III.4Клиентская поддержка и customer success

Emotional DialoGPT Medium — диалоговая авторегрессионная языковая модель, созданная Mario-RC дообучением microsoft/DialoGPT-medium на данных DailyDialog. Она использует архитектуру GPT2LMHeadModel и содержит 354,8 млн параметров. Модель генерирует текстовые ответы в диалоге, которые можно направлять метками эмоций: предусмотрено семь эмоциональных меток для реплики-источника и желаемого ответа. Модель предназначена для экспериментов с эмоционально обусловленной генерацией диалогов на английском языке. Контекст составляет 1024 токена; модель распространяется в формате safetensors по лицензии MIT. Сгенерированные ответы могут быть неточными, предвзятыми, повторяющимися или неуместными по эмоциональному тону, поэтому их следует проверять перед использованием в пользовательских сценариях.

Archan разработал модель для определения по аудио на хинди, завершил ли говорящий свою реплику или сделал паузу перед продолжением. Она предназначена, например, для управления очередностью реплик в голосовых интерфейсах и системах разговорного ИИ. Модель основана на Whisper Tiny с классификационной головой: большая часть слоёв заморожена, а слои внимания обучались. Для обучения использовалась хинди-часть набора pipecat-ai/smart-turn-data-v3.2-train; часть аудиозаписей дополнили искусственными паузами длительностью от 250 до 1500 мс. Модель принимает аудио и выдаёт классификацию наличия завершённой реплики; поддерживаемый язык — хинди. Лицензия — MIT. В README приведены результаты оценки: F1 0,602 на чистой выборке и 0,614 на выборке с искусственными паузами. Эти показатели указывают на ограниченную точность определения хода речи. Добавление пауз описано как базовая аугментация, поэтому поведение на естественных паузах и других языках может отличаться.

Human-1 — разговорная аудиомодель Josh Talks, разработанная Бхаскаром Сингхом, Шобхитом Банга и Пранавом Шармой на основе архитектуры Kyutai Moshi. Она предназначена для диалога на хинди в реальном времени и поддерживает двустороннее общение с перебиваниями, наложением реплик, короткими подтверждениями и естественной сменой очереди. Модель дообучена на 26 000 часах спонтанных разговоров на хинди от 14 695 участников, а затем настроена на примерно 990 часах отобранных диалогов. В базовой модели заменили англоязычный токенизатор на токенизатор хинди; компоненты обработки аудио и остальные веса трансформера сохранили предобученные значения. Human-1 подходит для исследовательских систем речевого диалога и непринуждённого общения на хинди. В сравнительной оценке естественность речи получила в среднем 4,10 из 5, однако контекстная уместность и завершённость ответов остаются ограниченными: оценщики отметили их соответственно примерно в 53% и 42% случаев. Модель обучена преимущественно на разговорном хинди, поэтому качество на других языках и в иных предметных областях не гарантируется; она также наследует ограничения Moshi по качеству аудио при битрейте 1,1 кбит/с. Лицензия — CC BY 4.0.

HumanGPT — дообученная настраиваемая модель на базе GPT-2, опубликованная пользователем joeylieb. Она генерирует продолжение диалога в формате «user1: сообщение\nuser2:»: входная реплика и предшествующие сообщения дают контекст для ответа. Модель обучалась без учителя на 1,5 млн токенов пользовательского набора диалогов из Discord; в карточке указана версия 0.5 и незавершённый этап обучения. Модель предназначена для генерации текстовых ответов в стиле переписки и продолжения коротких диалогов. Это авторегрессионная архитектура GPT-2 с окном контекста 1024 токена; карточка указывает английский и иврит. Репозиторий использует формат safetensors и библиотеку Transformers. README не сообщает лицензию, поэтому условия использования определить нельзя.

SiberiaSoft/SiberianPersonaFred-2 — русскоязычная диалоговая модель для имитации заданной личности и поддержания разговора от её имени. Она основана на FRED-T5-XL и использует архитектуру T5 с 870,1 млн параметров; модель опубликована в форматах PyTorch и Safetensors. Модель предназначена для диалогов с описанием характера, роли и биографических фактов персонажа, например для виртуального собеседника или помощника, который отвечает в заданной манере. Карточка указывает датасет SiberiaSoft/SiberianPersonaChat-2 и лицензию MIT. Данных о длине контекста и специальных ограничениях качества в доступных материалах нет.

Карточка модели CurioSeaLab/SoulX-FlashHead-1_3B на Hugging Face совпадает с карточкой Soul-AILab/SoulX-FlashHead-1_3B, поэтому описание составлено по ней. 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.

씨앗 (Ssiat) 1.0 — компактная языковая модель MOGODIK на 254,7 млн параметров с архитектурой Llama, обученная с нуля для генерации текста на корейском языке. Модель предназначена для запуска на потребительском оборудовании и создания персонажных чат-ботов с помощью дообучения LoRA; сама базовая версия не имеет заданных имени, характера или стиля общения. Контекст составляет 1024 токена, доступны веса в форматах Safetensors и GGUF. Модель ориентирована на короткие диалоги с заданной личностью и быструю локальную настройку на небольшом наборе примеров. По данным карточки, обучение персонажа на 50–80 примерах может занимать 1–2 минуты на GPU RTX 5060 Ti с 16 ГБ памяти; также заявлена возможность запуска квантованной версии на малоресурсных устройствах. Лицензия — Apache 2.0. Ограничения включают слабые фактические знания и точность, неспособность работать с английским, математикой и вычислениями, а также ограниченное удержание фактов в длинных диалогах. В README отдельно предупреждается о некорректной токенизации в Ollama; для запуска автор рекомендует llama.cpp.

Aeona-Beta — разговорная генеративная модель, созданная автором репозитория на основе microsoft/DialoGPT-small. Она предназначена для непринуждённого общения и генерации ответов в чат-ботах, прежде всего в Discord; автор рекомендует сочетать её с AIML-ботом, который может хранить сведения о пользователе и обрабатывать заранее заданные ответы. Модель использует контекст предыдущих сообщений, а README советует передавать последние три пары реплик пользователя и бота. В карточке Hugging Face указаны архитектура GPT-2, реализация GPT2LMHeadModel и контекст до 1024 токенов; формат весов — PyTorch. Для обучения автор описывает смесь реплик из MovieLines, сообщений Discord и собственного набора сообщений. Это ориентирует модель на свободный диалог, но может приводить к случайным или нерелевантным ответам. Данные не подтверждают поддержку конкретных языков или специализацию на предметных областях. Модель распространяется по лицензии MIT.

Карточка модели Kenzlejaze/e5-small-v2-medichat-finetuned на Hugging Face совпадает с карточкой JumareKhaled/e5-small-v2-medichat-finetuned, поэтому описание составлено по ней. JumareKhaled/e5-small-v2-medichat-finetuned — текстовая Sentence Transformer-модель, дообученная на базе intfloat/e5-small-v2. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 384 и рассчитана на извлечение текстовых признаков, поиск и сопоставление по косинусному сходству. Архитектура основана на BertModel с усредняющим pooling; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и извлечения медицинских текстов. Название указывает на медицинскую настройку, однако карточка не описывает конкретную специализацию, данные обучения или оценку качества, поэтому результаты для медицинских запросов следует проверять. В метаданных указана лицензия? Нет сведений о лицензии; условия использования следует сверить на странице репозитория.

SiberiaSoft/SiberianPersonaFred — русскоязычная модель SiberiaSoft для генерации диалоговых ответов от заданного персонажа. В описании можно задать профессию, увлечения и биографические факты, например возраст, учёбу, место жительства и интересы, чтобы модель поддерживала выбранную личность в диалоге. Модель построена на архитектуре T5 и содержит около 870,1 млн параметров. Она обучена на наборе данных SiberiaSoft/SiberianPersonaChat и распространяется в форматах PyTorch и Safetensors. Лицензия — MIT.

AquaLLM — языковая модель, разработанная Oytunistrator и дообученная на датасете AquaLLM-Dataset для ответов на вопросы об аквариумистике. Модель основана на Qwen/Qwen2.5-7B-Instruct; в метаданных указано 1,5 млрд параметров, контекст до 32 768 токенов и поддержка форматов Safetensors и GGUF. Модель предназначена для консультаций по пресноводным и морским аквариумам, уходу за рыбами, аквариумными растениями, освещению, фильтрации, нагревателям и другим компонентам оборудования. Она также отвечает на вопросы о параметрах и химии воды, распространённых заболеваниях рыб и способах решения типичных проблем. AquaLLM подходит начинающим аквариумистам, опытным владельцам аквариумов и зоомагазинам, которым нужен специализированный консультант или помощник службы поддержки. Модель поддерживает турецкий и английский языки. Лицензия в доступных данных не указана.

ARK-135M — компактная разговорная языковая модель с архитектурой Llama, разработанная OvercastLab и ThingsAI. Она содержит 134,5 млн параметров и принимает текст, формируя текстовые ответы; максимальная длина контекста — 2048 токенов. Модель обучена с нуля, а затем дообучена на небольшом наборе примеров диалогов с устойчивой идентичностью и инструкциями отвечать полезно, уважительно и честно. Модель предназначена для простых диалогов, приветствий, ответов о собственной идентичности и выполнения несложных инструкций. По README, предварительное обучение охватывало 15 млрд токенов, а настройка инструкций — 1500 примеров. Результаты бенчмарков и ограничения указывают на слабые фактические знания и ограниченные способности к сложным рассуждениям; возможны выдуманные ответы и повторяющиеся фразы. Модель выпущена под лицензией Apache-2.0.

GPT2 中文对话生成模型由 shibing624 发布， предназначена для генерации ответов в бытовом китайском чате. В карточке описана исходная плотная архитектура GPT-2 с классом GPT2LMHeadModel; модель принимает текст и генерирует текст, поддерживает китайский язык, а её контекст составляет 300 токенов. Автор сообщает, что модель обучалась на распространённых китайских разговорных корпусах, включая Xiaohuangji, Douban, диалоги из телесериалов, форумы, Weibo, PTT и Qingyun, и приводит пример ответа на реплику о самочувствии. Репозиторий содержит веса PyTorch и safetensors. Лицензия — Apache-2.0.

Intent Detection V2.3 — дообученная модель ningpy на базе Qwen2.5-7B-Instruct для классификации намерений пользователей медицинского приложения и маршрутизации запросов с учётом безопасности. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров, работающая через text-generation; контекст — до 32 768 токенов. Она выдаёт структурированный JSON с метками намерения, признаками опасной ситуации и блокировки, кодами причин и извлечёнными лекарствами, заболеваниями и симптомами. Поддерживает английский, китайский и брунейский малайский; сущности сохраняются дословно из сообщения пользователя. Модель предназначена для разделения обычных медицинских вопросов, потенциальных экстренных случаев, запросов о персональных медицинских действиях и обращений вне области приложения. В README приведены результаты проверки на 2 518 примерах: Safety F1 92,3%, точное совпадение многометочной разметки 88,0%, совместная точность намерения и типов 81,5%. Эти показатели относятся к указанному набору проверки. Модель выпущена под лицензией Apache-2.0.

fff5/bike-e5-base-custom-bike — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-small, созданная для поиска и сравнения текстов о ремонте и обслуживании велосипедов. Она кодирует предложения и короткие абзацы в плотные векторы размерностью 384 и сравнивает их с помощью косинусного сходства; архитектура включает BERT, усреднение токеновых представлений и нормализацию. Модель принимает текст, обучена на 2643 парах запросов и документов и ориентирована на поиск по запросу и подбор похожих описаний.

Модель rmtariq/multilingual-emotion-classifier — дообученный классификатор эмоций на базе XLM-RoBERTa с 305,2 млн параметров. Она распределяет текст по семи классам: радость, любовь, удивление, отсутствие явно выраженной эмоции, грусть, гнев и страх. Модель обучена на сбалансированном корпусе из 840 примеров отзывов студентов малайзийских вузов, включающем стандартный малайский язык, 13 региональных диалектов и смешение малайского с английским (Manglish); контекст — до 514 токенов. Модель предназначена для мониторинга эмоций и тональности в отзывах студентов малайзийских высших учебных заведений, в том числе в неформальных сообщениях с диалектами и переключением языков. В карточке сообщается о точности 0,9796 и macro-F1 0,9753 на тестовой выборке из 147 примеров; малый размер корпуса ограничивает обобщение этих результатов на другие тексты и аудитории. Лицензия — Apache-2.0.

Shankarblr создал специализированную инструктивную модель на основе Llama 3.2 3B Instruct для технического маркетинга и документации в области полупроводников и межсоединений дата-центров. Это плотная авторегрессионная модель на 3,2 млрд параметров, дообученная методом QLoRA и объединённая с базовыми весами в fp16; заявленный контекст — 131 072 токена. Репозиторий также описывает вариант Q4_K_M GGUF для запуска через Ollama или llama.cpp. Модель предназначена для черновиков описаний продуктов, списков характеристик, прикладных заметок, разделов руководств для сетевых адаптеров, коммутаторов, DPU и адаптеров хранения, а также для извлечения спецификаций и ответов по предоставленному фрагменту текста. README указывает английский язык и рекомендует использовать шаблон чата Llama 3.2 Instruct; качество ответов на вопросы по источнику зависит от специального системного промпта. Модель выдерживает заданный стиль документации, но может смешивать характеристики разных поколений продуктов, выдумывать SKU и команды CLI. Сгенерированные числа, спецификации и флаги нужно сверять с первоисточниками; модель не предназначена для готовых к публикации спецификаций или общего чата вне своей предметной области. Лицензия — Llama 3.2 Community License.

Aeona — разговорная генеративная модель, созданная разработчиком deepparag на основе microsoft/DialoGPT-small. Она предназначена для коротких дружеских диалогов и в первую очередь ориентирована на чат-ботов в Discord; автор предлагает использовать её вместе с AIML-ботом, который может хранить сведения о пользователе и обрабатывать заранее заданные ответы. Модель построена на архитектуре GPT-2 и принимает текстовый контекст диалога, чтобы генерировать ответ. В README рекомендуется передавать текущую реплику и предыдущие три пары реплик пользователя и бота; метаданные указывают контекст длиной 1024 токена. В описании обучения упомянуты MovieLines, сообщения Discord и пользовательский набор сообщений. Автор отмечает, что ответы могут быть случайными, а использование слишком длинной истории ухудшает результат. Модель распространяется по лицензии MIT. README не приводит подтверждённых сведений о поддерживаемых естественных языках или количественном размере Aeona.

bitcoin-news-1.7b — компактная языковая модель для генерации текста, разработанная на базе Qwen/Qwen3-1.7B и дообученная для ответов на вопросы о Bitcoin и криптовалютах. Модель ориентирована прежде всего на начинающих пользователей и рассчитана на автономную работу на устройствах с ограниченными ресурсами, включая смартфоны, без подключения к интернету. Модель поддерживает текстовый ввод и вывод на английском языке. Она обучалась на образовательных материалах Bitcoin.com, расшифровках видео Bitcoin.com, примерах отказа от ответов на вопросы о实时ных данных и наборе общих инструкций UltraChat. Доступны GGUF-варианты с 4-битным представлением; одна из конфигураций использует Q1_0 для слоёв и Q4_K для эмбеддингов, чтобы уменьшить размер при сохранении качества. Размер файлов составляет примерно 768–935 МБ. Сильными сторонами модели являются специализация на основах Bitcoin, криптовалютных концепциях, практических сценариях и безопасном поведении при запросах о текущих ценах, новостях и других实时ных данных: такие сведения она должна отклонять, а не выдумывать. Ограничения включают небольшой размер, возможные ошибки и непригодность для финансовых решений. Вариант Q1_0 не имеет OpenCL-ядра для GPU Mali и на таких устройствах использует CPU. Модель распространяется по лицензии Apache-2.0.

HinTexta-34M — компактная разговорная языковая модель, разработанная Rohanify и обученная с нуля на наборе из 1 млн синтетических диалогов на хинглише. Она предназначена для генерации ответов в чатах и запуска локально, в том числе через Ollama. Модель использует архитектуру GPT-2 с 34 млн параметров, 8 слоями, размерностью 512 и 8 головами внимания; версия в репозитории представлена в формате GGUF F16. Контекстное окно — 512 токенов, токенизатор — собственный ByteLevel BPE с словарём на 16 тыс. токенов. Модель ориентирована на смешение хинди и английского в разговорной речи. Обучение на синтетических диалогах и небольшой размер делают её подходящей для локальных экспериментов и простых чат-сценариев, но карточка не приводит оценок качества или результатов сравнительных тестов. Лицензия — MIT.

vibhorag101/llama-2-7b-chat-hf-phr_mental_therapy — дообученная Vibhorag101 чат-модель семейства Llama 2, созданная на основе llama-2-7b-chat-hf с использованием терапевтического датасета. Она предназначена для поддерживающего общения и базовых ответов на темы психического здоровья, пока пользователь не обратится за профессиональной помощью. Модель выдаёт текст и настроена на жизнерадостный, ободряющий стиль общения. Модель имеет плотную авторегрессионную архитектуру LlamaForCausalLM с 6,6 млрд параметров и контекстом до 4096 токенов. В карточке указаны английский язык и датасеты vibhorag101/phr_mental_therapy_dataset и jerryjalapeno/nart-100k-synthetic. Репозиторий распространяется под лицензией MIT. Карточка приводит результаты Open LLM Leaderboard, но не уточняет протоколы их воспроизведения.

DataPilot/Llama3-ArrowSE-8B-v0.3 — японская диалоговая модель на архитектуре Llama 3, основанная на elyza/Llama-3-ELYZA-JP-8B и улучшенная методом chat vector для сценариев AItuber. Она предназначена для разговорного взаимодействия и генерации ответов на японском языке. Модель содержит 7,5 млрд параметров, использует плотную архитектуру и поддерживает контекст до 8192 токенов; доступны веса Safetensors. В README приведена оценка 3,81 на elyza-task100 при автоматической проверке Gemini Pro, а также заявлена доля галлюцинаций ниже 5%; методика и условия этих оценок не описаны. Лицензия — Llama 3 Community License.

Dhenu2 India 3B — разговорная языковая модель KissanAI для сельскохозяйственных приложений, построенная на архитектуре Llama 3.2 и содержащая около 3,2 млрд параметров. Она предназначена для чат-ботов и виртуальных помощников, которые отвечают на повседневные вопросы фермеров. Модель обучена на более чем 1,5 млн инструкций и диалогов, охватывающих свыше 4 000 сельскохозяйственных тем; ответы оценивали эксперты в области сельского хозяйства и с помощью синтетических проверок. Модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. Выпущена в октябре 2024 года под лицензией Llama 3.2 Community License. Модель ориентирована на сельское хозяйство и может хуже справляться с задачами вне этой области. Для ответов, влияющих на практические решения фермеров, следует учитывать возможность неточностей и проверять рекомендации по подходящим местным источникам.

ufakzeka-1 — турецкая чат-модель ufak AI, дообученная на основе собственной базовой модели ufakzeka-1-base. Она построена на плотной авторегрессионной архитектуре Qwen3 и содержит 182,5 млн параметров с эмбеддингами. Базовую модель обучили с нуля на 13,5 млрд токенов открыто лицензированных текстов, затем настроили для диалогов; модель принимает текст и выдаёт текст, поддерживает шаблон ChatML и контекст до 4096 токенов. Модель предназначена для коротких одно- и многоходовых разговоров на турецком языке. Она может поддерживать простой диалог, помнить имя, названное несколькими репликами ранее, и выполнять отдельные арифметические действия. Это экспериментальный исследовательский чекпойнт небольшого размера: он ненадёжно отвечает на вопросы о фактах, теряет нить длинного разговора, может повторять обучающие примеры, ошибаться в расчётах между ходами и почти не справляется с написанием кода. Не следует использовать его для медицинских, юридических или финансовых решений и задач, где ошибки могут причинить вред. Лицензия — Apache-2.0.

Waiter-0.8B — модель Ömer Faruk ŞAHAN и Adisyonist AI, дообученная методом QLoRA на базе Qwen/Qwen3.5-0.8B для многоязычного диалога и маршрутизации запросов к функциям ресторанной POS-системы Adisyonist. Она принимает сообщения пользователя и формирует один JSON-объект с последовательностью вызываемых backend-функций в поле agents и текстом для пользователя в поле answer; для неприменимых запросов список agents может быть пустым. Модель предназначена для обработки заказов, столов, бронирований, запасов, персонала, меню и продаж. Обучение использовало 532 856 примеров на 43 языках; указаны QLoRA, 4-битная NF4-квантизация с двойной квантизацией и вычисления в BF16. На отложенной выборке автор сообщает точность выбора агента 99,40%, валидность JSON 99,41% и точное совпадение ответа 92,57%; эти метрики относятся к описанной тестовой выборке. Опубликована под лицензией Apache 2.0. Модель узкоспециализирована на сценариях Adisyonist POS и не рекомендуется как универсальный ассистент. Известны ошибки на границе между неподдерживаемыми запросами и пустым списком агентов, смешение категорий с отдельными товарами и близких аналитических функций, неоднозначность шаблонов сводки продаж, ошибки в цепочках для запросов с несколькими намерениями и редкие языковые сдвиги. Ответы ожидаются в JSON, поэтому она не подходит для сценариев, требующих обычного свободного текста без обработки формата.

adarsh-08 разработал дообученную модель Qwen2.5-0.5B-Instruct для ответов на вопросы сотрудников о кадровых правилах вымышленной компании NovaTech Solutions. Это причинная языковая модель с архитектурой Qwen2, примерно 493,7 млн параметров и контекстом до 32 768 токенов. Модель обучена методом QLoRA на синтетических парах вопросов и ответов, а адаптер LoRA объединён с базовыми весами для самостоятельного использования. Модель рассчитана на англоязычные вопросы о видах отпусков, страховании и льготах, программах благополучия, оценке эффективности, командировках и расходах, использовании устройств и адаптации новых сотрудников. Она подходит для демонстрации или прототипа внутреннего FAQ-чатбота; README сообщает о хороших качественных ответах на близкие к обучающим примеры вопросы. Лицензия — Apache-2.0. Обучающие данные синтетические и описывают вымышленную компанию, поэтому ответы не являются проверенными правилами реального работодателя или юридической консультацией. Из-за небольшого размера модели и ограниченного набора примерно из 512 примеров она может ошибаться на числах, незнакомых формулировках и темах вне обучающего набора; факты следует сверять с официальными документами.

GrabbeAI — специализированная модель и AI-система для Christian-Dietrich-Grabbe-Gymnasium в Детмольде, Германия. Проект разработан для школьного сообщества и официально запущен в январе 2025 года. Согласно README, модель дообучена на основе OpenAI GPT-4o mini и предназначена для интеграции с веб-приложением школы и её официальным сайтом. Модель ориентирована на ответы на вопросы, связанные со школьной жизнью: расписанием, заданиями, часто задаваемыми вопросами, мероприятиями, правилами, контактами преподавателей и учебными материалами. Целевыми пользователями являются учащиеся, учителя и родители. Для формирования ответов используется специализированный набор данных с FAQ, каталогами сотрудников, документами и другими ресурсами школы. Указан немецкий язык; сведения о поддержке других языков, размере модели, точной архитектуре и максимальном контексте отсутствуют. Сильной стороной GrabbeAI является адаптация к конкретной предметной области и данным одной школы, что может повышать полезность ответов в локальных сценариях. Ограничения связаны с узкой специализацией и зависимостью от актуальности школьных данных; README также не приводит независимых оценок качества, точных параметров модели или подробностей реализации дообучения. Для модели указана лицензия gemma.

Meta Llama 3.1 8B Instruct — языковая модель Meta для диалогов и генерации текста. Это авторегрессионная модель на основе оптимизированного трансформера с Grouped-Query Attention; версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей (RLHF). Модель принимает и генерирует текст, поддерживает диалоговый режим и предназначена для коммерческого и исследовательского применения. Модель подходит для создания чат-ассистентов, ответов на запросы и других задач генерации текста на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Контекстное окно в предоставленных материалах не указано. Модель обучена на статичном офлайн-наборе данных; возможны ошибки и небезопасные ответы, поэтому результаты следует проверять, а для использования инструментов требуется отдельная интеграция и контроль со стороны разработчика. Условия распространения и применения регулируются лицензией Meta Llama 3.1 Community License и Acceptable Use Policy.

Aya-23-35B — мультиязычная большая языковая модель с открытыми весами, разработанная Cohere Labs и Cohere. Это авторегрессионная модель на основе оптимизированной архитектуры Transformer с 35 млрд параметров, дообученная следовать инструкциям. Она предназначена для диалога и генерации ответов на текстовые запросы на 23 языках, включая русский, английский, китайский, арабский, хинди и японский. Модель принимает и выдаёт только текст, поддерживает контекст длиной до 8192 токенов и доступна в формате safetensors для Transformers. Модель подходит для многоязычных чат-ботов, ответов на вопросы, создания и редактирования текстов, а также перевода и суммаризации. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование; также требуется соблюдать политику допустимого использования Cohere Labs. В карточке указано, что Aya 23 — более ранняя версия по сравнению с Aya Expanse.

Kona2-12B — диалоговая языковая модель на 12,2 млрд параметров от Tbilisi AI Lab. Она основана на Kona2-12B-Instruct и дообучена методом Direct Preference Optimization (DPO) на наборе из 387 тыс. пар предпочтений, чтобы улучшить качество и согласованность ответов. В основе семейства — архитектура Mistral; модель распространяется в формате safetensors и поддерживает работу через Transformers. Модель предназначена для диалогов на грузинском и английском языках, ответов на вопросы, генерации текста, перевода и автоматизации поддержки клиентов. В обучении отдельно учитывались сценарии вызова инструментов, однако метаданные подтверждают возможность чата, а не отдельный pipeline для tool calling. В README указан контекст 32 тыс. токенов, тогда как метаданные каталога сообщают native context в 1 024 000 токенов; поэтому фактический доступный контекст следует сверять с конфигурацией и используемым рантаймом. Модель рекомендована разработчиком для production-применения. Лицензия — Apache-2.0. Известное ограничение: обучающие данные имеют срез до 2024 года; для запуска в полной точности рекомендуется не менее 48 ГБ VRAM, а с 4-битной квантизацией — от 24 ГБ.