III.4Клиентская поддержка и customer success

Aleteian/Neverending-Story-MN-12B — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit. В качестве базовой модели использована Aleteian/base-ground-2; в объединение также вошли три модели, перечисленные в метаданных. Размер модели — 12,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Метаданные заявляют контекст до 1 024 000 токенов и возможность диалогового общения. Модель подходит для генерации продолжений текста и диалогов, в том числе на русском и английском языках: базовая SAINEMO-reMIX описана как русско-английская модель для диалогов, генерации и ролевого общения. Карточка не приводит результатов оценки качества или подробных рекомендаций по настройке, поэтому качество на конкретных задачах и практическую поддержку заявленной длины контекста следует проверять отдельно. Лицензия в доступных данных не указана.

Helsinki-NLP/opus-mt-ar-es — модель машинного перевода из семейства MarianMT, опубликованная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с арабского на испанский; при обучении учитывались варианты арабского, включая apc, apc_Latn, ara и arq. Модель основана на Transformer, содержит 57,2 млн параметров и использует нормализацию и SentencePiece с словарями по 32 тыс. единиц. Максимальная длина контекста — 512 токенов. Модель подходит для перевода арабских текстов на испанский, в том числе для локализации материалов и перевода коротких сообщений. В README приведён результат BLEU 46,0 на Tatoeba-test.ara.spa; этот показатель относится к указанному тестовому набору и не гарантирует аналогичного качества на других текстах. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала opus-mt-cs-en — модель машинного перевода с чешского языка на английский. Она основана на архитектуре Transformer-align и обучена на данных OPUS; для обработки текста применяются нормализация и SentencePiece. Модель содержит 57,2 млн параметров, поддерживает перевод с чешского на английский и имеет контекст длиной до 512 токенов. В README приведены результаты на тестовых наборах новостных переводов: BLEU от 30,4 до 34,1. Модель подходит для перевода чешских текстов на английский в приложениях и рабочих процессах, где требуется отдельная модель для этой языковой пары. Опубликована под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-en-he — модель машинного перевода, разработанная Helsinki-NLP для перевода с английского языка на иврит. Она основана на архитектуре Marian и использует Transformer; в карточке указаны 58,9 млн параметров, контекст до 512 токенов и предобработку с нормализацией и SentencePiece. Модель обучена на данных OPUS и предназначена для перевода предложений и текстов с английского на иврит. В README приведён результат BLEU 40,1 и chr-F 0,609 на тестовом наборе Tatoeba.en.he. Модель принимает текст и выдаёт перевод текстом; поддерживаемая пара языков — en → he. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-fi-es — модель машинного перевода с финского языка на испанский, разработанная в рамках проекта OPUS. Это плотная Transformer-модель архитектуры MarianMT с 57,6 млн параметров; при обработке текста используются нормализация и SentencePiece. Для Tatoeba.fi.es в карточке приведены оценки BLEU 51,5 и chr-F 0,700. Модель предназначена для перевода предложений и текстов с финского на испанский. Длина контекста — до 512 токенов. Веса доступны в форматах PyTorch и TensorFlow; лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-pa-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с пенджаби на английский и предназначена для перевода отдельных фраз и текстов. Модель основана на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; число параметров — 55,8 млн, длина контекста — 512 токенов. В карточке приведены результаты на наборах JW300 и Tatoeba: BLEU 20,6 и 29,3 соответственно. Модель распространяется под лицензией Apache-2.0. Она предназначена для направления пакистанский пенджаби → английский; качество может различаться в зависимости от тематики и текста.

Это нейронная модель машинного перевода OPUS-MT, разработанная в рамках проекта OPUS-MT и выпущенная Helsinki-NLP. Модель переводит текст с английского на итальянский и построена на архитектуре Transformer-big, реализованной с помощью Marian NMT. Для токенизации используется SentencePiece с словарями размером 32 тыс. токенов для каждого языка. Модель предназначена для автоматического перевода английских предложений и текстов на итальянский, например, для локализации материалов и перевода пользовательских запросов. Она содержит около 156,4 млн параметров; длина контекста — до 1024 токенов. В README приведены результаты оценки на наборах Tatoeba, FLORES-101 и новостном тестовом наборе. Модель принимает текст на английском и выдаёт текст на итальянском. Она специализируется на одной языковой паре и не предназначена для универсального многоязычного перевода. Лицензия — CC BY 4.0; при использовании следует соблюдать её условия и требования к атрибуции.

Helsinki-NLP/opus-mt-vi-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с вьетнамского на английский и предназначена для перевода предложений и текстовых фрагментов между этими языками. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; в репозитории доступны веса PyTorch и TensorFlow. Размер составляет 52,7 млн параметров, родной контекст — 512 токенов. Перед обработкой текста применяются нормализация и SentencePiece с отдельными словарями размером 32 тыс. единиц для исходного и целевого языков. Для набора Tatoeba-test.vie.eng в карточке приведены оценки BLEU 42,8 и chr-F 0,608. Модель рассчитана на перевод с вьетнамского на английский; обратное направление и другие языковые пары не заявлены. Лицензия — Apache-2.0.

Qingqiu-MT-9B-i1-GGUF — это квантизированная версия модели Qingqiu-MT-9B, разработанной WPS и опубликованной в формате GGUF пользователем mradermacher. Модель ориентирована прежде всего на многоязычный машинный перевод и выполнение инструкций; в метаданных также указана поддержка мультиязычных сценариев. Квантизация выполнена с использованием imatrix, доступно множество вариантов с разным балансом между размером, скоростью и качеством. Модель имеет около 9 миллиардов параметров. README указывает, что это vision-модель, однако сведения о поддерживаемых языках, точных визуальных возможностях, размере контекстного окна и архитектуре не приведены. Доступны варианты квантизации от i1-IQ1_S размером около 2,8 ГБ до i1-Q6_K размером около 7,5 ГБ; среди рекомендуемых отмечены i1-Q4_K_M и i1-Q4_K_S как варианты с хорошим соотношением скорости, размера и качества. Более низкие уровни квантизации экономят память, но могут заметно снижать качество. Модель распространяется по лицензии Apache-2.0. Для использования требуются совместимые инструменты, поддерживающие формат GGUF; конкретные системные требования и инструкции запуска в README не указаны.

Модель jikatakiri45 — дообученная версия Qwen2.5-7B-Instruct, созданная на базе unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit. Это плотная языковая модель с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В карточке указано, что при обучении использовались Unsloth и библиотека TRL; контекст модели составляет до 32 768 токенов. Модель можно применять для диалоговых ответов, генерации и продолжения текста. В метаданных указан английский язык, однако README не описывает обучающие данные, качество на конкретных задачах или специализацию на индонезийском языке. Модель распространяется по лицензии Apache-2.0.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Hi-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. 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.

MuXodious/Qwen3.5-27B-tainted-heresy — мультимодальная модель для диалогов и анализа изображений, созданная разработчиком MuXodious на основе Qwen3.5-27B. Модель дообучена с помощью Heretic v1.2.0 и процедуры abliteration, направленной на уменьшение отказов и явного несоблюдения запросов; автор сообщает, что в его оценке осталось 13 отказов из 104, преимущественно в форме оговорок. Модель принимает текст и изображения и формирует текстовые ответы. Архитектура Qwen3.5 — плотная модель с 27 млрд параметров, визуальным энкодером и гибридными слоями Gated Delta Networks и Gated Attention. Базовая модель рассчитана на 201 язык и диалект, имеет нативный контекст 262 144 токена с возможностью расширения до 1 010 000 токенов; README также указывает режим рассуждений и поддержку вызова инструментов. Подходит для диалогов, визуальных вопросов и сценариев с инструментами, где требуется модель с уменьшенной склонностью к отказам. Описание процедуры и метрики в карточке не подтверждают качество на широком наборе задач; сама модель может сохранять отказы и оговорки. Лицензия — Apache-2.0.

Карточка модели jamessucla/retrobust_plusplus_combined_3b_f16 на Hugging Face совпадает с карточкой jamessucla/retrobust_plusplus_3b_f16, поэтому описание составлено по ней. Модель jamessucla/retrobust_plusplus_3b_f16 — дообученная языковая модель семейства Llama 3.2, загруженная scoliono. Она создана на базе unsloth/Llama-3.2-3B-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL для генерации текста. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста на английском языке. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированной области применения или дополнительных возможностях.

RuBERT-Base-ru-sentiment-RuSentiment — русскоязычная модель классификации текста на основе архитектуры BERT, разработанная путём дообучения RuBERT на наборе RuSentiment. Датасет содержит публикации общего характера из социальной сети ВКонтакте, поэтому модель предназначена для анализа тональности русскоязычных постов и похожих текстов. Модель насчитывает 205,1 млн параметров и принимает последовательности длиной до 512 токенов. Она выдаёт результат классификации текста; доступны версии в форматах PyTorch и Flax. Карточка приводит методику сравнения результатов на RuSentiment и других наборах, но в предоставленном фрагменте нет конкретных оценок качества. Лицензия в предоставленных данных не указана.

Sailor-7B-Chat — чат-модель для генерации текста, разработанная проектом Sailor и предназначенная для языков Юго-Восточной Азии. Она дообучена на базе Sailor-7B, которая основана на Qwen1.5-7B; архитектура — плотная Qwen2ForCausalLM с 7,1 млрд параметров. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель настроена на следование инструкциям и диалоговое общение. Её можно использовать для ответов на вопросы, рассуждений на здравый смысл и других текстовых задач на индонезийском, тайском, вьетнамском, малайском, лаосском, китайском и английском языках. В карточке Sailor отдельно отмечены индонезийский, тайский, вьетнамский, малайский и лаосский как целевые языки семейства. По данным карточки, при дообучении использовались открытые наборы Aya Dataset, Aya Collection и OpenOrca. Лицензия — Apache-2.0. Качество может различаться между языками и задачами; карточка не приводит конкретных ограничений или численных результатов для этой версии.

nahiar/sentiment-analysis-v2 — модель классификации тональности текстов из социальных сетей, разработанная на основе XLM-RoBERTa-Base. Она определяет положительную, нейтральную или отрицательную тональность и предназначена для публикаций и комментариев на индонезийском и английском языках, в том числе в Twitter/X, Instagram, TikTok, Facebook и на форумах. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Доступна в формате safetensors и запускается через библиотеку Transformers. В README сообщаются accuracy 0,8527, macro F1 0,8525 и weighted F1 0,8525 на отложенной валидационной выборке со сбалансированным распределением тональности. Модель можно применять для анализа тональности публикаций, фильтрации комментариев и контроля качества контента. Она дообучена на FacebookAI/xlm-roberta-base и распространяется по лицензии Apache-2.0. Качество может снижаться на очень коротких или неоднозначных сообщениях; модель не оптимизирована для формальных текстов и может быть подвержена смещениям. README называет задачу классификацией по трём классам, хотя в перечне ограничений ошибочно указано «Binary classification».

ifuseok/sft-solar-10.7b-v1 — разговорная языковая модель, дообученная разработчиком ifuseok на основе upstage/SOLAR-10.7B-Instruct-v1.0. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста и диалоговых сценариев. Модель принимает текст и выдаёт текст; контекст составляет 4096 токенов. Дообучение использует преимущественно корейские наборы инструкций, включая корейские версии Dolly, OpenOrca и BoolQ, а также часть англо-корейских переводческих данных AIhub. Это делает модель подходящей для ответов на вопросы, выполнения инструкций и перевода между корейским и английским. В README приведён пример загрузки через Transformers в формате safetensors с float16. Карточка не сообщает отдельную лицензию для этой версии; условия использования следует сверять с лицензией базовой модели. Небольшой объём описания не позволяет оценить качество на независимых тестах или надёжность ответов.

shadow-clown-7B-dare — объединённая модель CorticalStack для генерации текста. Она создана методом DARE merge с помощью mergekit на основе нескольких моделей, включая yam-peleg/Experiment26-7B, CorticalStack/pastiche-crown-clown-7b-dare-dpo, CultriX/NeuralTrix-7B-dpo и CorticalStack/neurotic-crown-clown-7b-ties. Модель использует архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста на входе в виде текста. Карточка не уточняет отдельные прикладные сценарии или языки. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Качество и ограничения конкретных сценариев в карточке не описаны.

slerpMergedgpt20.4 — плотная авторегрессионная языковая модель семейства GPT-2, созданная с помощью mergekit объединением моделей /kaggle/working/gpt2 и /kaggle/working/gpt2_debias методом SLERP с параметром t=0.4. Модель предназначена для генерации текста по текстовому запросу и продолжения последовательностей. Она использует архитектуру GPT2LMHeadModel, библиотеку Transformers и веса в формате safetensors. Длина контекста составляет 1024 токена. Имя второй объединённой модели указывает на возможную настройку на снижение предвзятости, но карточка не описывает её обучение или подтверждённый эффект, поэтому нельзя делать выводы о качестве или степени снижения предвзятости. Лицензия в предоставленных данных не указана.

jieunhan/solar_merge_test_1 — объединённая автором модель генерации текста на архитектуре Mixtral MoE с 10,7 млрд параметров. При создании объединены beomi/OPEN-SOLAR-KO-10.7B и hyeogi/SOLAR-10.7B-dpo-v1; конфигурация указывает на выбор экспертов по эмбеддингам и подсказку для дружелюбного универсального ассистента. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, указана лицензия Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении модели.

Strangemerges_32Ogno-7B — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Разработчик объединил Gille/StrangeMerges_32-7B-slerp и eren23/ogno-monarch-jaskier-merge-7b-OH-PREF-DPO-v2 методом DARE TIES; первой модели отведена роль базовой. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — safetensors, длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалогов. Карточка не приводит отдельной оценки качества или специализированных сценариев; базовая модель описана как англоязычная и дообученная методом DPO. Лицензия в предоставленных данных не указана.

Sunflower-14B-FP8 — квантизированная версия многоязычной причинно-следственной языковой модели Sunflower-14B от Sunbird AI на архитектуре Qwen3-14B. Она предназначена для генерации текста и перевода между английским и 31 языком Уганды; по данным карточки, модель показала наивысшую точность среди оценённых моделей в 24 из 31 языковой пары. Модель использует динамическую FP8-квантизацию, выполненную с помощью llmcompressor для инференса через vLLM. По README, размер весов сокращён примерно с 28 до 14 ГБ относительно FP16, что снижает требования к памяти и может ускорить генерацию. Лицензия — Apache 2.0. Квантизация может немного снизить качество по сравнению с полной точностью, а для оптимальной производительности требуется совместимый ускоритель NVIDIA и среда vLLM. Для задач, где важна максимальная точность, README рекомендует полную версию модели.

Sunflower-Qwen3.5-9B — мультиязычная текстовая модель Sunbird, дообученная на базе Qwen3.5-9B для работы с 67 африканскими языками. Обучение включало продолжение предобучения на корпусах целевых языков, настройку по инструкциям и обучение с подкреплением для улучшения перевода, фактической точности, языковой согласованности и следования инструкциям. Модель распространяется в формате safetensors через Transformers; лицензия — Apache-2.0. Модель предназначена прежде всего для перевода между английским и африканскими языками, а также для выполнения инструкций и многоходового диалога на этих языках. Для перевода рекомендуется шаблон «Translate to {название языка на английском}: {текст}» и температура 0; исходный язык обычно определяется автоматически. Для свободной генерации подходят инструкции на английском с указанием языка ответа или инструкции на целевом языке. Качество заметно различается в зависимости от языка и объёма обучающих данных: для части языков понимание хорошее, для других — умеренное или базовое. Карточка обозначает веса как предварительную версию, поэтому результаты и поведение модели могут измениться до финального выпуска. Перевод — наиболее оптимизированный сценарий; чат и рассуждения поддерживаются, но их качество может быть ниже.

TowerInstruct-13B-v0.1 — языковая модель Unbabel, Instituto Superior Técnico и CentraleSupélec University of Paris-Saclay, дообученная на TowerBase с использованием набора TowerBlocks. Это плотная модель семейства Llama с 12,9 млрд параметров, контекстом до 4096 токенов и весами в формате safetensors. Модель предназначена прежде всего для перевода между английским, португальским, испанским, французским, немецким, нидерландским, итальянским, корейским, китайским и русским языками. Она также обучалась редактированию машинного перевода, учёту терминологии и контекста, распознаванию именованных сущностей, исправлению грамматики, оценке перевода и перефразированию. Веса доступны по лицензии CC-BY-NC-4.0; базовая Llama 2 распространяется по лицензии Llama 2 Community License. Модель не предназначена для использования как универсальный чат-бот или помощник по программированию. Разработчики отмечают, что качество перевода документов требует улучшения и не рекомендуют модель для этой задачи. Она не выровнена по предпочтениям людей и может выдавать галлюцинации, вредный контент и фактические ошибки.

Windstorm Labs опубликовала модель машинного перевода с испанского на русский. Это дообученная версия Helsinki-NLP/opus-mt-es-ru на архитектуре MarianMT с 57,6 млн параметров; LoRA-обновления объединены с базовыми весами. Модель принимает текст и выдаёт перевод, поддерживая одно направление перевода — es→ru, с контекстом до 512 токенов. Модель подходит для перевода отдельных фраз и документов с испанского на русский. В проверке на 48 предложениях FLORES-200 она набрала chrF++ 42,27 и BLEU 18,49; авторы относят результат к уровню Usable и подчёркивают, что это скрининговая оценка, а не публикационный результат. Доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0.

Twitter-roberta-base-sentiment — англоязычная модель Cardiff NLP для классификации тональности сообщений в Twitter и других коротких текстов. Она основана на RoBERTa-base, предварительно обученной примерно на 58 млн твитов, и дообучена для анализа тональности на бенчмарке TweetEval. Модель относит текст к одному из трёх классов: негативному, нейтральному или позитивному, и возвращает оценки для классов. Число параметров — 151,8 млн, контекст — до 514 токенов. Доступны версии для PyTorch, TensorFlow и JAX. Модель рассчитана на английский язык и короткие сообщения; для похожей многоязычной модели README рекомендует XLM-T. В карточке не указаны условия лицензии, поэтому их нельзя уточнить по имеющимся данным. Разработчики также упоминают более новую модель, обученную на большем и более свежем наборе твитов.

WangchanBERTa-finetuned-sentiment — модель классификации текста, разработанная пользователем poom-sci на базе архитектуры CamemBERT. Она дообучена для анализа тональности тайскоязычных текстов и классифицирует высказывания как положительные, нейтральные или отрицательные. Модель предназначена для автоматического анализа отзывов, комментариев и пользовательских сообщений на тайском языке. В обучении использовались наборы данных wongnai_reviews, wisesight_sentiment и generated_reviews_enth. Модель содержит около 132,5 млн параметров и поддерживает контекст длиной до 512 токенов; основной сценарий применения — pipeline text-classification в экосистеме Transformers и PyTorch. Примеры в карточке показывают обработку тайских отзывов и сообщений с положительной, нейтральной и отрицательной окраской. Модель создана только для учебных целей, поэтому её предсказания следует дополнительно проверять при использовании в продуктивных системах. Распространяется по лицензии Apache-2.0.

facebook/wav2vec2-xls-r-1b-en-to-15 — модель Facebook для перевода устной английской речи в письменный текст на одном из 15 языков. Это связка речевого энкодера и текстового декодера: энкодер основан на facebook/wav2vec2-xls-r-1b, декодер — на facebook/mbart-large-50. Модель дообучена на 15 парах перевода из набора Covost2; для выбора языка перевода используются целевые токены. Модель принимает аудио на английском и генерирует текст на немецком, турецком, персидском, шведском, монгольском, китайском, валлийском, каталанском, словенском, эстонском, индонезийском, арабском, тамильском, латышском или японском. Она предназначена для перевода речи, а не только для распознавания английской транскрипции. В метаданных указан формат PyTorch и библиотека Transformers. Лицензия — Apache 2.0.

YamshadowStrangemerges_32_ShadowYamshadow — объединённая модель генерации текста, опубликованная MaziyarPanahi. Она построена на архитектуре Mistral и объединяет automerger/YamshadowStrangemerges_32-7B и automerger/ShadowYamshadow-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Данные карточки не описывают специальные сценарии применения, языковую специализацию или результаты оценки качества. Распространяется в формате Safetensors по лицензии Apache-2.0.

YamshadowStrangemerges_32_YamExperiment28 — слитая модель для генерации текста, созданная объединением automerger/YamshadowStrangemerges_32-7B и automerger/YamExperiment28-7B. Она основана на архитектуре Mistral и содержит 7,1 млрд параметров; веса опубликованы в формате Safetensors. Модель предназначена для задач генерации текста с контекстом до 32 768 токенов. В README не приведены сведения о конкретной специализации или проверенных сценариях применения. Лицензия — Apache-2.0.