-Group AI Lab. Она построена на архитектуре Zipformer Transducer (RNNT) и распространяется в формате ONNX для запуска через ONNX Runtime. Модель предназначена для транскрибации вьетнамской речи, включая записи колл-центров с шумом и региональными акцентами, а также медицинские разговоры, эфирную и прочую речь. По данным карточки модели, она показывает высокие результаты на вьетнамских ASR-бенчмарках и рассчитана на эффективное выполнение на мобильных и встраиваемых устройствах, в том числе локально и офлайн. Это может быть полезно для приложений, которым важно обрабатывать аудио на устройстве. В README указано 68M в названии модели; отдельное значение числа параметров в предоставленных данных не приведено. Модель ориентирована на вьетнамский язык. Лицензия — MIT. Заявления о качестве основаны на бенчмарках из README; фактическая точность зависит от условий записи и соответствия аудио тестовым данным.

Модель MelissaJ/koelectra-emotion-6-emotion-base — корейская модель классификации эмоций, созданная дообучением KoELECTRA-base-v3 от MelissaJ. Она относит входное предложение к одной из шести категорий: радость, гнев, обида, тревога, смущение или грусть. Модель подходит для разметки эмоциональных реплик в диалогах и анализа тональности корейских сообщений. Модель построена на архитектуре ELECTRA с классификационной головой, содержит 140,1 млн параметров и принимает последовательности длиной до 512 токенов. Для обучения использован корейский корпус эмоциональных диалогов AI Hub. Валидационная macro-F1 достигла примерно 0,597 на третьей эпохе; последующее обучение сопровождалось ростом переобучения, поэтому качество на других данных может быть ниже. Модель распространяется под лицензией Apache-2.0.

dispatchAI/Llama-3.2-1B-FunctionCall-mobile — компактная модель на базе Meta Llama 3.2 1B, оптимизированная для вызова функций и работы с инструментами на мобильных и других периферийных устройствах. Репозиторий распространяет веса в формате GGUF; в карточке указаны 1,23 млрд параметров, размер около 782 МБ и скорость около 27 токенов в секунду на Samsung S20 FE. Модель предназначена для локальных диалоговых агентов, которые выбирают и вызывают инструменты, например API, системы умного дома и корпоративные коннекторы CRM или ERP, а также для автоматизации рабочих процессов. Она принимает текстовые запросы и генерирует текст, включая инструкции для вызова функций. README описывает английский язык; лицензия — Llama 3.2. Это компактная модель, и её качество может быть ограничено по сравнению с более крупными моделями; в карточке нет результатов оценки качества.

Kameljont/Llama-Galavant-v0.7.5_Emma — разговорная модель для генерации текста, созданная линейным слиянием моделей Llama-GalavantRP-8B-v0.7.5.6 и Llama-Emma-8B с помощью mergekit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, размером 7,5 млрд параметров и контекстом до 131 072 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на диалоговое использование. Модель подходит для ролевых диалогов и генерации продолжений текста в сценариях общения. Карточка не описывает поддерживаемые языки, конкретные оценки качества или дополнительные возможности. Модель распространяется по лицензии, указанной в метаданных Hugging Face; явные условия лицензии в предоставленных данных отсутствуют.

EryriLabs/phonellm-alpha-1-GGUF — неофициальная коллекция GGUF-квантизаций модели PhoneLLM Alpha 1, разработанной Pipecat AI на основе NVIDIA Nemotron-3-Nano-30B-A3B. Репозиторий EryriLabs содержит конвертированные версии для запуска через llama.cpp и не связан с Pipecat AI или NVIDIA. Модель предназначена для голосовых агентов и телефонных разговоров, поддерживает использование инструментов, function calling и диалоговые сценарии. Указанный язык — английский. Архитектура базовой модели — гибридная Nemotron-H Mamba–attention с mixture-of-experts: около 30 млрд параметров всего и примерно 3 млрд активных параметров. Опубликованы варианты F16, Q8_0, Q4_K_M и Q3_K_M размером от 19,8 до 63,2 ГБ. Ключевое преимущество репозитория — возможность локального запуска в llama.cpp с разными компромиссами между размером и точностью; при этом фактический состав некоторых квантизаций использует более высокоточные fallback-типы, поэтому файлы крупнее ожидаемого. Для работы требуется актуальная сборка llama.cpp с поддержкой Nemotron-H, начиная с релиза b10672. В README не указаны размер контекста, сведения о мультимодальности, результаты оценивания и подробные ограничения качества; заявленные голосовые возможности относятся к применению в голосовом агенте, а не обязательно к встроенной обработке аудио. Модель распространяется по лицензии BSD 2-Clause с сохранением условий NVIDIA Nemotron Open Model License для производной основы и соответствующих уведомлений.

sosoai/qwen1.5-0.5B-hansoldeco-v1 — языковая модель компании Hansol Deco, дообученная на собственном наборе данных. Она предназначена для ответов на вопросы о дефектах и недостатках продукции или работ. Модель построена на архитектуре Qwen2ForCausalLM, содержит 463,9 млн параметров, поддерживает контекст до 32 768 токенов и доступна в формате safetensors. Модель подходит для чат-сценариев, связанных с вопросами о дефектах. README сообщает о планах провести дообучение в версиях SFT и DPO, поэтому эти варианты не следует считать уже выпущенными. В README приведено мало сведений о качестве ответов, языковой поддержке и условиях использования; языковые данные карточки указывают на корейский. Лицензия в предоставленных данных не указана.

Xennon-BD/Qwen-uncensored-v2 — чат-модель семейства Qwen2, дообученная разработчиком ar08 на базе unsloth/Qwen2-0.5b-bnb-4bit с использованием Unsloth и Hugging Face TRL. Она предназначена для генерации текста в диалоговом формате и может применяться в чат-ботах и прототипах разговорных помощников. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и поддерживает контекст до 131 072 токенов. Карточка и метаданные указывают английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Описание не приводит результатов оценки качества или подробностей о данных дообучения.

Thespis-13b-Alpha-v0.7 — экспериментальная версия разговорной модели, разработанная cgato на базе Llama 2 13B и обученная на DaringFortitude. Модель предназначена для многоходового диалога в роли ассистента с выраженной индивидуальностью и для текстовых ролевых игр. В обучении использована смесь данных ассистента и ролевых диалогов в пропорции 40/60, включая Pure-Dove Dataset, Claude Multiround 30k, No Robots, OpenOrcaSlim и Augmental Dataset. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текст; README отмечает улучшенное следование инструкциям и связность в многоходовом чате, а также рекомендует для ролевых игр стиль интернет-переписки с действиями в звёздочках. Лицензия — Apache-2.0.