III.4Клиентская поддержка и customer success

Souvik3333/Llama-3-3x8B-multilingual — мультиязычная чат-модель на архитектуре Mixtral MoE, полученная слиянием трёх моделей семейства Llama 3: namespace-Pt/Llama-3-8B-Instruct-80K-QLoRA-Merged, meta-llama/Meta-Llama-3-8B-Instruct и lightblue/suzume-llama-3-8B-multilingual. В метаданных указано 7,5 млрд параметров, а карточка заявляет контекст длиной 80 тыс. токенов. Модель предназначена для диалоговой генерации текста. Среди языков карточка и метаданные называют английский, японский, немецкий и китайский; поддержка русского не заявлена. Репозиторий содержит веса в формате safetensors. Лицензия указана как llama3.

Llama-3-8B-Dolphin-Portuguese — разговорная языковая модель на архитектуре Llama 3, разработанная на основе переведённой версии набора данных Dolphin. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие на португальском языке; длина контекста составляет 8192 токена. Модель подходит для ответов на вопросы и ведения диалога на португальском, в том числе для задач общего и учебного характера. В карточке приведены результаты на португальском лидерборде: средняя оценка 70,0, а также результаты ENEM Challenge и BLUEX без изображений. Модель использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

MAAL (Multilingual Adaptive Augmentation Language-model) — диалоговая модель, разработанная командой maum.ai Brain NLP. Версия 0.1 основана на Meta-Llama-3-8B-Instruct и дообучена методом межъязыкового переноса: навыки следования инструкциям на английском переносятся на корейский. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые запросы; контекст — до 8192 токенов. Модель предназначена для диалогов и генерации ответов на корейском и английском языках. Разработчики рекомендуют использовать заданный в карточке системный промпт, если модель не дообучается. В опубликованной оценке LogicKor MAAL показала конкурентный результат среди сравниваемых моделей до 13 млрд параметров, однако оценка отмечена как собственный отчёт разработчиков. Карточка указывает на ограничения: из-за небольшого обучающего набора модель может создавать мало разнообразные тексты на корейском и недостаточно учитывать корейские знания и культурный контекст. Обработка изображений и видео не поддерживается. Лицензия — Llama 3.

4yo1/llama3-pre1-pre2-ins1-lora3 — языковая модель на архитектуре Llama, опубликованная 4yo1. В README модель описана как дообученная; метаданные указывают 7,6 млрд параметров, библиотеку Transformers и контекст до 8192 токенов. Репозиторий содержит веса safetensors. Модель предназначена для перевода между английским и корейским языками. Метаданные также отмечают возможность генерации текста и чат-интерфейс. Лицензия — MIT. В карточке не приведены результаты оценки качества или подробности обучения, поэтому пригодность для конкретной задачи следует проверять отдельно.

4yo1/llama3-pre1-pre2-inst3-ds-lora3_1 — языковая модель на архитектуре Llama, опубликованная пользователем 4yo1. Метаданные указывают 7,6 млрд параметров, формат safetensors, контекст до 8192 токенов и библиотеку Transformers; README округляет размер до 8 млрд параметров. Модель предназначена для перевода и генерации текста на английском и корейском языках; каталог также отмечает возможность диалогового использования. В карточке указано дообучение, а название и описание связывают модель с Llama 3 и LoRA; точный идентификатор базовой модели для этой версии в метаданных не приведён. Лицензия — MIT. README содержит пример загрузки через Transformers, но не описывает качество перевода, направление перевода или ограничения по сценариям применения.

Lumimaid-v0.2-70B — разговорная языковая модель семейства Llama, разработанная NeverSleep при участии Undi и IkariDev. Она основана на Meta-Llama-3.1-70B-Instruct и дообучена на смеси диалоговых, инструктивных и ролевых наборов данных; авторы отмечают, что в версии 0.2 очистили данные от нежелательного шаблонного текста. Модель имеет плотную архитектуру LlamaForCausalLM с 69,5 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена; карточка указывает шаблон общения Llama-3-Instruct и поддержку чата. Модель предназначена для диалогов, следования инструкциям и ролевого письма, включая сценарии со взрослым содержанием. Среди сильных сторон — крупный контекст и доработка обучающей выборки для более чистых ответов. Возможны типичные для генеративных моделей ошибки и нестабильность качества; карточка не приводит результатов оценки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Luth-Instruct-GGUF — семейство языковых моделей, опубликованное prithivMLmods на основе kurakurai/Luth-1.7B-Instruct и архитектуры Qwen3. Модели дообучены на датасете Luth-SFT с применением полного fine-tuning и предназначены для генерации текста и выполнения инструкций на французском и английском языках. Основные сценарии — двуязычные ассистенты, ответы на вопросы, математические задачи, работа с общими знаниями и другие приложения, где особенно важно понимание французского языка при сохранении возможностей английского. В репозитории представлены варианты Luth-1.7B-Instruct и Luth-0.6B-Instruct в формате GGUF с различными типами квантизации — от Q2_K до Q8_0, а также BF16, F16 и F32. Размеры моделей составляют 1,7 и 0,6 млрд параметров; точное значение контекстного окна и поддерживаемые модальности в README не указаны. Заявлены улучшения на отдельных французских и английских тестах, включая IFEval, GPQA-Diamond, MMLU, Math-500, ARC-Challenge и HellaSwag, однако подробные числовые результаты не приведены. Сильные стороны моделей — двуязычная работа с выраженным акцентом на французский, поддержка задач следования инструкциям, математики и общих знаний, а также наличие компактных квантизованных вариантов для локального запуска. Ограничениями являются небольшой размер по сравнению с крупными языковыми моделями, отсутствие в README данных о контекстном окне и мультимодальности, а также зависимость качества и требований к ресурсам от выбранной квантизации. Указана лицензия Apache-2.0.

Карточка модели Frowning/Mag-Mell-R1-21B на Hugging Face совпадает с карточкой subspecs/Mag-Mell-R1-21B, поэтому описание составлено по ней. subspecs/Mag-Mell-R1-21B — слитая модель генерации текста, созданная методом passthrough с помощью mergekit на основе inflatebot/MN-12B-Mag-Mell-R1. Она предназначена для диалогов и генерации текста; базовая модель описана как подходящая для ролевых сценариев и художественного письма. Модель использует плотную архитектуру MistralForCausalLM, содержит 20,7 млрд параметров и рассчитана на контекст до 1 024 000 токенов. Репозиторий содержит веса Safetensors и поддерживает Transformers. Карточка не сообщает о специальных ограничениях или условиях лицензии, поэтому установить их по доступным данным нельзя. Языки также не установлены по карточке; базовая модель описана как диалоговая, но это не указывает конкретные языки.

subspecs/Mag-Mell-R1-21B — слитая модель генерации текста, созданная методом passthrough с помощью mergekit на основе inflatebot/MN-12B-Mag-Mell-R1. Она предназначена для диалогов и генерации текста; базовая модель описана как подходящая для ролевых сценариев и художественного письма. Модель использует плотную архитектуру MistralForCausalLM, содержит 20,7 млрд параметров и рассчитана на контекст до 1 024 000 токенов. Репозиторий содержит веса Safetensors и поддерживает Transformers. Карточка не сообщает о специальных ограничениях или условиях лицензии, поэтому установить их по доступным данным нельзя. Языки также не установлены по карточке; базовая модель описана как диалоговая, но это не указывает конкретные языки.

MamayLM-Gemma-3-12B-IT-v2.0 — украиноязычная адаптация мультимодальной модели Gemma 3 от INSAIT-Institute, дообученная на базе google/gemma-3-12B-it. Это плотная модель с архитектурой Gemma3ForConditionalGeneration, предназначенная для диалогов, следования сложным инструкциям и понимания изображений вместе с текстом. Доступны версии MamayLM v2.0 размером 12B и 27B; этот репозиторий содержит вариант 12B. Модель подходит для вопросов по изображениям, многоходовых бесед и задач на украинском языке, а также поддерживает английский. В README указаны данные предварительного обучения до мая 2025 года и инструкционного дообучения до октября 2025 года. Для работы с изображениями следует избегать динамической квантизации vision tower и мультимодального проектора через параметр vLLM quantization="fp8": README предупреждает, что это приводит к некорректным результатам на изображениях. Репозиторий распространяется по лицензии Gemma.

MARS-v0.2 — разговорная языковая модель Curiosity Technology, дообученная методом LoRA на базе Meta Llama 3.1 8B Instruct. Веса содержат около 7,5 млрд параметров, архитектура — плотная LlamaForCausalLM, формат — safetensors; модель поддерживает контекст до 131 072 токенов и предназначена для генерации текста в диалоговом режиме. Модель обучали на внутренних и переведённых открытых турецких наборах данных, уделив больше внимания математическим данным. Она предназначена для общения на турецком языке, решения математических задач и рассуждений; метаданные также указывают английский язык и интерфейс вызова инструментов. Для использования применяются Transformers pipeline или AutoModelForCausalLM. Лицензия — Llama 3 Community License.

mergekit-community/mergekit-slerp-anaazls — языковая модель на архитектуре Llama, полученная слиянием Smaug-34B-v0.1 и Magnum-v3-34b методом SLERP с помощью mergekit. Модель содержит 33,9 млрд параметров, работает в формате Safetensors и рассчитана на генерацию текста в диалоговом режиме; заявленная длина контекста — 200 000 токенов. Модель предназначена для диалогов и генерации текста. В конфигурации слияния указана базовая модель abacusai/Smaug-34B-v0.1, а параметр смешивания меняется по слоям. Карточка не описывает отдельные специализированные сценарии или результаты оценки качества. Условия использования определяются лицензиями исходных моделей; в предоставленных данных лицензия итоговой модели не указана.

Карточка модели mergekit-community/mergekit-slerp-fmitxcg 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.

Карточка модели mergekit-community/mergekit-slerp-ksadkxl 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.

Michel-13B — англоязычная чат-модель на базе Llama 2, созданная PotatoOff и командой как дообученная версия NousHermes-Llama2-13B для широкого круга задач. Модель имеет плотную архитектуру LlamaForCausalLM, около 12,9 млрд параметров и контекст до 4096 токенов; репозиторий содержит веса в формате safetensors, а также упоминает варианты квантования ExL2 и GGUF. Модель предназначена для диалогов и генерации текста общего назначения. Для общения используется шаблон промпта Llama 2; автор приводит рекомендуемые параметры генерации, включая temperature 0,8 и top_p 0,75. README характеризует модель как uncensored, но не приводит оценок качества или подробных результатов бенчмарков. Модель распространяется по лицензии AGPL-3.0. Возможные ограничения: заявленное отсутствие цензуры означает, что ответы могут включать нежелательный контент; контекст ограничен 4096 токенами. Английский указан среди языков модели.

Модель CRWU1/model — дообученная CRWU1 языковая модель семейства Llama для генерации текста. Она основана на unsloth/meta-llama-3.1-8b-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и рассчитана на контекст до 131072 токенов. Модель подходит для генерации текста на английском языке. Репозиторий содержит веса в формате PyTorch; лицензия — Apache-2.0. Карточка не описывает специализацию дообучения или результаты оценки качества, поэтому применимость к узким задачам не подтверждена.

Helsinki-NLP/opus-mt-en-tl — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с английского на тагальский язык и предназначена для автоматического перевода предложений и текстовых фрагментов. Модель основана на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 54,5 млн, длина контекста — до 512 токенов. Для обучения использованы данные OPUS и обратный перевод (opus+bt). В тесте Tatoeba.en.tl указаны BLEU 26,6 и chr-F 0,577. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-lv-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с латышского языка на английский и предназначена для автоматического перевода предложений и текстовых материалов. Модель основана на архитектуре Marian Transformer, использует нормализацию и SentencePiece; содержит 54,8 млн параметров и рассчитана на контекст до 512 токенов. В карточке приведены результаты на тестовых наборах: BLEU 29,9 на newsdev2017, 22,1 на newstest2017 и 53,3 на Tatoeba. Модель поддерживает латышский как исходный язык и английский как целевой. Доступна по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-no-es — модель машинного перевода из семейства MarianMT, опубликованная Helsinki-NLP для перевода с норвежского на испанский. Она построена на архитектуре Transformer и обучена для пары языков no-es; исходный язык охватывает букмол и нюнорск, целевой — испанский. Для обработки текста применяются нормализация и токенизация SentencePiece с словарями по 12 тысяч единиц. Модель содержит 36,4 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель подходит для перевода текстов и сообщений с норвежского на испанский. В карточке приведён результат BLEU 34,2 и chr-F 0,565 на тесте Tatoeba-test.nor.spa. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Helsinki-NLP/opus-mt-tc-big-en-hu — модель машинного перевода проекта OPUS-MT для перевода текста с английского на венгерский. Она разработана на основе Marian NMT и использует архитектуру Transformer Big; в репозитории указано 159 млн параметров. Модель обучена на данных OPUS с применением обратного перевода и токенизации SentencePiece с словарями по 32 тыс. токенов; максимальный нативный контекст составляет 1024 токена. Модель предназначена для перевода предложений и документов с английского на венгерский. В README приведены результаты на тестовых наборах Tatoeba, FLORES-101 и новостном корпусе. Модель принимает текст и выдаёт текст перевода; для работы доступны PyTorch, TensorFlow и Transformers. Лицензия — CC-BY-4.0. Модель рассчитана только на направление английский → венгерский. Приведённые оценки зависят от тестового набора и не гарантируют такое же качество для произвольных текстов или специализированных областей.

Ornith-Agents-A1 — объединённая мультимодальная модель, созданная автором карточки с помощью mergekit методом task arithmetic на базе Qwen/Qwen3.5-35B-A3B и с включением InternScience/Agents-A1 и deepreinforce-ai/Ornith-1.0-35B. Архитектура относится к семейству Qwen 3.5 MoE; метаданные указывают поддержку диалога и обработки изображений, а основной сценарий по pipeline_tag — генерация текста по текстовому и визуальному вводу. Модель предназначена для диалога, анализа изображений и агентных задач. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не сообщает размер модели, длину контекста и поддерживаемые естественные языки.

Pawa-Gemma-Swahili-2B — диалоговая языковая модель компании Sartify LLC для общения и генерации текста на суахили и английском. Она основана на плотной архитектуре Gemma 2 и получена дообучением Google Gemma 2 2B: авторы продолжили предобучение на 3 млрд токенов суахили, затем применили supervised fine-tuning и Direct Preference Optimization. Модель предназначена для общего помощника, ответов на вопросы и генерации текста в чат-сценариях, включая приложения с RAG. Размер — 2,7 млрд параметров, контекст — до 8192 токенов; репозиторий использует формат Safetensors и библиотеку Transformers. В README указана поддержка суахили и английского; метаданные дополнительно отмечают английский. README предупреждает о возможных смещениях из обучающих данных и более слабой работе за пределами обученной области. Для комфортной работы авторы рекомендуют GPU с большим объёмом памяти; доступна 4-битная квантизация. В метаданных указана лицензия Apache-2.0, тогда как README говорит о пользовательских условиях и предлагает связаться с автором; условия распространения и использования следует уточнить у разработчика.

PrismNLI-0.4B — англоязычная модель Jaehun для вывода по естественному языку и классификации без дополнительного обучения. Она дообучена на 515 тысячах синтетических примеров датасета PrismNLI, созданных с помощью Qwen2.5-72B-Instruct; исходной моделью послужила microsoft/deberta-v3-large-zeroshot-v2.0. Архитектура — DeBERTa V3 Large для классификации последовательностей, размер — 533,8 млн параметров, максимальный контекст — 512 токенов. Модель проверяет, следует ли гипотеза из посылки: метка 0 означает entailment, а метка 1 — not-entailment. Такой формат позволяет использовать её как классификатор с заданными пользователем категориями: категории формулируются как гипотезы, а модель оценивает их соответствие входному тексту. README сообщает о результатах на восьми бенчмарках NLI, но не приводит чисел для этой версии в доступной таблице. Модель предназначена для англоязычных текстовых задач и распространяется по лицензии CC. Для надёжных результатов следует формулировать категории как проверяемые утверждения; качество на других языках и за пределами NLI и zero-shot классификации в карточке не подтверждено.

cnmoro/Qwen2.5-0.5B-Portuguese-Hybrid-Reasoning — компактная диалоговая языковая модель, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct для повышения владения португальским языком, выполнения инструкций и рассуждений. Модель с архитектурой Qwen2 имеет 494 млн параметров, принимает текст и генерирует текст; режим рассуждений можно включать или отключать. Максимальная длина контекста — 32 768 токенов. В метаданных указаны интерфейс чата и интерфейс вызова инструментов. Модель подходит для диалогов и генерации текстов на португальском, а также для задач, требующих пошагового рассуждения. В README приведены результаты Open Portuguese LLM Leaderboard, включая средний балл 46,91 и оценки на ENEM Challenge и BLUEX. Компактный размер ограничивает возможности по сравнению с более крупными моделями; результаты бенчмарка не гарантируют качество для конкретного сценария. Распространяется по лицензии MIT.

Qwen3-1.7B-Salesforce-Finetuned-SOQL — дообученная Ravinarayanan модель на базе Qwen/Qwen3-1.7B для запросов к Salesforce и CRM-сценариев. Это плотная языковая модель с 1,7 млрд параметров, принимающая текст и генерирующая текст; метаданные указывают контекст до 40 960 токенов. Контрольная точка в формате Safetensors предназначена для диалоговой работы и маршрутизации инструментов агента. Модель интерпретирует запросы о Salesforce, определяет необходимость получить метаданные схемы, выбирает инструменты вроде search_schema, describe_object, run_soql и analyze_data, а также формирует привязанные к схеме запросы SOQL только для чтения. В README приведены результаты внутренней оценки на 53 тестовых и 20 сложных сценариях: точность составила 83% и 85% соответственно; эти показатели относятся к описанному набору примеров и не гарантируют аналогичного качества в других условиях. Модель также сохраняет общие способности к написанию, суммаризации и объяснениям. Для рабочих систем README рекомендует проверять SOQL и аргументы инструментов, ограничивать выполнение чтением, учитывать права доступа и считать актуальные метаданные Salesforce источником истины. Указанная лицензия — Apache-2.0; проект независимый и не связан с Salesforce.

Qwen3-ASR-1.7B-hf Orze — дообученная и полностью объединённая специализация модели Qwen/Qwen3-ASR-1.7B-hf от Orze для распознавания английской речи. Это плотная аудиотекстовая модель для транскрибации коротких аудиозаписей; она загружается напрямую через Transformers и использует детерминированное beam search-декодирование с четырьмя лучами. Веса в формате safetensors содержат около 2,04 млрд параметров. Модель обучали на открытых англоязычных наборах, включая Switchboard, Common Voice, TED-LIUM, AMI, LibriSpeech, VoxPopuli, Earnings22 и SPGISpeech. Она предназначена для транскрибации разговоров, выступлений и других коротких записей на английском языке. В README приведены результаты самостоятельной оценки на открытых тестовых наборах, однако публичные тестовые оценки участвовали в выборе чекпойнта и настроек декодирования, поэтому эти результаты не являются независимой оценкой обобщения и не подтверждены владельцами лидерборда. Мультиязычные возможности исходной модели после дообучения не проверялись; для задач, где важна широкая мультиязычная поддержка, README рекомендует исходный чекпойнт. Модель распространяется по лицензии Apache-2.0.

MarkrAI — исследовательская команда, выпустившая RAG-KO-Mixtral-7Bx2-v1.15: корейскую модель генерации текста для сценариев Retrieval-Augmented Generation (RAG). Модель основана на DopeorNope/Ko-Mixtral-v1.3-MoE-7Bx2 и дообучена методом QLoRA на частном датасете Korean-RAG-ver2. В архитектуре используется Mixtral MoE; число параметров — 7,1 млрд, контекст — до 32 768 токенов. Модель предназначена для генерации ответов на корейском языке с опорой на предоставленные при поиске материалы, в том числе в многодоменных сценариях. Для обучения применялись 4-битная квантизация и LoRA с рангом 64. Репозиторий содержит веса safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование; результаты бенчмарков в карточке отсутствуют.

rmihaylov/roberta-base-sentiment-bg — модель XLM-RoBERTa Base, дообученная для классификации тональности текстов на болгарском языке. Она предназначена для определения тональности текста и подходит для анализа болгарских отзывов, публикаций и других коротких текстов. Модель чувствительна к регистру букв и содержит около 124,5 млн параметров; максимальная длина контекста — 514 токенов. Модель разработал пользователь Hugging Face rmihaylov; для дообучения использован частный набор данных для анализа тональности. В метаданных также перечислены OSCAR, Chitanka и Wikipedia. Модель распространяется по лицензии MIT.

Sailor2-1B-Chat-GGUF — это квантизированная GGUF-версия чат-модели Sailor2-1B-Chat, опубликованная и подготовленная квантизатором bartowski на основе оригинальной модели sail/Sailor2-1B-Chat. Модель предназначена для генерации текста, диалогов и выполнения инструкций, включая работу с многоязычными запросами. Модель содержит около 1 млрд параметров и поддерживает английский, китайский, индонезийский, тайский, вьетнамский, малайский, лаосский, бирманский, яванский, кхмерский, сунданский и тагальский языки. Это текстовая модель без заявленной поддержки изображений или других модальностей. Доступны варианты с разной степенью квантизации — от F16 до Q2_K_L, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Для запуска рекомендуется использовать llama.cpp или совместимые приложения, например LM Studio; предусмотрен специальный шаблон prompt с ролями system, user и assistant. Сильными сторонами модели являются компактный размер, многоязычная специализация и широкий выбор квантизированных вариантов, включая версии, оптимизированные для ARM и AVX. Более сильная квантизация обычно обеспечивает лучшее качество, тогда как варианты с меньшим размером экономят память, но могут заметно уступать по качеству. В README не указаны размер контекста, результаты тестирования и подробные ограничения качества. Модель распространяется по лицензии Apache-2.0.

Модель Jhusef Alfonso López Parra для классификации тональности текстов на испанском языке. Она дообучена на базе xlnet/xlnet-base-cased и построена на архитектуре XLNet; содержит 137,8 млн параметров. Модель принимает текст и относит его к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель предназначена для анализа испанских текстов, в том числе сообщений в социальных сетях, и доступна для инференса через библиотеку Transformers. Для оценки автор приводит macro-F1 0,561 на валидации; при использовании следует учитывать возможные смещения обучающих данных и проверять результаты человеком в критически важных сценариях. Модель распространяется по лицензии Apache-2.0.