III.4Клиентская поддержка и customer success

francesca9805/ppt-wc-uniform-newlex-urd-before-100mb-packed-bfdiso_seed3407 — дообученная модель GPT-2 на основе goldfish-models/eng_latn_100mb, обученная с помощью TRL. Она предназначена для генерации текста; в карточке приведён пример ответа на открытый вопрос. Модель принимает текст и выдаёт продолжение текста. Контекст составляет 512 токенов, веса доступны в формате safetensors, для работы используется библиотека Transformers. Базовая модель описана как одноязычная модель для генерации английского текста. Лицензия в предоставленных данных не указана.

Это дообученная на TRL модель семейства GPT-2, созданная на основе goldfish-models/eng_latn_100mb. Она предназначена для генерации продолжения текста и ответов на текстовые запросы на английском языке. Модель использует архитектуру GPT2LMHeadModel, сохранена в формате safetensors и имеет контекст длиной 512 токенов. Модель подходит для генерации коротких ответов и текстовых фрагментов по запросу. Карточка не описывает специальные прикладные области или ограничения сверх размера контекста и английской языковой специализации. Сведения о лицензии в предоставленных источниках отсутствуют.

Модель fpadovani/ppt-wc-zipf-newlex-jpn-100mb_seed10 — дообученная с помощью TRL версия GPT-2-подобной модели goldfish-models/eng_latn_100mb, разработанной Goldfish. Она предназначена для генерации текста по запросу и запускается через библиотеку Transformers; в карточке приведён пример диалогового запроса. Контекст модели — до 512 токенов. Базовая модель описана как монолингвальная англоязычная, поэтому модель подходит прежде всего для генерации текста на английском языке. Данных о конкретном домене обучения и специальных ограничениях качества в карточке нет. Формат весов — safetensors; условия лицензии в предоставленных данных не указаны.

Модель igoranoni/Qwen2-0.5B-ita-finetune разработана igoranoni и представляет собой дообученную версию Qwen2 с плотной архитектурой causal language model. Она предназначена для генерации текста в диалоговых сценариях. В репозитории указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; размер модели — 494 млн параметров, максимальный контекст — 131 072 токена. Метаданные отмечают английский язык, но карточка не описывает конкретные навыки или результаты дообучения. Модель распространяется по лицензии Apache-2.0.

xidrug разработала эту разговорную модель для ответов на вопросы о торговле и логистике между Китаем и Казахстаном. Она основана на Qwen/Qwen3.5-9B: адаптер QLoRA обучен методом SFT, затем объединён с базовой моделью. Модель содержит около 9,4 млрд параметров; опубликованы полные веса bf16 в формате safetensors. Архитектура — плотная Qwen3.5, библиотека для работы — Transformers. Модель предназначена для тематических диалогов и может использоваться как компонент RAG-системы: актуальные сведения следует получать из подключённой базы знаний, официальных источников или бизнес-систем. Карточка указывает китайский язык; базовая Qwen3.5 также мультимодальна, однако описание этой версии заявляет сценарии вопросов и ответов по тексту. На независимой выборочной проверке из 86 примеров указаны символьный F1 83,46% и ROUGE-L F1 82,81%. Модель не подходит для самостоятельных ответов о меняющихся тарифах, курсах валют, ценах, правилах, состоянии пунктов пропуска и перевозок без свежего поиска и проверки специалистом. В тесте на извлечение JSON доля корректных JSON-ответов составила 0%, поэтому для такого сценария нужны проверка формата или constrained decoding. Лицензия — Apache-2.0; также следует соблюдать условия базовой модели и источников обучающих данных.

Это дообученная модель генерации текста на основе goldfish-models/rus_cyrl_100mb, созданная с использованием TRL и библиотеки Transformers. Она предназначена для продолжения текста и генерации ответов на текстовые запросы; в карточке показан пример диалогового запроса на английском языке. Архитектура — GPT-2, веса представлены в формате safetensors, контекст — до 512 токенов. Язык и конкретная область применения обучающей выборки не описаны. Лицензия в предоставленных данных не указана.

SeaPhi3-mini — дообученная SeacomSrl версия Phi-3 mini от Toti Riccardo. Модель основана на microsoft/Phi-3-mini-128k-instruct и обучена на итальянском переводном наборе Seacom/rag-data. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров, предназначенная для генерации текста в диалоговом формате; доступна в формате safetensors. Нативный контекст составляет 4096 токенов. Модель ориентирована на генерацию ответов на итальянском языке. В README приведены результаты на итальянских вариантах HellaSwag и ARC. Репозиторий распространяется по лицензии Apache-2.0. Контекст короче, чем у указанной базовой модели Phi-3-mini-128k-instruct; приведённые оценки охватывают лишь несколько тестов и не дают полной картины качества.

DanJZY/SmolLM-135M-GEC-SFT-DPO — компактная языковая модель для исправления грамматики в английском тексте. Она основана на HuggingFaceTB/SmolLM-135M и дообучена методами SFT и DPO, чтобы вносить точечные исправления, сохраняя лексику, тон и авторский стиль. Модель использует плотную архитектуру LlamaForCausalLM, содержит 134,5 млн параметров и принимает текстовый контекст длиной до 2048 токенов. Модель предназначена для корректуры предложений, учебных инструментов для изучающих английский и приложений помощи при письме. Разработчик сообщает о BLEU около 0,50 на тестах коррекции грамматики и отмечает, что модель может запускаться на CPU. Лицензия — Apache-2.0.

hyeogi/SOLAR-10.7B-v1.5 — корейская разговорная языковая модель, разработанная на основе yanolja/KoSOLAR-10.7B-v0.2. Это плотная причинная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста и диалога; контекст составляет до 4096 токенов. В README указаны выборки и перевод данных Open-Orca/SlimOrca и Anthropic/hh-rlhf, а также данные HAERAE-HUB/KMMLU, приведённые к формату инструкций. Модель принимает текст и выдаёт текст, ориентирована на корейский язык. Распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Доступная карточка не сообщает результатов оценивания качества или иных специальных возможностей сверх диалоговой генерации.

Модель разработана hughlan1214 для распознавания эмоций в речи. Это дообученная для классификации аудио модель на архитектуре Wav2Vec2ForSequenceClassification, основанная на facebook/wav2vec2-large-xlsr-53; число параметров — 402,7 млн. Она относит речь к одному из семи классов: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Модель предназначена для анализа эмоциональной окраски аудиозаписей и может служить компонентом систем, оценивающих состояние пользователя в реальном времени. Обучение проводилось на английских наборах CREMA, RAVDESS, SAVEE и TESS, суммарно содержащих более 12 000 аудиофайлов; данные разделили на обучающую и оценочную части в пропорции 70/30. В README сообщается о тестировании на китайской и французской речи, однако обучение велось только на английских данных. На оценочном наборе точность составила 0,6731, F1 — 0,6738. Модель распространяется в формате safetensors по лицензии Apache-2.0.

System One (zeroshot) — компактная модель классификации от автора репозитория shreyanbr на базе DeBERTa-v3-xsmall. Это cross-encoder с 77,5 млн параметров, который обрабатывает текст и заданные вопросы с вариантами решений за один пакетный прямой проход, не генерируя токены. Модель предназначена для маршрутизации запросов, классификации и принятия простых управляющих решений в программном обеспечении, когда не требуется генеративная модель. В карточке заявлена поддержка решений типов Choice, Score и Noul через схему TypeSafe Jev `/v1/systemone`. README указывает, что чекпойнт не дообучался для этой задачи и использует базовую NLI-модель как есть; вместе с весами необходим файл калибровки `calibration.json`. Доступный контекст — 512 токенов. Лицензия репозитория — Apache-2.0, однако README предупреждает, что supervision для triage опирается на датасет tickets с лицензией CC-BY-NC-4.0 и не предназначена для коммерческого использования. В приведённых тестах качество различается по вопросам: intent — 0,508, tool — 0,384, needs_tool — 0,792. README отмечает, что некоторые вопросы близки к уровню простого предсказателя, а одна из тестовых строк загрязнена сходством с банковским датасетом обучения базовой модели. Результаты получены в одном запуске; модель не следует считать надёжной без отдельной проверки на целевых данных.

Карточка модели kadirnar/turkish-llama3-cleaned-v1 на Hugging Face совпадает с карточкой kadirnar/turkish-llm-v4, поэтому описание составлено по ней. 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.

Cosmobillian разработал модель распознавания коротких высказываний на турецком языке в шумных условиях. Это Whisper large-v3 с 905,2 млн параметров, дообученная на полных весах с замороженным энкодером и настройкой декодера; модель принимает монофонический звук с частотой 16 кГц и преобразует речь в текст. Она предназначена для записей с телефона, уличного шума, фоновой музыки и разговоров, эха и реверберации, включая звонки, влоги и спонтанную речь. Декодирование смещено в пользу турецкого языка, поэтому модель не следует рассматривать как универсальную мультиязычную Whisper. В карточке отмечена качественная проверка на нескольких примерах, но нет официальных WER- или CER-оценок на общедоступном наборе данных; результаты следует проверять на целевых записях. Модель менее подходяща для длинных аудио без разбиения на фрагменты и для медицинской или юридической диктовки без проверки человеком. Лицензия в предоставленных данных не указана.

Модель Francesca9805 — дообученная с помощью TRL версия goldfish-models/tur_latn_100mb на архитектуре GPT-2. Она предназначена для генерации текста; пример в карточке показывает ответ на открытый вопрос в формате диалога. Модель сохраняет формат Safetensors и использует библиотеку Transformers. Длина контекста — 512 токенов. Условия лицензии в предоставленных данных не указаны.

Vigogne-MPT-7B-Instruct — языковая модель на архитектуре MPT-7B, дообученная следовать инструкциям на французском языке. Карточка модели не указывает разработчика отдельно. Модель предназначена для диалоговых сценариев и выполнения пользовательских инструкций на французском языке. Она доступна в формате PyTorch и использует библиотеку Transformers. Лицензия — OpenRAIL. Модель находится в разработке. Она может выдавать вредный или предвзятый контент, неверную информацию и бесполезные ответы; результаты требуют проверки.

Vui Nano — модель синтеза речи от fluxions.ai, предназначенная для разговорного голосового ассистента. Она генерирует речь с учётом предыдущего диалога, включая аудио реплик собеседника, и поддерживает потоковую выдачу и клонирование голоса по образцу с транскриптом. Модель обучена на диалогах двух говорящих и может воспроизводить разговорные особенности вроде пауз, вдохов, смеха и смены говорящего. Архитектура — декодер в стиле Llama с головой RQ-Transformer поверх аудиокодека Qwen3-TTS-12Hz; заявлено 219 млн активных и 305 млн общих параметров. Контекст диалога составляет около шести минут. Модель рассчитана на английскую речь; C-движок позволяет запускать её на CPU без Python, PyTorch и ONNX во время инференса. В репозитории также заявлены потоковая работа в реальном времени и голосовые пресеты. Модель выпущена под лицензией Apache-2.0. Описанный Apple Silicon backend на MLX обозначен как находящийся в разработке; при клонировании голоса качество просодии может зависеть от настроек штрафа за повторения.

Wald-Q4B — плотная текстовая модель примерно на 3,4 млрд параметров, дообученная разработчиками Wald на Qwen/Qwen3.5-4B-Base. Она принимает описание состояния и набор вариантов, затем за один проход возвращает калиброванную вероятность для каждого варианта. Предусмотрены вопросы с именованными вариантами, выбор «да/нет» и оценка по упорядоченным уровням; модель предназначена для встраивания в агентные системы и конвейеры принятия решений. Основные сценарии — выбор инструмента, маршрутизация запросов, классификация входных данных и решение о необходимости уточнить запрос у пользователя. Модель также поддерживает необязательный режим рассуждения с регулируемым уровнем усилий; для версии v1.2 авторы рекомендуют одношаговый режим. Репозиторий предоставляет совместимый с Jev API, а веса распространяются в формате BF16; заявленная длина контекста в метаданных — 262 144 токена. Карточка сообщает о результатах на JevBench и JevAdvBench, включая более низкую долю смены ответов v1.2 под атаками и небольшое снижение точности на чистых вопросах относительно v1.1. Результаты зависят от версии и режима, поэтому их нельзя напрямую переносить на другие настройки. Модель поддерживает английский язык; базовая модель описана как мультимодальная, однако Wald-Q4B позиционируется как текстовая модель решений. Лицензия — Apache-2.0.

INo0121/whisper-base-ko-callvoice — дообученная модель на базе OpenAI Whisper Base, предназначенная для распознавания корейской речи в телефонных разговорах с низким качеством звука. Для обучения использована часть набора AI-HUB с аудиозаписями телефонной речи; общая длительность аудио составила около 240 771 секунды. Модель содержит 51,7 млн параметров и работает с аудио на входе, выдавая распознанный текст на корейском языке. На оценочном наборе указаны loss 0,4941 и CER 30,7538. Модель ориентирована на учебное использование; README также ограничивает её применение учебными целями. Лицензия в метаданных — Apache-2.0.

Модель hassan4830/xlm-roberta-base-finetuned-urdu — дообученная для классификации тональности текстовая модель на базе XLM-RoBERTa-base. Автор карточки сообщает, что она выполняет бинарную классификацию тональности предложений на урду; архитектура — XLMRobertaForSequenceClassification, размер — 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст на урду и определяет тональность предложения, например для анализа отзывов и сообщений. Базовая XLM-RoBERTa разработана исследователями Facebook (ныне Meta) и обучалась на многоязычных данных; эта версия дообучена на датасете тональности урду. Доступна по лицензии AFL-3.0. Карточка не приводит метрик качества или подробностей о составе обучающей выборки, поэтому качество на разных жанрах и доменах по ней оценить нельзя. Также заявлена только бинарная классификация тональности предложений.

YanoljaNEXT-EEVE-Instruct-2.8B — диалоговая языковая модель компании Yanolja, дообученная методом Direct Preference Optimization (DPO) на базе yanolja/EEVE-Korean-2.8B-v1.0. Базовая модель расширяет словарь корейского языка модели microsoft/phi-2; архитектура — плотная PhiForCausalLM, около 3,5 млрд параметров, формат весов — safetensors. Модель принимает текст и генерирует текст, её контекст составляет 2048 токенов. Модель предназначена для ответов на вопросы и других диалоговых сценариев на корейском языке. Для обучения использовались корейские переводы наборов Open-Orca/SlimOrca-Dedup и ultrafeedback-binarized-preferences-cleaned. В README приведены результаты оценок на AI2 Reasoning Challenge и HellaSwag, но они не гарантируют качество в других сценариях. Модель распространяется по лицензии Apache-2.0.

Модель francesca9805/zho-hans-10mb-after-ppt-Dp-10mb-packed-bfdiso-ckpt500_seed3407 — дообученная с помощью TRL версия francesca9805/zho-hans-10mb-ppt-Dp-10mb-packed-bfdiso_seed3407 на архитектуре GPT-2. Она предназначена для генерации текста в ответ на запросы; пример в карточке показывает диалоговый ввод и продолжение ответа. Модель принимает текст и выдаёт текст, работает через библиотеку Transformers и имеет контекст длиной 512 токенов. Репозиторий создан 2 октября 2026 года и содержит веса в формате safetensors. Лицензия не указана в предоставленных данных.

Ahma-7B-Instruct — финноязычная чат-модель Finnish-NLP для ответов на инструкции и диалогового взаимодействия. Это дообученная версия Ahma-7B, плотного авторегрессионного трансформера на архитектуре Llama v1, предварительно обученного с нуля на финском языке. В репозитории около 6,7 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 2048 токенов. Модель предназначена для общения с ассистентом и выполнения инструкций на финском языке. Для корректной работы следует использовать формат запросов, применявшийся при дообучении, и AutoTokenizer либо SentencePiece-токенизатор. Код и многоязычные сценарии не являются целевыми задачами модели. Обучающие данные включают интернет-тексты, поэтому ответы могут содержать предвзятость. Лицензия — Apache-2.0.

AI_Pet_code — языковая модель для генерации текста, созданная на базе Google Gemma и дообученная при участии CRM-подразделения KT DataSystem. В карточке модель названа продолжением предварительного обучения Gemma 7B Instruct; метаданные указывают базовую модель google/gemma-7b и архитектуру GemmaForCausalLM с плотными слоями. Размер составляет 8,2 млрд параметров, контекст — 8192 токена. Модель рассчитана на корейский язык и поддерживает диалоговое использование. Карточка не описывает целевые сценарии и результаты оценки качества, поэтому назначение ограничивается генерацией текста и диалогами общего характера. Лицензия — Apache-2.0. Для внедрения следует отдельно настроить меры безопасности под конкретное приложение.

Aira-2-portuguese-124M — модель генерации текста на основе GPT-2, дообученная Николасом Клуге для диалогов по инструкциям на португальском языке. Она содержит около 124,4 млн параметров и обучалась пять эпох на наборе Instruct-Aira, состоящем из инструкций и синтетических ответов, созданных с помощью других настроенных моделей. Архитектура — плотная GPT-2; модель рассчитана на контекст до 1024 токенов. Модель предназначена для генерации ответов на вопросы, следования простым инструкциям и ведения коротких текстовых диалогов на португальском языке. Для работы используется библиотека Transformers; веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель может галлюцинировать, воспроизводить предубеждения и токсичное содержание, зацикливаться на повторах или выдавать избыточные ответы. Её ответы следует проверять, особенно при использовании в задачах, где важна фактическая точность.

Alireo-400M-Instruct-v0.1 — компактная разговорная языковая модель, разработанная Michele Montebovi для работы с итальянским текстом. Она основана на архитектуре Transformer семейства Qwen2 и содержит 403,7 млн параметров; веса опубликованы в формате safetensors. Метаданные указывают контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на итальянском языке, включая ответы на вопросы и выполнение инструкций. В карточке указано обучение на итальянских корпусах и наборах инструкций, а также заявлено применение для понимания итальянского языка. README приводит окно контекста 8 тысяч токенов, что расходится с контекстом в метаданных. Модель небольшого размера рассчитана на более экономичный запуск, но может хуже справляться со специализированными техническими темами и диалектами; карточка также не рекомендует её для многоязычных задач. Лицензия — Apache-2.0.

Cipher-AI/AutoCorrect-EN — модель Cipher-AI для исправления опечаток и ошибок в английском тексте. Она принимает текст с искажёнными словами и генерирует исправленный вариант; пример в карточке показывает исправление многочисленных опечаток в предложении о медицинских работниках. Модель построена на архитектуре T5 с 123,8 млн параметров и дообучена на google-t5/t5-base на наборе английских предложений. Она использует библиотеку Transformers, формат весов Safetensors и поддерживает контекст до 512 токенов. Модель подходит для корректировки пользовательского текста, черновиков и предложений перед публикацией. Вход и выход — текст на английском языке. Лицензия Apache-2.0. Карточка демонстрирует исправление опечаток, но не подтверждает проверку грамматики, стиля или фактической точности; при обработке более длинных текстов следует учитывать ограничение контекста.

HooshvareLab/bert-fa-base-uncased-sentiment-snappfood — модель классификации тональности персидских текстов на базе Transformer ParsBERT v1.1. Разработчики восстановили словарь и дообучили модель на персидских корпусах; эта версия предназначена, в частности, для определения тональности отзывов пользователей SnappFood. Она относит текст к положительной или отрицательной категории. В наборе SnappFood использовались 70 тысяч комментариев с двумя сбалансированными метками, а для ParsBERT v2 указана оценка F1 87,98. Модель построена на архитектуре BERT для классификации последовательностей, содержит 190 млн параметров и принимает контекст длиной до 512 токенов. Поддерживаемый язык — персидский. Доступны версии в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Оценка из README относится к упомянутому набору данных и не гарантирует такое же качество на других текстах.

Dasha 215M — разработанная Dariumi небольшая авторегрессионная языковая модель с декодерной архитектурой Transformer, обученная с нуля. Это версия, дообученная на инструкциях и многоходовых диалогах на русском и английском; базовое предобучение проводилось на русской и английской Википедии. Модель насчитывает 276,8 млн параметров по метаданным, использует GQA, RoPE, RMSNorm и SwiGLU, работает с контекстом до 2048 токенов и распространяется в формате safetensors. Модель предназначена для генерации текста и простых диалоговых ответов, особенно на русском и английском языках. По карточке, она способна выдавать связный и грамматичный текст, но слабо справляется с многошаговыми рассуждениями и математикой; для задач по коду и математике специализированных данных в обучающей выборке не было. Это ранний чекпойнт, поэтому качество ограничено небольшим размером и масштабом обучения. Лицензия — Apache-2.0.

DataVortexS-10.7B-dpo-v1.7 — корейская диалоговая языковая модель, разработанная командой, в состав которой входят Kwangseok Yang, Seunghyun Choi, Jeongwon Choi и Hyoseok Choi. Это дообученная версия beomi/OPEN-SOLAR-KO-10.7B с архитектурой Llama и 10,7 млрд параметров; модель предназначена для генерации ответов и ведения диалога в формате Alpaca Chat. Она рассчитана прежде всего на корейский язык и имеет контекст длиной 2048 токенов. Модель подходит для корейских чат-ботов, ответов на вопросы и генерации текста. В README приведены результаты на корейских тестах KoBEST и Ko-LLM-Leaderboard. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель vladracul/dicoding-indonesia-llama-3.2-3b-ft — дообученная версия Llama 3.2 3B Instruct, разработанная vladracul на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Это плотная языковая модель с архитектурой LlamaForCausalLM, рассчитанная на генерацию текста и диалоговое взаимодействие. В карточке заявлено дообучение с использованием Unsloth и библиотеки TRL; контекстное окно составляет 131 072 токена, размер — 3,2 млрд параметров. Модель можно применять для генерации ответов и ведения диалога. Название репозитория указывает на индонезийскую специализацию, однако README не описывает обучающие данные или конкретные сценарии, а метаданные отмечают английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.