III.4Клиентская поддержка и customer success

DLite-DAIS-2023 — языковая модель AI Squared, построенная на GPT-2 medium и дообученная на диалоговых данных о конференции Data and AI Summit 2023. Модель генерирует текст в ответ на инструкции и вопросы о саммите, используя сведения с сайта Databricks и связанных страниц, а также подготовленные пары вопросов и ответов. Модель использует плотную архитектуру GPT-2 и контекст длиной 1024 токена; карточка указывает английский язык и формат PyTorch. README описывает её как небольшую экспериментальную модель, не достигшую уровня передовых языковых моделей. Возможны фактические ошибки, предвзятые, оскорбительные или токсичные ответы и галлюцинации. README сообщает, что из-за использования данных вопросов и ответов, созданных ChatGPT, модель нельзя применять в коммерческих целях; метаданные при этом содержат лицензию CC BY-NC 4.0.

FriendV4.1 — разговорная модель для общения в роли заданного виртуального друга. Разработчик описывает формат базового промпта с именем и характеристикой друга, его намерением, а также именем и описанием собеседника; далее передаётся диалог. Пример задаёт эмпатичного медработника, который побуждает собеседника проводить время на природе. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации диалоговых ответов в формате чата; длина контекста по метаданным — 8192 токена. README рекомендует сохранять все блоки промпта и отмечает, что тестировалось ведение диалога с контекстом до 20 сообщений, а работа с большим числом сообщений не проверялась. Лицензия в предоставленных данных не указана.

Qwen3.5-9B-metro-v24 — дообученная с помощью QLoRA модель continker на базе Qwen3.5-9B для задач MetroLLM-Bench. Она предназначена для работы киосков метро: многошагового вызова инструментов, формирования структурированного итогового состояния диалога и обработки сбоев и оповещений в шести системах метро. Модель доступна как LoRA-адаптер и как объединённый, квантованный GGUF Q4_K_M размером 5,3 ГБ; в метаданных также указан формат safetensors. Версия v24 обучена без утечки тестовых данных: дистилляционные примеры взяты из обучающей части набора, а отложенная часть использовалась для оценки. В описанном тесте на 238 примерах она превзошла базовую Qwen3.5-9B по метрикам Tier-1 и Composite. Модель предназначена для генерации текста и диалогов, включая сценарии вызова инструментов. Лицензия — Apache 2.0.

Damilya/qwen3-4b-kazakh-lora — LoRA-дообучение Qwen3-4B-Instruct-2507 для повышения точности казахского языка и верности контексту ресторанного меню. Модель предназначена для диалоговых сценариев, связанных с меню и вопросами о ресторане. Модель использует текстовый ввод и генерирует текст. Базовая модель — Qwen3 с 4 млрд параметров; её контекст составляет до 262 144 токенов. В метаданных указаны русский и английский языки, а README описывает специализацию на казахском. Для самой модели действует лицензия CC BY-NC 4.0, допускающая только некоммерческое использование; базовая модель распространяется по Apache 2.0.

Chipotle Support Qwen3.5 0.8B — компактная чат-модель, созданная как личный проект на основе Qwen3.5-0.8B и дообученная на примерно 685 парах вопросов и ответов, собранных из ответов чат-бота поддержки Chipotle Pepper. Репозиторий содержит её веса в формате GGUF с квантизацией Q8_0; модель рассчитана на запуск, например, через llama.cpp или LM Studio. Модель отвечает в роли чат-бота поддержки ресторана: помогает с типичными вопросами о меню, часах работы, заказах и программе Rewards, а на темы вне своей области может отвечать заготовленными фразами. Обучающие данные включают переформулировки для проверки устойчивости к сложным запросам и примеры персоны. Модель ориентирована на англоязычный диалог. Это экспериментальная фанатская модель, не связанная с Chipotle и не одобренная компанией. Из-за небольшого размера и ограниченного набора данных она может галлюцинировать, ошибаться и сообщать устаревшие сведения; ответы не являются официальной информацией. Лицензия в метаданных обозначена как other, конкретные условия использования здесь не раскрыты.

Qwen3.5-4B-metro-v24 — дообученная методом QLoRA модель continker на базе Qwen3.5-4B для задач MetroLLM-Bench, связанных с транзитными киосками. В репозитории есть LoRA-адаптер ранга 16 и объединённая версия GGUF Q4_K_M размером 2,6 ГБ; метаданные также указывают формат safetensors. Модель предназначена для диалоговых сценариев киоска общественного транспорта. В README сообщается, что версия v24 обучена без утечки данных: обучающие трассы учителя взяты из 717 случаев обучающей части, а 238 случаев оставлены для проверки. На отложенной выборке из 238 случаев средний результат по двум запускам составил 91,32 по Tier-1 и 89,12 по Composite; это результаты бенчмарка, а не гарантия качества в других сценариях. Модель основана на Qwen3.5-4B, имеет текстовый интерфейс генерации и диалога; метаданные отмечают поддержку чата и вызова инструментов, хотя README не описывает конкретные возможности вызова инструментов. Лицензия — Apache 2.0. Для загрузки LoRA-адаптера README указывает базовую текстовую Qwen3.5-4B и необходимость учитывать префикс ключей `.language_model.`; также доступен готовый GGUF-файл для llama-server.

Qwen3.5-2B-metro-v24 — дообученная с помощью QLoRA модель continker на базе Qwen3.5-2B, предназначенная для задач MetroLLM-Bench: помощи пассажирам в транзитном киоске. Версия v24 обучена на обучающей части из 717 примеров; 238 случаев были отложены для оценки. В README указаны результаты на отложенной выборке: 81,20 по Tier-1 и 79,69 по Composite в среднем по трём запускам. В репозитории есть LoRA-адаптер ранга 16 и слитый GGUF-файл с квантизацией Q4_K_M размером 1,2 ГБ; метаданные также указывают формат safetensors. Модель доступна для диалогового использования и ориентирована на сценарии транзитного киоска. README сообщает, что GGUF запускается примерно на 39 токенах в секунду на безвентиляторном MacBook Air с M2; это результат для указанного устройства, а не универсальная оценка скорости. Базовая модель описана в каталоге как мультимодальная, но для этой производной модели заявлена задача text-generation. Лицензия — Apache 2.0. Модель специализирована на бенчмарке транзитного киоска; результаты оценки не гарантируют качество за пределами этого сценария.

Qwen3.5-27B-metro-v24 — дообученная методом QLoRA модель continker на базе Qwen/Qwen3.5-27B для сценария транспортного киоска из бенчмарка MetroLLM-Bench. Модель принимает текстовые диалоги и предназначена для ответов на запросы пассажиров о городском транспорте; опубликована для воспроизведения результатов исследования. В README указаны адаптер LoRA ранга 16 с NF4-квантованием и объединённый файл GGUF Q4_K_M. На отложенной выборке из 238 примеров версия v24 показала результаты ниже исходной Qwen3.5-27B по метрикам Tier-1 и Composite. Авторы рекомендуют для развёртывания использовать базовую модель, а для более эффективного дообученного варианта — версии на 4B или 9B параметров. Репозиторий распространяется по лицензии Apache 2.0.

Neutrino-0.6B-Chat — компактная разговорная модель FermionResearch, дообученная на базе Qwen/Qwen3-0.6B. Она использует плотную авторегрессионную архитектуру TrtcV4ForCausalLM с 28 слоями и примерно 596 млн параметров; веса хранятся в упакованном троичном формате с таблицей эмбеддингов int8. Модель предназначена для коротких повседневных диалогов: она поддерживает заданную идентичность, отвечает на распространённые вопросы и сообщает, когда не уверена. Модель ориентирована на англоязычное общение и рассчитана на запуск с рекомендованными настройками для соответствующей среды выполнения. Лицензия — Apache-2.0. Это узкоспециализированный чат-компаньон, а не универсальный источник знаний, математический или программный помощник и не средство вызова инструментов.

mouped/duplicate-detection — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, предназначенная для поиска семантически похожих текстов и обнаружения дубликатов. Модель кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Архитектура включает BERT, усредняющий pooling и нормализацию эмбеддингов. Модель принимает текст, поддерживает многоязычные сценарии и рассчитана на последовательности длиной до 512 токенов. В README приведена оценка на задаче классификации дубликатов обращений в поддержку; также указано обучение на 67 265 парах текстов с ContrastiveLoss. Лицензия в предоставленных данных не указана.

basal-1.0-1.5B — польская и английская модель для классификации решений, разработанная автором репозитория Remek и дистиллированная из basal-1.0-4.5B. Это компактная инструкционная модель семейства Llama с 1,5 млрд параметров и контекстом до 8192 токенов; она принимает описание состояния и вопрос с вариантами ответа и оценивает допустимые варианты, включая выбор, ответ «да/нет» и числовую оценку. Модель предназначена для динамической классификации без переобучения: категории и правила задаются в запросе. Примеры применения — маршрутизация обращений и документов, проверка соответствия правилам и политике, оценка срочности или риска, выбор агента или инструмента и предварительная сортировка случаев по порогу уверенности. Вместо обычной генерации текста модель вычисляет распределение вероятностей по вариантам за один проход; усреднение предсказаний при прямом и обратном порядке вариантов помогает уменьшить чувствительность к их порядку. По оценке автора, версия 1,5B уступает версии 4,5B в точности, но обеспечивает примерно вдвое меньшую задержку и в 2,5 раза большую пропускную способность при половинном потреблении памяти. Модель поддерживает польский и английский языки и распространяется по лицензии Apache 2.0. Перед применением на собственных данных рекомендуется отдельная проверка и настройка порогов уверенности; решения с серьёзными последствиями следует проверять человеком.

ERNIE-4.5-300B-A47B-Paddle — текстовая языковая модель семейства ERNIE 4.5, разработанная Baidu и распространяемая с весами для PaddlePaddle. Это модель типа Mixture of Experts: всего 300 млрд параметров, из которых для каждого токена активируется около 47 млрд; архитектура включает 54 слоя и 64 текстовых эксперта, из которых активируются 8. Модель предназначена для диалогов, понимания текста и генерации ответов; контекстное окно составляет 131 072 токена. В карточке также описаны мультимодальное обучение ERNIE 4.5 и визуальные варианты семейства, однако данный чекпойнт обозначен как текстовая модель. Для запуска и дообучения предусмотрены инструменты PaddlePaddle и ERNIEKit. Модель распространяется по лицензии Apache-2.0.

FRIDA-Decisions — модель для принятия структурированных решений по русскому тексту, разработанная УЭСМО и SberAI на основе энкодера ai-forever/FRIDA. Она классифицирует текст по заданным пользователем вариантам, оценивает его по порядковой шкале, отвечает «да/нет» и ранжирует кандидатов; набор вариантов задаётся в запросе, поэтому новые метки не требуют отдельного дообучения. Модель возвращает варианты и оценки уверенности без генерации текста. Архитектура — плотный энкодер T5EncoderModel; в репозитории доступны веса Safetensors и ONNX. Метаданные указывают 936,6 млн параметров, а README характеризует базовую FRIDA как модель с 823 млн параметров. Модель ориентирована прежде всего на русский язык, также заявлена поддержка английского. Для входного текста обученный диапазон составляет до 512 токенов; по умолчанию используется отсечение на 384 токенах. По данным авторов, модель подходит для маршрутизации обращений, классификации намерений и тональности, модерации и ранжирования релевантности; доступны варианты запуска на GPU, CPU и Apple Silicon. Модель лицензирована по MIT. Авторы сообщают о 0,893 точности на наборе razvilka из 735 русскоязычных примеров и о быстром инференсе на потребительской GPU. На текстах длиннее 512 токенов точность может снижаться, особенно при вопросах о деталях в конце текста; при превышении заданного предела текст обрезается.

Falconsai/laya-v796 — англоязычный чекпойнт семейства Laya, разработанный Falconsai. Это модель классификации текста на базе ModernBERT-large с 421 млн параметров, двунаправленным энкодером и обученной с нуля головой принятия решений. Она принимает текст, письма, обращения или JSON-состояния вместе с типизированными вопросами и возвращает структурированные ответы и вероятности за один проход, не генерируя текст. Модель предназначена для маршрутизации запросов, сортировки писем и обращений, оценки риска и применения правил модерации и защитных ограничений; в карточке указана длина контекста 512 токенов и ориентир около 33 мс на решение. Обучение описано как RLCD — обучение с подкреплением по строго правильным правилам оценки, рассчитанное на выдачу калиброванных вероятностей. Английский чекпойнт особенно подходит для английского текста и сценариев guardrails и email triage. Карточка предупреждает, что на нелатинских письменностях англоязычная версия может сильно ошибаться при высокой уверенности; для других языков рекомендуется маршрутизатор семейства Laya. Репозиторий содержит GGUF F32 и safetensors; лицензия — Apache-2.0.

Moritz Laurer дообучил encoder-модель answerdotai/ModernBERT-base на той же смеси датасетов, что и модели коллекции Zeroshot Classifiers Collection версии zeroshot-v2.0. Это модель классификации текста для zero-shot сценариев: её можно применять к задачам, где нужно отнести текст к заданным категориям без отдельного обучения классификатора под каждую задачу. Веса содержат около 149 млн параметров; архитектура — ModernBERT для классификации последовательностей, максимальный контекст — 8192 токена. Модель отличается высокой скоростью и низким потреблением памяти; автор отмечает, что она позволяет использовать большие пакеты и что bf16 ускоряет работу примерно вдвое по сравнению с fp16. В описанных автором испытаниях качество в среднем немного уступало DeBERTav3. Модель распространяется под лицензией Apache-2.0; доступны форматы Safetensors и ONNX.

Arcee Spark — разговорная языковая модель компании Arcee AI на 7,1 млрд параметров, основанная на Qwen2. По README, её обучали на 1,8 млн примеров, объединили с Qwen2-7B-Instruct и дополнительно улучшили с помощью Direct Preference Optimization (DPO). Модель предназначена для диалогов и генерации текста, включая ответы на вопросы, анализ тональности, решение задач и работу с кодом. Модель принимает текст и генерирует текст; в метаданных указан контекст до 32 768 токенов. README заявляет контекст 128 тыс. токенов, поэтому его длина в источниках расходится. В метаданных перечислены английский, немецкий и арабский языки. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Небольшой размер может упростить локальное развёртывание, однако заявленные в README превосходство над другими моделями, скорость и результаты бенчмарков не следует считать гарантией качества для конкретной задачи.

Darmm Multilingual Embedding — модель эмбеддингов Darmm, дообученная на базе BAAI/bge-m3 для поиска по FAQ и материалам о продуктах и услугах Darmm. Это плотная модель архитектуры XLM-RoBERTa размером 658,7 млн параметров; она принимает текст и выдаёт векторные представления для семантического поиска и извлечения релевантных документов. Контекст модели — до 8194 токенов по метаданным; в описанной настройке обучения максимальная длина последовательности составляла 128 токенов. Модель рассчитана на казахский, русский и английский языки и может использоваться для поиска по базе знаний и в RAG-сценариях. В оценке на 90 перефразированных FAQ-запросах к корпусу из 369 чанков указаны Recall@1 0,9444 и Recall@3/5/10 1,0. Эти результаты получены на ограниченном корпусе Darmm и не гарантируют такую же точность на других данных. Короткие строки интерфейса и качество корпуса могут снижать релевантность; README рекомендует проверять модель на реальных запросах и отдельной тестовой выборке. Лицензия — Apache-2.0.

Dev-0.4B — разработанная авторами карточки модель классификации решений на 394,7 млн параметров, построенная на двунаправленной архитектуре ModernBERT-large. Она преобразует неструктурированный текст в структурированный выбор: определяет категорию из предложенных вариантов, проверяет утверждения в формате «да/нет» и оценивает текст по шкале. Кандидаты передаются как текст вместе с входными данными, а модель оценивает их за один проход без генерации токенов. Указано контекстное окно до 8192 токенов. Модель предназначена для маршрутизации обращений, проверки условий и утверждений, разбора отзывов, сортировки журналов и выставления оценок по заданной шкале. В README приведены результаты сравнительных оценок на Banking77, BoolQ, Yelp Reviews и CodeSearchNet, а также измерения низкой задержки на Apple Silicon и CUDA; эти показатели относятся к описанным тестам и аппаратным условиям. Модель поддерживает задачи text-classification и fill-mask по метаданным, хотя карточка представляет её как классификатор решений. Dev не генерирует текст, не выдаёт цепочки рассуждений и не подходит для сценариев, требующих потоковой генерации или объяснений в виде текста. Калибровка вероятностей зависит от применяемых температур считывания и рассматриваемых данных. Модель выпущена под лицензией Apache-2.0.

knowledgator/gliclass-instruct-base-v1.0 — компактная плотная модель семейства GLiClass от Knowledgator для классификации текста по заданным меткам. Она поддерживает zero-shot и few-shot сценарии: метки можно задавать под конкретную задачу, добавлять к ним описания и примеры, группировать и направлять классификацию инструкцией. Модель рассчитана на тематическую и тональную классификацию, определение намерений, проверку следования правилам и безопасности, выявление галлюцинаций, вывод по естественному языку и оценку релевантности текстов. Модель принимает текст и возвращает оценки классов. В README отмечено, что для вывода по естественному языку лучше проверять по одной гипотезе за раз. Приведённые в карточке результаты показывают качество на отдельных наборах для классификации тональности и тем, но сами по себе не гарантируют точность на пользовательских данных. Модель распространяется по лицензии Apache-2.0.

Trinity-Large-Thinking — ориентированная на рассуждения и агентные сценарии модель семейства Trinity-Large от Arcee AI. Это дообученная на базе arcee-ai/Trinity-Large-Base разреженная MoE-модель для генерации текста; по README, в семействе около 398 млрд параметров и примерно 13 млрд активных параметров на токен, используется 256 экспертов, включая одного общего. Метаданные указывают 8,7 млрд параметров, поэтому точный размер данного чекпойнта в источниках расходится. Модель предназначена для многошагового планирования, вызова инструментов, диалогов и задач, требующих развёрнутых рассуждений. Она формирует трассы рассуждений в специальных блоках, которые следует сохранять в контексте при многоходовом взаимодействии и циклах агента. Поддерживает 262 144 токена контекста и языки en, es, fr, de, it, pt, ru, ar, hi, ko и zh. Метаданные указывают лицензию other; конкретные условия использования следует сверять с карточкой модели.

joeddav/xlm-roberta-large-xnli — мультиязычная модель классификации текста, разработанная на основе XLM-RoBERTa Large и дообученная на данных для вывода по тексту (NLI), включая MNLI и XNLI. Она предназначена прежде всего для zero-shot-классификации: пользователь задаёт текст и набор меток, а модель оценивает соответствие текста каждой метке без отдельного обучения на этих категориях. Модель содержит около 658,7 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст с контекстным окном до 514 токенов. Она рассчитана на работу на 15 языках XNLI: английском, французском, испанском, немецком, греческом, болгарском, русском, турецком, арабском, вьетнамском, тайском, китайском, хинди, суахили и урду. Можно задавать метки на одном языке, а классифицируемый текст подавать на другом. Подходит для тематической разметки, маршрутизации обращений и других задач классификации с пользовательскими категориями, особенно в мультиязычных сценариях. Для классификации только на английском в карточке рекомендованы модели семейства BART MNLI. Модель распространяется по лицензии MIT.

BjarneNPO/BjarneNPO-30_08_2025_14_12_53 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная BjarneNPO. Она кодирует предложения и абзацы в плотные векторы размерностью 384 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразирований и кластеризации. Модель использует архитектуру BERT с усреднением токенных представлений; метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Для сравнения векторов подходит косинусное сходство. Модель обучена на 72 349 парах запросов и ответов с MultipleNegativesRankingLoss. Примеры данных на немецком языке относятся к обращениям в службу поддержки по административному программному обеспечению, поэтому модель может быть полезна для поиска похожих запросов и ответов в таком корпусе. Базовая модель заявлена как многоязычная, однако языки обучения и качество для конкретных языков в карточке полностью не уточнены. Формат весов — safetensors; лицензия в предоставленных данных не указана.

Карточка модели RedHatAI/GLiNER2.5-Decide на Hugging Face совпадает с карточкой fastino/GLiNER2.5-Decide, поэтому описание составлено по ней. GLiNER2.5-Decide — англоязычная модель классификации Fastino из семейства GLiNER2.5. Она содержит 340 млн параметров и дообучена на базе fastino/gliner2-large-v1. Модель принимает текст и набор меток, заданный при вызове, и за один проход оценивает несколько задач классификации; результатом служат метка или несколько меток выше заданного порога, без генерации текста. Модель предназначена для операционной маршрутизации и классификации: определения намерений, тональности, тематики, типа документа, приоритета и срочности, а также модерации и направления обращений нужной команде или оператору. В README указана точность exact match 60,2% на англоязычном наборе fastino/fast-decisions. Модель не предназначена для рассуждений, объяснений и ответов на открытые вопросы; для многоязычного ввода автор рекомендует GLiNER2.5-multi-Decide. Лицензия — Apache-2.0.

Kaleidoscope_large_v1 — дообученная модель 2KKLabs на базе ruBert-large для извлечения ответов на вопросы по тексту документа. Она принимает вопрос вместе с контекстом документа и предсказывает фрагмент текста, отвечающий на вопрос; в обучении использовались примеры с контекстом, вопросом и ответом, а длинные тексты обрабатывались скользящим окном. Модель предназначена для поиска сведений в документах, поддержки пользователей и систем вопросов и ответов. Архитектура — BERT, около 525,7 млн параметров, контекст — 512 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Основной язык — русский; README также заявляет поддержку английского, но указывает, что она не тестировалась. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Poro 2 70B Instruct — разговорная модель с открытыми весами, разработанная совместно AMD Silo AI, группой TurkuNLP Университета Турку и High Performance Language Technologies (HPLT). Она дообучена методами SFT и DPO на базе Poro 2 70B Base, продолжавшей предобучение на основе Llama 3.1 70B. Модель имеет плотную архитектуру LlamaForCausalLM, около 69,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалогов и выполнения инструкций на финском и английском языках. Она подходит для ответов на вопросы, создания текстов, образовательных и клиентских помощников, а также перевода между финским и английским. В карточке отмечены дополнительные способности к программированию и математике и интерфейс для вызова инструментов. Оценки в карточке показывают сильные результаты на финских задачах следования инструкциям при сохранении хороших результатов на английском. Модель может ошибаться, воспроизводить предубеждения обучающих данных или выдавать неподходящий и спорный контент; её навыки на языках помимо финского и английского ограничены. Лицензия — Llama 3.3 Community License.

arcee-ai/Saul-Instruct-Mistral-7B-Instruct-v0.2-Slerp — диалоговая языковая модель, созданная Arcee AI слиянием Mistral-7B-Instruct-v0.2 и Saul-Instruct-v1 методом SLERP с помощью mergekit. Это плотная трансформерная модель Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и выполнение инструкций в формате чата; она принимает текст и выдаёт текст. Контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых помощников и задач, где требуется следовать текстовым инструкциям. В качестве основы используется Mistral-7B-Instruct-v0.2, а вторая составляющая слияния — Saul-Instruct-v1. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

Карточка модели CollectionStudio/Trinity-Large-Thinking на Hugging Face совпадает с карточкой arcee-ai/Trinity-Large-Thinking, поэтому описание составлено по ней. Trinity-Large-Thinking — ориентированная на рассуждения и агентные сценарии модель семейства Trinity-Large от Arcee AI. Это дообученная на базе arcee-ai/Trinity-Large-Base разреженная MoE-модель для генерации текста; по README, в семействе около 398 млрд параметров и примерно 13 млрд активных параметров на токен, используется 256 экспертов, включая одного общего. Метаданные указывают 8,7 млрд параметров, поэтому точный размер данного чекпойнта в источниках расходится. Модель предназначена для многошагового планирования, вызова инструментов, диалогов и задач, требующих развёрнутых рассуждений. Она формирует трассы рассуждений в специальных блоках, которые следует сохранять в контексте при многоходовом взаимодействии и циклах агента. Поддерживает 262 144 токена контекста и языки en, es, fr, de, it, pt, ru, ar, hi, ko и zh. Метаданные указывают лицензию other; конкретные условия использования следует сверять с карточкой модели.

ArlowGPT-3B-Multilingual — многоязычная инструктивная языковая модель для диалогов и генерации текста, разработанная на основе ArlowGPT-3B. По README, модель дополнительно дообучена на многоязычном наборе ArlowGPT Multilingual в течение пяти эпох; метаданные указывают архитектуру Llama с плотной causal language model на 3,2 млрд параметров. Модель предназначена для следования инструкциям, многоходового общения, ответов на вопросы, создания и краткого изложения текстов на разных языках. Модель принимает текстовые запросы и генерирует текст. В карточке заявлены сценарии для чат-ботов и помощников, межъязыковых ответов на вопросы, поддержки клиентов, творческого письма и работы с документами. Метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов; README не уточняет поддерживаемые языки по отдельности, поэтому конкретные языки не перечислены. Размер модели рассчитан на сравнительно ресурсосберегающее развертывание, хотя практические требования зависят от формата и оборудования. Лицензия — MIT. README заявляет широкий спектр возможностей, включая работу с юридическими, медицинскими и финансовыми текстами, но не приводит независимых оценок качества или подтверждения пригодности для критически важных решений; ответы следует проверять, особенно в специализированных областях.

Decima Small — компактная многоязычная модель классификации решений, разработанная Amyr Mahdy на базе энкодера multilingual-e5-small. Она сопоставляет состояние или вопрос с набором заданных вариантов: кодирует состояние и вопрос совместно, а каждый вариант отдельно обрабатывает с помощью небольшого позднего интерактивного оценщика. Модель поддерживает выбор и проверку вариантов, ранжирование и порядковые оценки; возвращает вероятности или оценки для переданных вариантов. Архитектура включает энкодер с 12 слоями и размерностью 384, 21,6 млн параметров без таблицы эмбеддингов, таблицу эмбеддингов на 96 млн параметров и оценщик на 4,7 млн параметров. Принимает до 512 токенов состояния и до 64 токенов на вариант; более длинное состояние обрезается. Доступны ONNX и Safetensors, лицензия Apache-2.0. Модель предназначена для классификации текста по пользовательским категориям, маршрутизации обращений и выбора решения из описанных критериями вариантов. В карточке заявлена поддержка 20 языков, включая английский, персидский, арабский, русский, немецкий, французский, испанский, португальский, турецкий, хинди, тамильский, китайский, японский, корейский, суахили, урду, вьетнамский, тайский, греческий и болгарский. Отдельные варианты обрабатываются независимо, поэтому изменение их порядка не должно менять оценки, а их представления можно кешировать. Модель может ошибаться даже среди предложенных вариантов; порог уверенности и передача сомнительных случаев человеку рекомендуются в README. Она слаба на длинных многофакторных деловых решениях, знаниях, математике, применении числовых правил и тонкой классификации тональности; короткие входы с вариантом «ничего из перечисленного» могут приводить к ошибочным выборам. Результаты зависят от формулировок и языка. Не предназначена для открытой генерации, медицинских, юридических или финансовых советов, автоматических решений о людях без проверки человеком и фильтрации безопасности команд.

DNA 3.0 — мультимодальная модель семейства Qwen, дообученная компанией Dnotitia на базе Qwen/Qwen3.6-35B-A3B. Это модель Mixture-of-Experts с 35 млрд общих и примерно 3 млрд активных параметров, объединяющая обработку текста и изображений; заявленная архитектура использует разреженные MoE-слои и гибридное внимание. Модель рассчитана на диалоги, аналитические рассуждения, агентное программирование, работу с инструментами и визуальное понимание. Дополнительное обучение включает корпоративные сведения и терминологию Dnotitia, поэтому модель подходит для сценариев, где нужен ассистент с контекстом этой компании. README заявляет поддержку 201 языка и диалекта и контекст до 262 144 токенов, расширяемый примерно до 1 010 000 токенов с YaRN. Модель совместима с Transformers, vLLM, SGLang и KTransformers; для производственного развёртывания рекомендуется многопроцессорная инфраструктура. Модель обучалась по методике с ослабленным отказом от ответов и может выдавать содержание, которое другие модели отклоняют. Она может проявлять предвзятость в пользу Dnotitia, наследует ограничения базовой модели и способна галлюцинировать; для чувствительных сценариев необходимы проверка человеком и собственные меры модерации. Лицензия — Apache-2.0.