III.4Клиентская поддержка и customer success

emre/turkish-sentiment-analysis — модель классификации текста, созданная с помощью AutoTrain на базе архитектуры BERT. Она предназначена для многоклассового анализа тональности турецких текстов, например отзывов и коротких пользовательских сообщений. Модель содержит 211,6 млн параметров, принимает текстовые входные данные и рассчитана на контекст до 512 токенов. В README приведены метрики на валидации: accuracy 0,970 и macro F1 0,948. Это производная модель, однако её базовая модель в предоставленных данных не названа. Модель распространяется по лицензии Apache-2.0; результаты на других типах турецких текстов могут отличаться от указанных метрик.

Twilight-SCE-12B-v2 — слитая модель Mistral на 12,1 млрд параметров, созданная yamatazen методом SCE с помощью mergekit. За основу взята yamatazen/Shisa-v2-Mistral-Nemo-12B-Abliterated; в объединение также вошли четыре другие языковые модели. Токенизатор дополнен токенами ChatML, а архитектура MistralForCausalLM предназначена для генерации текста и диалогов. Модель подходит для чат-общения, ролевых сценариев и художественного письма. Она поддерживает английский и японский языки и имеет нативное контекстное окно 131 072 токена. Весовые файлы представлены в формате safetensors, модель рассчитана на запуск через Transformers. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

cardiffnlp/twitter-roberta-base-topic-sentiment-latest — модель Cardiff NLP для определения тональности текста относительно заданной цели или упомянутого объекта. Это RoBERTa-base с 151,8 млн параметров, предварительно обученная на 154 млн твитов до конца декабря 2022 года и дообученная на наборе TweetSentiment из SuperTweetEval. Модель принимает текст, содержащий сообщение и цель анализа, и относит тональность к одному из пяти классов: от резко отрицательной до резко положительной, включая промежуточные отрицательные, нейтральные и положительные оценки. Модель предназначена для анализа тональности публикаций в Twitter и похожих коротких сообщений, в том числе для выяснения отношения автора к конкретному бренду, человеку или теме. Максимальная длина контекста составляет 514 токенов. Поддерживаемый язык — английский; модель использует архитектуру RoBERTa и формат PyTorch. Распространяется по лицензии MIT. Специализация на твитах и английском языке помогает классифицировать короткие сообщения с упоминаниями и хештегами. Результат представляет собой один из пяти классов тональности и оценку уверенности; модель не предназначена для многоязычного анализа и может ошибаться на неоднозначных формулировках, сарказме или текстах вне домена коротких публикаций.

Vigogne 2 13B Instruct — это большая языковая модель для генерации текста и выполнения инструкций, разработанная bofenghuang. Данный репозиторий содержит её квантизированные файлы в формате GGUF, подготовленные TheBloke на основе оригинальной модели Vigogne 2 13B Instruct. Модель предназначена для диалоговых сценариев, ответов на инструкции и других задач генерации текста, преимущественно на французском языке. Она построена на архитектуре Llama и имеет размер 13 млрд параметров. В README не указаны поддерживаемые модальности, размер контекстного окна и полный набор языков. Для работы используется шаблон запросов Alpaca. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp, а также рядом сторонних графических интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python. Квантизация позволяет запускать модель с использованием CPU и GPU, однако конкретные требования к ресурсам зависят от выбранного варианта квантизации. Лицензия указана как Llama 2; дополнительные ограничения или сильные стороны модели в README не описаны.

motherfucker0/zhen09 — языковая модель, созданная объединением предварительно обученных моделей motherfucker0/zhun02 и motherfucker0/zhun01 методом SLERP с помощью mergekit. Это плотная архитектура LlamaForCausalLM на 6,5 млрд параметров, предназначенная для генерации текста. Модель работает с контекстом до 4096 токенов и распространяется в формате safetensors. Карточка описывает объединение весов, но не приводит сведения о конкретных языках, специализированных сценариях или оценках качества. Лицензия в предоставленных данных не указана.

AfriGuardInst-AfriqueQwen3.5-4B-50Langs-lora-merged — диалоговая языковая модель, созданная дообучением McGill-NLP/AfriqueQwen3.5-4B-50Langs командой adzcai. Модель адаптирована для генерации ответов с инструкциями безопасности: при обучении использовались примеры с системными инструкциями безопасности и пользовательскими запросами из набора israel/AfriGuard-inst. LoRA-адаптер ранга 16 применён ко всем линейным слоям, а его веса объединены с базовой моделью. Модель построена на архитектуре Qwen3.5 и содержит 4 млрд параметров согласно описанию базовой модели. Предназначена для диалоговых приложений и генерации текста с учётом инструкций безопасности. Базовая модель рассчитана на 50 африканских языков; доступные языковые коды в метаданных включают en, am, ha, ig, om, sn, sw, tw, wo, yo и zu. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY 4.0. В карточке описан один этап обучения длительностью одну эпоху, поэтому качество и устойчивость ответов в разных языках и сценариях могут различаться; сравнительные оценки и длина контекста не приведены.

Airavata — языковая модель с 7 млрд параметров, созданная AI4Bharat на основе OpenHathi и дообученная на наборе IndicInstruct. Она предназначена для выполнения инструкций и диалогового общения, в первую очередь на хинди. Данные для дообучения объединяют Anudesh, wikiHow, Flan v2, Dolly, Anthropic-HHH, OpenAssistant v1 и LymSys-Chat. Модель принимает текстовые сообщения в формате чата, близком к формату репозитория open-instruct, и генерирует текст. Для качества ответов README рекомендует соблюдать формат сообщений и добавлять перевод строки после маркера конца сообщения. Модель доступна в форматах Safetensors и GGUF. В карточке приведены результаты оценки на бенчмарках, включая AI2 Reasoning Challenge и HellaSwag. Модель распространяется по лицензии Llama 2; её условия следует учитывать при использовании и распространении.

webbigdata опубликовал квантованную версию ALMA-7B-Ja-V2 для машинного перевода между японским и английским языками. Модель основана на архитектуре Llama и содержит 6,6 млрд параметров; для перевода использует текстовый ввод и выдаёт текст. Указанная длина контекста — 4096 токенов. Весы преобразованы методом GPTQ в 4-битный формат с группой 128, что уменьшает размер и ускоряет запуск, хотя может снизить качество перевода. Модель предназначена для перевода с японского на английский и с английского на японский, в том числе для пакетной обработки текстовых файлов. Для использования применяется лицензия Llama 2; её условия распространяются на применение и распространение модели.

jackietung/bert-base-chinese-finetuned-sentiment — китайская модель анализа тональности, созданная дообучением google-bert/bert-base-chinese. Это BERT с классификационной головой для последовательностей, содержащий 129,5 млн параметров и принимающий текст длиной до 512 токенов. Модель определяет положительную, отрицательную или нейтральную тональность; она предназначена прежде всего для анализа отзывов о приложениях на китайском языке. При обучении использовалась Focal Loss для работы с дисбалансом классов. Модель распространяется под лицензией MIT.

ChindaMT-4B — открытая модель машинного перевода, разработанная iApp и дообученная на базе Qwen/Qwen3.5-4B. Она переводит с тайского на английский и с английского на тайский, а также следует дополнительным инструкциям о терминологии, регистре, длине и формате ответа. Модель Dense-архитектуры содержит 4 млрд параметров; обучение проводилось полным supervised fine-tuning на наборе Grounded из 1,97 млн записей. Модель предназначена для двунаправленного перевода и перевода с заданными правилами, включая рабочие тексты и документы в разных предметных областях. В карточке приведены сравнительные оценки на автоматических и человеческих проверках. Обучение использовало ограничение длины входа в 1024 токена; для длинных документов рекомендуется переводить текст по абзацам. Обязательные глоссарии и плейсхолдеры не входят в обучающий сигнал. Лицензия — Apache-2.0.

Decision-Jef-0.1 — модель на 306,9 млн параметров, разработанная BarraHome на основе многоязычного энкодера jhu-clsp/mmBERT-base. Она за один проход оценивает несколько вопросов о заданном состоянии и выдаёт вероятности для вариантов, переданных во входном запросе; фиксированного набора классов нет. Модель предназначена для типизированных решений: выбора из вариантов, ответов «да/нет» и числовой оценки. Контекст составляет до 8192 токенов, веса опубликованы в формате safetensors под лицензией MIT. На английском тестовом наборе из 2000 решений модель показала 77,50% общей точности; особенно сильный результат — 75,70% для выбора из вариантов. Она также предназначена для новых прикладных доменов, но перенос на незнакомые форматы состояний может приводить к уверенным постоянным ответам. Качество на неанглийских языках, а также возможности модерации и защиты не проверены. Точность снижается при большом числе вариантов, оценивание числовых значений слабее других типов решений, а перестановка вариантов иногда меняет ответ.

DeltaP2S-Llama2-13B-SameFormula-ptbr-S13-a050 — объединённый чекпойнт, созданный экспериментальным пакетом Delta-P2S. Он основан на meta-llama/Llama-2-13b-hf и использует архитектуру LlamaForCausalLM с плотной сетью примерно на 12,9 млрд параметров. Модель предназначена для генерации текста; карточка не уточняет специализированные сценарии её применения. Модель принимает текст и выдаёт текст, поддерживает контекст до 4096 токенов и распространяется в формате safetensors для библиотеки Transformers. В README указана базовая модель, но не приведены сведения о качестве, обучающих данных или конкретных языках. Лицензия в предоставленных данных не указана.

hezarai/distilbert-fa-sentiment-dksf — модель классификации текста, опубликованная Hezar AI и дообученная на базе hezarai/distilbert-base-fa. Она предназначена для определения тональности персоязычного текста. Карточка Hugging Face относит её к задачам Text Classification и указывает персидский язык. Модель доступна в формате PyTorch и связана с библиотекой Hezar. Доступные сведения не подтверждают число параметров, длину контекста, точность или конкретный набор классов тональности. Условия лицензии в использованных источниках не установлены.

Hemanth-thunder/english-tamil-mt — модель машинного перевода, разработанная Hemanth Kumar и дообученная на базе M2M100. Это плотная модель M2M100 с архитектурой encoder-decoder и генерацией последовательностей; она предназначена для перевода между английским и тамильским языками. Модель содержит 332,5 млн параметров, принимает текст, а её нативная длина контекста составляет 1024 токена. Модель подходит для перевода английских текстов на тамильский и тамильских текстов на английский. Карточка не приводит результатов оценки качества, подробностей обучающих данных или описания ограничений, поэтому качество на конкретных тематиках и длинных текстах следует проверять отдельно. Лицензия — OpenRAIL.

Fietje 2 Instruct — компактная языковая модель для генерации нидерландского текста и выполнения инструкций. Её разработал Bram Vanroy на основе Microsoft Phi-2: базовую модель адаптировали для нидерландского, а затем дообучили методом supervised fine-tuning на инструкционных диалогах и примерах понимания текста. В метаданных указано 3,5 млрд параметров, а в README — 2,7 млрд; поэтому размер модели в источниках расходится. Репозиторий содержит веса в формате safetensors, архитектура — плотная причинная языковая модель семейства Phi.

G2-MS-Nyxora-27b — экспериментальная диалоговая модель, созданная SteelSkull методом слияния Model Stock на основе Gemma 2 27B и моделей Big-Tiger-Gemma-27B-v1 и Tess-v2.5-Gemma-2-27B-alpha. Это плотная языковая модель на 27,6 млрд параметров для генерации текста и общения с ассистентом. Модель предназначена для универсальных запросов, написания историй и ролевых диалогов, включая ERP. В карточке отмечено, что базовая настройка может склоняться к отказам на откровенные запросы; автор предлагает системный промпт для изменения поведения. Контекст составляет 8192 токена. Модель принимает текст и генерирует текст. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Автор характеризует её как экспериментальную и приглашает пользователей делиться отзывами; заявленные в карточке достоинства исходных моделей не являются независимой оценкой качества этого слияния.

GaMS-27B-Instruct-Nemotron — диалоговая языковая модель на архитектуре Gemma 2, разработанная Тимотеем Петриčem в рамках магистерского проекта. Это вариант GaMS-27B-Instruct, дополнительно дообученный методом supervised fine-tuning на отобранной части набора NVIDIA Nemotron Post-Training Dataset v1: примерно 80 тысяч словенских пар «инструкция — ответ» и 20 тысяч английских примеров. Модель предназначена для генерации текста и общения по инструкциям на словенском и английском языках. Она содержит 27,6 млрд параметров, использует плотную архитектуру и принимает контекст длиной до 8192 токенов. Доступна в формате safetensors; лицензия — Gemma. Это исследовательский проект на основе дообученной модели; карточка сообщает, что подробности о проекте будут опубликованы позднее. README не приводит оценок качества или развёрнутых ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

Gemma 2 9B Neogenesis ITA — модель для генерации текста и диалогов, созданная anakin87 путём дообучения VAGOsolutions/SauerkrautLM-gemma-2-9b-it. Она рассчитана прежде всего на работу на итальянском языке; небольшая часть обучающих данных была на английском. Модель содержит около 9 млрд параметров, использует плотную архитектуру Gemma 2 и поддерживает контекст до 8192 токенов. Модель подходит для диалоговых ответов, следования инструкциям, рассуждений и задач на итальянском языке. В карточке приведены результаты оценки на итальянских наборах MMLU_IT, ARC_IT и HELLASWAG_IT; автор сообщает о среднем результате 66,79. Репозиторий использует формат safetensors, библиотека — Transformers. Лицензия указана как gemma. Модель не проходила специальную настройку безопасности; по словам автора, выборочное обучение помогло сохранить часть защитных свойств исходной модели. Поэтому ответы могут содержать ошибки или небезопасный контент, а результаты оценки не гарантируют качество для конкретного применения.

Gemma4-31b-Gembrain-Equinox — сообщественный merge-чекпойнт на основе Google Gemma 4 31B IT, созданный jaxxks, twisted и toasty. Модель объединяет варианты Gembrain и Equinox с исходной instruct-моделью: TIES-слияние дельт дополнено маской важности Fisher и послойным ослаблением параметров, чтобы сохранить следование инструкциям. В репозитории также есть изменённый шаблон чата, который при включённом режиме thinking начинает ответ в канале рассуждений. Модель предназначена для диалогов и творческого письма: Gembrain усиливает внимание к указаниям пользователя, а Equinox добавляет нейтральную, реалистичную стилистику. Она принимает текст и изображения и выдаёт текст; архитектура — плотная Gemma 4 с vision-возможностями. README не сообщает точную длину контекста. Репозиторий содержит safetensors; отдельно упомянута зеркальная GGUF-квантизация Q4_K_M. В первоначальном тесте зафиксировано снижение результата IFEval-strict примерно на 19,78 процентного пункта относительно Gemma 4 31B IT; авторы связывают большую часть регрессии с отсутствовавшим шаблоном чата в GGUF и ожидают повторной оценки. Для производных вариантов нужно проверять условия лицензирования исходных моделей; метаданные указывают лицензию Gemma.

Модель djonuzi/goemotions-emotion-model — дообученный DistilBERT для многометочной классификации эмоций в коротких англоязычных текстах. Она оценивает 28 категорий: 27 эмоций и нейтральное состояние, возвращая метки с оценками уверенности. Модель предназначена для анализа комментариев, заголовков, сообщений и публикаций в социальных сетях, а также для учебных демонстраций и экспериментов с распознаванием эмоций. Она основана на distilbert-base-uncased и обучена на наборе GoEmotions; максимальная длина контекста — 512 токенов. Классификатор не предназначен для клинических, юридических или иных высокорисковых решений. Лицензия в предоставленных сведениях не указана.

Anwaarma/Improved-xlm-attempt2 — дообученная модель классификации текста на базе многоязычной XLM-RoBERTa, исходная модель предназначена для определения тональности твитов и коротких текстов. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метку класса; максимальный контекст — 514 токенов. На оценочном наборе указаны accuracy 0,87 и loss 0,3637. Данные обучения и точное назначение классов не описаны, поэтому результаты нельзя уверенно переносить на другие наборы данных и сценарии. Модель опубликована в формате PyTorch; лицензия в предоставленных сведениях не указана.

kazRush-ru-kk — модель машинного перевода с русского на казахский, разработанная DeepVK. Это компактная encoder-decoder модель семейства T5 с 48,1 млн параметров, обученная с нуля на параллельных русско-казахских корпусах, включая OPUS, kazparc и WMT19. Для работы используется библиотека Transformers и требуется SentencePiece. Модель предназначена для перевода текстов с русского языка на казахский. В README описана оценка на тестовой части FLORES+ с метриками BLEU, chrF и COMET, однако приведённые результаты относятся к моделям NLLB и не сообщают оценку kazRush-ru-kk. Лицензия репозитория — Apache-2.0.

L3-8B-Stheno-v3.2-abliterated — англоязычная разговорная модель на архитектуре Llama, созданная слиянием Sao10K/L3-8B-Stheno-v3.2 и grimjim/Llama-3-Instruct-abliteration-LoRA-8B методом linear merge через mergekit. Модель содержит 7,5 млрд параметров и принимает текстовые запросы для генерации ответов и диалогов; заявленная длина контекста составляет 8192 токена. Модель предназначена для чат-общения и генерации текста. В README автор сообщает об успешной abliteration-адаптации; конкретные гарантии качества и поведение после этой процедуры не описаны. Распространяется в формате Safetensors; упоминание GGUF и imatrix относится к квантованным версиям автора mradermacher. Лицензия в предоставленных данных не указана.

Vdr1/L3-8B-Sunfall-v0.3-Stheno-v3.2 — объединённая разговорная модель на архитектуре Llama 3. Она создана слиянием LoRA-адаптера crest4all/sunfall L3 8b v0.3 с Sao10K/L3-8B-Stheno-v3.2; в репозитории указаны веса Safetensors, а также варианты GGUF-квантизации. Модель предназначена для генерации текста и ролевых диалогов. Модель содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и рассчитана на чат-сценарии. В README не описаны конкретные языки, качество, ограничения или лицензия, поэтому эти характеристики здесь не уточняются.

ccrains/larson-gemma-2b-chinese-v0.1 — плотная языковая модель на архитектуре GemmaForCausalLM, разработанная на базе Gemma 2B. По описанию автора, модель получила китайский токенизатор, затем прошла предварительное обучение на китайском и англоязычном материале и дообучение на инструкциях. Она предназначена для генерации текста и диалогов на китайском и английском языках; заявлен демонстрационный чат-сценарий. Модель содержит 2,5 млрд параметров, использует контекст до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README не приводит оценки качества и конкретные результаты обучения, поэтому пригодность для специализированных задач не подтверждена.

LelaStarling-7B — разговорная языковая модель, созданная luqmanxyz слиянием SanjiWatsuki/Lelantos-DPO-7B и berkeley-nest/Starling-LM-7B-alpha с помощью LazyMergekit. Модель построена на архитектуре Mistral с плотной структурой и содержит 7,1 млрд параметров; для генерации текста доступен контекст до 8192 токенов. Модель предназначена для диалогов и генерации ответов на текстовые запросы. В README приведены результаты Open LLM Leaderboard, включая оценки на AI2 Reasoning Challenge и HellaSwag. Базовая модель Starling-LM-7B-alpha ориентирована на англоязычные беседы; данных о целевой поддержке других языков нет. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

leo-hessianai-7b-p1-llama-errors-p2-GEC — немецкоязычная модель для исправления грамматических ошибок (GEC), разработанная на базе LeoLM/leo-hessianai-7b. Её дообучили на миллионе синтетических примеров с ошибками, созданных моделью генерации ошибок на основе Llama, а также на данных с исправлениями, подготовленных людьми. Модель построена на архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и генерирует исправленный текст; контекст составляет до 8192 токенов. Для немецкого языка авторы применяли предварительную обработку с детокенизацией и нормализацией пробелов и кавычек. Модель распространяется в формате safetensors по лицензии Llama 2.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-second-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. 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.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. 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.