III.4Клиентская поддержка и customer success

Модель francesca9805/ppt-wc-uniform-newlex-urd-before-100mb-packed-bfd_seed455 — дообученная Francesca9805 GPT-2-модель для генерации текста. Она основана на goldfish-models/eng_latn_100mb и обучалась с помощью TRL. Модель принимает текстовый запрос и продолжает его; в карточке приведён пример ответа на вопрос на английском языке. Архитектура — плотная GPT-2 с классом GPT2LMHeadModel, веса сохранены в safetensors. Максимальный контекст — 512 токенов. Базовая модель предназначена для генерации английского текста; карточка не описывает отдельную предметную специализацию или дополнительные возможности.

Corianas/Quokka_2.7b — англоязычная GPT-2-модель генерации текста, дообученная Corianas на базе Cerebras 2.7B с использованием инструментов DataBricks Dolly. Она предназначена для диалогов в формате чат-бота и выполнения инструкций; обучение проходило два эпоха. Модель содержит около 2,7 млрд параметров и принимает текст, выдавая текст, с контекстом до 2048 токенов. Модель может быть полезна для простых ответов на запросы и выполнения текстовых инструкций. Автор предупреждает, что фактические знания ненадёжны и модель не подходит для задач, где важна точность, в частности для медицинских и финансовых рекомендаций. В метаданных указана лицензия Apache-2.0, тогда как README указывает CC-BY-NC-4.0; условия лицензирования противоречат друг другу, поэтому их следует проверить до использования.

maheshrawat18/Qwen3-8B-grpo-emotion-v2-merged — дообученная языковая модель семейства Qwen3 с плотной архитектурой Qwen3ForCausalLM и примерно 7,6 млрд параметров. Модель создана maheshrawat18 на основе maheshrawat18/Qwen3-8B-grpo-emotion-merged; в карточке указано, что обучение выполнялось с Unsloth. Модель предназначена для генерации текста в диалоговом формате и связана с тематикой эмоций. Она принимает текст и выдаёт текст; заявленная длина контекста — 40 960 токенов. В метаданных указан английский язык. Модель распространяется под лицензией Apache-2.0.

abubakarilyas624/qwen3-finetuned — дообученная авторами репозитория модель Qwen3-0.6B с плотной архитектурой Qwen3ForCausalLM, предназначенная для генерации текста и диалогов. Веса представлены в формате safetensors; модель использует библиотеку Transformers и рассчитана на контекст до 40 960 токенов. Модель может применяться для генерации ответов в чате и других текстовых продолжений. В карточке указана оценка Loss 2,0463 на тестовом наборе, однако набор данных, методика оценки и специализированная область применения не описаны. Базовая модель многоязычная, но конкретные языки и специализация дообучения не указаны. Модель распространяется по лицензии Apache-2.0. Из-за отсутствия сведений о данных обучения и подробной оценки качество для конкретных задач определить нельзя.

robertuito-emotion-analysis — модель pysentimiento для распознавания эмоций в испанских текстах. Она основана на RoBERTuito, архитектуре RoBERTa, обученной на испанских твитах, и дообучена на корпусе TASS 2020 Task 2. Модель содержит 136,3 млн параметров и принимает последовательности длиной до 130 токенов. Модель относит текст к одной из шести эмоций по Экману — гневу, отвращению, страху, радости, грусти или удивлению — либо к нейтральному классу. Она предназначена для анализа эмоций в публикациях и коротких сообщениях на испанском языке. В оценке pysentimiento на задаче распознавания эмоций модель показала Macro F1 0,560 ± 0,010. Это классификатор текста на PyTorch. Лицензия в предоставленных данных не указана.

Sidrap-7B-v2 — диалоговая языковая модель для индонезийского языка, разработанная командой Sidrap и дообученная на отобранном наборе данных Bahasa Indonesia. В её основе лежит Sidrap-7B-v1; модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Она работает с текстом, поддерживает контекст до 32 768 токенов и предназначена прежде всего для генерации диалоговых ответов на индонезийском языке. Модель можно использовать для чат-ботов и других приложений, которым нужны ответы или продолжение текста на индонезийском. Для лучших результатов авторы рекомендуют начинать запрос с системного сообщения. Модель распространяется по лицензии Apache-2.0. По сведениям карточки, репозиторий содержит веса PyTorch. Обучение преимущественно на открытых данных и отсутствие встроенной модерации могут приводить к предвзятым или нежелательным ответам. Результаты следует проверять, особенно при использовании в сценариях, где необходимы ограничения на генерируемый контент.

CarrotAI/SmolLm-360M-Ko-Instruct — дообученная CarrotAI модель для генерации текста и диалогов на основе HuggingFaceTB/SmolLM-360M-Instruct. Она построена на плотной архитектуре семейства Llama с классом LlamaForCausalLM и содержит 361,8 млн параметров. Модель принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для генерации ответов и ведения диалога на корейском языке; суффикс Ko в названии указывает на корейскую специализацию, однако README не описывает обучение и оценку подробно. Весы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

hyeogi/SOLAR-10.7B-v1.1 — языковая модель на базе KoSOLAR-10.7B-v0.2, опубликованная в формате Safetensors. Она предназначена для генерации текста; в карточке указано обучение на выборках Open-Orca/SlimOrca и Anthropic/hh-rlhf с переводом данных. Модель имеет плотную архитектуру Llama и около 10,6 млрд параметров, поддерживает контекст до 4096 токенов и ориентирована на корейский язык. Модель можно применять для генерации ответов и диалогового текста на корейском языке. Репозиторий указывает лицензию Apache-2.0. Карточка не описывает результаты оценки качества или специальные ограничения.

SoreQen S1 Mega — разговорный ассистент на английском и хинглише от ZorQelis AI, дообученный методом LoRA на базе Qwen/Qwen3.5-4B. Адаптер обучен на 25 080 примерах диалогов и сведений о личности ассистента; базовые веса при этом не изменялись. Модель предназначена для ответов на английском или хинглише в соответствии с языком и стилем пользователя. Она поддерживает контекст до 262 144 токенов. Унаследованные от базовой модели возможности включают понимание изображений, режим рассуждений и интерфейс вызова инструментов, однако адаптер специально на этих сценариях не обучался. В README отмечены улучшенное распознавание собственной идентичности без системного промпта и способность отвечать хинглишем латиницей. Малый размер базовой модели может приводить к уверенным, но неверифицированным числам; хинглиш генерируется латиницей, а модель не предназначена для критически важных решений или профессиональных консультаций. Лицензия — Apache 2.0.

Модель Nhanvi282/stage3-moe-ft-llavaqwen1.5-0.5b-vista-5ep-llama405fil — дообученная версия Nhanvi282/stage2-llavaqwen1.5-0.5B-vista-5ep-llama405, разработанная Nhanvi282. По метаданным это чат-модель для генерации текста с архитектурой MoELLaVAQwen1_5ForCausalLM и 463,6 млн параметров; заявленный контекст — 32 768 токенов. Весовые файлы представлены в форматах PyTorch и safetensors. Карточка не описывает обучающий набор данных, целевые сценарии, языки или результаты оценки. Поэтому назначение модели можно определить лишь в общих чертах: диалог и генерация текста. Лицензия в предоставленных данных не указана.

r1char9 разработал T5Gemma2-Detox-RU — дообученную модель семейства T5Gemma2 для преобразования токсичных текстов на русском и английском языках в нейтральные формулировки с сохранением исходного смысла. Модель основана на encoder-decoder архитектуре Google T5Gemma2 и принимает текст с префиксом «Детоксифицируй: » для русского или «Detoxify: » для английского. Размер модели в предоставленных данных не указан. Модель обучалась в два этапа на парах токсичных и нейтральных текстов: сначала методом SFT, затем с выравниванием предпочтений DPO/ORPO. Основной целевой язык — русский; качество обработки других языков не гарантируется. Модель распространяется по лицензии Apache-2.0.

Tiny-Llama-2.2B-slerp — компактная чат-модель для генерации текста, созданная с помощью LazyMergekit объединением двух копий TinyLlama/TinyLlama-1.1B-Chat-v1.0 методом SLERP. Она использует архитектуру Llama с плотной причинной языковой моделью и содержит около 1 млрд параметров. Модель предназначена для диалоговых ответов и генерации текста при ограниченных вычислительных ресурсах; заявленный контекст — 2048 токенов. В конфигурации объединения указаны веса bfloat16 и раздельные параметры смешивания для слоёв self-attention и MLP. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков; описание базовой модели характеризует её как англоязычную. Модель распространяется по лицензии Apache-2.0.

Tokara-0.5B-Chat-dolly-jimba — диалоговая языковая модель Kendamarron на архитектуре Qwen2 с 463,9 млн параметров. В основе — Qwen/Qwen1.5-0.5B, продолжительно предобученная на 5 млрд токенов японского и английского текста, затем дообученная на японских инструкционных наборах данных, включая японскую версию Databricks Dolly и наборы jimba и pret-a-porter. Модель предназначена для общения и выполнения инструкций на японском и английском языках; обучение на многоходовых диалогах позволяет использовать её для бесед в несколько ходов. Заявленная длина контекста — 32 768 токенов. Для уменьшения повторов автор рекомендует repetition_penalty около 1,15–1,25. Модель распространяется в формате PyTorch. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

ToRoLaMa-7b-v1.0 — открытая диалоговая языковая модель, разработанная Taureau AI и Torus AI на основе Vietnamese-LLaMA2, дообученной версии LLaMA 2 от bkai-foundation-labs. Модель с архитектурой Llama и примерно 6,7 млрд параметров ориентирована прежде всего на инструкции и многоходовые беседы на вьетнамском языке, также заявлена поддержка английского. Метаданные указывают контекст до 4096 токенов; в README для версии 7B 1.0 приведена длина 2048 токенов. Модель обучали на наборе из 430 тысяч вопросов и ответов, включая многоходовые диалоги и данные UIT-ViQUAD, Bactrian-X и Grade-school-math. Авторы отмечают более короткую токенизацию вьетнамского текста и конкурентные результаты в качественных разговорных задачах. Модель подходит для чат-ботов, ответов на вопросы и генерации текста; авторы сообщают о слабых результатах в математике и программировании. Распространяется по лицензии LLaMA 2 Community License. Выводы модели могут быть неточными; авторы не дают гарантий точности и надёжности.

TheBloke/TowerInstruct-7B-v0.1-GGUF — это квантизированная версия модели TowerInstruct 7B v0.1, разработанной Unbabel и преобразованной TheBloke в формат GGUF. Модель основана на архитектуре Llama и предназначена прежде всего для задач машинного перевода и многоязычных инструкций. Модель поддерживает английский, немецкий, французский, китайский, португальский, нидерландский, русский, корейский, итальянский и испанский языки. Варианты GGUF доступны с квантованием от 2 до 8 бит, что позволяет запускать модель локально с использованием CPU и GPU через llama.cpp и совместимые приложения. В README размер контекстного окна и дополнительные модальности не указаны; модель является текстовой. К сильным сторонам относятся многоязычная направленность, возможность локального запуска и выбор уровня квантования. Ограничения включают специализацию преимущественно на переводе, потенциальное снижение качества при агрессивном квантовании и отсутствие подробных данных о производительности и контекстном окне. Модель заявлена под лицензией CC BY-NC 4.0; поскольку она основана на Llama 2, также применяются условия лицензии Meta Llama 2. Коммерческое использование может быть ограничено.

kadirnar/turkish-llm-v4 — дообученная языковая модель семейства Llama, разработанная kadirnar на базе unsloth/Meta-Llama-3.1-8B. Она предназначена для генерации текста и может использоваться в диалоговых сценариях. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре Llama и поддерживает контекст до 131 072 токенов. Для обучения использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке указано, что модель связана с турецким языком, однако подробности обучения и результаты оценки качества не приведены.

Модель lucaordronneau/twitter-roberta-base-sentiment-latest-finetuned-FG-SINGLE_SENTENCE-NEWS — дообученная на неизвестном наборе данных версия CardiffNLP Twitter-RoBERTa для классификации текста. Она предназначена для определения тональности отдельных текстовых высказываний; название указывает на настройку под новостные предложения, но карточка не описывает метки классов или обучающие данные. Модель построена на архитектуре RoBERTa, содержит 151,8 млн параметров и обрабатывает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,6305 и F1 0,6250. Эти показатели характеризуют только указанный оценочный набор, сведения о котором отсутствуют, поэтому качество на других данных может отличаться. Лицензия в предоставленных данных не указана.

VoiceCore — модель синтеза речи для голосовых ИИ-агентов, разработанная dahara1@webbigdata на основе canopylabs/orpheus-3b-0.1-pretrained. Она предназначена для естественного общения на японском языке и умеет передавать эмоции и создавать невербальные звуки, например смех. Модель использует архитектуру Llama, содержит около 3,3 млрд параметров по метаданным (в README указано 3,7 млрд) и имеет контекст длиной 131 072 токена. Она генерирует аудио с частотой дискретизации 24 кГц. VoiceCore подходит для голосовых агентов и разговорных систем, включая обслуживание клиентов и диспетчеризацию. README приводит результаты инференса в TensorRT-LLM: на RTX 4060 Ti скорость ниже заявленного авторами порога 70 токенов/с для диалога в реальном времени, а на RTX 3090 — выше. Для инференса в bf16 указано около 8 ГБ видеопамяти. README заявляет коммерческое использование на условиях либо LLAMA 3.2 COMMUNITY LICENSE, либо Apache License 2.0; выбор зависит от интерпретации происхождения модели и требует проверки применимых условий лицензии.

Модель chin-may/wav2vec2-audio-emotion-classification — дообученная версия facebook/wav2vec2-base для классификации аудио по эмоциональным категориям. Она принимает аудио и выдаёт метки классов; архитектура основана на Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель подходит для анализа эмоциональной окраски речи в аудиозаписях. В README приведены результаты на наборе оценки: accuracy 0,7398 и loss 0,9518. Модель распространяется по лицензии Apache-2.0.

Aniemore/wav2vec2-emotion-v1-crosslingual — модель распознавания эмоций в речи, разработанная Aniemore. Она классифицирует аудио по семи классам: гнев, отвращение, энтузиазм, страх, счастье, нейтральность и грусть. Модель построена на архитектуре Wav2Vec2 и дообучена на смеси 27 939 аудиофрагментов на восьми языках и с тремя регистрами речи, включая спонтанную речь. Модель предназначена для анализа эмоциональной окраски разговоров, подкастов и других голосовых записей. По сравнению с предыдущим выпуском, обученным только на постановочной русской речи, она лучше справляется со спонтанной русской речью, но показывает более низкий результат на тесте постановленной речи. Доступны варианты весов fp32, int8, fp8 и int4; README приводит результаты для fp32, int8 и fp8. На тесте спонтанной русской речи показатель macro-F1 составляет 0,3454, поэтому предсказания отдельных эмоций, особенно редких классов, требуют осторожной интерпретации. Метрики на CAMEO не доказывают переносимость на новые языки из-за пересечения говорящих между обучающей и тестовой выборками. Модель распространяется по лицензии Apache-2.0; README указывает, что она унаследована от базовой модели facebook/wav2vec2-large-xlsr-53.

Модель Aniemore для распознавания эмоций в русской речи. Она основана на архитектуре Wav2Vec2 XLSR-53 и дообучена на датасете Aniemore/resd; модель содержит 402,7 млн параметров по метаданным. Принимает монофоническую аудиозапись с частотой 16 кГц длительностью до 12 секунд и относит её к одному из семи классов: гнев, отвращение, энтузиазм, страх, радость, нейтральное состояние или грусть. Модель предназначена для классификации эмоций в отдельных русскоязычных речевых фрагментах, например при анализе звонков или подкастов. На тестовой выборке RESD README приводит macro-F1 0,7206, но на тестах спонтанной речи из подкастов Dusha и CAMEO результаты значительно ниже. Данные RESD состоят из сбалансированных актёрских записей, поэтому модель склонна переоценивать эмоциональные классы в естественной речи; перед применением на собственных данных нужна проверка и калибровка. Лицензия — MIT.

Модель r-f/wav2vec-english-speech-emotion-recognition разработана на основе jonatasgrosman/wav2vec2-large-xlsr-53-english и дообучена для распознавания эмоций в речи. Это модель семейства Wav2Vec 2.0 с архитектурой Wav2Vec2ForCTC, содержащая 402,7 млн параметров и работающая с аудиовходом. Модель классифицирует речь по семи категориям: гнев, отвращение, страх, радость, нейтральное состояние, грусть и удивление. При дообучении использованы наборы SAVEE, RAVDESS и TESS; в README сообщается точность 0,97463 на оценочном наборе. Модель предназначена для анализа эмоциональной окраски английской речи, например в записях разговоров или голосовых материалах. В метаданных задача обозначена как automatic-speech-recognition, однако описание и список меток в README указывают на классификацию эмоций, а не транскрибирование речи; поэтому этот тег приведён как задача каталога, но не следует считать подтверждением распознавания текста. Модель распространяется по лицензии Apache-2.0.

hyeogi/Yi-9b-v1.1 — плотная авторегрессионная языковая модель семейства Llama размером 8,6 млрд параметров, опубликованная пользователем hyeogi. Она основана на beomi/Yi-Ko-DUS-9B и предназначена для генерации текста на корейском языке. В карточке указано обучение на выборках и переводах из Open-Orca/SlimOrca и Anthropic/hh-rlhf. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Доступна в формате Safetensors и распространяется по лицензии Apache-2.0. Подходит для корейских диалогов и создания текста, однако карточка не приводит оценок качества или подробных результатов тестирования.

Zarablend MX L2 7b — языковая модель семейства Llama 2, опубликованная zarakiquemparte. Это объединение Nous Hermes Llama 2 7B и Airoboros L2 7B GPT4 m2.0 в пропорции 53% к 47%, к которому затем применили LoRA-адаптер LimaRP Llama 2 7B. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев; в карточке указаны форматы инструкций, совместимые с исходными моделями. Модель содержит 6,6 млрд параметров, принимает текст и выдаёт текст, а максимальный контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch; для этой модели также упомянуты отдельные квантизованные варианты GGML и GPTQ. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензиями исходных моделей и адаптера. Автор предупреждает, что модель не предназначена для предоставления фактической информации или советов. Карточка не сообщает результаты оценки качества; ответы могут быть неточными и не должны использоваться как надёжный источник фактов.

Zefiro-7b-beta-ITA-v0.1 — разговорная языковая модель giux78, дообученная методом supervised fine-tuning на базе mistralai/Mistral-7B-v0.1 с использованием подхода Zephyr. Модель построена на архитектуре Mistral с плотной causal language model на 7,1 млрд параметров; принимает текст и генерирует текст. Нативная длина контекста — 32 768 токенов. Модель предназначена для диалогов и генерации ответов на итальянском языке, а также как основа для более специализированных италоязычных разговорных моделей. При обучении использовался отфильтрованный и предварительно обработанный UltraChat-ITA; карточка также указывает датасет giux78/100k-sft-ready-ultrafeedback-ita. Лицензия — Apache 2.0. Модель не проходила этап RLHF для согласования с человеческими предпочтениями по безопасности и не использует фильтрацию ответов; она может выдавать проблемный контент. В карточке отмечены возможные ошибки синтаксиса и смысла, связанные с переводом обучающих данных.

A.I.Kant-Test — дообученная Zardos разговорная модель семейства Llama 3 с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она основана на unsloth/llama-3-8b-Instruct и предназначена для генерации текста и диалоговых ответов; карточка демонстрирует запуск через Transformers и оригинальную кодовую базу llama3. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст длиной до 8192 токенов. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Карточка описывает тестовую версию, но не приводит результатов оценки качества; название модели и отсутствие подробностей о дообучении не позволяют подтвердить её пригодность для конкретных прикладных задач.

Josephus67/Appati_tts — дообученная Josephus67 модель на архитектуре LlamaForCausalLM с 3,3 млрд параметров, созданная на базе unsloth/orpheus-3b-0.1-ft с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors; модель поддерживает диалоговый режим и принимает текст для генерации текста. В карточке не описаны отдельные задачи обучения или примеры использования, поэтому назначение синтеза речи, потокового озвучивания и клонирования голоса базовой модели нельзя уверенно приписать этой дообученной версии. Метаданные указывают контекстное окно до 131 072 токенов и английский язык. Модель лицензирована по Apache-2.0. Ее практические возможности и качество зависят от дообучения, однако карточка не приводит его данные или известные ограничения.

Это дообученная модель генерации текста на основе goldfish-models/arb_arab_10mb. Разработчик сообщает, что модель обучена с помощью TRL; архитектура — GPT-2, веса опубликованы в формате safetensors. Карточка показывает пример генерации ответа на вопрос.

Edentns/DataVortexS-10.7B-v0.3 — корейская разговорная языковая модель, разработанная командой Kwangseok Yang, Seunghyun Choi, Jeongwon Choi и Hyoseok Choi. Она дообучена методом fine-tuning на основе hyeogi/SOLAR-10.7B-dpo-v0.1 с использованием jojo0217/korean_rlhf_dataset и предназначена для генерации текста и ответов на инструкции на корейском языке. Модель использует плотную архитектуру LLaMA с причинно-следственной языковой моделью LlamaForCausalLM, содержит 10,7 млрд параметров и поддерживает контекст до 4096 токенов. Для диалога применяется формат инструкций Alpaca; метаданные указывают поддержку чата. В README приведены результаты оценивания на корейских бенчмарках Ko LM Eval Harness и Ko-LLM-Leaderboard. Модель подходит для корейских чат-ботов, ответов на вопросы и генерации текста по инструкциям. Данных о специальных ограничениях применения в карточке нет. Лицензия CC-BY-NC-SA-4.0 требует указания авторства, запрещает коммерческое использование и распространяет условия лицензии на производные работы.

Dear_My_best_Friends-13B — модель автогенерации текста, разработанная Сыню Ли (DopeorNope) в рамках исследовательского консорциума компаний 미디어그룹사람과숲 и 마커. Это плотная авторегрессионная языковая модель на архитектуре LLaMA 2; в метаданных указано 12,9 млрд параметров, а в карточке — класс модели на 13 млрд. Модель принимает текст и генерирует текст, с контекстом до 2048 токенов. Модель дообучена методом DPO на корейских парных данных после SFT-этапа; карточка описывает датасеты DPO-Ko-Dataset и New_Data_Technology как частные. Она предназначена для генерации текста на корейском языке и диалоговых сценариев. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях, запрещая коммерческое использование.