III.4Клиентская поддержка и customer success

NeXGen — генеративная языковая модель CrabfishAI на архитектуре GPT-2 для создания и продолжения текста. Разработчик описывает её как базовую версию семейства NeXGen; в карточке также названы варианты NeXGen-small и NeXGen-large. Модель предназначена для творческого письма, подготовки черновиков и генерации текстового контента, включая истории, стихи, статьи, письма и публикации для социальных сетей. Модель принимает текст и генерирует текст, поддерживает английский язык. В метаданных указан контекст длиной 1024 токена. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors; лицензия — MIT. Карточка предупреждает о возможных фактических, грамматических и тематических ошибках, предвзятости и неуместном содержании; результаты следует проверять, а модель не рекомендуется для критически важных приложений.

LocalDoc/nllb-3.3b-en-az — модель машинного перевода, созданная командой LocalDoc на основе NLLB-200-3.3B от Meta. Это плотная модель архитектуры M2M100 с 2,1 млрд параметров, дообученная методом LoRA на корпусе примерно из 1,4 млн пар предложений разных жанров и затем объединённая в самостоятельную модель. Она предназначена для перевода с английского на азербайджанский; рекомендуется переводить по одному предложению за раз, а длинные тексты предварительно делить на предложения. В README приведены результаты бенчмарка на 1 012 предложениях, где модель показывает качество, сопоставимое с сильными коммерческими системами. Модель принимает текст и выдаёт текст. Она рассчитана на английско-азербайджанский перевод; азербайджанский вывод использует стандартную литературную латинскую графику. Контекст составляет 1 024 токена. Модель опубликована в формате safetensors и распространяется по лицензии CC BY 4.0. Модель обучена только для направления английский→азербайджанский, поэтому её не следует считать универсальным переводчиком для обратного направления или других языковых пар. Длинные документы требуют разбиения на предложения, а узкоспециализированная лексика может переводиться менее точно.

OpenThaiGPT 1.0.0-alpha — чат-модель для генерации текста, разработанная командой OpenThaiGPT при участии тайских исследователей и организаций. Это дообученная для следования инструкциям версия LLaMA 2 Chat с плотной архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель рассчитана прежде всего на общение и ответы на вопросы на тайском языке; также заявлена поддержка английского. В обучении использовались тайские наборы инструкций, вопросов и ответов, включая данные по налогам, финансам и общим знаниям. Модель подходит для чат-ботов, ответов на вопросы и генерации текстов по инструкциям. Контекст в метаданных указан как 2048 токенов; README описывает увеличение длины контекста до 4096 токенов относительно версии 0.1.0-beta, поэтому фактический предел этого чекпойнта может зависеть от конфигурации. Весы представлены в формате PyTorch и используют библиотеку Transformers. Лицензия — Apache-2.0. Авторы предупреждают, что ответы модели не гарантированы.

open-vakgyata — модель OneCXI для определения языка по входящей речи. Она классифицирует аудио на индийские языки и английский вариант, используемый в Индии. Модель построена на архитектуре wav2vec2 и содержит 52,6 млн параметров; для работы используется библиотека Transformers. В README указана частота дискретизации 16 кГц и рекомендован формат PCM, 16 бит. Модель подходит для предварительного определения языка в речевых системах, маршрутизации звонков и аналитики аудио. В README перечислены английский (Индия), хинди и одия, а метаданные также указывают бенгальский, тамильский, телугу, каннада, малаялам, маратхи и гуджарати. Доступны файлы safetensors и ONNX. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель классифицирует язык аудио, а не выполняет распознавание речи в текст.

Opus_kde4_eng_frnch_translation — модель машинного перевода на архитектуре Marian, созданная дообучением Helsinki-NLP/opus-mt-en-fr. Она предназначена для перевода текстов с английского на французский; в README указана оценка BLEU 52,8379 на наборе для оценки, но датасет и условия измерения не описаны. Модель работает с текстом и имеет контекст длиной до 512 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-bg-sv — модель машинного перевода из семейства MarianMT, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с болгарского языка на шведский; модель основана на Transformer и использует нормализацию и SentencePiece для обработки текста. Модель содержит 55,6 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. В тесте JW300.bg.sv указаны оценки BLEU 29,1 и chr-F 0,494. Лицензия — Apache-2.0. Модель предназначена для перевода между указанными языками; качество может различаться в зависимости от тематики и текста.

Helsinki-NLP/opus-mt-da-de — модель машинного перевода на архитектуре MarianMT, разработанная в рамках проекта OPUS. Она переводит текст с датского языка на немецкий. Модель основана на Transformer, использует нормализацию и токенизацию SentencePiece; в репозитории доступны веса PyTorch и TensorFlow. Размер модели — 54,4 млн параметров, длина контекста — 512 токенов. Модель подходит для перевода датских предложений и текстов на немецкий. В README приведены результаты на наборе Tatoeba.da.de: BLEU 57,4 и chr-F 0,740. Датасет OPUS указан как обучающий. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-de-nl — модель машинного перевода из семейства Marian, разработанная проектом OPUS. Она переводит текст с немецкого языка на нидерландский. Модель построена на архитектуре Transformer-align, содержит 54,6 млн параметров и использует нормализацию и SentencePiece для предварительной обработки текста. Нативная длина контекста составляет 512 токенов. В карточке приведён результат BLEU 52,8 и chr-F 0,699 на тесте Tatoeba.de.nl. Модель предназначена для перевода немецких фраз и текстов; указана лицензия Apache-2.0.

Helsinki-NLP/opus-mt-en-st — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Она переводит текст с английского языка на сесото и предназначена для автоматического перевода фраз и документов в сервисах и рабочих процессах обработки текста. Модель построена на архитектуре Marian Transformer с выравниванием, использует нормализацию и токенизацию SentencePiece. В метаданных указаны 54,5 млн параметров, контекст до 512 токенов и лицензия Apache-2.0. В README приведён результат BLEU 49,8 на тестовом наборе JW300.en.st; этот показатель относится к указанному набору и не гарантирует аналогичное качество на других текстах.

Helsinki-NLP/opus-mt-es-fr — модель машинного перевода из семейства Marian, разработанная проектом OPUS/Helsinki-NLP. Она переводит текст с испанского языка на французский и подходит для перевода отдельных фраз и документов. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece и содержит 63,5 млн параметров; длина контекста — до 512 токенов. Репозиторий содержит веса в форматах PyTorch и TensorFlow. В карточке приведены результаты тестирования на наборах новостных текстов: BLEU 32,0–33,6 и chr-F 0,585–0,610. Эти оценки относятся к указанным тестовым наборам и не гарантируют аналогичное качество на других темах и типах текста. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-es-uk — модель машинного перевода из семейства OPUS-MT, разработанного Helsinki-NLP. Она переводит текст с испанского языка на украинский и предназначена для автоматического перевода предложений и коротких текстов. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; содержит 57,1 млн параметров, использует нормализацию и SentencePiece с словарями spm32k. Контекст составляет до 512 токенов. Для тестового набора Tatoeba-test.spa.ukr указаны BLEU 41,3 и chr-F 0,614. Модель принимает испанский текст и выдаёт украинский перевод. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-ml-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с языка ml на английский; модель построена на архитектуре Marian с Transformer и использует нормализацию и SentencePiece для предобработки. В метаданных указаны 57,5 млн параметров, контекст до 512 токенов и форматы PyTorch и TensorFlow. Модель предназначена для перевода текстов с языка ml на английский. В README приведён результат BLEU 42,7 на тесте Tatoeba.ml.en. Модель распространяется по лицензии Apache-2.0. Язык ml в карточке обозначен кодом, который не позволяет надёжно определить его название, поэтому описание сохраняет исходное обозначение.

opus-mt-sv-es — модель машинного перевода из семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст со шведского языка на испанский и основана на архитектуре Transformer-align с предварительной обработкой нормализацией и SentencePiece. Для обучения использован корпус OPUS. Модель содержит 54,9 млн параметров, работает с библиотеками Transformers и Marian и распространяется в форматах PyTorch и TensorFlow; длина контекста — 512 токенов. Модель подходит для перевода фраз и текстов со шведского на испанский. В карточке приведена оценка BLEU 52,1 и chr-F 0,683 на тестовом наборе Tatoeba.sv.es. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-th-en — модель машинного перевода тайского текста на английский, созданная в рамках проекта OPUS-MT Helsinki-NLP. Это плотная модель архитектуры MarianMT с 57,1 млн параметров, обученная на паре языков Thai→English. Для токенизации применяются нормализация текста и SentencePiece с подмоделями по 32 тыс. токенов; нативная длина контекста — 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с тайского на английский. В карточке приведён результат BLEU 48,1 и chr-F 0,644 на тестовом наборе Tatoeba-test.tha.eng. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Personal_4B — дообученная модель генерации текста на базе FourOhFour/Crispy_Crab_4B, подготовленная с помощью Axolotl 0.4.1. Это плотная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 3,9 млрд параметров; заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и предназначена для генерации текста. В README указана оценка loss 1,9273 на наборе для оценки, но назначение дообучения и подходящие прикладные сценарии не описаны. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели и у правообладателя.

presentation_sentiment_1234567 — модель классификации текста, созданная дообучением distilbert-base-uncased на наборе данных tweet_eval. Она предназначена для отнесения коротких текстов, в частности сообщений в стиле твитов, к классам настроения или тональности. На оценочном наборе указана метрика F1 0,7183. Модель использует архитектуру DistilBERT и принимает текст длиной до 512 токенов. Модель опубликована под лицензией Apache-2.0. Карточка не уточняет классы тональности, языки данных и ограничения применимости; результаты оценки не гарантируют качество на других типах текстов.

jaeyong2/Qwen2.5-3B-Instruct-Ja-SFT — дообученная Jaeyong2 модель Qwen2.5-3B-Instruct для генерации текста и диалога. Это плотная авторегрессионная модель Qwen2 с 3,1 млрд параметров, рассчитанная на контекст до 32 768 токенов; в репозитории указаны веса Safetensors и библиотека Transformers. Модель подходит для диалога и генерации ответов на японском и английском языках. README приводит оценку на llm-jp-eval: средний результат 0,4895 у дообученной модели против 0,4921 у Qwen2.5-3B-Instruct; это показывает близкие результаты на приведённой оценке, но не подтверждает качество во всех сценариях. Указана лицензия other, поэтому условия распространения и использования следует сверить с карточкой модели и базовой моделью.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Id-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.

DavidAU/Qwen3-4B-Claude-Sonnet-4-Reasoning-Distill-Heretic-Abliterated-Heretic-Abliterated — разговорная языковая модель на архитектуре Qwen3, созданная на основе Liontix/Qwen3-4B-Claude-Sonnet-4-Reasoning-Distill-Safetensor и обработанная методом Heretic для снижения частоты отказов. Модель содержит 3,7 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов по метаданным. Модель предназначена для диалогов и генерации текста, включая сценарии, в которых требуется меньше отказов на запросы. В карточке автор приводит показатель отказов 5 из 100 после обработки против 93 из 100 у исходной модели и сообщает о нулевой KL-дивергенции; эти результаты представлены как собственные оценки автора. Для получения откровенного или стилистически специфичного текста может потребоваться более точная инструкция. Файлы модели опубликованы в формате safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

SauerkrautLM-1.5b — демонстрационная языковая модель VAGO solutions на архитектуре Qwen2 с 1,5 млрд параметров. Она создана на базе Qwen/Qwen2-1.5B с помощью непрерывного предобучения на немецких данных методом Spectrum CPT, затрагивающим 25% слоёв, а затем дообучена с помощью SFT и DPO. Модель предназначена для генерации текста и диалогов на немецком и английском языках. Её можно использовать для ответов на вопросы и работы с немецкоязычными материалами, в том числе в сценариях RAG. Контекст — до 32 768 токенов. Авторы сообщают об улучшении немецкого языка и результатах на немецких бенчмарках, однако описывают модель как демонстрационную и отмечают, что для продуктивного применения может потребоваться дополнительное обучение на немецких данных. Модель распространяется по лицензии Apache 2.0.

airzipm/sentiment-analysis-roberta — модель классификации тональности на базе RoBERTa, дообученная автором airzipm от roberta-base. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель предназначена для анализа отзывов о фильмах и ресторанах, коротких высказываний и публикаций в Twitter. В README указаны более 200 000 обучающих примеров из нескольких корпусов; для проверки приведены точность 0,8239 и macro F1 0,7827. Модель содержит 151,8 млн параметров, работает с текстом и имеет нативный контекст длиной 514 токенов. В метаданных указан английский язык и лицензия Apache-2.0. Результаты на реальных текстах могут отличаться от приведённых метрик, особенно для других жанров, языков и распределений данных.

Sophea-Nemo-3.5-Lightning-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе nvidia/Nemotron-3.5-Lightning-30B-A3B для рассуждений на греческом и английском языках. Это гибридная архитектура Nemotron с Mamba и MoE; базовая модель содержит 31,6 млрд параметров, из которых активно используются 3,58 млрд. Модель поддерживает генерацию текста и диалоговый режим, длина контекста составляет 262 144 токена. Модель предназначена для ответов с рассуждениями на языке исходного вопроса, особенно на греческом, а также для двуязычных задач на греческом и английском. Режим рассуждений передаёт ход решения в специальных блоках; прямой режим выдаёт ответ без незапрошенных следов рассуждения. В README сообщается о повышении греческих результатов относительно базы и небольшом снижении английских, а также о сохранении общих двуязычных навыков в проверенных тестах. Модель не следует использовать там, где требуется принудительно вести рассуждения на английском для греческих вопросов. Возможности в критически важных, юридических и медицинских сценариях не оценивались; качество логических задач ограничено. Лицензия — Apache-2.0.

TigerResearch/tigerbot-13b-chat-v5 — TigerResearch әзірлеген TigerBot чат-моделі. Бұл Llama архитектурасындағы 13 млрд параметрлі тығыз causal language model; Transformers және PyTorch арқылы іске қосуға болады. Модель қытай және ағылшын тілдеріндегі диалогқа және мәтін генерациясына арналған, ал көрсетілген контекст ұзындығы — 2048 токен. Оны чат-боттарда, сұрақтарға жауап беруде және қытайша не ағылшынша мәтін құрастыруда қолдануға болады. Репозиторий нұсқаулығында inference коды арқылы іске қосу жолы берілген. Apache-2.0 лицензиясымен таратылады.

TinyJensen-1.1B — компактная плотная языковая модель семейства Llama, разработанная jan-hq и дообученная на jan-hq/LlamaCorn-1.1B-Chat. Модель содержит около 1 млрд параметров, принимает текст и поддерживает диалоговую работу; длина контекста составляет 2048 токенов. Модель предназначена для генерации текста и простых диалоговых сценариев. При дообучении использовались наборы jan-hq/systemchat_binarized и jan-hq/youtube_transcripts_qa; в карточке указан результат Loss 0,8390 на оценочном наборе. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-az-en — компактная модель машинного перевода от Windstorm Labs для перевода текста с азербайджанского на английский. Она основана на Helsinki-NLP/opus-mt-az-en и использует архитектуру MarianMT; в репозитории указано 37,1 млн параметров и контекст до 512 токенов. Веса дообучены методом LoRA на параллельных текстовых данных, а адаптер объединён с базовыми весами. Модель распространяется в формате safetensors и загружается через Transformers как модель последовательностного преобразования текста. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с немецкого на английский. Это дообученная версия Helsinki-NLP/opus-mt-de-en на базе MarianMT: LoRA-дообучение на параллельном корпусе было объединено с исходными весами. Модель содержит 54,9 млн параметров, принимает текст и имеет контекст до 512 токенов. Модель предназначена для перевода немецких фраз и документов на английский. В карточке приведена оценка chrF++ 65,36 и BLEU 40,71 на 48 предложениях набора FLORES-200 dev; это скрининговая оценка, а не результат публикационного исследования. Поддерживается направление перевода только с немецкого на английский. Лицензия — Apache-2.0.

WindyTranslate/translate-en-it — модель машинного перевода от Windstorm Labs для перевода текста с английского на итальянский. Она основана на Helsinki-NLP/opus-mt-en-it: к базовым весам применили дообучение LoRA на параллельных данных и объединили адаптер с моделью. Архитектура MarianMT, размер — 66,1 млн параметров; модель доступна в формате safetensors и рассчитана на контекст до 512 токенов. Для проверки качества авторы приводят результат chrF++ 54,17 и BLEU 28,92 на 48 предложениях FLORES-200 dev. Это небольшой скрининговый набор, поэтому оценка не гарантирует такого же качества на других текстах. Модель поддерживает только направление перевода с английского на итальянский. Лицензия — Apache-2.0.

WindyTranslate/translate-fr-el — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода текста с французского языка на греческий. Она основана на Helsinki-NLP/opus-mt-fr-el: к исходным весам применено дообучение LoRA на параллельных данных, после чего адаптер объединён с базовой моделью. Архитектура — MarianMT, размер — 56,3 млн параметров; модель принимает текст и выдаёт текст, максимальный контекст составляет 512 токенов. Для первичной оценки качества в карточке приведены результаты на 48 предложениях набора FLORES-200 dev: chrF++ 47,53 и BLEU 24,64. Это скрининговая оценка, а не результат публикационного исследования. Модель поддерживает только направление перевода с французского на греческий; качество на конкретных текстах может отличаться от результата на этом небольшом наборе. Распространяется по лицензии Apache-2.0.

Windstorm Labs выпустила компактную модель машинного перевода с французского на английский. Это дообученная версия Helsinki-NLP/opus-mt-fr-en: LoRA-адаптер обучили на параллельных данных и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,6 млн параметров, принимает текст и выдаёт текст; для загрузки доступна сборка Transformers в формате safetensors. Максимальная длина контекста — 512 токенов. Модель предназначена для перевода французских текстов на английский. В README приведён скрининговый результат FLORES-200 для 48 предложений: chrF++ 63,14 и BLEU 37,61; это предварительная оценка, а не результат публикационного исследования. Другие языковые направления не заявлены. Лицензия — Apache-2.0.

Tulpar-7b-v0 — языковая модель HyperbeeAI на архитектуре Llama 2, дообученная на инструкциях. В обучающую выборку вошли отфильтрованные и предварительно обработанные данные, включая наборы, сгенерированные GPT-4, а также Airoboros и Platypus. Модель предназначена для генерации текста по запросам и выполнения инструкций на английском языке. Её можно применять для диалоговых ответов, общих вопросов и рассуждений на основе текста. Размер модели — 6,6 млрд параметров, контекст — до 4096 токенов; для работы используются PyTorch и библиотека Transformers. Разработчик предупреждает, что точность, объективность, непредвзятость и безопасность ответов не гарантируются; перед внедрением рекомендуется проверять модель в целевом сценарии. Дообучение проводилось только на английском языке, поэтому другие языки и языковые сценарии не покрыты. Лицензия — Llama 2.