III.4Клиентская поддержка и customer success

Anwaarma/Improved-mBERT-attempt2 — мультиязычная модель классификации текста на основе BERT, дообученная на базе cardiffnlp/bert-base-multilingual-cased-sentiment-multilingual. По метрикам карточки, на оценочной выборке модель показала accuracy 0,83 и loss 0,4767; датасет и схема меток не описаны. Архитектура — BertForSequenceClassification, размер — 205,1 млн параметров, длина контекста — до 512 токенов. Базовая модель предназначена для определения тональности коротких текстов, в том числе сообщений в социальных сетях, однако назначение дообучения этой версии отдельно не уточнено. Модель опубликована в формате PyTorch; условия лицензии в доступных данных не приведены.

Sharathhebbar24/Instruct_GPT — англоязычная авторская дообученная модель на архитектуре GPT-2 Medium. Она создана на базе gpt2-medium с использованием набора инструкционных данных databricks/databricks-dolly-15k и предназначена для генерации текста по текстовой подсказке, в том числе ответов в формате инструкций. Модель использует авторегрессионную схему: предсказывает следующий токен с учётом предыдущих, а не будущих токенов. Модель принимает и выдаёт текст, поддерживает английский язык и имеет контекстное окно 1024 токена. В карточке приведены результаты отдельных тестов Open LLM Leaderboard, однако они не гарантируют качество для конкретного сценария. Репозиторий содержит веса PyTorch. Лицензия — MIT.

K2S3-v0.1 — текстовая авторегрессионная модель семейства Mistral, разработанная K2S3 на основе mistralai/Mistral-7B-v0.1. Авторы увеличили глубину модели, добавили корейские токены и слияния в токенизатор, а затем выполнили полное дообучение параметров методом SFT на данных alpaca-gpt4-data и примерах из The OpenOrca Dataset. Модель содержит 14,2 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, особенно с корейским языком; в метаданных также заявлен английский. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое применение.

Konan-LLM-OND — языковая модель компании Konan Technology Inc., дообученная на базе Qwen3-4B-Base для работы прежде всего на корейском языке. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 32 768 токенов; она поддерживается библиотекой Transformers версии 4.52.0 и выше. Разработчики расширили корейский словарь токенизатора, провели дополнительное предобучение на крупном корейском корпусе и настроили модель на наборе корейских инструкций. По данным карточки, расширенный словарь повышает эффективность токенизации корейского текста примерно на 30% относительно Qwen3. Модель предназначена для генерации текста и диалоговых сценариев на корейском, а также поддерживает английский язык. Модель распространяется по лицензии Apache-2.0. Карточка описывает результаты бенчмарков, однако числовые таблицы в доступном тексте опущены, поэтому по нему нельзя оценить качество на конкретных задачах; заявленная экономия токенов относится к корейскому вводу.

Lite-Cydonia-22B-v1.1-75-25 — это слитая модель для генерации текста и диалогов, созданная автором knifeayumu с помощью mergekit. В слиянии использованы TheDrummer/Cydonia-22B-v1.1 с весом 75% и mistralai/Mistral-Small-Instruct-2409 с весом 25%; метод — task arithmetic. Модель имеет плотную архитектуру Mistral, 22 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалогов и творческой генерации с менее выраженным уклоном в «злые» ответы по сравнению с исходной Cydonia. По словам автора, начальные проверки показали, что модель реже отвечает на провокационные вопросы без дополнительного убеждения, но автор также отмечает, что она может быть недостаточно умной и генерации могут оставаться предсказуемыми. Репозиторий содержит веса Safetensors; лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у авторов базовых моделей.

DeepMount00/Llama-3.1-8b-ITA — плотная авторегрессионная языковая модель семейства Llama, разработанная Michele Montebovi на основе Meta-Llama-3.1-8B-Instruct и дообученная для работы на итальянском языке. Она предназначена для генерации текста и диалоговых сценариев на итальянском; метаданные также указывают поддержку английского языка. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors, поддерживает контекст до 131 072 токенов. Модель подходит для италоязычного чат-бота, составления и продолжения текстов, а также ответов на запросы. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но эти оценки сами по себе не гарантируют качество в конкретном приложении. Лицензия в предоставленных данных не указана.

Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Это компактная инструкция-настроенная языковая модель семейства Llama 3.2, разработанная на основе meta-llama/Llama-3.2-1B-Instruct и дообученная автором репозитория на неизвестном датасете. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, краткого пересказа и помощи в написании текста. Метаданные указывают контекст до 131 072 токенов и многоязычную основу, однако языки и специализация именно этого дообучения не описаны. Карточка не содержит сведений о качестве, обучающих данных или известных ограничениях дообученной версии. Лицензия — llama3.2; использование должно соответствовать её условиям.

LLaMA3-ENG-KO-8B-SL6_1 — языковая модель на архитектуре Llama, опубликованная 4yo1. Это дообученная модель примерно с 7,6 млрд параметров, рассчитанная на английский и корейский языки; в карточке также указан датасет 4yo1/llama3_recipes1. Модель доступна в формате PyTorch и использует библиотеку Transformers, поддерживает контекст до 8192 токенов. Основное назначение — перевод между английским и корейским языками. Модель также может применяться для генерации текста и диалоговых сценариев. Для работы требуется запускать модель как текстовую причинную языковую модель; карточка не приводит результатов оценки качества или подробных рекомендаций по применению. Лицензия — MIT.

llama3-pre1-pre2-ds-lora3 — авторская карточка модели 4yo1 представляет её как дообученную трансформерную языковую модель на английском и корейском языках. Модель имеет архитектуру LlamaForCausalLM, около 7,6 млрд параметров и контекст до 8192 токенов; веса опубликованы в формате Safetensors, библиотека — Transformers. Модель предназначена для генерации текста и задач перевода. В метаданных также указан датасет recipes, однако конкретный сценарий его использования и качество на отдельных задачах не описаны. Доступна по лицензии MIT.

LinkSoul разработала LLaSM-Cllama2 — двуязычную речевую и языковую модель-ассистент на основе LLaSM, предназначенную для диалогов на китайском и английском языках с речевым и текстовым вводом. Репозиторий содержит плотную авторегрессионную архитектуру LlaaaLlamaForCausalLM с 6,6 млрд параметров, веса PyTorch и контекст до 2048 токенов. Модель обучалась на наборе инструкций LLaSM-Audio-Instructions и предназначена для мультимодальных диалогов речь–текст; Hugging Face помечает её основной задачей генерацию текста. Модель подходит для голосового общения с ассистентом и ответов на инструкции на китайском и английском языках. В README проект назван коммерчески применимым и указан Apache-2.0, тогда как метаданные этой карточки указывают лицензию openrail; перед использованием следует проверить лицензию именно распространяемых весов. README перечисляет семейство Chinese-Llama-2 и варианты LLaSM-Chinese-Llama-2-7B, но не позволяет однозначно установить точную базовую модель этого репозитория.

Карточка модели mergekit-community/mergekit-slerp-aywerbb на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gpprpds, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gpprpds — языковая модель для генерации текста, созданная сообществом слиянием Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta методом SLERP через mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на английском языке. Слияние сочетает компоненты двух предварительно обученных моделей; репозиторий содержит веса Safetensors. Поддержка русского языка или специализированных прикладных областей в карточке не заявлена. Лицензия в предоставленных данных не указана.

mergekit-community/mergekit-slerp-gpprpds — языковая модель для генерации текста, созданная сообществом слиянием Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta методом SLERP через mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на английском языке. Слияние сочетает компоненты двух предварительно обученных моделей; репозиторий содержит веса Safetensors. Поддержка русского языка или специализированных прикладных областей в карточке не заявлена. Лицензия в предоставленных данных не указана.

Карточка модели mergekit-community/mergekit-slerp-jovftfd на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gpprpds, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gpprpds — языковая модель для генерации текста, созданная сообществом слиянием Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta методом SLERP через mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на английском языке. Слияние сочетает компоненты двух предварительно обученных моделей; репозиторий содержит веса Safetensors. Поддержка русского языка или специализированных прикладных областей в карточке не заявлена. Лицензия в предоставленных данных не указана.

MKLLM-7B-Translate — языковая модель на 7,1 млрд параметров, разработанная на базе MKLLM-7B для перевода между английским и македонским языками. Она использует плотную архитектуру Mistral и принимает инструкции в формате Alpaca. Базовую MKLLM-7B обучали продолжением предобучения Mistral-7B-v0.1 на корпусе примерно из 300 млн токенов македонского и английского текста в течение двух эпох; версия Translate затем прошла инструкционное дообучение с QLoRA. Модель предназначена для перевода с английского на македонский и с македонского на английский. Разработчики сообщают об оценке на датасете FLORES, сравнивая модель с системами перевода, включая Llama 3 70B и Google Translate. Максимальный родной контекст — 32 768 токенов. Репозиторий содержит веса Safetensors, а лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные работы на тех же условиях и ограничивает коммерческое использование.

MOSS-Audio-8B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Она принимает аудио и по инструкции формирует текстовые ответы: распознаёт речь, описывает звуки и музыку, отвечает на вопросы о содержании записи и создаёт её краткое изложение. Поддерживает временные отметки на уровне слов и предложений, анализ говорящих, эмоций и акустических событий, а также рассуждения по аудиоконтексту. Архитектура объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 8,6 млрд параметров. Эмбеддинги аудио формируются с частотой 12,5 Гц, а временные маркеры помогают отвечать на вопросы о том, когда происходили события. Карточка указывает поддержку английского и китайского языков. Модель распространяется под лицензией Apache-2.0. Модель предназначена для прямого выполнения инструкций по аудио и может применяться для анализа записей разговоров, подкастов, музыки и окружающей среды. README приводит результаты сравнительных оценок, но они не гарантируют качество на конкретных данных; опубликованная информация также не описывает ограничения по длительности аудио или качество для других языков.

zelk12/MT3-Gen4-GP-gemma-2-MT5g3MT2g2-9B — слитая модель для генерации текста и диалогового общения, созданная автором репозитория с помощью mergekit. В основе архитектура Gemma 2 с плотной языковой моделью на 9 млрд параметров; модель использует формат safetensors и поддерживает контекст до 8192 токенов. Модель получена слиянием методом SLERP двух предварительно обученных моделей: zelk12/MT5-Gen3-gemma-2-9B и zelk12/MT2-Gen2-gemma-2-9B. Она предназначена для текстовых запросов и генерации ответов в сценариях общения с ассистентом. Метаданные указывают на поддержку чата, но README не описывает конкретные навыки, языки или сравнительные результаты. Лицензия в предоставленных данных не указана. Практические ограничения, помимо контекста до 8192 токенов, не описаны; качество ответов и пригодность для конкретных задач следует оценивать отдельно.

Multitalker Parakeet Streaming 0.6B v1 — потоковая модель NVIDIA для распознавания речи отдельных участников в многоголосой аудиозаписи. Она основана на Nemotron-Speech-Streaming и архитектуре Parakeet с энкодером Fast-Conformer, входящим в NeMo Encoder for Speech Tasks (NEST). Механизм speaker kernel injection использует сведения об активности речи каждого участника, поступающие от системы диаризации, чтобы направлять распознавание на конкретного говорящего; предварительная запись голоса или speaker embeddings не требуются. Для каждого участника запускается отдельный экземпляр модели, все экземпляры получают один и тот же монофонический аудиопоток с частотой 16 кГц и независимо формируют транскрипцию своего говорящего, в том числе при сильном перекрытии речи. Модель поддерживает потоковую обработку с настраиваемым компромиссом между задержкой и точностью; результат сохраняется в формате SegLST. Для работы требуются NVIDIA NeMo и сведения о речевой активности участников от системы диаризации. Модель доступна как предобученный чекпойнт для инференса и дообучения. Лицензия в метаданных указана как other; конкретные условия следует сверять с карточкой модели NVIDIA.

Ahmed107/nllb200-ar-en_v8 — дообученная модель машинного перевода на архитектуре M2M100, созданная на основе facebook/nllb-200-distilled-600M. Она предназначена для перевода между арабским и английским языками; название модели указывает на эту языковую пару, однако README не уточняет направление перевода и особенности обучающих данных. Размер модели — 463,7 млн параметров, формат весов — Safetensors, контекст — до 1024 токенов. В README приведены результаты оценки: loss 0,7426 и BLEU 54,0881; набор данных и методика оценки не описаны. Модель распространяется по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

OmniLing-V1-8b-experimental — диалоговая модель на базе Llama, созданная SlerpE и secretmoon для перевода между русским и английским языками. Она дообучена на AnatoliiPotapov/T-lite-instruct-0.1 с использованием данных, сгенерированных более сильной моделью, и поддерживает формат чата. Модель предназначена для перевода художественных текстов, наборов данных, пользовательских сообщений и описаний в направлениях русский → английский и английский → русский. В карточке указаны 7,5 млрд параметров и контекст до 8192 токенов. Для перевода рекомендуется низкая температура 0,1–0,3 и нейтральная системная инструкция. В опубликованном небольшом тесте художественных переводов модель получила оценки 8,0 за точность, 7,3 за стилистическое соответствие и 8,3 за грамотность; это сравнение основано на десяти итерациях с Gemini 1.5 Pro Experimental в роли судьи и не гарантирует сопоставимого качества на других текстах. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Open-Platypus-Llama-2-7b-hf — дообученная Garage-bAInd модель семейства Llama 2 для генерации текста. Она основана на meta-llama/Llama-2-7b-hf и обучена на наборе данных Open-Platypus; подходит для генерации ответов и выполнения текстовых инструкций на английском языке. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка содержит мало сведений о качестве и специализированных возможностях модели, поэтому её пригодность для конкретных задач следует оценивать отдельно.

Helsinki-NLP/opus-mt-ru-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с русского языка на французский и подходит для перевода отдельных фраз и текстов. Модель построена на архитектуре Transformer с выравниванием, использует нормализацию и токенизацию SentencePiece; число параметров составляет 58,1 млн, контекст — до 512 токенов. Модель обучена на данных OPUS. В README приведены оценки BLEU 18,3 и 21,6 на тестовых наборах newstest2012 и newstest2013, а также 51,5 на Tatoeba; качество зависит от тематики и формулировок исходного текста. Доступны варианты весов PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-en-zle — модель машинного перевода проекта OPUS-MT, разработанная командой Helsinki-NLP. Она переводит текст с английского языка на белорусский, русский и украинский; целевой язык задаётся специальной меткой. Модель построена на Marian NMT и представлена в архитектуре MarianMTModel. Веса объёмом 163,7 млн параметров доступны в форматах PyTorch, SafeTensors и TensorFlow; длина контекста — до 1024 токенов. Модель предназначена для перевода предложений и текстов с английского на восточнославянские языки. В карточке приведены тестовые результаты на наборах Tatoeba для белорусского, русского и украинского языков. Данные для обучения взяты из OPUS, а обучающий конвейер основан на OPUS-MT-train. Модель опубликована по лицензии CC BY 4.0; при использовании авторы просят цитировать публикации проекта OPUS-MT.

Helsinki-NLP/opus-mt-zls-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на основе проекта Tatoeba-Challenge. Она переводит с южнославянских языков на английский: поддерживаются боснийский, болгарский, хорватский, македонский, словенский и сербский в кириллической и латинской записи. Это трансформер MarianMT с 54,7 млн параметров; при обработке используются нормализация текста и SentencePiece с моделью токенизатора на 32 тыс. единиц. Родной контекст — 512 токенов. Модель подходит для перевода предложений и коротких текстов, включая локализацию и перевод пользовательских материалов с южнославянских языков на английский. В README приведены результаты на тестах Tatoeba для болгарского, хорватского/боснийского и македонского; показатели BLEU составляют 54,9, 55,7 и 54,6 соответственно. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Карточка модели nityaak/phi4mini-stance-matrix-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/phi4mini-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. Модель nityaak — дообученная версия unsloth/Phi-4-mini-instruct-unsloth-bnb-4bit на основе архитектуры Phi-3. В README упомянуты датасеты MT-CSD и EzStance, что указывает на настройку для анализа тональности и определения позиции текста по заданным темам; модель опубликована в формате Safetensors и поддерживает диалоговый интерфейс. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Обучение выполнялось с Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

Модель nityaak — дообученная версия unsloth/Phi-4-mini-instruct-unsloth-bnb-4bit на основе архитектуры Phi-3. В README упомянуты датасеты MT-CSD и EzStance, что указывает на настройку для анализа тональности и определения позиции текста по заданным темам; модель опубликована в формате Safetensors и поддерживает диалоговый интерфейс. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Обучение выполнялось с Unsloth и Hugging Face TRL. Лицензия — Apache-2.0.

Quan-1.8b — разговорная языковая модель с примерно 1,5 млрд параметров, созданная дообучением KnutJaegersberg/Qwen-1_8B-Llamafied на двуязычных англо-вьетнамских данных. Она использует архитектуру Llama и предназначена для генерации текста в диалоговом формате ChatML; заявленная длина контекста — до 8192 токенов. Модель подходит для чат-ответов и генерации текста на английском и вьетнамском языках. В карточке приведён результат оценки: loss 0,8096, однако подробности набора оценки и методики отсутствуют. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

Qwen2.5-7B-d2d — полноразмерно дообученная модель Qwen2.5-7B-Instruct от ynklab для перевода документов целиком между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Она обучена на параллельных данных DocBlocks для задачи перевода «документ в документ» и рассчитана на сохранение связности перевода в пределах документа. Модель использует плотную авторегрессионную архитектуру Qwen2 с 7,1 млрд параметров, работает через Transformers и принимает контекст до 32 768 токенов. Для перевода рекомендуется шаблон ChatML с явным указанием исходного и целевого языков. Модель поддерживает перевод между английским и каждым из перечисленных языков в обоих направлениях. Чекпойнт выпущен в рамках исследовательской работы Doc2FRC; качество зависит от языковой пары, длины и тематики документа, а оценка в карточке не приведена. Лицензия — Apache-2.0.

jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Sailor-14B-Chat — чат-модель семейства Sailor, разработанная для работы с языками Юго-Восточной Азии. Она основана на Qwen2 и дообучена на открытых наборах данных для следования инструкциям и диалогов. Модель содержит 13,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов, диалогов, ответов на вопросы и рассуждений на индонезийском, тайском, вьетнамском, малайском и лаосском языках. В карточке также отмечены английский и китайский; практические сценарии включают чат-помощников и выполнение инструкций на языках региона. Использование возможно на условиях лицензии Apache-2.0.