III.4Клиентская поддержка и customer success

SLIM-INTENT — специализированная модель серии SLIM от llmware, дообученная для анализа намерений и вызова функции классификации. Она принимает текст и формирует структурированный результат в виде словаря Python с полем intent, например с меткой «complaint», пригодный для дальнейшей обработки в автоматизированных цепочках LLM. Модель построена на архитектуре Llama с плотной decoder-only языковой моделью и содержит 1 млрд параметров. Она рассчитана на текстовый ввод и текстовый структурированный вывод; в карточке показан англоязычный пример, но языковая поддержка отдельно не заявлена. Контекст — до 2048 токенов. Доступна в формате PyTorch, лицензия — Apache-2.0.

Statim Decide Multilingual Base — модель для типизированной классификации и принятия решений по тексту, разработанная для движка Statim. Это дообученная на нескольких наборах данных модель-энкодер mmBERT-base на основе convaiinnovations/laya-multilingual. Она отвечает на заданный вопрос о тексте одним из вариантов, оценкой или ответом «да/нет» и предназначена для маршрутизации обращений, определения намерений, модерации и других решений по коротким текстам и JSON. Модель не генерирует текст и рассчитана на один проход энкодера; доступны веса GGUF F32 и Q8_0, а также checkpoint в формате Laya. По заявленным измерениям, ответы можно получать на CPU и GPU без Python во время выполнения. Модель поддерживает несколько языков, включая русский, английский, арабский, немецкий, испанский, французский, хинди, итальянский, японский, польский, турецкий, китайский, индонезийский, португальский, нидерландский и персидский. В README приведены результаты на наборах для классификации намерений, типизированных решений и других задач; качество зависит от задачи и языка. Авторы отмечают слабые результаты на понимании прочитанного и семантическом сходстве и рекомендуют проверять уверенность модели, передавая ответы с низкой уверенностью на проверку человеку. Для решений с существенными последствиями для людей требуется человеческий контроль. Веса распространяются по лицензии PolyForm Noncommercial 1.0.0; часть обучающих данных имеет некоммерческие, ShareAlike или неизвестные условия лицензирования.

Tiny-Jev — компактная модель принятия решений с открытыми весами, разработанная независимым автором на основе Qwen3-0.6B и вдохновлённая идеей System One и интерфейсом Jev. Она принимает описание состояния, вопрос и заранее заданный набор вариантов, а затем за один проход возвращает вероятности для этих вариантов. Модель дообучена на синтетических примерах решений; её архитектура включает декодер Qwen3 и отдельную линейную голову решений. В репозитории указано 596 млн параметров, а метаданные каталога оценивают размер в 507,6 млн; контекст модели — до 40 960 токенов по метаданным, при этом README описывает обработку до 4 096 токенов на вопрос с усечением состояния при необходимости. Модель предназначена для маршрутизации обращений, классификации и оценки состояний, проверки утверждений, модерации, фильтрации и контроля результатов других моделей. Она не генерирует текст: ответы ограничены переданными вариантами, что исключает ошибки формата и позволяет использовать вероятности для автоматического выбора или передачи сомнительных случаев на проверку. Обучение охватывает разнообразные сценарии, включая русскоязычные состояния при англоязычных вопросах, но основной язык интерфейса — английский. Модель распространяется по лицензии Apache-2.0. Ограничения: она слаба в арифметике и сравнении дат, может быть чрезмерно уверенной на коротких запросах вне обучающего распределения, а пользовательский текст внутри состояния способен влиять на решение. Для точных вычислений следует использовать код; формулировки вопросов нужно задавать буквально и предоставлять необходимый контекст.

Tron-1B — англоязычная модель SamCodeManMk2 для классификации текста по вариантам, заданным в запросе: она выбирает метку, выставляет оценку по шкале или отвечает «да/нет» и возвращает вероятности и показатели уверенности. Модель предназначена для быстрых решений в приложениях с ИИ: маршрутизации запросов, определения намерений, первичной сортировки, проверки безопасности и автоматизации рабочих процессов. Это двунаправленный энкодер на 1,1 млрд параметров на базе jhu-clsp/ettin-encoder-1b с отдельной головой принятия решений. Входной текст, вопрос и варианты ответа кодируются совместно; модель обучена примерно на 1,2 млн примеров типизированных решений. Набор меток и вопрос можно задавать во время выполнения без переобучения. Для неопределённых ответов доступны порог уверенности и отказ от решения; длинный текст можно обрабатывать скользящими окнами. В опубликованных разработчиком тестах модель показала результаты на классификации намерений, тем, тональности и обнаружении prompt injection. Лучше всего она работает на английском и на входах короче примерно 2 000 токенов; точность снижается на очень больших наборах новых меток. Tron-1B классифицирует только среди предоставленных вариантов и не генерирует свободный текст. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Von 1.3 — открытая модель принятия решений от разработчиков проекта Von. Она дообучена на базе двунаправленного энкодера ModernBERT-large и дополнена маркерной оценочной головой. Вместо генерации текста модель за один проход энкодера выбирает вариант, проверяет условие или оценивает уровень по описаниям вариантов; стоимость прохода не зависит от числа вариантов. Репозиторий содержит веса в safetensors и отдельные файлы оценочной головы и калибровки. Модель рассчитана на классификацию и маршрутизацию запросов, проверки политик и условий, а также оценивание по заданным критериям. Она поддерживает английский язык и контекст до 8192 токенов. Лицензия — Apache-2.0. Порядок вариантов не влияет на их оценки. Калибровка уверенности обучена на публичной части JevBench и может плохо переноситься на другие данные; для рабочих сценариев с использованием уверенности рекомендуется перекалибровка на собственных метках. Модель может уверенно ошибаться вне обучающего распределения, слаба на длинных многошаговых и временных или числовых рассуждениях, а проверки без заданных критериев менее надёжны. Она не предназначена для генерации текста; известный пробел обучения касается маршрутизации ошибок авторизации, ограничений частоты запросов и отклонений инструментов.

HarborIntent-Compact — компактная модель классификации намерений для маршрутизации запросов в службе поддержки. В карточке она описана как помощник для определения намерения, извлечения слотов и безопасного выбора инструментов из ограниченного набора. Модель основана на архитектуре BERT и предназначена для англоязычных обращений; в метаданных указаны библиотека Transformers и формат весов safetensors. Модель подходит для направления обращений в утверждённые инструменты и извлечения сущностей и параметров из запросов. В оценке на наборе HarborBench приведены точность определения намерения 0,851, F1 извлечения слотов 0,829 и полнота извлечения сущностей 0,824. Выпущена по лицензии Apache-2.0. Модель не предназначена для свободной генерации текста, медицинских и юридических консультаций или автономных финансовых действий. Результаты следует проверять перед использованием в решениях с существенными последствиями.

Jais-30b-chat-v3 — диалоговая языковая модель, разработанная Core42 (Inception) совместно с Cerebras Systems и дообученная на парах запросов и ответов на арабском и английском языках. Она предназначена для чат-ассистентов, клиентской поддержки, ответов на вопросы, генерации кода и рассуждений по тексту. Модель использует декодерную архитектуру Transformer, близкую к GPT-3, с активацией SwiGLU и позиционными представлениями ALiBi. README указывает контекст до 8192 токенов. Модель принимает текст и генерирует текст; для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True. Модель оптимизирована для современного стандартного арабского и английского языков. Среди ограничений — возможные ошибки, предвзятость и неподходящие ответы; качество на других языках и диалектах не гарантируется. Не следует использовать её для высокорисковых решений без контроля человека или для работы с чувствительной информацией. Лицензия Apache 2.0.

Multilingual_Intent_Classifier_checkpoint_v1 — дообученная Blue Machines компактная модель классификации намерений на основе текстовой архитектуры Gemma 3. Восьмислойный стек с размером скрытого состояния 320 и примерно 95,3 млн параметров формирует представление текста через усреднение состояний энкодера и передаёт его линейной классификационной голове. Модель предназначена для отнесения коротких высказываний к семи классам: предоставление информации, согласие, отказ, исправление, вопрос, просьба уточнить и неясное намерение. Модель работает с английским и девятью индийскими языками: хинди, тамильским, телугу, каннада, маратхи, малаялам, бенгали, гуджарати и одия. Поддерживаются родное письмо, латинизированная запись и смешение языков в одном высказывании. Контекст составляет до 32 768 токенов, хотя карточка ориентирует модель на классификацию отдельных высказываний. Весовой файл представлен в формате safetensors; лицензия — Gemma. README указывает, что для загрузки этой специализированной архитектуры требуется класс Gemma3Intent8LStudent из кода обучения, а стандартный AutoModel её не создаёт.

TalkTix/roberta-base-category-type-generator-53k — модель классификации текстовых обращений в службу поддержки, разработанная на базе RoBERTa. Она относит запрос к одной из пяти категорий: технические проблемы, счета и платежи, вопросы о продукте, управление аккаунтом и вопросы о правилах. Модель обучена на сбалансированном наборе из 53 000 анонимизированных обращений и предназначена для маршрутизации запросов и автоматизации первичной сортировки обращений на английском языке. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текст длиной до 514 токенов. По описанию обучения, валидационная ошибка оставалась близкой к обучающей; при этом ошибки классификации чаще встречались между техническими проблемами и вопросами о правилах, а также между управлением аккаунтом и вопросами о правилах. Распространяется по лицензии MIT.

SPEAKLAR-RAG-1.7B — полноразмерный чекпойнт на 1,7 млрд параметров для генерации ответов службы поддержки на основе найденных документов. Модель разработана Munzurul и построена на архитектуре Qwen3; она предназначена для использования в RAG-сценариях через Transformers. На вход подают текстовый запрос и краткие релевантные свидетельства, полученные поиском по базе знаний; модель формирует текстовый ответ. README сообщает об испытаниях с материалами на бенгальском языке и о генерации ответов на бенгальском. Метаданные также указывают английский как поддерживаемый язык. Контекст модели — до 32 768 токенов. Модель подходит для подготовки ответов поддержки по извлечённым сведениям, но сама по себе не является источником актуальных бизнес-фактов. Цены, расчёты и ответы, критичные для соблюдения политик, следует проверять в коде приложения. Лицензия в предоставленных сведениях не указана.

Модель wordcab/t5-small-email-summarizer разработана командой Wordcab и дообучена на базе Falconsai/text_summarization, модели семейства T5. Она предназначена для суммаризации электронных писем на английском языке и создаёт краткие однострочные или подробные пересказы по режимам summarize_brief: и summarize_full:. Модель рассчитана на обработку деловой и неформальной переписки, включая тексты с опечатками, сокращениями и разным форматированием; её можно применять для управления почтовым ящиком, разбора приглашений на встречи, первичной сортировки обращений в поддержку и пересказа рассылок. В метаданных указаны 38,5 млн параметров, архитектура T5ForConditionalGeneration, библиотека Transformers и контекст длиной до 512 токенов. Модель принимает текст письма и генерирует текстовый пересказ. Лицензия — Apache 2.0. Модель ориентирована на английский язык; она может упускать нюансы длинных цепочек писем, а автор не рекомендует использовать её для пересказа юридических и медицинских документов.

Savta разработала модель распознавания намерений пользователя в сообщениях. Она дообучена на базе google-bert/bert-base-uncased и использует архитектуру BERT с классификационной головой BertForSequenceClassification. Модель относит входной текст к одному из 50 классов, включая запрос технической поддержки, вопросы о товарах и ценах, возвраты, жалобы, рекомендации и другие намерения в диалоге с компанией. Модель предназначена для классификации обращений клиентов и маршрутизации сообщений в службах поддержки и продаж. Она содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и рассчитана на английский язык. В метаданных также указан text-generation, но архитектура и перечисленные классы указывают на основное применение как классификатора текста. Лицензия в предоставленных данных не указана.

correctional-GPTaM — русскоязычная модель генерации текста и диалогов на основе LiquidAI/LFM2.5-2.6B-Base. Разработчик удалил шесть Mamba-слоёв и провёл LoRA-адаптацию; в репозитории указаны 2,1 млрд параметров и контекст до 128 000 токенов. Модель предназначена для переписывания сообщений с грубой или резкой лексикой в вежливой и культурной форме с сохранением исходного смысла. Для этого сценария README предписывает системный промпт и вывод только переписанного текста. Модель также заявлена для генерации текста и диалогов. На тесте WikiText-2 после адаптации указана перплексия 16,05 и скорость генерации около 33,67 токена в секунду; README сообщает, что прунинг ускорил генерацию, но ухудшил перплексию относительно исходной модели. Лицензия в метаданных обозначена как other, без конкретизации условий.

Decision-1.0-Lex-0.6B — специализированный классификатор Open Decision Foundation Models для операционных решений, дообученный на базе llm-semantic-router/Decision-1.0-Kai-0.6B. Модель содержит около 572 млн параметров и использует архитектуру Decision1 с тремя двунаправленными энкодерными путями по 22 слоя, общими многоязычными входными эмбеддингами и отдельными блоками взаимодействия и классификации для задач выбора, проверки условий и оценки. Lex принимает контекст, вопрос и описания вариантов, после чего возвращает вероятности кандидатов, оценку истинности условия либо распределение по упорядоченной шкале и ожидаемое значение. Она предназначена, в частности, для выбора действий или эскалаций в поддержке, маршрутизации счетов и исключений, оценки сигналов безопасности и классификации результатов работы агентов. README сообщает об оценке на английских примерах и приводит точность 78,15% на тестовом наборе из 2 000 решений. Входной запрос ограничен 1 024 токенами; превышение лимита приводит к ошибке без усечения. Вероятности не являются калиброванной уверенностью, а результаты могут зависеть от порядка кандидатов и формулировки задачи. Для серверного развёртывания требуется совместимая среда vLLM Semantic Router Decision; доступен также локальный запуск через Transformers с кодом репозитория. Лицензия — Apache-2.0.

Jais-30b-v3 — двуязычная предварительно обученная большая языковая модель, разработанная Core42 (Inception) совместно с Cerebras Systems. Она предназначена для генерации текста на арабском и английском языках, а также для дальнейшей адаптации под прикладные задачи, например чат-ассистентов и обслуживание клиентов. Модель содержит 30 млрд параметров и обучена на 1,6 трлн токенов, включая арабские, английские и программные данные. Архитектура — декодерный Transformer с SwiGLU и позиционными представлениями ALiBi, помогающими работать с длинными последовательностями. Модель принимает текст и генерирует текст; для загрузки через Transformers требуется пользовательский класс модели и параметр trust_remote_code=True. Модель оптимизирована для арабского и английского языков и не гарантирует сопоставимого качества на других языках. Ответы могут быть неверными, вводящими в заблуждение или предвзятыми; модель не следует использовать без контроля человека для важных медицинских, юридических, финансовых и иных критически значимых решений. Лицензия — Apache 2.0.

OpenThai-SystemOne — созданная iApp модель принятия решений для классификации вариантов и оценки вероятностей на тайском и английском языках. Вместо генерации текста она принимает описание состояния в виде текста или JSON и типизированный вопрос, а затем за один проход выдаёт вероятности для выбора из вариантов, оценки по упорядоченной шкале или ответа «да/нет». Контракт запросов и ответов совместим с API TypeSafe System One. Модель основана на текстовой части Qwen/Qwen3.5-0.8B-Base с 24 слоями; визуальный энкодер удалён. Вместо языковой головы используется голова на 256 слотов, а длина контекста составляет 262 тысячи токенов. В карточке описаны маршрутизация обращений, модерация, распознавание намерений, оценка релевантности для RAG, проверка ответов LLM и выбор действий браузерного агента или инструмента. Модель дообучалась на тайских и англоязычных примерах классификации, логического вывода, вопросов и ответов, рейтингов и выбора действий; вероятности дополнительно калибровались. В репозитории указана лицензия Apache-2.0. Среди ограничений авторы отмечают ошибки в оценке вежливости формального тайского языка. При использовании через Ollama доступны только 2–26 вариантов, отсутствует режим независимости от порядка вариантов и нельзя выбрать ответ «ни один из вариантов»; эти ограничения относятся к Ollama-сборке, а не к API модели.

Phi-4 Empathetic — дообученная разработчиком prithivMLmods модель Microsoft Phi-4 для генерации диалогов с эмпатичным тоном и ответов, учитывающих эмоциональный контекст. В карточке описаны обучение на отобранных синтетических, общедоступных и академических данных, а также применение SFT и DPO для настройки диалогового поведения и безопасности. Модель предназначена для эмоциональной поддержки, уважительного общения, создания эмоционально выразительных текстов, пояснений и ответов клиентам. Она принимает текст и генерирует текст; поддерживает английский язык. Архитектура указана в метаданных как плотная LlamaForCausalLM, размер — 14,1 млрд параметров, контекст — до 16 384 токенов. Лицензия — MIT. Модель может ошибаться в распознавании эмоционального тона, сохранять предвзятость и выдавать неподходящие ответы, поэтому в чувствительных сценариях необходима проверка человеком. Знания не обновляются в реальном времени; для специализированных медицинских, юридических и финансовых задач может потребоваться дополнительная настройка.

Plek-1 — модель классификации решений, разработанная Drenel и основанная на методологии Jev. Она оценивает заданные варианты параллельно за один проход и возвращает вероятности по кандидатам или структурированный результат по нескольким полям. Модель предназначена для классификации намерений, маршрутизации запросов, определения тональности и срочности, а также фильтрации угроз. В метаданных указаны архитектура T5ForConditionalGeneration, 385,2 млн параметров и контекст до 512 токенов. README заявляет высокую скорость и отсутствие текстовых галлюцинаций благодаря ограничению ответа кандидатами, однако это не подтверждает безошибочность классификации. Модель принимает текст контекста, вопроса и вариантов ответа. Поддерживаемый язык — английский. Лицензия — Apache-2.0.

Winnow-E4B — компактная дообученная модель EldanRing на базе Gemma 4 E4B IT. Она предназначена для выбора из заранее заданных вариантов ответа по общему состоянию и вопросу: модель оценивает кандидатов и возвращает решение без объяснения. Подходит для маршрутизации запросов, выбора действий, проверки условий и оценки срочности; также поддерживает обычный чат и входные изображения. Модель основана на мультимодальной архитектуре Gemma 4 E4B IT. Обучались языковые тензоры с помощью LoRA ранга 32 и alpha 64; модули зрения и аудио оставались замороженными. Адаптер объединён с базовой моделью, а файлы GGUF доступны в вариантах BF16 и Q8_0. Для обработки изображений требуется соответствующий vision projector. В README приведены результаты на наборах JevBench и Kev, а также измерения производительности и памяти; эти показатели зависят от конфигурации и нагрузки. Модель лицензирована по Apache-2.0. Обучающие данные и конвейер обучения не опубликованы. Описанные оценки выбора относятся к конкретным тестовым наборам, а качество на других сценариях может отличаться; решения выдаются без объяснений.

basal-1.0-4.5B — польскоязычная модель принятия решений, разработанная автором репозитория и дообученная на Bielik-4.5B-v3.0-Instruct. Это плотная авторегрессионная модель семейства Llama с 4,7 млрд параметров и контекстом до 32 768 токенов; для вывода используется Transformers, веса опубликованы в формате Safetensors. Вместо свободного текста она оценивает варианты ответа, заданные в запросе, и возвращает вероятности для выбора, ответа «да/нет» или оценки. Модель предназначена для динамической классификации и принятия решений по переданному сообщению, документу, делу или структурированным данным. Её можно применять для маршрутизации обращений и документов, проверки правил, оценки срочности и риска, а также выбора действий и инструментов в конвейерах LLM. Карточка сообщает о лучших результатах на польских задачах принятия решений и о калибровке уверенности; английские задачи также оценивались. Лицензия — Apache-2.0. Точность и калибровку следует проверять на собственных данных: часть ошибок может быть связана с обучающими метками, а для польских правовых вопросов модель может не знать актуальных изменений законодательства. Она чувствительна к порядку вариантов даже при усреднении результатов для исходного и обратного порядка; решения с серьёзными последствиями требуют проверки человеком.

DomainTune-Qwen2.5-1.5B-Triage — дообученная модель jasirjru на базе Qwen/Qwen2.5-1.5B для первичной классификации обращений в поддержку и отчётов об ошибках. Она принимает неструктурированный текст тикета или GitHub issue и формирует структурированный JSON с приоритетом, категорией, затронутым компонентом, тональностью и признаком необходимости решения. Модель построена на архитектуре Qwen2 с 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Поддерживается генерация текста, включая диалоговый режим. Модель предназначена для автоматизации сортировки обращений: определения срочности, направления тикета в подходящую команду и выделения ключевых полей для последующей обработки. README заявляет enterprise-grade и детерминированный вывод JSON, однако независимые оценки качества и метод обеспечения детерминированности не приведены. Распространяется по лицензии Apache-2.0.

GPT-6 Luna — быстрая и экономичная модель OpenAI из серии GPT-6, позиционируемая ниже GPT-6 Sol. Она предназначена для чат-сценариев, классификации и лёгких агентных задач, особенно при высокой нагрузке и требованиях к низкой задержке. Данных об архитектуре, размере, модальностях, языках, длине контекста и лицензии в предоставленных материалах нет.

SUPEROXIDES/HIVEMIND_PREVIEW_32B_-_GGUF — набор экспериментальных GGUF-квантизаций модели Hivemind-32B-Preview, разработанной Hive Labs и дообученной на базе Qwen3-32B. Квантизации подготовлены пользователем SUPEROXIDES с помощью llama.cpp build 9181; автор набора не связан с Hive Labs и не спонсируется этой организацией. Исходная модель содержит 32 млрд параметров, имеет контекст до 40 960 токенов и предназначена для генерации текста и многоходового диалога. Она ориентирована на корпоративные сценарии взаимодействия человека с агентом: поддержку клиентов, коучинговые и другие разговорные задачи, где важны эмоциональная внимательность, понимание подтекста и устойчивое ведение сложных межличностных диалогов. В метаданных указан английский язык. Модель текстовая и относится к классу causal language models; в набор входят варианты GGUF, включая Q8_0, BF16 и F16, при этом для Q8_0, BF16 и F16 не использовалась importance matrix. Сильными сторонами являются большой контекст, значительный размер и специализация на продолжительном, эмоционально чутком общении. Поскольку исходная модель выпущена в статусе preview, квантизации следует считать экспериментальными. Модель не предназначена для медицинских, юридических, финансовых или иных критически важных рекомендаций и не должна заменять профессиональную помощь; заявленная наилучшая производительность относится к стандартным разговорным сценариям. Для набора квантизаций указана лицензия Apache-2.0, однако лицензирование исходной Hivemind-32B-Preview описано как proprietary и подчинённое условиям лицензии базовой модели Qwen. Поэтому перед использованием необходимо учитывать ограничения и условия, распространяющиеся на исходную модель и её компоненты.

Jais-13b-chat — двуязычная языковая модель с 13 млрд параметров, разработанная Inception, Mohamed bin Zayed University of Artificial Intelligence (MBZUAI) и Cerebras Systems. Это модель на базе трансформера с декодером, дообученная для диалогов и следования инструкциям на арабском и английском языках. В основе лежит Jais-13b; обучение охватывало миллионы пар запросов и ответов, включая многоходовые диалоги и инструкции с мерами безопасности. Архитектура использует нелинейность SwiGLU и позиционные представления ALiBi, помогающие работать с длинными последовательностями. Модель принимает текст и генерирует текст. Она предназначена для чат-ассистентов, поддержки клиентов и приложений для арабоязычной аудитории, а также для исследований и дальнейшей настройки под конкретные задачи. В карточке указана лицензия Apache 2.0. Для загрузки через Transformers требуется пользовательский класс модели и параметр trust_remote_code=True; для запуска с производительностью, сопоставимой с тестированием авторов, рекомендован экземпляр с четырьмя GPU Nvidia Tesla T4 или мощнее. Модель оптимизирована для современного литературного арабского и английского; её не следует считать столь же компетентной в других языках и диалектах. Ответы могут быть ошибочными, вводящими в заблуждение или предвзятыми. Модель не предназначена для высокорисковых решений без контроля человека и для обработки конфиденциальной информации.

Karar-4B — дообученная Eschatia Labs модель на 4 млрд параметров для классификации, маршрутизации и принятия решений по тексту, с выдачей вероятностей. Она основана на InternLM Intern-Decision-4B и дообучена с помощью LoRA на данных JevAlt. Архитектура — плотная Qwen3.5; модель работает с текстом и поддерживает контекст до 8 тыс. токенов. Основной язык — турецкий, также указана поддержка английского. Модель предназначена для локального применения в сценариях, где нужно отнести запрос или состояние к категории, выбрать маршрут либо получить оценку уверенности в решении. В README приведены результаты на тестовом наборе турецких решений из того же конвейера данных, что и обучающие данные; они не гарантируют аналогичного качества на других данных. Для порогов уверенности рекомендуется заново калибровать вероятности на собственных данных. Модель уязвима к внедрённым инструкциям, слаба на длинном нерелевантном тексте и вычислениях с датами; важные решения следует проверять отдельно. Лицензия — Apache-2.0.

LAYA v2.0 Enhanced Edition — дообученная модель семейства ModernBERT, разработанная автором репозитория ameerhmz5 на базе convaiinnovations/laya. Она предназначена для быстрых решений за один проход: выбора действия из набора вариантов, бинарной проверки утверждений и правил, а также оценки приоритета или уровня риска. В README заявлены 90,61% точности на валидационной выборке из 4 740 примеров и обучение на корпусе из 47 400 вопросов; архитектура в метаданных — ModernBertForMaskedLM с 394,7 млн параметров и контекстом 8 192 токена. Модель подходит для маршрутизации запросов и инцидентов, классификации, триажа обращений, проверки соответствия политикам и выбора инструмента в агентных системах. В репозитории указаны веса Safetensors и варианты GGUF F16 и Q8_0; README также описывает запуск на Apple Silicon. Лицензия — Apache-2.0. Заявленные показатели и скорость относятся к описанным автором условиям и не гарантируют такого же результата на других данных и оборудовании. Данные карточки указывают на задачи text-classification и fill-mask; последняя отражает архитектурный тип, тогда как основное пользовательское назначение — классификация и принятие решений.

Llama-Spark — разговорная языковая модель компании Arcee.ai на архитектуре Llama, предназначенная для чат-ботов, виртуальных помощников и диалоговых систем. Модель насчитывает 7,5 млрд параметров и создана на основе Llama-3.1-8B: её дообучили на наборе данных Tome, а затем объединили с Llama-3.1-8B-Instruct. В метаданных указано окно контекста до 131 072 токенов. Модель генерирует текст в формате беседы и рассчитана на естественные, информативные ответы. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH; эти оценки не гарантируют качество в конкретном приложении. Для работы с весами в формате safetensors нужна совместимая среда. Лицензия — Llama 3.1 Community License.

Plek-1 — модель классификации решений от sharhabeel, построенная на архитектуре T5ForConditionalGeneration и методологии Jev System One. Она оценивает заданные варианты параллельно за один проход и возвращает вероятности и структурированные решения, ограниченные списком вариантов. Модель предназначена для классификации намерений и настроений, определения срочности, маршрутизации запросов и фильтрации угроз; в карточке заявлена работа с контекстом, вопросом или подсказкой и набором вариантов. Модель содержит 385,2 млн параметров, использует формат safetensors и имеет контекстное окно 512 токенов. Метаданные указывают английский язык и лицензию Apache-2.0. Карточка заявляет высокую скорость и снижение риска произвольных текстовых ответов благодаря выбору из предложенных вариантов, однако не приводит независимых оценок качества. Упоминание в README оценки контекста свыше 200 000 токенов не согласуется с указанным в метаданных размером контекста.

VikramPal выпустил текстовую дообученную модель Qwen3.5-35B-A3B для маршрутизации пользовательских запросов по каталогу намерений, который передаётся в prompt. Модель возвращает идентификатор подходящего намерения, поэтому каталог можно менять без отдельного обучения под каждый набор меток. Она основана на Qwen/Qwen3.5-35B-A3B и использует архитектуру MoE; в репозитории опубликована только текстовая часть модели в формате Safetensors, размер которой в метаданных указан как 2,9 млрд параметров. Контекст — 262 144 токена. Лицензия — Apache-2.0. На 1 500 тестовых примерах модель показала 91,1% точного совпадения с ожидаемым идентификатором; для каталога BANKING77, исключённого из обучения, результат составил 84,3%. В карточке также приведены результаты на английском, немецком, испанском, французском, хинди и тайском языках. Модель рассчитана на один запрос и один идентификатор намерения за раз; если запрос объединяет несколько намерений, она должна задать уточняющий вопрос. Это не мультимодальная версия исходной Qwen: зрительная часть и MTP-голова отсутствуют. По карточке, для запуска следует использовать Transformers; vLLM не поддерживает этот чекпойнт.

mandeepmotan/AeroCart-Support-Bot-SFT — дообученная языковая модель на архитектуре Llama для генерации текста. Разработчик — mandeepmotan; модель создана на основе unsloth/llama-3.2-1b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. По названию она предназначена для ответов на вопросы службы поддержки AeroCart. Модель содержит 1,2 млрд параметров, принимает текст и генерирует текст. В метаданных указан контекст до 131 072 токенов и английский язык. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.