III.4Клиентская поддержка и customer success

facebook/mms-tts-tel — модель синтеза речи на телугу из проекта Massively Multilingual Speech (MMS), разработанного Facebook. Она преобразует текст на телугу в речевую волну и подходит для озвучивания текста и создания речевого вывода в приложениях. Модель построена на архитектуре VITS и содержит 3,6 млн параметров. Это отдельный языковой чекпойнт MMS-TTS; для синтеза использует стохастический предиктор длительности, поэтому один и тот же текст может звучать с разным ритмом, а для повторения результата нужен фиксированный seed. Модель доступна через библиотеку Transformers версии 4.33 и выше и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель fpadovani/nld-latn-100mb-ppt-shuff-dyck-100mb_seed455 — дообученная с помощью TRL версия GPT-2 модели goldfish-models/nld_latn_100mb. Она предназначена для генерации текста; в карточке приведён пример ответа на вопрос в формате диалога. Базовая модель обучена на нидерландском языке на 100 МБ данных, а контекст модели составляет 512 токенов. Веса опубликованы в формате safetensors и используются через библиотеку Transformers. Качество и ограничения дообученной версии в карточке не описаны. Условия лицензирования в предоставленных данных не указаны.

pirate-0.5 — дообученная модель генерации текста на основе sail/Sailor-0.5B, опубликованная пользователем thangvip. Она использует плотную архитектуру Qwen2ForCausalLM и содержит 463,9 млн параметров. Модель предназначена для генерации текста и диалогового взаимодействия; базовая Sailor ориентирована на языки Юго-Восточной Азии. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает датасет, целевые сценарии дообучения или результаты оценки, поэтому нельзя определить, в чём именно pirate-0.5 отличается от базовой модели и насколько хорошо она справляется с конкретными задачами. Применение разумно ограничить генерацией текста и чатом с проверкой качества ответов.

Konthee/Qwen2.5-7B-ThaiInstruct — языковая модель Konthee для генерации текста и диалога на основе Qwen2.5-7B-Instruct. Модель дообучена методом QLoRA на наборе airesearch/WangchanThaiInstruct; использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Модель предназначена для инструктивных запросов и диалоговых сценариев, особенно на тайском языке. В метаданных указан контекст до 32 768 токенов, а в README приведена длина последовательности 2 048 токенов при обучении. Она может быть полезна для создания тайскоязычных ответов и ассистентов, но качество за пределами обучающего распределения и поддержка других языков могут быть ограничены.

Модель francesca9805/rus-cyrl-10mb-ppt-Dp-10mb-packed-bfd_seed10 — дообученная с помощью TRL версия goldfish-models/rus_cyrl_10mb для генерации текста. Это плотная GPT-2 модель, сохранённая в формате safetensors; метаданные указывают контекст длиной 512 токенов. Пример в карточке показывает генерацию ответа на вопрос в формате диалога. Модель подходит для коротких текстовых продолжений и ответов на вопросы, в том числе на русском языке, судя по базовой модели с названием rus_cyrl_10mb. Она создана на базе небольшого чекпойнта, поэтому сложные рассуждения и длинные ответы могут быть ограничены. Сведения о лицензии в доступных данных отсутствуют.

smallm-125m — двуязычная языковая модель семейства Smallm, разработанная автором репозитория и обученная с нуля. Она содержит 135,3 млн параметров и предназначена для генерации текста и диалогов на английском и немецком языках. Обучение включало предварительное обучение на 3,49 млрд токенов и дообучение на 162 млн токенов диалогов. Контекстное окно составляет 1024 токена для запроса и ответа вместе. Модель использует плотную архитектуру SmallmForCausalLM с 12 слоями, 12 головами и шириной 768. В карточке указаны RMSNorm, rotary embeddings, QK-нормализация, ReLU² MLP и другие архитектурные решения; веса опубликованы в формате Safetensors. Модель может отвечать на простые вопросы, составлять короткие объяснения, списки, черновики писем и резюме, а также поддерживать несколько ходов диалога. Качество ограничено небольшим размером: модель ошибается в арифметике и подсчётах, не справляется с переводом, может уверенно выдумывать факты и терять заданное намерение в длинных ответах. Её не следует использовать для непроверенного поиска фактов или задач с юридическими, медицинскими и финансовыми последствиями. Лицензия — Apache-2.0.

Synatra-11B-Tb2M-SM — языковая модель StableFluffy для генерации текста. Она основана на архитектуре Mistral и предназначена для диалоговых и других сценариев генерации текста; в карточке указаны базовые модели mistralai/Mistral-7B-Instruct-v0.1 и teknium/CollectiveCognition-v1.1-Mistral-7B. Модель содержит 10,6 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. В тегах карточки указан корейский язык. Карточка не приводит результатов тестирования или подробностей обучения, поэтому сравнительные качества модели оценить нельзя. Для использования доступны веса по лицензии CC BY-NC 4.0, которая ограничивает коммерческое применение.

urd-arab-100mb-ppt-Dp-100mb_seed3407 — плотная языковая модель семейства GPT-2, дообученная fpadovani на базе goldfish-models/urd_arab_100mb с использованием TRL. Она предназначена для генерации продолжения текста и ответов на пользовательские запросы; карточка показывает пример работы в формате диалога. Модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Лицензия в предоставленных данных не указана.

fpadovani/urd-arab-10mb-ppt-Dp-10mb_seed3407 — дообученная модель на базе goldfish-models/urd_arab_10mb, разработанная с использованием TRL. Это плотная авторегрессионная GPT-2 модель для генерации текста; в карточке показан пример ответа на открытый вопрос в формате диалога. Модель предназначена для продолжения текста и генерации ответов на пользовательские запросы. Она работает через Transformers, использует формат safetensors и имеет контекст длиной 512 токенов. Лицензия в предоставленных данных не указана.

cooler8/yejin-korean-3b-v2-dpo — корейская диалоговая модель, разработанная cooler8 и дообученная методом Direct Preference Optimization (DPO) на тщательно отобранных корейских предпочтениях. Она предназначена для следования сложным инструкциям на корейском языке, беседы, рассуждений и многошагового диалога; метаданные также отмечают английский язык и возможность чата. Модель построена на плотной архитектуре Qwen3ForCausalLM с примерно 3 млрд параметров. Она принимает и генерирует текст, использует токенизатор с корейским словарём на 64 000 токенов и поддерживает контекст до 4096 токенов. Распространяется в формате safetensors по лицензии Apache-2.0. Карточка заявляет настройку на корейских парах предпочтений, но не приводит результатов оценки качества. Контекст ограничен 4096 токенами; сведения о фактической производительности и качестве ответов на английском языке не приводятся.

Это дообученная модель генерации текста на базе goldfish-models/arb_arab_100mb. Согласно карточке, её обучали с помощью TRL; архитектура — GPT-2, веса сохранены в формате safetensors. Модель предназначена для генерации продолжений и ответов на текстовые запросы. В примере из карточки модель отвечает на открытый вопрос, а контекст ограничен 512 токенами. Карточка не описывает специализацию по областям или гарантии качества. Лицензия в предоставленных данных не указана.

Модель разработал Jaime Guimarães (UFMG): это дообученная версия neuralmind/bert-base-portuguese-cased для определения конца реплики в диалогах на бразильском португальском. Она использует BERT и классификатор последовательностей с двумя метками: LABEL_1 означает, что фраза, вероятно, завершена, а LABEL_0 — что пользователь может продолжить её. Модель предназначена для разговорных агентов, которым нужно решать, когда передавать сообщение основной языковой модели или отправлять ответ. Модель содержит 136,1 млн параметров, принимает текст длиной до 512 токенов и выдаёт метку класса с оценкой уверенности. В README указана задержка CPU около 15–30 мс; приведённая целевая метрика F1 — 0,85 на отложенной выборке. Для обучения использовались диалоги бразильской клиентской поддержки, дополненные искусственно усечёнными репликами и короткими разговорными примерами. Модель распространяется по лицензии MIT. Её можно использовать для буферизации сообщений до завершения мысли, адаптивного ожидания ввода и маршрутизации реплик в разговорном агенте. Оценка завершённости зависит от обучающих данных и эвристик их подготовки, поэтому результат следует проверять на целевых сценариях, особенно при нестандартных стилях общения.

Модель Command Generator разработана Rasa Technologies для Dialogue Understanding в ассистентах на основе подхода CALM. Она принимает транскрипт текущего разговора и структурированное описание бизнес-логики ассистента, а затем генерирует короткую последовательность команд из заданной грамматики Rasa: например, запуск потока, заполнение или исправление слотов, уточнение намерения, передачу оператору либо выбор ответа на основе знаний. Это дообученная плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров и контекстом до 131 072 токенов; поддерживаемый язык — английский. Модель предназначена для использования внутри CALM-ассистентов, включая чат-боты, голосовых помощников и IVR, и не генерирует произвольные ответы для конечного пользователя. Она дообучена на демонстрационном наборе команд Rasa; результаты оценки в карточке не приведены, а качество на языках, кроме английского, не проверялось. Лицензия — Apache 2.0.

DuplexJev-32B — исследовательская модель adventists-ai для извлечения решений из речи. Она принимает аудио вместе с текстовым вопросом и выдаёт распределение вероятностей по вариантам ответа, закодированным отдельными токенами. Это позволяет задавать несколько вопросов об одном аудиофрагменте, например, завершил ли говорящий реплику, кто говорит и какое настроение выражает голос. Модель объединяет аудиоэнкодер Qwen3-ASR-0.6B, обученный коннектор и языковую модель из Qwen3-VL-32B-Instruct; всего 33 млрд параметров в формате bf16. Энгодер обрабатывает 12,5 кадров в секунду, коннектор объединяет их попарно, формируя 6,25 аудиотокена в секунду. Модель рассчитана на короткую речь; карточка описывает китайский и английский языки. Для запуска предусмотрена интеграция с vLLM, а веса занимают около 62 ГБ и требуют GPU с достаточной памятью. В тестах модель показывает сильные результаты на речевых вопросах с выбором ответа, определении состояния очередности реплик, пола и эмоции говорящего. Оценка эмоций основана на актёрских корпусах, а распознавание речи и ответы на устные вопросы уступают работе с текстовой расшифровкой. Модель не оценивалась на потоковом аудио; выводы об эмоциях не следует применять для принятия решений о людях. Репозиторий архивирован и заменён версией DuplexJev-32B-Para. Лицензия CC BY-NC 4.0 допускает использование только на некоммерческих условиях.

Это дообученная модель генерации текста на базе goldfish-models/eng_latn_10mb, разработанная francesca9805. Модель построена на архитектуре GPT-2 и обучалась с использованием TRL; веса опубликованы в формате safetensors. Модель предназначена для генерации продолжений и ответов на текстовые запросы. В карточке приведён пример ответа на открытый вопрос; указанная длина контекста составляет 512 токенов. Данных о специализированных областях применения или других модальностях нет. Карточка не сообщает лицензию и конкретные ограничения качества. Из-за малого размера базовой модели и короткого контекста её возможности могут быть ограничены; перед применением следует оценить качество на целевых запросах.

vysri/gemma3-270m-IT-ConvFill — дообученная текстовая модель на базе Google Gemma 3 270M IT, созданная для задачи conversational infill из исследования о разговорных голосовых агентах. Она генерирует контекстно уместные реплики, пока крупная серверная модель параллельно подготавливает знания; затем эти знания можно встроить в дальнейший диалог. Модель предназначена для использования с инфраструктурой проекта ConvFill. Модель построена на плотной архитектуре Gemma3ForCausalLM, содержит 257 млн параметров и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык и текстовую генерацию; метаданные также отмечают диалоговый режим. Модель рассчитана на быстрые локальные ответы в многоходовых разговорах, но не настроена специально для безопасного, ограниченного поведения. Использование регулируется лицензией Gemma и её ограничениями на запрещённые способы применения.

Модель разработана в рамках проекта hotel-review-nlp и представляет собой дообученную для бинарной классификации тональности грекоязычного текста модель nlpaueb/bert-base-greek-uncased-v1. Она использует архитектуру BERT для классификации последовательностей, содержит 140,1 млн параметров и принимает текст длиной до 512 токенов. Метки результата: отрицательная и положительная тональность. Модель предназначена для анализа коротких текстов на греческом языке, включая отзывы, комментарии и сообщения в соцсетях. На тестовом наборе из 767 примеров исходного корпуса политических твитов 2015 года указаны macro-F1 0,9086 и accuracy 0,9087. Эти результаты относятся к исходному домену корпуса; качество на отзывах об отелях отдельно не оценивалось. Модель обучена на корпусе DGurgurov/greek_sa с лицензией MIT. В карточке модели указана лицензия MIT. Токенизатор базовой модели включён в репозиторий; README сообщает о прежней проблеме с отсутствующими файлами токенизатора и её исправлении.

GRMR-2B-Instruct-old — языковая модель, разработанная qingy2024 и дообученная на базе unsloth/gemma-2-2b-bnb-4bit. Это плотная авторегрессионная модель семейства Gemma 2 с 2,7 млрд параметров и контекстом до 8192 токенов. Она повторяет входной текст, исправляя грамматику и пунктуацию; пример в карточке показывает также нормализацию написания названия и дефисов. Модель предназначена для корректуры коротких текстов на английском языке. Веса опубликованы в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. В README указано, что дообучение выполнено за 300 шагов; качество на иных языках и типах текста не описано.

Модель francesca9805/hin-deva-10mb-after-ppt-Dp-100mb-packed-bfdiso-ckpt500_seed455 — дообученная на TRL версия GPT-2 от автора francesca9805, основанная на francesca9805/hin-deva-10mb-ppt-Dp-100mb-packed-bfdiso_seed455. Это плотная авторегрессионная языковая модель для генерации текста; пример в карточке показывает ответы на открытый вопрос в формате диалога. Модель работает через Transformers и имеет контекст 512 токенов. Её можно применять для продолжения текста и генерации коротких ответов на вопросы. В карточке не приведены оценки качества, поэтому пригодность для конкретной задачи следует проверять на собственных примерах. Лицензия в доступных данных не указана.

Humanizer Gemma 4 E4B — модель для перефразирования текстов, созданная автором репозитория jialinyyzz на основе google/gemma-4-E4B. Она преобразует черновики, написанные языковой моделью, в текст, стилистически более похожий на человеческий, стараясь сохранять все факты, числа, имена, даты, цитаты и исходный смысл. Модель предназначена для редактирования научных и государственных текстов, студенческих эссе, электронных писем, сообщений на форумах и китайской прозы. Это текстовая generative-модель примерно на 4 млрд параметров с поддержкой английского и китайского языков. Доступны версия Transformers в формате bfloat16, а также GGUF-варианты Q8_0, Q6_K и bfloat16 для llama.cpp. Модель не является chat-моделью: для корректной работы требуется использовать предусмотренный формат prompt без системного сообщения и chat template. Обучение включало SFT на 28,6 тыс. пар, DPO на 1 898 парах и GRPO; основным критерием была точность сохранения исходной информации, а не прохождение детекторов. Сильные стороны модели — высокая сохранность фактов и низкая склонность к буквальному копированию; в указанной оценке v2 не допускала критических ошибок в 62 английских образцах. Английский работает лучше китайского, короткие тексты менее надёжны. Известны риски потери уточняющих формулировок, случайных искажений отдельных предложений и ошибок в числах, датах и направлении утверждений, поэтому результат требует проверки. Контекстное окно в README не указано. Модель распространяется по лицензии Gemma.

Usama1100/humanizer-llama3-8b-fp16-v3 — дообученная языковая модель на архитектуре Llama 3, разработанная Usama1100 на основе unsloth/llama-3-8b-bnb-4bit. Карточка сообщает об обучении с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для генерации текста. Название репозитория указывает на задачу гуманизации текста, однако README не описывает её явно, поэтому конкретные сценарии применения и качество в них не подтверждены. Модель содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и рассчитана на английский язык. В репозитории указаны веса в формате safetensors. Лицензия — Apache-2.0. Данных об оценках качества и известных ограничениях в карточке нет.

Модель francesca9805/jpn-jpan-100mb-ppt-Dp-10mb-packed-bfd_seed3407 — дообученная версия goldfish-models/jpn_jpan_100mb, созданная с использованием TRL и библиотеки Transformers. Это плотная авторегрессионная языковая модель архитектуры GPT-2 для генерации текста; в карточке приведён пример ответа на открытый вопрос в формате диалога. Модель принимает текст и генерирует продолжение или ответ. Её нативный контекст составляет 512 токенов. Карточка не уточняет языки обучения и условия лицензии, поэтому область применения и права на использование следует оценивать с учётом базовой модели и репозитория. Короткий контекст ограничивает работу с длинными запросами и документами.

Kasanoma TTS v0.4 — модель синтеза речи, разработанная Neriqlabs на основе дообучения CosyVoice3-0.5B от FunAudioLLM. Она предназначена для генерации речи на асанте-тви и английском, включая переключение между языками в одной фразе. Модель принимает текст и использует 16-кГц аудиообразец голоса для его клонирования; на выходе создаёт аудио с частотой дискретизации 24 кГц. В README приведены результаты оценки разборчивости через обратное распознавание речи и оценки естественности UTMOSv2. Авторы отмечают улучшения относительно предыдущих версий, но указывают, что эти метрики относительные: UTMOSv2 обучена на английском, а калибровка MOS для носителей языка ещё не выполнена. Модель распространяется по лицензии CC BY-SA 4.0; в обучающую смесь версии 0.4 включена часть датасета WAXAL `twi_tts` под CC BY 4.0.

FlagAlpha выпустила китайскую чат-модель на архитектуре Llama 2: веса модели meta-llama/Llama-2-7b-chat-hf дообучены с помощью LoRA на китайском наборе инструкций, после чего адаптер объединён с базовой моделью для прямого использования. Модель содержит 6,6 млрд параметров и работает с текстом; её основное назначение — китайский диалог и ответы на вопросы. В карточке также заявлена поддержка английского языка. Модель подходит для китайских чат-ботов и систем вопросов и ответов. Используются Transformers и PyTorch, контекст составляет 4096 токенов. Лицензия — Apache-2.0. Качество может быть ниже на задачах и языках, отличных от китайского диалога; подробные результаты оценки в карточке не приведены.

Earth v2 — модель Meta Llama 3.2 3B Instruct, дообученная автором ziliangpeng для естественного переключения между китайским и английским языками в диалоговых ответах. Она построена на плотной архитектуре LlamaForCausalLM с 3,2 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на вопросы и генерации текста с китайско-английским смешением языков по умолчанию, без специального системного промпта. Для дообучения применялся подход Rejection Sampling Fine-tuning: базовая модель создавала примеры, которые отбирались по оценкам качества, после чего использовались для SFT. В README сообщается о лучшей связности и меньшем повторении среди вариантов проекта, однако оценка опирается на одного автоматического судью и небольшую выборку. Ограничения включают непоследовательное переключение языков: часть ответов остаётся одноязычной, ответы в среднем короче, чем у базовой модели, а полезность оценивалась ниже. В обучающих данных встречались символы вьетнамского, корейского и японского языков, поэтому возможны отдельные случаи языкового загрязнения. Модель распространяется по лицензии Llama 3.

Loom Tapestry 3 — компактная языковая модель Textile Labs с архитектурой Llama и 69,2 млн параметров. Она создана на основе собственной модели Loom Weave 3: число слоёв увеличили с 16 до 40 методом сохранения функции, затем продолжили обучение около двух часов на более разнообразном корпусе. Модель принимает текст и генерирует текст; контекст составляет 1024 токена. Поддержка в карточке указана для английского языка. Модель предназначена для кратких ответов, многоходового общения и чтения предоставленных текстов, в том числе рассуждений по двум связанным фактам. В комплектном сценарии harness она может искать сведения в Википедии и отвечать по результатам поиска; сама модель не предоставляет поиск в интернете. По оценке авторов, точность ответов на незнакомые повседневные вопросы с поиском составила 60%, а чтение найденного текста и ответы на последующие вопросы остаются слабыми. Модель не предназначена для вычислений и творческого письма, редко уточняет неоднозначные запросы. Распространяется по лицензии MIT.

OpenMia-Indo-Mistral-7b — разговорная модель на основе Mistral-7B, дообученная авторами проекта indischepartij на индонезийском наборе данных Alpaca. Она предназначена для диалогов на Bahasa Indonesia и использует архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и генерирует текст; в карточке также приведены результаты оценки на задачах рассуждения и общего понимания. Автор отмечает, что из-за ограниченных ресурсов модель находится на альфа-стадии. Она может подойти для создания индонезийского чат-бота и экспериментирования с диалоговыми приложениями, но качество ответов не гарантировано. Распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

GAI-LLM/OPEN-SOLAR-KO-10.7B-mixed-v15 — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Donghoon Oh, Hanmin Myung и Eunyoung Kim из SK C&C G.AI Eng. Модель содержит 10,7 млрд параметров, принимает и генерирует текст; максимальная длина контекста — 2048 токенов. Модель предназначена для генерации текста на корейском языке. При обучении использовалась смешанная стратегия на основе набора Open Korean Dataset. Модель загружается через Transformers и хранится в формате PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. README не описывает результаты оценки качества; доступные сведения не позволяют определить её сильные стороны или дополнительные ограничения.

Модель Helsinki-NLP OPUS-MT-cpf-en разработана в рамках проекта OPUS-MT для перевода с французской основой креольских языков и пиджинов на английский. Она принимает текст на гваделупском креольском, гаитянском креольском или маврикийском креольском и выдаёт английский перевод. В основе — трансформер MarianMT с 54,7 млн параметров; для предобработки используются нормализация и SentencePiece с моделью словаря 32k. Контекст модели составляет 512 токенов. Это специализированная многоязычная модель машинного перевода с одним целевым языком — английским. В приведённых тестах результаты заметно различаются по исходным языкам: BLEU составляет 8,4 для гваделупского креольского, 28,0 для гаитянского и 66,0 для маврикийского. Модель распространяется под лицензией Apache-2.0.

Модель fpadovani/ppt-wc-uniform-newlex-eng-100mb_seed13 — дообученная на английском языке GPT-2-подобная языковая модель на основе goldfish-models/eng_latn_100mb. Разработчик указывает, что модель обучалась с помощью TRL; веса доступны в формате safetensors и рассчитаны на запуск через Transformers. Модель предназначена для генерации продолжений текста и ответов на короткие открытые вопросы. В карточке приведён пример генерации ответа на вопрос о путешествии во времени. Контекст модели составляет 512 токенов. Данных о сравнительном качестве и специализированных областях применения в карточке нет. Лицензия не указана в предоставленных сведениях; базовая модель описана как монолингвальная модель для английского языка.