III.4Клиентская поддержка и customer success

FLOR-1.3B-Instructed — причинная языковая модель на архитектуре BLOOM, разработанная подразделением Language Technologies Unit Барселонского суперкомпьютерного центра в рамках проекта AINA. Модель содержит 1,7 млрд параметров по метаданным и рассчитана на генерацию текста; контекст составляет до 4096 токенов. Модель предназначена для инструкционных сценариев, включая суммаризацию, ответы на вопросы и творческое письмо. Она адаптирована для каталонского, испанского и английского языков на основе BLOOM-7.1B: изменены словарь и слой эмбеддингов, затем модель дополнительно обучалась на целевых языках и дообучалась на наборах инструкций. Репозиторий содержит веса в формате safetensors. Разработчик сообщает, что модель устарела и больше не поддерживается. Возможны смещения и нежелательные искажения, поскольку обучающие данные собирались из веб-источников; оценка токсичности и смещений не проводилась. Лицензия — Apache 2.0.

freewheelin/free-solar-slerp-v0.3 — языковая модель для генерации текста, созданная автором репозитория методом слияния SLERP с помощью mergekit. В состав объединения вошли davidkim205/komt-solar-10.7b-sft-v5 и colable/LDCC-CCK-slerp; архитектура — плотная LlamaForCausalLM, размер — 10,7 млрд параметров, формат весов — safetensors. Модель рассчитана на генерацию текста и ответы на инструкции, поддерживает контекст до 4096 токенов. В базовой модели KOMT-Solar заявлена ориентация на корейский язык; README этой версии не уточняет языковой охват и сравнительные преимущества именно данного слияния. Репозиторий опубликован по лицензии MIT. Возможности и качество могут отличаться от компонентов, использованных при слиянии.

Gajendra-v0.1 — языковая модель Bhabha AI для генерации текста и ответов на инструкции. Она дообучена на базе OpenHathi и использует плотную архитектуру LlamaForCausalLM с 6,7 млрд параметров. Модель рассчитана на английский и хинди, включая общение в стиле хинди-хинглиш-английский. Модель предназначена для диалогов с ассистентом и выполнения пользовательских инструкций. Контекст составляет до 4096 токенов; веса доступны в формате Safetensors. Указана лицензия Llama 2.

Erland/Gemma_Reward_Merged — дообученная языковая модель Erland на архитектуре Gemma 2, созданная на базе unsloth/gemma-2-9b-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 9 млрд параметров и поддерживает контекст до 8192 токенов; опубликованные веса представлены в формате safetensors. Модель предназначена для генерации текста. Карточка не описывает специализацию на оценке вознаграждения или отдельные сценарии применения, поэтому её возможности следует считать общими для текстовой генерации. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества, результатов сравнения или конкретных ограничений применения.

QuantFactory/granite-7b-lab-GGUF — квантизированная версия модели instructlab/granite-7b-lab, созданная с использованием llama.cpp. В основе лежит IBM Granite-7b-base, а сама модель разработана на базе исследовательского метода IBM Research Large-scale Alignment for chatBots (LAB) с применением Mixtral-8x7B-Instruct в качестве модели-учителя. Модель предназначена для генерации текста и диалоговых сценариев, включая работу со знаниями, базовыми навыками рассуждения и композиционными задачами, такими как творческое письмо. Метод LAB использует таксономически организованные синтетические данные, двухфазное обучение и replay buffer, что позволяет добавлять знания и навыки с меньшим риском катастрофического забывания. Указан английский язык; размер базовой модели — 7B параметров. Другие характеристики, включая длину контекста и поддерживаемые модальности, в карточке не указаны. В качестве сильных сторон заявлены эффективное выравнивание на синтетических данных и широкий охват задач. В приведённом сравнении Granite-7b-lab показывает средний результат 6,69 на MTBench и 51,91 на MMLU (5-shot), однако эти показатели относятся к исходной модели и не обязательно отражают поведение данной GGUF-квантизации. К ограничениям относятся неизвестные параметры квантизации и отсутствие подробностей о производительности, требованиях к ресурсам и безопасной эксплуатации. Модель распространяется по лицензии Apache-2.0.

avichr/heBERT_sentiment_analysis — модель классификации тональности текста на иврите, разработанная авторами HeBERT. Она предназначена для определения полярности высказываний: положительной, отрицательной или нейтральной. Модель основана на архитектуре Google BERT Base и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и Flax. Базовый HeBERT предварительно обучен на корпусах OSCAR и Википедии на иврите. В карточке приведены результаты оценки классификатора тональности: F1 составляет 0,94 для положительных и 0,98 для отрицательных примеров; для нейтральных примеров — 0,67. Хотя исследование также рассматривает распознавание восьми эмоций, авторы указывают, что в этой публикации выпущена только модель анализа полярности. Лицензия в предоставленных данных не указана.

MotherEarth/Hermes-Storm-Climate-Sauerkraut-abliterated — объединённая диалоговая языковая модель, созданная с помощью mergekit линейным слиянием трёх моделей: MotherEarth/Hermes-Storm-Climate-lorablated, MotherEarth/MotherEarth-Proverbs-1.0-8B и VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct. Модель построена на архитектуре Llama с плотной причинной языковой сетью, содержит 7,5 млрд параметров и принимает текстовые запросы, генерируя текст в формате диалога. Заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста. В состав слияния входят модели, связанные с генерацией на немецком и английском языках, а также модель Proverbs; карточка не описывает отдельные гарантированные сценарии или сравнительные показатели качества. Весовые файлы представлены в формате safetensors, тип данных при слиянии — bfloat16. Сведения о лицензии в предоставленных источниках отсутствуют.

Hypa-Gemma4-E2B-v1 — текстовая мультиязычная модель Hypa Intelligence, дообученная методом LoRA на базе Google DeepMind Gemma 4 E2B-it; адаптер объединён с базовыми весами. Вариант E2B содержит 2,3 млрд эффективных параметров, а обучение использовало 1,62 млрд из 6,74 млрд параметров. Модель предназначена для перевода, определения языка, словарных объяснений и выполнения инструкций на английском, французском, испанском и четырнадцати языках Нигерии. Она сохраняет формат диалогов Gemma 4 и структуру запросов для работы с инструментами. Обучение проведено на смеси из 15,9 млн примеров, включавшей словарные, переводные, языковые и синтетические инструкции, а также данные для вызова функций. Модель принимает текст и выдаёт текст. Хотя у базовой Gemma 4 есть возможности работы с изображениями и аудио, в этой текстовой версии эти компоненты не обучались для целевых языков, и их качество не проверено. Качество ответов различается между языками; для малоресурсных языков результаты следует проверять с носителями. Модель не проходила RLHF или DPO и не подходит для неконтролируемого применения в медицинских, юридических, финансовых и психологических сценариях. Лицензия — Apache-2.0.

taufiqdp/indonesian-sentiment — модель классификации тональности на основе IndoBERT Base Uncased, дообученная автором репозитория на данных indonlu (SmSA) и Indonesian_sentiment. Она относит индонезийские комментарии и отзывы к одному из трёх классов: отрицательный, нейтральный или положительный. Модель построена на архитектуре BERT с головой классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. Она предназначена для анализа тональности индонезийских отзывов и комментариев. Распространяется по лицензии MIT.

ko-en-llama2-13b — авторегрессионная языковая модель на архитектуре Llama 2, разработанная Hyunseok Lee и Taeyoung Kim из KAIST AIinLab и omnious.ai. Это дообученная версия Llama-2-13B с 12,9 млрд параметров, предназначенная для генерации текста на корейском и английском языках; обучение было направлено на освоение корейского корпуса при сохранении возможностей модели в английском. В качестве данных использовались открытые материалы Wikipedia и AIHub на английском и корейском языках. Модель принимает текст и генерирует текст. Она построена на Transformers и PyTorch, имеет контекстное окно 2048 токенов. В карточке указано, что обучение ещё продолжалось. Лицензия в доступных данных не указана.

L3.1-Orion-a-8B — слитая языковая модель семейства Llama, созданная сообществом mergekit с помощью метода Model Stock. При слиянии использованы P0x0/Epos-8b как базовая модель, а также Casual-Autopsy/L3-Umbral-Mind-RP-v3.0-8B, Sao10K/L3-8B-Lunaris-v1 и mergekit-community/L3-Boshima-a. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии. Она имеет плотную авторегрессионную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. В README указаны слияние Model Stock и сохранение весов в float16; в репозитории используются файлы safetensors. Лицензия в доступных данных не указана.

manojpreveen/Llama-2-7b-hf-ChatOrca — диалоговая языковая модель, созданная на основе Meta Llama 2 7B и дообученная на смеси данных Orca, OpenPlatypus и открытых многоходовых диалогов. Она предназначена для генерации ответов и поддержания многоходовых бесед, включая задачи, требующие рассуждений. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 6,6 млрд параметров и рассчитана на контекст до 4096 токенов. Для общения применяется формат запросов Meta Llama 2 Chat с маркерами [INST]. Модель работает с текстом и выдаёт текст; в карточке указаны обучающие данные на английском языке, но перечень поддерживаемых языков не заявлен. Репозиторий содержит веса safetensors. Лицензия — MIT; базовая модель Meta Llama 2 имеет собственные условия лицензирования, которые следует учитывать отдельно.

sh2orc разработал Llama-3.1-Korean-8B-Instruct — модель для диалогов и генерации текста, дообученную на основе Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; она работает с текстом и поддерживает диалоговый режим. В карточке приведены примеры ответов на вопросы на корейском языке, а также перевода с корейского на английский. Модель предназначена для ответов на вопросы, бесед и генерации корейского текста; её можно запускать через Transformers или vLLM. README перечисляет корейские наборы данных для обучения, включая вопросы и ответы по Википедии, RLHF-данные и коммерческие тексты. Карточка не сообщает условия лицензии этой производной модели, поэтому перед использованием следует проверить права на неё и базовую модель.

Mungert/Llama-3.2-1B-GGUF — это компактная GGUF-версия языковой модели Llama 3.2, разработанной Meta. Репозиторий предназначен для запуска модели в совместимых средах инференса, поддерживающих формат GGUF, и для задач генерации текста, включая диалоговые сценарии, ответы на запросы и другие приложения на основе языковых моделей. Из доступных данных известно, что модель относится к семейству Llama 3.2, имеет размер 1B параметров и поддерживает текстовую генерацию. В карточке указаны английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Архитектура, точная длина контекста, параметры квантования и сведения о мультимодальности не указаны; по имеющейся информации модель следует рассматривать как текстовую, а не мультимодальную. Небольшой размер может облегчать локальный запуск и снижать требования к вычислительным ресурсам, однако по сравнению с более крупными моделями может ограничивать качество сложного рассуждения, точность и устойчивость на специализированных задачах. Модель распространяется по Llama 3.2 Community License от Meta. Лицензия предусматривает требования к атрибуции, маркировке продуктов, соблюдению Acceptable Use Policy и условиям перераспределения; для организаций с более чем 700 миллионами ежемесячно активных пользователей требуется отдельное разрешение Meta.

Llama-3-8B-Instruct-Portuguese-v0.4 — языковая модель на архитектуре Llama, представленная пользователем adalbertojunior. Она предназначена для генерации текста и диалоговых сценариев на португальском языке. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, а её контекст составляет 8192 токена. В метаданных указан обучающий набор adalbertojunior/openHermes_portuguese. Модель опубликована в формате safetensors и помечена лицензией из метаданных?

LLaMA3-ENG-KO-8B-SL — дообученная трансформерная языковая модель от 4yo1 на основе семейства Llama. Она предназначена прежде всего для перевода между английским и корейским языками; также поддерживает генерацию текста и чат-взаимодействие. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Максимальная длина контекста составляет 8192 токена. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на датасете 4yo1/llama3_test1, однако подробности о составе данных, качестве перевода и результатах оценки не приведены.

LongForm-OPT-350M — языковая модель семейства OPT, дообученная авторами LongForm на наборе LongForm для генерации длинных текстов по инструкциям. Набор включает документы из C4 и Wikipedia, примеры из Stack Exchange и WikiHow, а также задания на ответы на вопросы, написание писем, исправление грамматики, создание историй и стихотворений и суммаризацию. Модель предназначена для генерации длинных текстов, в том числе рецептов, развернутых ответов и коротких рассказов. Она содержит 454,1 млн параметров, принимает текст и генерирует текст; контекст — до 2048 токенов. В карточке указаны английский и многоязычная поддержка, а также немецкий, итальянский, испанский и французский языки; обучение LongForm описано на английских примерах. Модель представлена в формате PyTorch. Сравнительная оценка в README сообщает о преимуществах LongForm над некоторыми моделями с настройкой по инструкциям в задачах длинной генерации. Модель склонна к галлюцинациям и ограничена в задачах структурированного предсказания. Лицензия в предоставленных данных не указана.

Luna 12B V.3 — мультимодальная merge-модель на архитектуре Gemma 3, созданная OddTheGreat из нескольких моделей семейства Gemma 3 12B. Она предназначена для повседневного помощника и ролевых диалогов, с основным акцентом на русский язык; также понимает английский и принимает изображения. Автор отмечает, что модель подходит для форматированных ответов, работы с документами и цитирования, хорошо учитывает контекст и небольшие детали. Модель не использует режим рассуждений, а в ролевых сценариях может изображать антагониста и описывать вредоносный контент. Модель доступна в формате safetensors и рассчитана на использование через Transformers. По описанию автора, она может работать на потребительских видеокартах с выгрузкой части модели в память, однако скорость зависит от оборудования. Длинные однообразные ответы могут приводить к повторениям; качество зрения автор подробно не оценивал. Лицензия в предоставленных данных не указана.

Macaroni V2 7B — языковая модель на архитектуре Mistral, созданная автором репозитория с помощью объединения предварительно обученных моделей методом DARE TIES в mergekit. В основу взята mistralai/Mistral-7B-v0.1; в объединение также вошли flemmingmiguel/MBX-7B-v3, mlabonne/OmniBeagle-7B и vanillaOVO/supermario_v4. Модель предназначена для генерации текста. Она содержит 7,1 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Репозиторий распространяется под лицензией Apache-2.0. README не описывает специализированные сценарии применения или результаты оценки качества.

maid-yuzu-v3-alter — языковая модель, созданная автором карточки слиянием предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой модели использована smelborp/MixtralOrochi8x7B; в слияние также вошли NousResearch/Nous-Hermes-2-Mixtral-8x7B-DPO и ycros/BagelMIsteryTour-v2-8x7B. Модель предназначена для генерации текста. Она построена на архитектуре Mixtral с разреженной экспертной структурой MoE, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка не описывает специальные предметные сценарии или языки применения. Модель опубликована в формате safetensors. Сведения о лицензии и конкретных ограничениях использования в предоставленных данных отсутствуют.

Mungert/Midm-2.0-Base-Instruct-GGUF — это GGUF-квантизированная версия Mi:dm 2.0 Base Instruct, разработанной компанией KT с использованием собственной технологии. Модель ориентирована на корейский контекст: она предназначена для понимания и генерации текста с учетом корейских социальных, культурных и нормативных особенностей. Указанные языки — корейский и английский, основной сценарий применения — текстовая генерация и диалоговые ассистенты. Исходная Mi:dm 2.0 Base представляет собой плотную модель примерно на 11,5 млрд параметров, созданную путем масштабирования 8-миллиардной модели методом Depth-up Scaling (DuS). Данная версия преобразована в формат GGUF с помощью llama.cpp и предназначена для локального запуска и выбора различных уровней квантования. В карточке также описан подход к повышению точности квантования: отдельные важные слои переводятся на более высокую точность, что может улучшать качество при небольшом увеличении размера файла. Сильными сторонами модели являются специализация на корейском языке и культурном контексте, баланс между размером и производительностью, а также пригодность к локальному развертыванию благодаря формату GGUF. Ограничения включают возможные потери качества из-за квантования, зависимость характеристик от выбранного варианта GGUF и отсутствие в предоставленных данных сведений о размере контекста, конкретных уровнях квантования и полной сравнительной оценке. Модель распространяется по лицензии MIT.

clapAI разработала mmBERT-small-multilingual-sentiment — мультиязычную модель классификации тональности на основе энкодера ModernBERT. Модель дообучена на датасете clapAI/MultiLingualSentiment и предназначена для определения тональности текстов, включая отзывы о товарах и местах. Модель содержит около 140,5 млн параметров, принимает последовательности длиной до 8192 токенов и поддерживает более 16 языков, в том числе английский, русский, китайский, вьетнамский, французский, испанский, немецкий, итальянский, японский, корейский и арабский. На тестовой выборке указанного датасета авторы сообщают результат F1 = 82,2. Для ускорения вывода на совместимых GPU заявлена поддержка FlashAttention-2. Модель подходит для автоматической сортировки и анализа отзывов на нескольких языках. Результат зависит от тематики и языка текста; показатели из карточки получены на конкретном тестовом наборе. Лицензия — MIT.

NeuralsirkrishnaShadow_Experiment26Experiment28 — объединённая текстовая генеративная модель MaziyarPanahi на архитектуре Mistral. Она создана слиянием моделей automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Experiment28-7B. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Лицензия — Apache-2.0. Карточка не описывает специализацию, языковое покрытие или отдельные возможности модели; качество и поведение зависят от исходных объединённых моделей.

Это конвертированная в формат CTranslate2 модель машинного перевода на базе Helsinki-NLP/opus-mt-tc-big-en-it. Разработчик подготовил её для работы в настольном движке ooeoeo с сервером инференса opus-mt-server; веса представлены в float16. Модель переводит текст с английского на итальянский и предназначена для локального использования в приложениях, которым нужен перевод между этой языковой парой. Исходная модель относится к семейству OPUS-MT tc-big. Репозиторий распространяется по лицензии Apache-2.0.

orca-mini-3b — языковая модель Pankaj Mathur для генерации текста и ответов на инструкции. Она основана на OpenLLaMA-3B и содержит около 3,3 млрд параметров; архитектура — плотная LLaMA, запуск предусмотрен через Transformers. Модель обучена на наборах WizardLM, Alpaca и Dolly-V2 с подходами к созданию данных из исследования Orca: примеры включали системные инструкции и объяснения, сформированные с помощью GPT-3.5-turbo-0301. Модель рассчитана на диалоговые запросы, ответы на вопросы и выполнение текстовых инструкций на английском языке. Контекст ограничен 2048 токенами. В карточке приведены результаты оценок на Open LLM Leaderboard, однако они не гарантируют качество на конкретных задачах. Репозиторий содержит веса PyTorch и Safetensors. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и распространение производных на тех же условиях, но запрещает коммерческое использование.

Модель stville/qwen25_1_5b_korean_unsloth — дообученная stville языковая модель семейства Qwen2.5 на 1,5 млрд параметров, основанная на unsloth/Qwen2.5-1.5B-bnb-4bit. Она предназначена для генерации текста. В README указано, что обучение проводилось с Unsloth и библиотекой TRL; метаданные задают контекстное окно до 32 768 токенов и формат safetensors. Карточка не описывает конкретную специализацию дообучения или оценку качества, поэтому сценарии применения следует выбирать с проверкой результатов. Модель распространяется по лицензии Apache-2.0.

Theros/Qwen2.5-CreativeMix-7B — объединённая разговорная языковая модель на архитектуре Qwen2.5, созданная с помощью mergekit методом DARE TIES. В слиянии использованы Qwen2.5-7B-HyperMix, Qandora-2.5-7B-Creative и EdgeRunner-Command-Nested; базовой моделью для объединения указана djuna/Q2.5-Fuppavy-7B. Модель содержит 7,1 млрд параметров и имеет заявленный контекст длиной до 131 072 токенов. Модель предназначена для диалоговой и творческой генерации текста. Её можно применять для написания и продолжения текстов, а также для ведения беседы. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. В карточке не приведены сведения о лицензии и конкретных ограничениях качества или использования.

QwQ-0.5B-Distilled — компактная языковая модель для диалогов и генерации текста, разработанная автором репозитория kz919 на основе Qwen. Модель с архитектурой Qwen2 содержит около 494 млн параметров и рассчитана на контекст до 32 768 токенов; она использует формат Safetensors и библиотеку Transformers. Модель создана методом дистилляции: в README указано обучение студента на примерах длинных рассуждений из QwQ-LongCoT-130K с учителем Qwen/QwQ-32B-Preview и применением GKD. Она предназначена для чат-ассистентов, пошаговых объяснений, учебных сценариев, творческого письма и ответов на технические вопросы. README также сообщает об использовании LoRA-настройки при обучении. Автор отмечает, что это незавершённая демонстрационная версия, поэтому ответы могут быть бессвязными, а качество сложных рассуждений может уступать учителю. Лицензия — Apache-2.0.

rizla-9 — языковая модель для генерации текста, опубликованная пользователем rizla. По метаданным это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, 11,7 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка описывает объединение предварительно обученных языковых моделей методом passthrough с помощью mergekit. В конфигурации указаны локальные пути к компонентам, поэтому их идентификаторы и назначение установить нельзя. Модель предназначена для генерации текста; метаданные указывают английский язык. Лицензия — MIT.

Diary14 разработала адаптер LoRA для RoBERTa-base, предназначенный для бинарной классификации тональности английского текста. Модель использует архитектуру RoBERTa для классификации последовательностей; общий размер указан как 151,8 млн параметров, длина контекста — 514 токенов. Она выдаёт метку POSITIVE или NEGATIVE и может применяться без дополнительного дообучения, например, для анализа отзывов о товарах. Лицензия — MIT. Карточка не сообщает, на каких данных обучалась модель и каковы результаты её оценки. Поэтому её качество на текстах вне сценария отзывов и устойчивость к смещению данных не установлены.