III.4Клиентская поддержка и customer success

Roxi-TTS Emotion — модель синтеза речи на 1,7 млрд параметров, созданная IOTEverythin на базе OpenMOSS-Team/MOSS-TTS-Local-Transformer. Она преобразует текст в аудио с индийским вариантом английского произношения и позволяет задавать эмоцию короткой текстовой инструкцией для каждого предложения. Доступны восемь состояний: нейтральное, радостное, грустное, сердитое, воодушевлённое, спокойное, извиняющееся и испуганное; голос остаётся одним и тем же. Частота выходного аудио — 24 кГц. Модель использует архитектуру MOSS-TTS Delay и веса в формате safetensors. По карточке, она обучена на датасете Skit-AI Emotional TTS с помощью LoRA (PEFT, r=16, alpha=32), объединённой с базовыми весами. Генерация авторегрессионная: модель может выдавать слишком короткие фрагменты, поэтому карточка рекомендует короткие предложения примерно до двенадцати слов. Модель не рассчитана на работу в реальном времени на одной потребительской GPU; эмоция задаётся отдельно для каждого предложения, а не встроенными тегами в текст. Для работы требуется transformers 4.57.1. Лицензия CC BY-NC 4.0 запрещает коммерческое использование; карточка также просит не использовать голос для имитации реальных людей, мошенничества или обмана.

sethuiyer-Medichat-Llama3-8B-GGUF — набор GGUF-квантизированных файлов базовой модели sethuiyer/Medichat-Llama3-8B. Модель разработана автором или организацией sethuiyer, а квантизации подготовлены featherless-ai-quants. По назначению и названию это текстовая генеративная модель для диалоговых и медицинских текстовых сценариев, однако подробные сведения о данных обучения и специализации в README не приведены. Модель относится к семейству Llama 3 и имеет размер 8B параметров, поддерживает текстовую генерацию и поставляется в формате GGUF. Доступны варианты Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS с размером файлов примерно от 3 до 8 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Сведения о языках, длине контекста, точной архитектуре, производительности и мультимодальности отсутствуют. К преимуществам относятся широкий выбор уровней квантизации и возможность локального запуска в совместимой с GGUF инфраструктуре. Более сильное сжатие уменьшает требования к памяти, но может снижать качество по сравнению с менее сжатыми вариантами. README не содержит условий лицензирования, поэтому лицензионные ограничения необходимо уточнять в исходной модели sethuiyer/Medichat-Llama3-8B и в репозитории квантизаций.

Модель bilalfaye/speecht5_tts-wolof разработана Билалом Файе и дообучена на основе microsoft/speecht5_tts для синтеза речи на языке волоф. Она использует архитектуру SpeechT5 и специальный токенизатор, а конфигурация адаптирована к его словарю. Модель принимает текст на волоф и генерирует речь; её можно встроить в голосовые интерфейсы и помощники для носителей языка. Модель предназначена прежде всего для волоф. Качество синтеза может меняться в зависимости от сложности текста и обучающих данных; на других языках и с незнакомыми словами или символами она может работать хуже. Репозиторий распространяется по лицензии MIT.

TEN Turn Detection — модель для определения состояния пользовательской реплики в полно-дуплексном диалоге, разработанная командой TEN. Она предназначена для управления очередностью общения между человеком и AI-агентом: модель определяет, завершил ли пользователь мысль и ожидает ответа, попросил ли не перебивать его, либо сделал паузу, но намерен продолжить высказывание. Модель классифицирует входной текст по трём состояниям: finished, wait и unfinished. Она использует трансформерную языковую модель Qwen2.5-7B для семантического анализа контекста и лингвистических признаков. Заявлена поддержка английского и китайского языков. По данным README, на публичном тестовом наборе TEN показала высокую точность: для английского 90,64% на finished, 98,44% на unfinished и 91% на wait; для китайского — 98,90%, 92,74% и 92% соответственно. Модель подходит для голосовых и текстовых диалоговых систем, где важно снижать количество преждевременных перебиваний и естественно управлять передачей хода разговора. Ограничения включают заявленную специализацию на английском и китайском языках, классификацию только трёх состояний и отсутствие в README подробностей о поведении на других языках, доменах и типах входных данных. Для запуска указаны Transformers версии 4.45.0 или выше и PyTorch версии 2.0.0 или выше; рекомендуются bfloat16 и GPU. Проект распространяется по лицензии Apache 2.0.

Emotional DistilGPT2 — причинная языковая модель на архитектуре GPT-2, разработанная Mario-RC и дообученная на DistilGPT2 для генерации диалоговых ответов с заданной эмоциональной окраской. Для управления ответом в запросе используются реплики диалога и метки эмоций; обучение проводилось на данных, полученных из DailyDialog. Модель содержит 81,9 млн параметров, принимает текст и генерирует текст. Длина контекста — 1024 токена. Модель предназначена для экспериментальной генерации диалогов и проверки сценариев с эмоционально обусловленными ответами. Распространяется по лицензии MIT. Сгенерированные ответы могут быть неточными, предвзятыми, повторяющимися или эмоционально неуместными, поэтому перед показом пользователям их следует проверять.

Kurugai-EEVE-v1.1은 Kurugai 개발자가 Kurugai-EEVE-v1.0을 기반으로 BI55/MedText 데이터셋에 추가 학습한 대화형 언어 모델입니다. Llama 계열의 밀집형 자동회귀 아키텍처를 사용하며, 매개변수는 10.6 млрд, 기본 문맥 길이는 4096 토큰입니다. Hugging Face 카드에서는 한국어 모델로 분류합니다. 모델은 한국어 대화와 텍스트 생성 시나리오에 적합하며, MedText 학습 데이터셋을 사용했습니다. Обучение заняло один час на одном RTX 8000. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и распространяет производные работы на тех же условиях, с ограничением на коммерческое использование.

PartyResolve — компактная модель распознавания именованных сущностей, разработанная FlowX.AI в рамках семейства OpenNER. Это дообученная encoder-only модель ModernBERT-base на 149 млн параметров с архитектурой ModernBERT для token classification. Она выделяет в страховой переписке фрагменты, относящиеся к страховым урегулировщикам, заявителям и страхователям; обучалась на синтетических сообщениях по страховым случаям. Модель принимает текст и возвращает метки для его фрагментов, поддерживает контекст до 8192 токенов и доступна в форматах Safetensors и ONNX. Модель рассчитана на локальную обработку на CPU, Apple Silicon, GPU или в браузерной и периферийной среде через ONNX INT8. Разработчик сообщает о задержке около 100–160 мс на документе на CPU и подчёркивает, что обработка может выполняться без передачи данных за пределы организации. Указанный F1 1,0 получен на синтетическом тесте, созданном тем же генератором, что и обучающие данные, и служит проверкой конвейера, а не оценкой качества на реальных документах. Модель размечает фрагменты, но не проверяет контрольные суммы или корректность идентификаторов; результаты следует проверять на собственных данных и дополнительно валидировать downstream. Лицензия — Apache-2.0.

Twi TTS (VITS) — модель синтеза речи, разработанная Prince Nasamu Alhassan. Она преобразует текст на языке твi в аудио и подходит для озвучивания коротких фраз и голосовых ответов. Модель дообучена на базе facebook/mms-tts-aka за 20 000 шагов; в репозитории 3,6 млн параметров и веса safetensors. Используется архитектура VITS и токенизация посимвольно. Обучение проводилось на Ghana Speech и связанных ганских корпусах. Лицензия модели — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение. Для синтеза следует записывать числа словами: цифры и символы, отсутствующие в словаре токенизатора, могут молча пропускаться, а неподдерживаемые буквы — исчезать из озвучки. Карточка описывает работу как экспериментальный хакатонный проект без поддержки продукта; оценка на прочитанном и машинно переведённом тексте не гарантирует качество в реальных диалогах.

ThingAI/ARK-50M — компактная причинная языковая модель семейства Llama с 56,6 млн параметров, предназначенная для генерации текста и диалогов. Карточка описывает её как итальянско-ориентированную модель, обученную ThingAI с нуля; модель использует формат ChatML и рассчитана на контекст до 2048 токенов. Метаданные указывают поддержку итальянского и английского языков, а веса доступны в форматах PyTorch и safetensors. Модель предназначена для простых италоязычных диалогов, ответов на общие вопросы и короткой генерации текста на компактных устройствах, включая запуск на CPU. В README указаны предварительное обучение на итальянских книгах, веб-текстах и Википедии, а также последующее дообучение на синтетическом наборе вопросов и ответов. Лицензия — Apache-2.0. Из-за небольшого размера модель ограничена в сложных рассуждениях и длинной генерации; ответы на узкие фактические вопросы могут содержать ошибки. README также отмечает ограниченность данных дообучения и отсутствие обучения безопасности, поэтому для практического использования нужны дополнительные защитные меры.

thu-coai/blenderbot-400M-esconv — диалоговая модель на архитектуре Blenderbot, созданная дообучением blenderbot-400M-distill на наборе данных ESConv для эмоционально поддерживающих диалогов. Она предназначена для генерации ответов в разговоре и может использоваться в прототипах помощников, которые ведут поддерживающую беседу. Модель содержит 62,7 млн параметров, принимает текст и генерирует текст; родной контекст составляет 128 токенов. В метаданных указан английский язык. Веса опубликованы в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

microsoft/DialogRPT-depth — модель ранжирования ответов в диалогах из набора DialogRPT, разработанного группой Microsoft Research NLP. Она оценивает, насколько вероятно, что ответ вызовет длинное продолжение обсуждения; оценку можно применять для сравнения кандидатов, созданных диалоговой моделью, например DialoGPT, и выбора ответа для показа. Модель построена на GPT-2 и предназначена для классификации текста. Контекстное окно составляет 1024 токена; репозиторий содержит веса PyTorch. DialogRPT обучалась на более чем 100 миллионах сигналов человеческой обратной связи. В карточке приведены примеры оценок для ответов на один и тот же контекст. Модель оценивает склонность ответа к продолжению дискуссии, а не его фактическую точность или полезность; результаты могут отражать закономерности данных обратной связи. Лицензия в предоставленных данных не указана.

Emotional GPT-2 — авторская тонко настроенная модель на базе GPT-2, опубликованная Mario-RC и предназначенная для генерации реплик в диалоге с управлением целевой эмоцией. Она принимает контекстную реплику и метки эмоций источника и желаемого ответа; обучение проводилось на данных, производных от DailyDialog, с причинно-языковым objective. Модель использует архитектуру GPT2LMHeadModel, содержит 124,4 млн параметров и рассчитана на контекст до 1024 токенов. README приводит оценочную perplexity 12,9404. Модель подходит для прототипирования эмоционально обусловленных диалогов и генерации ответов на английском языке. Качество зависит от формата промпта и выбранных меток эмоций; генерация может быть неточной, предвзятой, повторяющейся или эмоционально неуместной, поэтому её следует проверять перед показом пользователям. Репозиторий распространяется по лицензии MIT.

FinanceParam — языковая модель BharatGen, дообученная на финансовых данных Индии на базе Param-1-2.9B-Instruct. Это плотная авторегрессионная модель класса ParamBharatGenForCausalLM с 2,3 млрд параметров, контекстом до 2048 токенов и поддержкой диалога. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для ответов на вопросы и диалогов на английском и хинди по личным финансам, налогообложению, банковским услугам, страхованию, инвестициям и финансовой политике Индии. Она ориентирована на индийские источники, нормы и контекст; в README приведены результаты на финансовых тестах, но доступный фрагмент не позволяет оценить полное сравнение моделей. Лицензия — Apache-2.0. Контекст ограничен 2048 токенами. Ответы о налогах, инвестициях и регулировании могут быть неточными или устаревшими, поэтому модель не следует считать заменой профессиональной финансовой или юридической консультации.

Minbyul/meditron-7b-dpo-full-sft-wo-kqa_silver_wogold — дообученная модель для генерации текста, созданная на базе Minbyul/meditron-7b-wo-kqa_silver_wogold-sft с помощью датасета HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 2048 токенов. Базовая Meditron-7B предназначена в том числе для ответов на медицинские вопросы на английском языке, однако README этой версии не описывает её назначение и результаты приведены только для оценочного набора без пояснения методики. Модель опубликована в формате Safetensors под лицензией Llama 2; применимость лицензии следует оценивать с учётом её условий.

Kyutai moshika-rl-seamless — модель голосового диалога, дообученная с помощью обучения с подкреплением для улучшения интерактивности в режиме полного дуплекса. Она основана на kyutai/moshika-pytorch-bf16, использует архитектуру Moshi и доступна в формате safetensors. Модель предназначена для обработки устной речи в диалоге: она учится корректнее выдерживать паузы, выбирать момент для ответа, использовать короткие подтверждения и реагировать на перебивания собеседника. Для постобучения использован корпус Seamless Interaction с двухканальными записями разговоров. По описанию авторов, модель показывает улучшения в обработке очередности реплик и задержке ответа, а также реже начинает говорить поверх пользователя; оценка проводилась на Full-Duplex-Bench. Модель принимает аудио и генерирует аудио, совместима с официальным кодом инференса Moshi. Kyutai указывает, что модель предназначена для исследований и не рекомендуется для советов или выполнения профессиональных обязанностей. Авторы отмечают, что стиль обучающих разговоров может влиять на безопасность ответов, а заданные вручную награды сложнее масштабировать на новые аспекты интерактивности. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

hello12w/persona_chatbot — дообученная модель на основе DialoGPT-medium с архитектурой GPT-2. Она предназначена для генерации ответов в диалогах с заданной персоной и поддерживает сценарии общения, в которых ответы должны соответствовать описанию персонажа. Модель принимает текст и генерирует текст; для работы доступны веса в формате safetensors и библиотека Transformers. Контекст — до 1024 токенов, основной язык по карточке — английский. Модель создана дообучением на данных для диалогов с персонами, в метаданных указан набор Cynaptics/persona-chat. Лицензия — MIT. Карточка не сообщает оценок качества или специальных ограничений, поэтому надёжность и последовательность ответов для конкретной персоны следует проверять на целевых примерах.

TEN Turn Detection — модель TEN-framework для определения момента передачи хода в диалоге человека с ИИ. Она классифицирует текст пользователя по трём состояниям: finished — высказывание завершено и можно отвечать; unfinished — пользователь сделал паузу, но собирается продолжить; wait — пользователь просит ИИ молчать или приостановить разговор. Модель предназначена для управления очерёдностью реплик и прерываниями в системах диалога с полным дуплексом. В основе лежит плотная трансформерная языковая модель семейства Qwen2; в README указана Qwen2.5-7B. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. Заявлена поддержка английского и китайского языков. В тестах авторов точность для состояний finished, unfinished и wait составляет 90,64%, 98,44% и 91% для английского и 98,90%, 92,74% и 92% для китайского соответственно; результаты относятся к опубликованному тестовому набору и не гарантируют такую же точность на других данных. Лицензия — Apache-2.0.

Booper-Big-Chat — англоязычная диалоговая модель ProCreations, дообученная методом supervised fine-tuning на базе Booper-Big с использованием датасета Discord-Dialogues и обучением только на ответах ассистента. Она построена на архитектуре Mixtral с механизмом Mixture of Experts: всего около 149,6 млн параметров, из которых активно около 50,5 млн. Репозиторий содержит веса BF16 с обучением, учитывающим симметричную поканальную fake-квантизацию INT8; отдельная версия с реальными INT8-весами опубликована как ProCreations/Booper-Big-Chat-INT8. Модель предназначена для генерации текста и неформальных диалоговых ответов на английском языке. Контекстное окно — 4096 токенов. Лицензия Apache-2.0. Данные обучения взяты из неформальных интернет-диалогов, поэтому модель может воспроизводить ненормативную лексику, предвзятость, шаблоны персональных данных и недостоверные утверждения; она не подходит для задач с высокими последствиями.

Phi 2 Persona-Chat — языковая модель на архитектуре Phi-2, созданная nazlicanto и дообученная методом LoRA на наборе nazlicanto/persona-based-chat. Набор содержит более 64 тысяч диалогов между двумя персонами с заданными фактами о них; при обучении целевыми ответами служили ответы reference. Репозиторий содержит веса в формате safetensors, а базовая модель использует контекст до 2048 токенов. Модель предназначена для генерации ответов в диалоге с учётом заданной персоны. Для работы рекомендуется включать в запрос факты о персоне и как минимум один предыдущий ход диалога. Поддерживаемый язык — английский. Лицензия — MIT. Для запуска базовой Phi-2 требуется включить trust_remote_code=True. Результаты зависят от полноты фактов о персоне и контекста диалога; README не приводит оценки качества.

SoulX-FlashHead-1_3B — модель команды Soul-AILab для генерации реалистичных говорящих голов в потоковом режиме. Она принимает изображение лица и создаёт видео с говорящим человеком; проект описывает подход как генерацию с подсказками от oracle-модели и выпускает облегчённую и профессиональную версии чекпойнта. Модель предназначена для интерактивных аватаров и потоковой генерации видео с лицом. Для версии Lite заявлена скорость до 96 кадров в секунду либо работа трёх потоков в реальном времени с частотой от 25 кадров в секунду на одной RTX 4090; для Pro указаны 10,8 кадра в секунду на RTX 4090 или реальное время на двух RTX 5090. В репозитории указаны архитектура Wan и форматы Diffusers/SafeTensors; лицензия — Apache-2.0.

Модель lcw99/ko-dialoGPT-korean-chit-chat — дообученная версия Ko-DialoGPT на данных AIHUB «Korean SNS». Она предназначена для генерации ответов в непринуждённом корейском чате с выражениями и сокращениями, характерными для мессенджеров, например KakaoTalk. Архитектура основана на GPT-2; доступный контекст — 1024 токена. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax, включая Safetensors. В карточке не указана лицензия, поэтому условия использования следует уточнить у автора или правообладателя модели и данных.

Navya-1a — базовая языковая модель второго поколения, разработанная Navya и обученная с нуля на корпусе с упором на Индию, включая финансовые материалы и тексты на английском, хинди, хинглише и других индийских языках. Модель предназначена для генерации текста и ответов на вопросы о личных финансах в индийском контексте. Модель использует плотную архитектуру Llama с классом LlamaForCausalLM и библиотеку Transformers. В метаданных указано 151 млн параметров, а нативное контекстное окно составляет 2048 токенов; README указывает приблизительную оценку размера около 100 млн параметров. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Карточка позиционирует модель как исследовательскую и предупреждает, что ответы не являются инвестиционными рекомендациями. Хотя обучение велось на многоязычном индийском корпусе, карточка не перечисляет конкретные поддерживаемые языки помимо английского и хинди в метаданных.

cgato/Nemo-12b-TheAnswer-v0.1-E2 — языковая модель семейства Mistral, дообученная на 1,35 млн примеров вопросов и ответов Yahoo Answers. Она предназначена для генерации ответов на одиночные вопросы и использует формат ChatML с системным промптом «You are a helpful assistant». Модель содержит 12,1 млрд параметров, принимает текст и выдаёт текст; в метаданных указан контекст длиной 131 072 токена. Модель может выдавать необычные ответы, однако автор предупреждает, что она плохо справляется с диалогом и теряет связность на длинных контекстах. Также модель может считать, что текущий год — 2006. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Nexus Talk 27B — корейская разговорная модель, созданная командой nexus-cross на основе семейства Qwen3.5. Это плотная decoder-only архитектура с гибридным вниманием, объединёнными весами в формате bfloat16 и 22,3 млрд параметров по метаданным. Модель настроена на корейские многоходовые диалоги и ролевое общение: она стремится отвечать краткими репликами, естественно передавать очередь собеседнику и сохранять заданную персонажность. Модель предназначена для разработчиков разговорных продуктов и сценариев ролевого общения на корейском языке. В README приведено сравнение с инструкционно настроенной моделью того же класса: на 39 тестовых запросах ответы Nexus Talk были ближе по длине к человеческим примерам. Это автоматическая оценка на небольшой выборке без проверки людьми, поэтому она не подтверждает качество во всех сценариях. Контекст модели по метаданным — 262 144 токена; в примере запуска авторы задают ограничение 8 192 токена. Для корректной выдачи корейского ответа необходимо отключить режим thinking: при включённом режиме модель может потратить бюджет на англоязычную цепочку рассуждений и не выдать корейский текст. Лицензия — Apache-2.0. Модель рассчитана только на аудиторию 19 лет и старше; обучение проводилось на диалогах персонажей, которым было не менее 19 лет.

Auroic Router 0.6B — компактная модель маршрутизации сообщений для групповых и личных чатов, разработанная Kaushal Krishna в рамках проекта Auroic. Это дообученная на Qwen3-0.6B плотная причинная языковая модель с 507,9 млн параметров и контекстом до 40 960 токенов. Она принимает историю чата и новые сообщения-кандидаты, а затем выдаёт структурированное решение о том, какое действие предпринять: ответить, отреагировать эмодзи или предложить медиа. Модель предназначена для классификации намерений и выбора следующего шага в конвейере разговорного ИИ, а не для генерации ответа пользователю. Модель рассчитана на короткие окна индийских чатов, особенно на Hinglish и индийский английский; автор сообщает о работе на CPU с задержкой около 2–4 секунд после прогрева. В README описан формат входа из пяти сообщений истории и трёх кандидатов, а также статeless-режим: каждый запрос должен обрабатываться в новом контексте. Модель не предназначена для фактических вопросов и ответов, помощи с кодом или длинной генерации. Распространяется по лицензии Apache-2.0.

LiveTalk — модель GAIR для генерации интерактивных видео с аватаром в реальном времени. Она преобразует изображения и мультимодальные условия в видеопоследовательность, а также поддерживает управление через текст и аудио. Модель создана дистилляцией двунаправленных диффузионных моделей в причинную авторегрессионную модель с небольшим числом шагов; в README заявлены генерация со скоростью 24,82 кадра в секунду, задержка первого кадра 0,33 секунды и ускорение более чем в 20 раз благодаря четырёхшаговой дистилляции. LiveTalk предназначена для интерактивных аватаров и разговорных систем с синхронизацией губ и согласованностью между ходами диалога. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. Для запуска требуется подготовленное окружение и интеграция с компонентами системы, описанными в официальном репозитории.

jaguaman09 выпустил ONNX-конверсию волофской модели синтеза речи на базе VITS и Meta MMS, предназначенную для запуска в браузере через transformers.js. Модель преобразует текст на волоф в речь; доступны варианты fp32 и fp16, причём fp16 рекомендован для веб-применения. В карточке указано использование в голосовом интерфейсе Bidiw IA на платформе astrosen.space. Репозиторий содержит 3,5 млн параметров и распространяется по лицензии CC BY-NC 4.0, которая требует атрибуции и ограничивает коммерческое использование.

nexusmed-ai/adr_bge_m3_embedding — дообученная командой nexusmed-ai модель Sentence Transformers на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она построена на XLM-RoBERTa с пулингом CLS-токена и нормализацией выходного вектора; размерность эмбеддинга — 1024, максимальная длина последовательности — 8192 токена. Для сравнения текстов применяется косинусное сходство. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. В обучающем наборе указано 400 тысяч пар предложений, в том числе записи о пациентах и нежелательных реакциях на лекарства, поэтому модель может быть полезна для поиска по медицинским сообщениям о нежелательных реакциях. Метаданные указывают на многоязычную базовую модель, но конкретные поддерживаемые языки этой версии не перечислены. Модель принимает текст и выдаёт векторные представления; она не генерирует ответы и не заменяет клиническую оценку. В README приведены низкие значения cosine_accuracy на тесте поиска, поэтому качество для конкретного корпуса следует оценивать отдельно. Лицензия в предоставленных данных не указана.

Tamnemtf/Ae-calem-mistral-7b-v0.1 — чат-модель, разработанная для ответов на вопросы студентов о вузе. Она построена на архитектуре Mistral, содержит 7,1 млрд параметров и дообучена на Viet-Mistral/Vistral-7B-Chat с использованием набора вопросов и ответов о HCMUE, составленного по студенческим материалам. Модель предназначена для диалога на вьетнамском языке и может отвечать на вопросы о специальностях, правилах и другой информации университета; заявленная длина контекста — 32 768 токенов. Модель подходит для университетского чат-бота и виртуального помощника для студентов. Она распространяется под лицензией AFL-3.0. Карточка не приводит результатов оценки качества или подробных сведений о надёжности ответов.

ethzanalytics/distilgpt2-tiny-conversational — диалоговая модель, дообученная на distilgpt2 на распарсенной версии набора Wizard of Wikipedia из ParlAI. Разработчик описывает её как базовую модель для разговоров и чат-ботов, предназначенную для интеграции с ai-msgbot. Модель генерирует диалог между двумя участниками, обозначенными как person alpha и person beta. Эти маркеры используются для разделения реплик. Архитектура — GPT-2, реализация GPT2LMHeadModel; доступны веса PyTorch и safetensors. Контекст — до 1024 токенов. В README приведено значение loss 2,2461 на оценочной выборке. Модель рассчитана на простой разговорный сценарий с заданными маркерами участников. Карточка не описывает поддержку конкретных естественных языков или специализированных областей применения. Лицензия — Apache-2.0.