III.4Клиентская поддержка и customer success

ARK-270M-Instruct — небольшая разговорная языковая модель ThingsAI, дообученная по инструкциям на базе Quark-270M Base. Это декодерный Transformer с GQA, SwiGLU, RMSNorm и RoPE; в модели 252 млн параметров с общими весами эмбеддингов. Она рассчитана на чат и выполнение инструкций на итальянском и английском языках, включая простые запросы о командах терминала и программировании. Контекстное окно составляет 2048 токенов. Модель обучена с нуля, а затем прошла SFT на итальянских инструкциях, англоязычных диалогах и примерах по коду. Она подходит для лёгкого двуязычного чат-бота и самостоятельного хостинга; распространяется под лицензией Apache-2.0. Из-за небольшого размера модель может ошибаться в фактах и математике, а сгенерированный код часто не работает. Она не предназначена для сложных рассуждений, точных ответов на фактические вопросы или критически важных применений.

LuangMV97/DialoGPT_EmpAI_final — дообученная LuangMV97 модель на базе microsoft/DialoGPT-small для генерации ответов в текстовых диалогах. Она использует архитектуру GPT-2 и принимает текст, выдавая текстовые ответы; размер контекста составляет 1024 токена. Модель распространяется в формате safetensors по лицензии MIT. В карточке указано значение loss 2,8686 на оценочном наборе, но подробности набора данных и предполагаемых сценариев применения не приведены. Поэтому качество ответов и специализацию модели оценить по доступным сведениям нельзя.

Qwen3-Coder-calendar instruction-following RL — step 6 — это экспериментальный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, созданный после асинхронного обучения RLOO на данных TaskTrove v4.9 для выполнения инструкций по работе с календарём. Модель предназначена для диалоговых сценариев, связанных с календарными запросами и инструкциями. Это MoE-модель на архитектуре Qwen3, доступная в формате safetensors и рассчитанная на контекст до 262 144 токенов; в метаданных указано 2,6 млрд параметров. В README приведён результат 39 успешных прохождений из 128 на контрольной выборке, однако обнаружилось пересечение этой выборки с обучающими данными, поэтому оценка не отражает независимую обобщающую способность. Чекпойнт является ранним экспериментальным шагом обучения. Условия лицензии в предоставленных сведениях не указаны.

DialoGPT-medium-distill-Kimi-K2-Instruct — англоязычная причинно-языковая модель для диалогов, созданная дообучением Microsoft DialoGPT-medium. В README указано 406,3 млн параметров; архитектура — плотная GPT-2, библиотека — Transformers, веса представлены в safetensors. Контекст составляет 1024 токена. Модель предназначена для чат-ботов, непринуждённых бесед, творческого письма и взаимодействий с заданной персоной. В README заявлены настройка под пользовательскую персону и внедрение фактических знаний; модель можно загружать через AutoTokenizer и AutoModelForCausalLM из Transformers. Небольшой объём обучающих данных и творческая настройка могут приводить к галлюцинациям и неточным, вольно сформулированным ответам. Лицензия — MIT.

Qwen3 support and order merge — экспериментальная модель на базе Qwen/Qwen3-0.6B, созданная Theoric Labs для узкой адаптации диалогов поддержки. Она генерирует текст и предназначена для классификации обращений по очередям с кодами RUBY (оплата), JADE (вход в аккаунт) и AMBER (доставка), а также для извлечения SKU и количества в JSON. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 507,9 млн параметров и имеет контекст 40 960 токенов. Для диалогового шаблона рекомендуется отключать режим рассуждений; в описанном эксперименте использовалась жадная генерация с лимитом 48 новых токенов. В тесте из карточки модель верно выполнила 48 из 48 примеров для каждого из двух навыков. Это узкий синтетический эксперимент: шаблоны обучения и идентификаторы сущностей не пересекались с оценочными, но фразы намерений повторялись, поэтому результаты не подтверждают широкую языковую обобщающую способность или готовность к реальной поддержке. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Supervisor-FRPT-Phi-4-reasoning — LoRA-дообученная модель для оценки качества диалогов чат-бота службы поддержки электроники. Разработчик не назван. На вход подаются категория, многоходовый диалог пользователя с ассистентом и найденный справочный документ; модель формирует на корейском языке оценку по трём критериям — соответствие запроса документу, согласованность ответа с документом и полнота ответа — и выдаёт вердикт correct или incorrect с объяснением в JSON. Модель основана на Microsoft Phi-4-reasoning, использует архитектуру Phi-3 и содержит 14,1 млрд параметров. Контекст — до 32 768 токенов; формат весов — safetensors. README сообщает о дообучении LoRA на 3 771 размеченном диалоге и тестировании на 199 диалогах: точность 0,593, Macro-F1 0,574, F1 класса correct 0,484. Лицензия — MIT. Эти тестовые показатели указывают на ограниченную надёжность классификации, поэтому результаты следует проверять, особенно для класса correct.

lfm25-1.2b-pv-extraversion-low — дообученная модель LiquidAI/LFM2.5-1.2B-Base, созданная с помощью TRL. Она генерирует текст в диалоговом формате; по названию версии она ориентирована на низкую экстраверсию в рамках моделирования личности. Подходит для разговорных приложений и экспериментов с настройкой личностных характеристик ответов. Модель относится к плотной архитектуре LFM2, использует класс Lfm2ForCausalLM и распространяется в формате safetensors. Размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. Лицензия в предоставленных данных не указана.

Lythri-4B-A2B — дообученная модель семейства Lythri для локальных диалогов и эмоциональной поддержки. Она основана на Google Gemma 4 E2B и разработана автором проекта Lythri. Модель использует архитектуру Gemma 4; в ней 4,63 млрд параметров, из которых активно 2,3 млрд. Для запуска предусмотрены сценарии на ноутбуке и телефоне, а репозиторий содержит веса Safetensors. Модель предназначена для естественных многоходовых бесед, распознавания эмоционального контекста и поддержки пользователя. По заявлению авторов, на трёх тестах эмоционального интеллекта она сопоставима с Gemma 4 E4B IT. Для сценариев эмоциональной поддержки авторы рекомендуют системный промпт; без него результаты могут быть хуже. Модель не оптимизирована для математики, программирования и сложных рассуждений, может выдавать неточные или неуместные ответы и не заменяет профессиональную помощь в области психического здоровья. Лицензия — Apache-2.0.

Lythri-7B-A4B — разговорная языковая модель семейства Lythri от разработчика Lythri, созданная для локального использования на ноутбуках и телефонах и ориентированная на эмоциональную поддержку и общение. Это дообученная на базе google/gemma-4-E4B модель архитектуры Gemma 4 с 7,46 млрд общих и 4,5 млрд активных параметров; репозиторий содержит веса Safetensors. Модель поддерживает многоходовые диалоги и предназначена для генерации текстовых ответов. Модель подходит для сочувственного общения, обсуждения эмоций и повседневной эмоциональной поддержки. Для таких сценариев автор рекомендует использовать системный промпт; без него качество может быть ниже. Lythri оптимизирована для диалога и понимания эмоций, поэтому не предназначена для сложной математики, программирования или рассуждений. Ответы могут быть неточными или неуместными, а модель не заменяет профессиональную помощь в области психического здоровья. Лицензия — Apache-2.0.

ai-msgbot-gpt2-XL-dialogue — диалоговая модель на базе GPT2-XL примерно с 1,5 млрд параметров, опубликованная ethzanalytics. Её обучали на наборе Wizard of Wikipedia в течение 40 тысяч шагов, заморозив 33 из 36 слоёв, а затем дополнительно дообучили на DailyDialog ещё 40 тысяч шагов с замороженными 34 из 36 слоёв. Модель предназначена для открытого диалога в чат-боте ai-msgbot. Данные диалогов представлены как разговор двух участников: person alpha и person beta; автор рекомендует включать имя person beta в запрос, чтобы задать реплику, которую должна продолжить модель. Это текстовая GPT-2-модель с контекстом до 1024 токенов, использующая Transformers и PyTorch; карточка указывает английский язык. Лицензия — MIT. Примеры автора характеризуют ожидаемое качество ответов как приемлемое, но не высокое. Модель обучена на конкретных диалоговых наборах, поэтому её ответы могут быть ограничены их стилем и тематикой; README не приводит результатов оценки качества.

Карточка модели facebook/blenderbot-1B-distill на Hugging Face совпадает с карточкой facebook/blenderbot_small-90M, поэтому описание составлено по ней. BlenderBot Small — компактная модель диалогового генератора от Facebook, представленная в работе «Recipes for building an open-domain chatbot» и основанная на коде ParlAI. Версия с обозначением 90M предназначена для открытого многотурового общения: она генерирует ответы в беседе, задаёт и отвечает на вопросы и поддерживает разговорные темы. Модель построена на архитектуре BlenderBot Small для условной генерации текста; в репозитории указано 61,7 млн параметров и контекст до 512 токенов. Она рассчитана на английский язык и обучалась на наборе Blended Skill Talk. Доступны веса в форматах PyTorch, TensorFlow и Flax; лицензия — Apache 2.0. Карточка описывает исследования качества диалога и отмечает, что у моделей есть неудачные случаи. Поэтому ответы могут быть неуместными или недостаточно точными, а компактный размер и ограниченный контекст сужают возможности длительных и сложных бесед.

dama-kurong-solopreneur-ko (Kurong) — лёгкая языковая модель-компаньон, разработанная hwihwalab на основе Google Gemma 2 2B IT и дообученная с помощью Unsloth LoRA. Модель предназначена для локального запуска на устройстве и представляет персонажа заботливой феи-помощницы Куронг. Основные сценарии использования — поддержка солопредпринимателей, инди-разработчиков и фрилансеров. Модель содержит более 50 практических двуязычных сценариев, включая общение с первыми клиентами, подготовку сообщений об авариях, сокращение объёма MVP и восстановление режима глубокой работы. Она оптимизирована прежде всего для естественного вежливого общения на корейском языке и локализованных бизнес-рекомендаций; английский поддерживается на базовом уровне с сохранением образа персонажа. Доступен формат GGUF Q4_K_M для локального использования через LM Studio, Ollama и llama.cpp. Сильными сторонами модели являются небольшой размер около 2 млрд параметров, быстрая работа на локальном устройстве, приватность данных, специализированные рекомендации для самостоятельных предпринимателей и устойчивый двуязычный образ Куронг. Английские ответы могут быть менее стабильными, поскольку основное дообучение выполнено на корейских данных; в таких случаях рекомендуется явно указать отвечать на английском языке. Модель следует использовать в формате диалога Gemma 2 с маркерами начала и конца хода. Лицензия указана как Gemma.

Это дообученная модель IndoBERT для классификации намерений в виртуальном помощнике по недвижимости. Она создана для академического исследования на примере жилого комплекса Perumahan Griya Alam Mandiri в округе Маланг, Восточная Ява, Индонезия, и не является официальным коммерческим продуктом застройщика. Модель принимает разговорный текст на индонезийском языке и относит запрос потенциального покупателя жилья к намерению, например вопросу о цене, местоположении, инфраструктуре или расчёте ипотеки KPR. Архитектура — BertForSequenceClassification, размер — 151,6 млн параметров, контекст — до 512 токенов. Для преобразования числового результата в метку намерения в репозитории также есть LabelEncoder. Модель предназначена для классификации запросов в сценариях чат-бота о недвижимости. Лицензия — MIT; README описывает академический контекст разработки, но не сообщает об оценке качества модели.

Модель anthonym21/qwen3-0.6b-rlcd-decision — экспериментальная модель принятия решений на основе Qwen3-0.6B-Base, разработанная как демонстрация обучения с подкреплением по обратной связи с вознаграждением, учитывающим уверенность. Она принимает текстовое состояние и список вопросов с вариантами, а затем за один проход выдаёт распределение вероятностей по вариантам каждого вопроса. Это не обычная текстовая генеративная модель: экспорт использует отдельную головку из 26 строк для ответов буквами и требует загрузчика из проекта eve-rlcd. Модель предназначена для классификации, маршрутизации и выбора ответа из заданных вариантов, а также для изучения калибровки вероятностей при обучении по ограниченной обратной связи. В тестах на отложенных данных автор сообщает ECE 0,021 и точность 0,807; сравнение с простым вознаграждением за исход показало худшую калибровку. Проверка проводилась на публичных классификационных наборах и синтетической маршрутизации, а не на реальных рабочих процессах. Основа — плотная архитектура Qwen3 с 507,9 млн параметров; веса сохранены в safetensors, контекст модели — до 32 768 токенов, но обучение и оценка охватывали запросы максимум в 512 токенов. README описывает англоязычные шаблоны. Лицензия — Apache-2.0. Модель следует считать исследовательской заготовкой: загрузка требует специального пакета rlcd, число вариантов ограничено 26, вопросы типа NoulQ допускаются только с ответом «да/нет», а калибровка вне обучающих данных и для длинных запросов не проверена.

Это экспериментальный чекпойнт Qwen3-Coder-30B-A3B-Instruct, дообученный командой penfever методом асинхронного RLOO на источнике TaskTrove v4.9 для следования инструкциям по работе с календарём. Он предназначен для генерации ответов в календарных сценариях на основе текстовых инструкций. Модель использует архитектуру Qwen3 MoE, содержит 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. В README приведён результат 41 успешного прохождения из 128 на отложенной выборке, однако эта выборка пересекалась с обучающим источником. Поэтому оценка служила для выбора чекпойнта и не подтверждает качество обобщения на новых данных. Модель опубликована в формате safetensors для библиотеки Transformers; сведения о лицензии в предоставленных данных отсутствуют.

Flywheel — automotive (35b-v1) — специализированная языковая модель для автомобильной отрасли, разработанная Flywheel by OpSpot. Модель дообучена методом LoRA на базе Qwen/Qwen3.6-35B-A3B и предназначена для использования в качестве виртуального сервис-консультанта в автомастерских и сервисных подразделениях дилерских центров. Модель ориентирована на первичный сбор диагностической информации, планирование обслуживания, подготовку оценок и расчёта стоимости, поиск запчастей, работу с регламентами технического обслуживания, информирование об отзывах и обновление статуса клиента. Доступны форматы safetensors для Transformers и vLLM объёмом около 65 ГБ, а также квантизированный GGUF-файл model-q4_k_m.gguf объёмом около 20 ГБ для llama.cpp и Ollama. Архитектура, поддерживаемые языки, модальности и размер контекста в README не указаны. Сильная сторона модели — специализация на сценариях автомобильного сервиса и наличие защитного поведения: при вопросах о тормозах, рулевом управлении, подвеске, шинах, подушках безопасности и топливной системе она должна направлять пользователя к сертифицированному механику и предупреждать о недопустимости эксплуатации потенциально небезопасного автомобиля. Модель не является сертифицированным техником; для общих запросов её возможности примерно сопоставимы с базовой моделью, а специализированное преимущество должно усиливаться по мере поступления согласованных реальных данных. Модель распространяется по лицензии Apache-2.0. Версия 35b-v1 обучена на синтетических данных, созданных локальными моделями с разрешительными лицензиями Apache и MIT.

kyutai/moshika-candle-q8 — квантованная 8-битная версия Moshi в реализации Candle на Rust, разработанная Kyutai. Это мультимодальная speech-text foundation model и фреймворк полно-дуплексного голосового диалога, ориентированный на общение в реальном времени без явного разделения реплик собеседников. Модель предназначена для разговорных агентов, неформальных диалогов, ролевых сценариев, простых фактических вопросов, советов, рецептов и других задач, где важны естественность и малая задержка. Она генерирует речь как последовательность токенов нейронного аудиокодека, параллельно моделируя речь пользователя и системы, а также предсказывает синхронизированные текстовые токены. Это обеспечивает потоковое распознавание речи и синтез речи; заявленная теоретическая задержка составляет 160 мс, а практическая — около 200 мс. Модель работает на английском языке и поддерживает речевую и текстовую модальности. Moshi основана на текстовой языковой модели и использует отдельные потоки для речи модели и пользователя. В составе экосистемы также упоминается аудиокодек Mimi с частотой 12 Гц и битрейтом 1,1 кбит/с. Сильные стороны — полно-дуплексное взаимодействие, потоковая обработка и низкая задержка. Ограничения включают сравнительно слабые возможности для сложных задач, отсутствие доступа к инструментам, возможные смещения и токсичные ответы; модель обучена воспроизводить только один голос и не предназначена для имитации людей или профессиональных консультаций. Использование указано как исследовательское. Лицензия — CC-BY-4.0.

Это исследовательский базовый чекпойнт MANGSEOK123, полученный дообучением Qwen3-4B-Instruct-2507 методом GRPO на телекоммуникационной части бенчмарка τ²-bench. Модель предназначена для диалоговых сценариев поддержки клиентов, где агент должен соблюдать политику обслуживания, вызывать инструменты бэкенда и вести многошаговый разговор с клиентом. Архитектура — плотная Qwen3ForCausalLM, около 3,7 млрд параметров; метаданные указывают контекст до 262 144 токенов и поддержку английского языка. Модель обучалась выдавать один вызов инструмента за ход, используя инструменты `respond` и `done` для общения и завершения сценария. В README приведены результаты на 40 тестовых задачах τ²-bench telecom: avg@3 — 0,308, pass@3 — 0,375, pass^3 — 0,250. Для воспроизведения измеренного поведения необходим описанный в карточке формат промпта с телеком-политикой и схемами инструментов. Это короткий исследовательский прогон и базовая линия, а не готовая система поддержки: многие задачи с несколькими последовательными действиями модель не решает. Оценка ограничена небольшим тестовым набором и симулятором gpt-4.1-mini; обучение на домене retail не проводилось. Лицензия — Apache-2.0.

Экспериментальная модель синтеза речи на непальском языке, созданная автором репозитория elitexp путём дообучения FunAudioLLM/Fun-CosyVoice3-0.5B-2512. Она предназначена для озвучивания непальского текста с произношением и просодией в стиле оператора колл-центра. Архитектура CosyVoice 3 включает LLM, Flow и вокодер HiFT; изменён только файл LLM, а Flow и вокодер сохранены без изменений и работают на частоте 24 кГц. Репозиторий содержит форматы ONNX и safetensors. Тембр задаётся аудиоклипом-примером, который подаётся при запуске: сама дообученная модель не задаёт отдельный голос. Для коротких реплик измеренная частота ошибок символов при проверке через телефонный кодек G.711 8 кГц составила 0,294; автор отмечает, что это соответствует измерительному пределу теста. Модель также меняет темп и диапазон высоты голоса в сторону более brisk и выразительной подачи. Модель экспериментальная и не проверена для производственного применения. Структура пауз освоена слабо: речь может звучать торопливо и недостаточно разбиваться пунктуацией. Перед синтезом рекомендуется заменять знак danda точкой, удалять ZWJ/ZWNJ, записывать последовательности цифр словами и делить длинный текст на короткие фразы. Лицензия указана как Apache-2.0, унаследованная от базовых весов.

BlenderBot Small — компактная модель диалогового генератора от Facebook, представленная в работе «Recipes for building an open-domain chatbot» и основанная на коде ParlAI. Версия с обозначением 90M предназначена для открытого многотурового общения: она генерирует ответы в беседе, задаёт и отвечает на вопросы и поддерживает разговорные темы. Модель построена на архитектуре BlenderBot Small для условной генерации текста; в репозитории указано 61,7 млн параметров и контекст до 512 токенов. Она рассчитана на английский язык и обучалась на наборе Blended Skill Talk. Доступны веса в форматах PyTorch, TensorFlow и Flax; лицензия — Apache 2.0. Карточка описывает исследования качества диалога и отмечает, что у моделей есть неудачные случаи. Поэтому ответы могут быть неуместными или недостаточно точными, а компактный размер и ограниченный контекст сужают возможности длительных и сложных бесед.

Locutusque/gpt2-large-conversational — англоязычная разговорная языковая модель, разработанная Locutusque на базе GPT-2 и дообученная на диалогах пользователя с ИИ-ассистентом. Она предназначена для генерации ответов в чат-ботах, виртуальных помощниках и службах поддержки; модель принимает текст и генерирует текст. В карточке указано обучение на 550 тысячах примеров и форматах PyTorch и Safetensors. Контекст модели — до 1024 токенов. Автор сообщает, что модель не сохраняет историю диалога и не умеет надёжно отвечать на вопросы, а качество может быть низким: возможны нерелевантные или бессвязные ответы. Модель помечена как устаревшая; автор рекомендует более производительную альтернативу, но не приводит её идентификатор. Лицензия — OpenRAIL.

figmtu/opt-350m-aac — дообученная модель на базе OPT-350M от Meta AI, представленная автором репозитория. Её обучали на разговорных фразах из корпусов DailyDialog и BOLT SMS/Chat, поэтому она предназначена для генерации реплик в диалоговом стиле и исследований разговорного языка. Это плотная авторегрессионная модель архитектуры OPT с 454,1 млн параметров и контекстом до 2048 токенов; она принимает и генерирует текст на английском языке. Репозиторий использует формат safetensors. Модель можно применять для создания коротких диалоговых ответов, имитации стиля SMS-переписки и экспериментов с генерацией разговорного текста. Лицензия — CC BY 4.0. README ссылается на статью EMNLP 2025, но не приводит оценок качества или подробных инструкций по использованию.

KoalaAI/OPT-1.3b-Chat — разговорная модель генерации текста на основе OPT-1.3B от Meta. Разработчик сообщает, что модель обучалась с использованием библиотеки DeepSpeed и предназначена для генерации естественных ответов на пользовательские сообщения. Архитектура — плотная авторегрессионная OPTForCausalLM; в карточке указаны 1,3 млрд параметров, 24 слоя, 16 голов внимания и контекст 2048 токенов. Метаданные указывают общее число параметров 1,7 млрд. Модель подходит для простых вопросов и ответов в формате диалога, но хуже справляется с открытыми запросами и не предназначена для задач уровня универсального ассистента. При использовании рекомендуется придерживаться формата диалоговых примеров, на котором её обучали. Она принимает текст и генерирует текст; карточка указывает английский язык. Репозиторий содержит веса PyTorch и Safetensors. Лицензия обозначена как other, поэтому условия следует проверять в репозитории модели. Разработчик предупреждает о возможности оскорбительных или неподходящих ответов и ограничивает заявленное назначение исследовательским использованием.

lakshyaixi/gemma3-1b-travel-agent — компактная диалоговая языковая модель, дообученная автором lakshyaixi на базе unsloth/gemma-3-1b-it. Она предназначена для генерации текста в формате диалога; название указывает на сценарии туристического помощника, однако карточка не описывает специализированные туристические функции или обучение на тематических данных. Модель использует плотную архитектуру Gemma 3 для причинной генерации текста и содержит 1 млрд параметров. Она принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Дообучение выполнено с использованием Unsloth; заявлено ускорение обучения, но сравнительные показатели качества не приведены.

wyrdsekai companion 3.5-4B v10 — диалоговая языковая модель, разработанная проектом wyrdsekai как голосовой слой для цифровых компаньонов. Она формулирует или редактирует реплики от лица компаньона, сохраняя заданный профиль голоса и факты при перефразировании. Модель предназначена для коротких ответов в приложении и локального запуска, в том числе на телефонах; для компактного промпта и работы на ограниченных устройствах рекомендуется отключить режим рассуждений. Это дообучение Qwen/Qwen3.5-4B, распространяемое в формате GGUF, включая используемую в установке квантизацию Q4_K_M. В карточке также упомянуты варианты весов safetensors полной точности и MLX 4-bit. Модель настроена на тёплую, но несоглашательную манеру речи и различимые голоса компаньонов. Обучающие корпуса синтетические: наборы стилей и синтетические диалоги; пользовательские и бытовые разговоры в веса не включались. Модель работает с текстом и генерирует текст, ориентирована преимущественно на английский; в README отмечено, что многоязычные реплики возможны, но специально не ограничиваются. Это речевой слой без инструментов: он не предназначен для выбора инструментов или планирования. Указанная лицензия — Apache-2.0.

Sólo Escúchame — испаноязычный чат-бот для эмоциональной поддержки, разработанный BrunoGR на основе LLaMA 2 7B Chat. Модель дообучена с помощью LoRA на датасете HEAR с примерами эмпатичных ответов; также в карточке описан датасет HRECPW с 11 категориями эмоций. Это плотная авторегрессионная модель семейства LLaMA с архитектурой LlamaForCausalLM, размером около 6,6 млрд параметров и контекстом до 4096 токенов. Модель предназначена для диалогового сопровождения на испанском языке: поддерживающих ответов на сообщения о переживаниях, активного слушания и уточняющих вопросов. В README упоминаются варианты квантования на 2, 4 и 8 бит, а в метаданных указан формат safetensors. Лицензия — MIT. Модель может служить вспомогательным инструментом поддержки, но не заменяет квалифицированную психологическую или медицинскую помощь.

ThakiCloud разработала Qwen3.8-27B-Human-KO-MerchantDesk-v0.1 для автоматизации первичной обработки обращений клиентов небольших ресторанов. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом LoRA на корейских диалогах, а затем объединённая с базовой моделью. Она принимает профиль заведения и сообщение клиента и возвращает структурированный JSON: определяет намерение и слоты, затем выбирает, ответить ли, запросить уточнение, вызвать инструмент или передать обращение владельцу. Цены, меню и часы работы модель должна получать из переданного профиля, а не хранить в параметрах. В описанном сценарии модель показала более высокую точность определения намерений и долю решённых обращений, чем базовая модель. Она рассчитана на корейский язык; карточка указывает поддержку чата и интерфейса вызова инструментов. Для работы предназначен совместимый с Qwen3.8 сервинг, например vLLM, с отключённым thinking. Лицензия — Apache-2.0. Модель следует использовать как компонент системы с программным компилятором действий и проверками, а не отправлять её свободно сформулированный ответ клиенту без контроля: в сложных тестовых случаях она иногда добавляла отсутствующие в профиле факты. Область применения ограничена ресторанами, а результаты в карточке измерены на синтетических профилях и тестовых диалогах; варианты с квантованием отдельно не проверялись.

SameedHussain/Qwen2-1.5B-Instruct-Flight-Multi-Turn — диалоговая модель для генерации текста, созданная SameedHussain дообучением Qwen2-1.5B-Instruct. Она предназначена для многоходовых разговоров по тематике авиаперелётов и может использоваться в чат-сценариях, связанных с этой областью. Модель имеет плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров и контекстом до 32 768 токенов. Карточка указывает английский язык и обучение с использованием Unsloth и TRL; файлы представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о составе обучающих данных, поэтому надёжность ответов в конкретных сценариях авиаперелётов по этим материалам оценить нельзя.

Llama-3.1-Gloofy-Emo-8B — модель-спутник для эмоционально окрашенных диалогов, разработанная overads Inc. на базе meta-llama/Llama-3.1-8B-Instruct и дообученная с помощью QLoRA; адаптер объединён с базовой моделью. Это плотная авторегрессионная языковая модель семейства Llama с примерно 7,5 млрд параметров по метаданным, весами float16 и контекстом до 131 072 токенов. Модель рассчитана на короткие разговорные реплики на английском языке и поддерживает диалоговый формат. Персоны задаются системным промптом: доступны, в частности, эмпатичный, увлечённо-аналитичный и игривый стили. Модель подходит для создания разговорного компаньона и ответов в заданной эмоциональной манере. Она не оценивалась бенчмарками; точные гиперпараметры дообучения и сведения о датасете не сохранились. При длинной генерации может терять стиль короткого диалога. В наборе персон есть намеренно враждебная и сексуальная манеры; модель не предназначена для психического здоровья, кризисной поддержки или взаимодействия с уязвимыми пользователями. Лицензия — Llama 3.1 Community License с собственными условиями и ограничениями, включая запрет на преследование; это не Apache 2.0.

Shreyansh234/restaurant_calling_agent — дообученная на неизвестном наборе данных компактная англоязычная модель семейства GPT-2 на базе distilbert/distilgpt2. Она предназначена для генерации текста; название репозитория может указывать на сценарий агента для звонков в рестораны, однако README не описывает его возможности или поведение. Модель использует архитектуру GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 1024 токена. В README приведено значение loss 0,1524 на оценочной выборке, но нет сведений о методике оценки и практическом качестве. Лицензия — Apache-2.0.