III.4Клиентская поддержка и customer success

Voho Saudi Speak 0.6B — компактная текстовая модель от Voho для преобразования литературного арабского текста в разговорную речь саудовских диалектов: наджди, хиджази и халиджи. Это плотная Qwen3ForCausalLM на 507,9 млн параметров, дообученная полным fine-tune на Qwen/Qwen3-0.6B. Модель принимает текст и название диалекта и возвращает переформулированный арабский текст; контекст — до 40 960 токенов. Модель предназначена для подготовки реплик голосовых агентов и озвучиваемых текстов, чтобы речь звучала естественнее для жителей Саудовской Аравии. В тесте на 1 000 предложениях она показала chrF++ 75,7 в целом, с результатами для наджди и хиджази; обучение проводилось на 84 394 транскрибированных фразах из SADA. Она компактна для локального запуска, однако может менять или терять детали в длинных и сложных предложениях, не использует диакритические знаки, а обучающие данные преимущественно отражают телевизионную речь. Для клиентских сценариев результаты следует проверять. Лицензия CC-BY-NC-SA-4.0 ограничивает коммерческое использование.

Werea-TSS — модель синтеза турецкой речи из текста, разработанная организацией Werea. Это дообученная версия FreyaTTS-small с 183,2 млн параметров: модель использует non-autoregressive архитектуру flow-matching DiT, турецкий символьный словарь из 92 знаков и латентное аудиопредставление AudioVAE2. Результат — монофоническое аудио с частотой 48 кГц. Модель предназначена для озвучивания объявлений, создания аудио для доступности и прототипирования голосовых ассистентов на турецком языке. Обучающие тексты созданы для Werea, а учительские голоса получены синтетически из FreyaTTS-small; записи реальных людей и данные для клонирования голоса не использовались. В небольшой внутренней оценке на 20 предложениях качество распознавания синтезированной речи оказалось немного ниже базовой FreyaTTS-small; результаты нельзя напрямую сравнивать с опубликованными оценками Freya. Модель находится в бета-версии: возможны ошибки в именах, иностранных словах и длинных фразах. Она не поддерживает управление эмоциями и клонирование по референсному голосу; важные объявления следует прослушивать перед публикацией, а синтетическое происхождение звука — сообщать слушателям. Код и веса доступны по лицензии Apache License 2.0.

Gemma-iraqi-finetune-v2 — разговорная модель для общения на иракском диалекте арабского языка, созданная Ameer4wisam на основе google/gemma-4-E12B-it. Модель дообучена методом LoRA, затем объединена с базовыми весами в формате bf16; README описывает настройку только языковых слоёв. В метаданных указаны архитектура Gemma 4 Unified, плотная модель и формат safetensors. Модель предназначена для коротких прямых ответов в диалогах о продажах, покупках, услугах и повседневных ситуациях. В сценариях продавца её можно использовать для ведения беседы, ответов по переданному каталогу и понимания уточняющих вопросов в контексте. Карточка сообщает об обучении на 163 429 диалогах и проверке диалогов до 12 ходов; поддержка общения на арабском и английском указана в метаданных, но специализация — иракский диалект. Для надёжной работы с ценами и другими фактами README рекомендует передавать явный каталог и использовать детерминированную генерацию; скидки и итоги следует рассчитывать внешним кодом. Модель может придумывать числа, ошибаться в вычислениях, предлагать замену отсутствующему товару и отвечать хуже за пределами продаж и услуг. Лицензия — Gemma; применяйте модель на условиях лицензии Google Gemma.

MindE 민원 분류기(bert-v9)는 한국 공공 민원 내용을 11개 카테고리로 자동 분류하는 텍스트 분류 모델입니다. 개발자는 README에 명시되어 있지 않으며, 모델은 KLUE BERT 기반으로 `klue/bert-base`를 민원 데이터에 맞게 미세조정했습니다. Transformers 라이브러리를 사용하고 가중치는 safetensors 형식이며, 전체 크기는 137.8M параметров, контекст — до 512 токенов. При обучении использовались входы длиной до 128 токенов. Модель предназначена для автоматической маршрутизации обращений в государственные службы и предварительной категоризации перед проверкой человеком или последующей обработкой. На тестовом наборе из 20 788 примеров заявлены accuracy 0,871, macro F1 0,873 и weighted F1 0,871. Обучающие данные основаны на AI Hub 143: около 860 тысяч обращений, исходно 18 категорий сведены к 11. Качество зависит от формулировки обращения: данные преимущественно связаны с Чхангвоном, поэтому возможен региональный словарный перекос. Для категории «архитектура и строительство» указан наиболее низкий F1 — 0,755; короткие и неоднозначные тексты могут получать низкую уверенность, поэтому полезно рассматривать несколько наиболее вероятных категорий. Лицензия указана как other, конкретные условия в доступных данных не раскрыты.

ModernBERT-TR MASSIVE Intent — турецкий классификатор на базе ModernBERT, разработанный ytu-ce-cosmos. Модель дообучена на турецкой локализации MASSIVE 1.1 и определяет одну из 60 меток намерений по тексту пользовательского высказывания. В репозитории опубликована голова классификации намерений; слотная голова использовалась при совместном обучении, но не входит в этот чекпойнт. Модель содержит около 148,7 млн параметров, имеет контекст до 8192 токенов и архитектуру ModernBertForSequenceClassification. Она предназначена для классификации коротких запросов, например команд голосовому помощнику. На тестовом наборе MASSIVE 1.1 для tr-TR опубликованный чекпойнт показал точность 88,33% и macro-F1 85,69%. Доступны веса Safetensors и формат ONNX; для применения приведён пример с Transformers pipeline. Модель специализирована на турецком языке и метках MASSIVE, поэтому качество на других языках и вне этой схемы намерений не подтверждено. Лицензия — Apache-2.0.

AlphaGPT-1 — небольшая русскоязычная генеративная модель, созданная prostochel097. Она основана на архитектуре GPT-2 и содержит около 12,5 млн параметров, использует BPE-словарь на 30 000 токенов и контекст длиной 256 токенов. Модель предназначена для продолжения текста и генерации ответов в коротких русскоязычных диалогах; в карточке указано обучение на русских диалогах, а в метаданных — набор данных Den4ikAI/russian_dialogues_2. Компактный размер позволяет запускать модель на CPU. Доступны веса в формате safetensors. Модель распространяется по лицензии MIT. Из-за небольшого размера и короткого контекста её возможности ограничены простыми короткими продолжениями и диалогами.

Это компактная плотная GPT-модель семейства nanochat_gpt, разработанная в рамках Scaling Ladder и дообученная командой проекта для диалогов. Модель содержит 302 млн параметров, принимает текст и генерирует текст; контекст ограничен 2048 токенами. Она использует токенизатор nanochat BPE на 32 768 токенов, а веса доступны в формате bfloat16 safetensors. Модель предназначена для базового чата и генерации ответов на английском языке. При дообучении использовалась смесь из 460 тысяч диалогов smol-smoltalk, обучающих примеров MMLU и GSM8K; в README приведены результаты оценивания на ARC-Easy, ARC-Challenge и MMLU. Небольшой размер ограничивает полезность и качество ответов. У модели нет обучения безопасности. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

cenkersisman разработал GPT-2 для генерации текста на турецком языке. Модель принимает начальный текст и предсказывает продолжение, поэтому подходит для создания черновиков и продолжения турецких фраз. Она основана на архитектуре GPT-2 и обучалась на турецком корпусе Википедии объёмом около 900 миллионов символов; в обучающих предложениях было не более 256 токенов. Контекст модели составляет 1024 токена. Токенизатор учитывает морфологию турецкого языка. Модель чувствительна к регистру; в README рекомендуется подавать запросы строчными буквами. Обучающие данные могли содержать ненормативную лексику и откровенные материалы, поэтому генерация может быть оскорбительной или нежелательной. Перед публикацией результат следует проверять и при необходимости фильтровать. Условия лицензии в предоставленных данных не указаны.

facebook/mms-tts-ben — модель синтеза речи на бенгальском языке из проекта Massively Multilingual Speech, разработанного Meta. Модель преобразует входной текст в речевой сигнал и предназначена для озвучивания бенгальских текстов в приложениях и сервисах. Для MMS обучен отдельный чекпойнт VITS на каждый язык. Архитектура VITS объединяет вариационный автоэнкодер, Transformer-энкодер текста, flow-модуль, стохастический предиктор длительности и декодер в стиле HiFi-GAN. Модель содержит 3,6 млн параметров и доступна через библиотеку Transformers версии 4.33 и новее. Предиктор длительности стохастический, поэтому результат может меняться между запусками; фиксированный seed позволяет воспроизводить тот же речевой сигнал. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Polka-1.1B-Chat — разговорный ассистент на базе архитектуры Llama, разработанный eryk-mazus для локального запуска и общения на польском языке. Модель содержит 1,1 млрд параметров и использует расширенный токенизатор, настроенный для более эффективной генерации польского текста. Контекст — 4096 токенов; формат диалога — ChatML. В основе лежит TinyLlama-1.1B, дополнительно предварительно обученная на 5,7 млрд токенов польского корпуса, затем дообученная на примерно 60 тысячах синтетических и машинно переведённых многоходовых диалогов с применением Direct Preference Optimization (DPO). Подходит для локального диалога и ответов на вопросы на польском языке. Репозиторий распространяется по лицензии MIT. Модель компактна и ориентирована на польский язык, однако её размер и синтетические данные могут ограничивать точность, глубину рассуждений и качество ответов за пределами польского языка. В README не приведены оценки качества.

derric017 дообучил модель Qwen2.5-1.5B-Instruct для ответов по тематике недвижимости. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров, контекстом до 32 768 токенов и текстовым диалоговым интерфейсом. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face; базовая модель — unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Модель предназначена для генерации текстовых ответов и помощи в сценариях, связанных с недвижимостью. Она принимает текст и выдаёт текст; среди указанных языков — английский. Распространяется по лицензии Apache-2.0.

Kirili4ik/ruDialoGpt3-medium-finetuned-telegram — русскоязычная диалоговая модель на архитектуре GPT-2, дообученная автором репозитория на экспортированной переписке из Telegram. В основе — русская версия DialoGPT от sberbank-ai, обученная на русскоязычных форумах; размер модели составляет средний вариант семейства, а контекстное окно — 2048 токенов. Модель предназначена для генерации ответов в разговорном стиле и имитации переписки в Telegram. Она принимает текст и генерирует текст; в метаданных указаны PyTorch и safetensors, а также возможность диалога. Модель создана на личных данных переписки, поэтому её ответы могут отражать особенности исходного чата. Лицензия в предоставленных данных не указана.

SiberiaSoft/ruGPT3_medium_chitchat — русскоязычная генеративная модель чат-бота, разработанная SiberiaSoft. Она предназначена для короткого диалога в режиме «чит-чат»: ответ формируется без учёта предыдущих сообщений. Модель основана на архитектуре GPT-2 и распространяется в формате PyTorch; длина контекста — 2048 токенов. Модель подходит для создания русскоязычных чат-ботов и генерации реплик в простом разговорном сценарии. Карточка указывает лицензию MIT. Поскольку предыдущие сообщения не учитываются, модель не поддерживает связный многоходовый диалог и не сохраняет контекст беседы.

Карточка модели 0x3/ultraVAD на Hugging Face совпадает с карточкой fixie-ai/ultraVAD, поэтому описание составлено по ней. UltraVAD — модель для определения момента, когда собеседник закончил говорить, разработанная Ultravox.ai. Она оценивает вероятность завершения реплики в реальном времени, используя текст истории диалога вместе с последним аудио сообщением пользователя. Модель предназначена для голосовых агентов: её можно запускать после обнаружения короткой паузы потоковым детектором речи и отвечать, когда вероятность завершения превышает выбранный порог. Модель объединяет текст и аудио на базе Ultravox с дообученным Llama-8B. Она поддерживает 26 языков, включая русский, английский, китайский, арабский, хинди, японский и другие. По данным карточки, прямой проход занимает около 65–110 мс на A6000. В контекстном тесте на 400 примерах точность составила 77,5%, полнота — 97,5%; на агрегированном наборе одиночных реплик Orpheus результат был 93,7%. Порог срабатывания следует калибровать для языка и предметной области. Лицензия в предоставленных данных не указана.

Модель francesca9805/urd-arab-100mb-ppt-Dp-10mb-packed-bfdiso_seed10 — дообученная на базе goldfish-models/urd_arab_100mb причинная языковая модель семейства GPT-2. Разработчик сообщает, что обучение выполнено с помощью TRL; веса опубликованы в формате safetensors и используются через Transformers. Модель предназначена для генерации текста и может применяться для продолжения коротких запросов или диалоговых реплик. В примере из карточки ей передают вопрос и запрашивают до 128 новых токенов; указанный в метаданных контекст составляет 512 токенов. Карточка не описывает специализацию по предметной области или языкам, поэтому назначение следует считать общим. Лицензия и сведения о качестве в предоставленных материалах отсутствуют. Короткий контекст и отсутствие результатов оценки ограничивают пригодность для длинных документов и задач, требующих проверенной точности.

AhıskaAI-10M-Experimental-v0.1-Instruct — экспериментальная инструктивно дообученная модель команды AhıskaAI на базе AhıskaAI-10M-Experimental-v0.1. Это плотная причинная языковая модель архитектуры LlamaForCausalLM примерно с 10,3 млн параметров и контекстом 512 токенов. Полное параметрическое SFT выполнено на инструкционных диалогах в формате ChatML; при обучении функция потерь применялась только к ответам ассистента. Модель поддерживает системные инструкции и настроена на короткие, прямые и вежливые ответы. Модель предназначена для генерации текста и диалогового следования инструкциям, прежде всего на турецком языке; в метаданных также указан английский. Благодаря малому размеру она рассчитана на запуск на CPU и мобильных устройствах с ограниченными ресурсами, однако столь компактная архитектура и короткий контекст ограничивают сложность и длину задач. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0.

BART R3F — модель команды 알라꿍달라꿍 для суммаризации корейских диалогов, опубликованная как учебный пример для соревнования по диалоговому суммированию 2021 года. Она построена на предварительно обученной модели BART и дообучена с применением R3F на данных AIHub для суммаризации корейских разговоров. Модель предназначена для преобразования диалога в краткое изложение; архитектура — BART с условной генерацией, размер — 27,2 млн параметров, контекст — до 512 токенов. Поддерживаются веса PyTorch и TensorFlow. Карточка описывает модель как обучающий образец для соревнования, поэтому её качество и пригодность для других типов текстов не гарантированы. Основной язык — корейский. Лицензия в предоставленных данных не указана.

Calypso 3B Alpha V2 — языковая модель Xilabs для диалогов один на один с персонажем или заданной персоной. Это дообученная версия openlm-research/open_llama_3b_v2 с 3,3 млрд параметров; при обучении использовались набор PIPPA-Alpaca и закрытый набор диалогов, написанных людьми. Модель построена на архитектуре Llama и предназначена для генерации текста. Её контекст составляет 2048 токенов, а в метаданных указан английский язык. Модель подходит для ролевых диалогов и интерактивного общения с виртуальными персонажами. Ответы могут содержать оскорбительный, неподходящий или чувствительный контент, а фактическая точность не гарантируется; также возможны смещения из обучающих данных. Указана лицензия CC BY-NC-SA 4.0, поэтому коммерческое использование ограничено условиями лицензии.

Emotional DialoGPT Large — диалоговая языковая модель Mario-RC, дообученная на базе microsoft/DialoGPT-large на данных, производных от DailyDialog. Она генерирует текстовые ответы с учётом заданных эмоциональных меток для исходной реплики и желаемого ответа. Модель построена на архитектуре GPT2LMHeadModel и содержит 774 млн параметров; длина контекста — 1024 токена. Для генерации используется шаблон с репликой пользователя и метками эмоций. Модель подходит для создания эмоционально обусловленных ответов в текстовых диалогах и экспериментов с управлением тоном беседы. Карточка сообщает perplexity 8,6719 на оценивании. Модель ориентирована на английский язык и распространяется по лицензии MIT. Разработчик предупреждает, что ответы могут быть неточными, предвзятыми, повторяющимися или эмоционально неуместными; перед использованием в пользовательских сценариях их следует проверять.

AbDhumal выпустил дообученную модель Orpheus-3B Turkish TTS v2 для синтеза турецкой речи. Это плотная причинная языковая модель на архитектуре Llama с 3,3 млрд параметров, дообученная с помощью LoRA на 20 000 турецких аудиозаписей с расшифровками. Модель преобразует текст и управляющие токены в последовательность аудиотокенов SNAC, из которых декодируется речь с частотой 24 кГц. Модель предназначена прежде всего для турецких объявлений в стиле авиакомпаний; её также можно применять для озвучивания коротких фраз, инструкций и сообщений на турецком языке. В описанном тесте дообученная версия показала более низкие WER и CER, чем англоязычная базовая модель на турецких фразах, при близком времени генерации. Репозиторий содержит полные веса после слияния адаптера, а не только LoRA-адаптер. Лицензия — Apache-2.0.

Holy-fox разработал эту модель на основе Qwen/Qwen3.5-0.8B, дообучив её методом SFT на 108 тысячах японских инструкций из набора DataPilot/Zero_SFT_Ja_v3.5. Это компактная плотная модель семейства Qwen3.5 с 0,8 млрд параметров; она предназначена для генерации ответов и диалогов на японском языке. Модель работает только в режиме Non-thinking: она выдаёт прямые ответы и не рассчитана на режим рассуждений с токеном /think. Обучение выполнено с помощью Unsloth. Для подавления повторов автор рекомендует presence_penalty=2.0; в небольших моделях возможны циклические повторы. Модель подходит для простых инструкций и повседневного диалога на японском. Сложные рассуждения и связность длинных ответов ограничены, а качество на английском и других языках не гарантируется. Лицензия — Apache-2.0.

TinyKo — небольшая плотная языковая модель семейства Mistral, опубликованная blueapple8259. Модель обучена на наборах ko_wikidata_QA, KoAlpaca-v1.1a, ko_alpaca_data и KLUE; для первых трёх наборов в обучении использовались только выходные тексты. Она предназначена для генерации текста на корейском языке, в том числе ответов на вопросы и инструктивных ответов. Размер модели — 26,3 млн параметров, заявленная длина контекста — 16 384 токена. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространения производных материалов на тех же условиях, а также ограничивает коммерческое использование. Малый размер делает модель компактной, но карточка не приводит оценок качества или сведений о проверке ответов; её ответы могут быть неточными. Поддерживается только корейский язык.

Разговорная модель генерации текста на французском языке, созданная cedpsam на основе конфигурации microsoft/DialoGPT-medium и обученная на диалогах из OpenSubtitles 2018 с пользовательским токенизатором. Она предназначена для генерации ответов в чат-диалоге и может использоваться как экспериментальный собеседник или основа для прототипа французского чат-бота. Модель построена на архитектуре GPT-2 и доступна в форматах PyTorch, Flax и Safetensors. Контекст ограничен 1024 токенами. Карточка указывает на обучение на субтитрах фильмов и сериалов, поэтому стиль и содержание ответов могут отражать разговорную речь и особенности исходных диалогов. Лицензия в предоставленных данных не указана.

thealper2 подготовил компактную модель для генерации следующей реплики в многоходовом диалоге. Это дообученная на OpenRL/daily_dialog модель microsoft/DialoGPT-small с архитектурой GPT-2: декодерная причинная языковая модель с 12 слоями, размером 117 млн параметров и контекстом до 1024 токенов. Она принимает историю реплик, разделённых штатным токеном конца последовательности, и продолжает её ответом на английском языке. Модель рассчитана на повседневную светскую беседу и генерацию коротких ответов в открытом диалоге. В обучающем наборе использованы 73 887 пар контекст–ответ; оценка проводилась на отложенной тестовой выборке DailyDialog. Для разнообразных ответов рекомендуется сэмплирование: жадное декодирование может приводить к коротким повторяющимся репликам. У модели нет поиска, опоры на внешние источники или специальной настройки безопасности; возможны унаследованные от GPT-2 и DailyDialog предубеждения. Лицензия чекпойнта — CC BY-NC-SA 4.0, поэтому коммерческое использование ограничено; базовая модель Microsoft указана как MIT.

gemma3-270m-manumit-v1 — дообученная версия Gemma 3 270M IT, созданная yethdev с помощью инструмента manumit v1. Модель предназначена для диалоговой генерации текста; автор описывает её как вариант с удалёнными механизмами отказа. В README приведены результаты тестов: доля отказов снизилась с 58,3% до 0%, а результат MMLU составил 26,5% против 27,0% у базовой модели. Это плотная текстовая модель семейства Gemma 3 с 257 млн параметров, архитектурой Gemma3ForCausalLM и контекстом до 32 768 токенов. Репозиторий содержит веса Safetensors; метаданные указывают библиотеку Transformers и поддержку английского языка. Лицензия — Gemma. README сообщает, что manumit находится в разработке, поэтому результаты и поведение этой версии могут меняться; низкий результат MMLU ограничивает её пригодность для сложных задач.

GoLLeM-110M-PL-SFT-merged — экспериментальная инструктивно дообученная версия польской языковой модели GoLLeM-110M-PL от Arkadiusz Słota / SlayerLab. Это компактный декодерный Transformer в стиле GPT-2, обученный с нуля, а затем дообученный на 26 194 парах вопросов и ответов; веса SFT объединены в формат GPT2LMHeadModel для загрузки через Transformers. Модель содержит около 110 млн параметров и использует собственный польский BPE-токенизатор; контекст — 512 токенов. Модель предназначена для генерации текста, продолжения фраз и следования инструкциям на польском языке, в том числе для ответов на вопросы по предоставленному контексту. Польский — основной язык; результаты на английских тестах близки к случайным. Оценка также показывает слабые результаты в классификации, поэтому модель лучше применять как небольшую генеративную модель, а не как классификатор. В карточке заявлен экспериментальный статус и предостережение против производственного и высокорискового использования. Разработчик сообщает, что базовая модель обучена с нуля на польском корпусе, а SFT выполнено на наборе grounded-QA. Модель может уверенно генерировать ложные сведения, отклоняться от темы и конфабулировать имена или адреса; контекст ограничен 512 токенами, а выходные данные не проходят фильтрацию безопасности. Лицензия — CC-BY-SA-4.0.

RedWhale-tv-10.8B-ipt-v0.1 — корейская языковая модель AGILESODA на архитектуре Mistral, дообученная методом LoRA на базе TwinDoc/RedWhale-tv-10.8B-v1.0. Обучение включало 5000 шагов на 80 000 синтетических одноходовых инструкций; диалоговые данные с несколькими ходами в этой версии не использовались. Модель предназначена для генерации текста и выполнения инструкций на корейском языке в сценариях чат-взаимодействия. Она содержит 10,7 млрд параметров, работает через Transformers и имеет контекст длиной 4096 токенов. Доступ к репозиторию предоставляется по запросу. Метаданные указывают лицензию CC BY-NC 4.0, а README — CC BY-NC-SA 4.0; условия использования следует сверить с лицензией репозитория. Модель обучена на одноходовых синтетических инструкциях, поэтому её поведение в многоходовых диалогах не подтверждено.

mlx-community/smart-turn-v3 — версия модели pipecat-ai/smart-turn-v3, преобразованная в формат safetensors для использования с mlx-audio. Модель предназначена для семантического определения конца реплики в аудиопотоке, помогая понять, закончил ли говорящий фразу и когда можно передавать очередь следующему участнику диалога. Карточка указывает семейство smart_turn и плотную архитектуру; модель относится к задачам обнаружения голосовой активности. Она опубликована под лицензией BSD-2-Clause. Подробности о размере, контексте и поддерживаемых языках в предоставленных данных отсутствуют.

LiveKit Turn Detector — компактная дообученная языковая модель LiveKit для определения конца реплики в голосовых AI-системах. Она анализирует текст, распознанный системой STT, и оценивает, завершил ли пользователь свою мысль. Модель дополняет VAD: помогает не прерывать человека из-за смысловой паузы и корректно обрабатывать диктовку адресов, номеров телефонов, адресов электронной почты и других структурированных данных. Мультиязычная версия основана на Qwen/Qwen2.5-0.5B-Instruct и обучена с дистилляцией знаний от модели-учителя Qwen2.5-7B-Instruct. В репозитории указаны архитектура LlamaForCausalLM, 134,5 млн параметров и контекстное окно 8192 токена; рабочий сценарий использует до шести ходов диалога и обрезает вход до 128 токенов. Распространяется в форматах ONNX и safetensors; квантованная ONNX-версия INT8 рассчитана на быстрый вывод на CPU. Модель поддерживает английский, испанский, французский, немецкий, итальянский, португальский, нидерландский, китайский, японский, корейский, индонезийский, турецкий, русский и хинди. Модель предназначена для интеграции в голосовые конвейеры, в частности с LiveKit Agents. Она принимает текст диалога, а выдаёт оценку вероятности завершения реплики, которую можно преобразовать в решение о конце хода с помощью порога для соответствующего языка. Лицензия в метаданных указана как other; README не приводит её точные условия, поэтому перед использованием следует проверить лицензионный файл репозитория.

copywriter-gemma4-31b-i1-GGUF — квантованная GGUF-версия модели copywriter-gemma4-31b, разработанной akwin123 и подготовленной к квантованию пользователем mradermacher. Модель относится к семейству Gemma 4 и предназначена для генерации рекламных и маркетинговых текстов: рекламных объявлений, продающих материалов, email-рассылок, текстов прямого отклика и конверсионного copywriting. Заявлены также диалоговый формат и эмоциональный интеллект. Модель содержит 31 млрд параметров. В README она обозначена как vision-модель, поэтому для работы с изображениями могут потребоваться файлы mmproj из статического репозитория. Указан английский язык. Формат GGUF позволяет использовать различные уровни квантования с разным соотношением размера, скорости и качества: от примерно 7,3 до 25,3 ГБ. Рекомендуемым вариантом назван i1-Q4_K_M, а i1-Q4_K_S — компромиссом между размером, скоростью и качеством. К сильным сторонам относятся специализация на copywriting и широкий выбор квантованных вариантов для запуска на оборудовании с разными ограничениями по памяти. Ограничения включают потенциальное снижение качества у компактных квантов, причём некоторые варианты прямо отмечены как низкокачественные; максимальная длина контекста в README не указана. Лицензия унаследована от Gemma и обозначена как gemma; конкретные условия следует проверять в лицензии базовой модели.