III.4Клиентская поддержка и customer success

Helsinki-NLP/opus-mt-fi-sv — модель машинного перевода с финского языка на шведский из семейства OPUS-MT, разработанная Helsinki-NLP. Это плотная модель MarianMT с архитектурой Transformer; число параметров — 56,6 млн, контекст — до 512 токенов. Текст проходит нормализацию и токенизацию SentencePiece. Модель обучена на данных OPUS+BT; в карточке приведены оценки BLEU 27,4 на fiskmo_testset.fi.sv и 54,7 на Tatoeba.fi.sv. Модель предназначена для перевода финских текстов на шведский, включая предложения и материалы для многоязычных сервисов и локализации. Доступны веса PyTorch и TensorFlow. Лицензия — Apache 2.0.

opus-mt-ru-fi — модель машинного перевода из семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст с русского языка на финский и предназначена для автоматического перевода фраз и документов. Модель построена на архитектуре MarianMT с Transformer-align; для предварительной обработки используются нормализация текста и SentencePiece. Размер модели — 57,3 млн параметров, контекст — до 512 токенов. В метаданных указаны реализации для PyTorch и TensorFlow. В карточке приведён результат BLEU 40,1 и chr-F 0,646 на тестовом наборе Tatoeba.ru.fi; эти показатели относятся к указанному набору и не гарантируют такого же качества на других текстах. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-es-zle — модель машинного перевода проекта OPUS-MT, разработанная командой Helsinki-NLP. Она переводит текст с испанского на белорусский, русский и украинский языки. Модель построена на архитектуре Marian NMT; число параметров — 163,7 млн, максимальная длина контекста — 1024 токена. Модель предназначена для перевода предложений и текстов между испанским и восточнославянскими языками. В карточке приведены результаты тестирования на парах испанский—белорусский, испанский—русский и испанский—украинский; показатели различаются по языковым парам и тестовым наборам. Модель распространяется по лицензии CC BY 4.0.

Qwen2.5-7B-Sep_1c1t — модель SardineLab для многоязычного машинного перевода на уровне фрагментов документов. Она создана полнопараметрическим дообучением Qwen/Qwen2.5-7B-Instruct на примерах из sardinelab/DocBlocks с разбиением текста на фрагменты фиксированного диапазона. Для перевода каждого текущего фрагмента модель учитывает один предшествующий фрагмент исходного текста, помогая сохранять контекст документа. Модель поддерживает перевод между английским и немецким, испанским, французским, итальянским, корейским, нидерландским, португальским, русским и китайским языками. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и контекстное окно 32 768 токенов. Она предназначена для сценария Sep_1c1t: один предыдущий контекстный фрагмент и один целевой фрагмент на каждый вызов; при обучении использовались фрагменты длиной 256–512 токенов. Для воспроизведения метода разбиения и процедуры оценки авторы отсылают к материалам статьи Doc2FRC и связанному репозиторию. Модель распространяется по лицензии Apache-2.0.

OVHaiLLM/Qwen-Open-Finance-R-8B — дообученная компанией Dragon LLM модель Qwen3-8B для финансовых и экономических вопросов. Она предназначена для ответов на запросы специалистов и для анализа финансовых и деловых материалов. В карточке Hugging Face основной задачей указаны ответы на вопросы; README также описывает подготовку сводок отчетности и рыночных тенденций, разбор регулирования, инвестиционный анализ и сценарное планирование. Модель работает с текстом и поддерживает английский, французский и немецкий языки. По описанию разработчика, обучение включает финансовые и экономические материалы, переводы, общие знания, RAG и задачи рассуждения. В репозитории указаны веса safetensors и лицензия Apache-2.0. README заявляет о точных и фактически обоснованных ответах, однако не приводит независимых оценок качества. Разработчик рекомендует проверять критичные финансовые сведения по официальным источникам; модель может ошибаться и не заменяет профессиональную проверку или финансовую консультацию.

RocRacoon-3b — языковая модель Aixon Lab для генерации текста и диалогов. Она представляет собой причинную Transformer-модель семейства Phi-3 и дообучена на microsoft/Phi-3-mini-128k-instruct; в метаданных указано 3,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для творческого письма, написания статей и тематических многоходовых бесед, а также для генерации связных ответов и другого текстового контента. README сообщает об английском языке как основном и допускает поддержку других языков, но подтверждённых сведений о них нет. В карточке заявлены улучшения связности и креативности относительно базовой модели, однако подробные метрики оценки ещё собираются. Возможны унаследованные смещения; результаты следует проверять, особенно в чувствительных сценариях. Лицензия — MIT.

Карточка модели sail/Sailor2-20B на Hugging Face совпадает с карточкой sail/Sailor2-1B-Chat, поэтому описание составлено по ней. Sailor2-1B-Chat — чат-модель сообщества Sailor2 для генерации текста на языках Юго-Восточной Азии и других языках региона. Она основана на Sailor2-1B, дообученной версии Qwen2.5, и использует плотную архитектуру Qwen2. Объём модели составляет 851,8 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, включая специализированные сценарии и использование в спекулятивном декодировании. В проекте Sailor2 модели непрерывно предварительно обучались на 500 млрд токенов для поддержки 15 языков: английского, китайского, бирманского, себуанского, илоканского, индонезийского, яванского, кхмерского, лаосского, малайского, сунданского, тагальского, тайского, вьетнамского и варайского. Компактный размер упрощает применение при ограниченных вычислительных ресурсах, но возможностей модели может быть недостаточно для сложных задач по сравнению с более крупными вариантами Sailor2. Модель выпущена под лицензией Apache 2.0. Для загрузки автор рекомендует Transformers версии 4.46.3.

Карточка модели sail/Sailor2-L-8B на Hugging Face совпадает с карточкой sail/Sailor2-1B-Chat, поэтому описание составлено по ней. Sailor2-1B-Chat — чат-модель сообщества Sailor2 для генерации текста на языках Юго-Восточной Азии и других языках региона. Она основана на Sailor2-1B, дообученной версии Qwen2.5, и использует плотную архитектуру Qwen2. Объём модели составляет 851,8 млн параметров, формат весов — safetensors, длина контекста — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, включая специализированные сценарии и использование в спекулятивном декодировании. В проекте Sailor2 модели непрерывно предварительно обучались на 500 млрд токенов для поддержки 15 языков: английского, китайского, бирманского, себуанского, илоканского, индонезийского, яванского, кхмерского, лаосского, малайского, сунданского, тагальского, тайского, вьетнамского и варайского. Компактный размер упрощает применение при ограниченных вычислительных ресурсах, но возможностей модели может быть недостаточно для сложных задач по сравнению с более крупными вариантами Sailor2. Модель выпущена под лицензией Apache 2.0. Для загрузки автор рекомендует Transformers версии 4.46.3.

Sailor-4B-Chat — чат-модель для генерации текста, разработанная командой Sailor и основанная на Qwen 1.5. Это дообученная инструктивная версия Sailor-4B с архитектурой Qwen2 и 3,6 млрд параметров; она принимает текст и формирует текстовые ответы, поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для языков Юго-Восточной Азии: индонезийского, тайского, вьетнамского, малайского и лаосского; метаданные также отмечают английский и китайский. Модель подходит для диалогов, ответов на вопросы и рассуждений на языках региона. В README отмечены результаты в задачах ответов на вопросы и рассуждений здравого смысла. Она дообучена на открытых наборах данных, включая Aya и OpenOrca. Распространяется по лицензии Apache-2.0. Карточка не приводит подробных результатов бенчмарков для этой версии, поэтому качество на конкретных языках и задачах может различаться.

SeaQwen2-1.5B — чат-модель на базе архитектуры Qwen2, разработанная Toti Riccardo и дообученная на итальянском переводном наборе данных SeacomSrl/rag-data. Модель предназначена для генерации текста и диалогового взаимодействия на итальянском языке, в том числе для сценариев, связанных с данными этого набора. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст длиной до 131 072 токенов. В репозитории представлены веса в формате safetensors. Лицензия — Apache 2.0.

Ha1dir создал модель анализа тональности на основе IndoBERT base, дообучив её для классификации текстов на индонезийском языке. Модель использует архитектуру BERT с примерно 151,6 млн параметров и принимает последовательности длиной до 512 токенов. Она относит текст к одному из трёх классов: положительному, отрицательному или нейтральному. Модель можно применять для анализа отзывов, сообщений и других текстов на индонезийском языке; для загрузки предусмотрена библиотека Transformers. В README приведены высокие метрики на обучении и валидации, однако сведения о составе и размере выборки не приведены, поэтому эти результаты не позволяют оценить качество на других данных. Модель сохранена в формате Safetensors. Условия лицензии в предоставленных данных не описаны.

ac0hik разработал модель классификации тональности французского текста на основе CamemBERT. Это плотная модель с архитектурой CamembertForSequenceClassification, содержащая 137,8 млн параметров и принимающая последовательности длиной до 514 токенов. Модель дообучена на французской части набора tweet_sentiment_multilingual с дополнительными отобранными данными тональности из разных источников. Модель относит текст к одной из трёх категорий: положительной, отрицательной или нейтральной. Она подходит для анализа тональности французских публикаций в социальных сетях и других коротких текстов. На оценочной выборке автор сообщает точность 0,7654 и значение функции потерь 0,7877; лицензия — MIT.

SnowElf-12B — слитая языковая модель на архитектуре Mistral для генерации диалогового текста. Её создал пользователь yamatazen с помощью mergekit: веса HMS-Slerp-12B-v2 объединены методом TIES с MN-12B-Mag-Mell-R1, mistral-nemo-gutenberg-12B-v4 и Dans-PersonalityEngine-V1.1.0-12b. Модель содержит 12,1 млрд параметров, работает с форматом safetensors и имеет нативное контекстное окно 131 072 токена. Модель предназначена для диалогов, ролевых сценариев и художественного письма на английском и японском языках. В метаданных также указана возможность интерфейса вызова инструментов. README задаёт токенизатор из объединения токенизаторов исходных моделей. Сведения о лицензии в предоставленных данных отсутствуют. Качество и поведение модели могут зависеть от сочетания слитых компонентов; отдельные ограничения или результаты оценки не описаны.

Sophea-OSS-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе openai/gpt-oss-20b для рассуждений на греческом и английском языках. Это разреженный трансформер MoE; в метаданных указано 1,6 млрд параметров, контекст — 131 072 токена. Модель поддерживает генерацию текста и диалоговый режим. Модель предназначена для многоязычного помощника, который рассуждает на языке вопроса и выдаёт ответ в канале assistantfinal; след рассуждений передаётся отдельно в канале analysis. README сообщает, что след сохраняет язык вопроса в 98,1% случаев, но при переключении языка управляемость различается: 62,5% для греческого запроса с английским ответом и 93,3% для английского запроса с греческим ответом. Формат каналов Harmony требует совместимого клиента. В README описаны оценки на задачах математики, здравого смысла, логики и двуязычных NLU-бенчмарках; результаты приведены с оговорками в сопутствующей статье. По сравнению с базовой моделью генерация расходует больше токенов, а утечка текста ответа в канал рассуждений составляет 10,3%. Модель не оценивалась для критически важных, юридических или медицинских применений. Лицензия — Apache-2.0.

Starstreak-7B-β — языковая чат-модель серии Starstreak, разработанная на основе HuggingFaceH4/zephyr-7b-beta и дообученная методом QLoRA. Модель построена на плотной архитектуре Mistral и содержит около 7,1 млрд параметров; для генерации текста доступен контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста на английском, индонезийском и ряде языков Индонезии и региона: среди них ачехский, яванский, сунданский, малайский и тетум. При дообучении использовались graelo/wikipedia и uonlp/CulturaX. Это позволяет применять её для ответов и генерации текста на поддерживаемых языках, однако карточка не описывает специализированные сценарии или сравнительные оценки качества. Модель опубликована в формате Safetensors под лицензией CC0 1.0. Среди ограничений карточка отмечает англоязычную основу и возможные культурные и контекстные предубеждения.

tagasenti_model v6 — это дообученная jjjardev модель XLM-RoBERTa-large для трёхклассовой классификации тональности текстов на тагальском языке и таглише, включая переключение между тагальским и английским. Она определяет отрицательную, нейтральную или положительную тональность отзывов, комментариев и других коротких текстов. Модель содержит 658,7 млн параметров по метаданным, использует архитектуру XLM-RoBERTa для классификации последовательностей и имеет контекст длиной 514 токенов по метаданным; README указывает усечение входов до 128 токенов. Модель обучена на датасете TagaSenti v6, объединяющем реальные и дополненные примеры. В README указаны точность 84,8% и macro-F1 0,848 на отложенном тесте для тагальского; перенос на хилигайнон заметно слабее. В репозитории также есть динамически квантованная INT8-версия ONNX для развёртывания на CPU и устройствах без PyTorch. Модель распространяется по лицензии Apache-2.0. Она подходит для анализа отзывов и комментариев, мониторинга пользовательских мнений и исследования тональности в низкоресурсных языках и код-свитчинге. Модель выдаёт только три грубых класса: она не определяет отдельные эмоции или тональность аспектов. README отмечает ошибки на идиомах, отсутствие калибровки уверенности и риск усечения длинных текстов; для серьёзных решений требуется проверка человеком.

WindyTranslate/translate-bg-es — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с болгарского на испанский. Это дообработанная численным преобразованием версия Helsinki-NLP/opus-mt-bg-es на архитектуре MarianMT; в репозитории указаны 56,8 млн параметров и контекст до 512 токенов. Модель принимает текст и выдаёт текст перевода. Для оценки приведён результат chrF++ 49,10 и BLEU 25,03 на 48 предложениях FLORES-200 dev; авторы называют это предварительной проверкой, а не результатом публикации. Модель поддерживает только направление болгарский → испанский. Изменение весов описано как воспроизводимое внесение очень малого шума в 72 из 254 тензоров, а не как обучение. Лицензия — Apache-2.0.

WindyTranslate/translate-da-ru — модель машинного перевода от Windstorm Labs для перевода текста с датского на русский. Это дообученная версия Helsinki-NLP/opus-mt-da-ru: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 57,4 млн параметров и принимает текст; максимальная длина контекста — 512 токенов. Модель предназначена для перевода в одном направлении: с датского на русский. В проверке на 48 предложениях FLORES-200 dev она набрала chrF++ 42,69 и BLEU 16,29; это скрининговая оценка, а не результат публикационного исследования. Модель распространяется в формате safetensors и доступна по лицензии Apache-2.0.

WindyTranslate/translate-en-et — модель машинного перевода, опубликованная Windstorm Labs для перевода с английского на эстонский. Это дообученная версия Helsinki-NLP/opus-mt-en-et: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 55,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для перевода коротких текстов и локализации с английского на эстонский. В проверке на 48 примерах FLORES-200 dev получены chrF++ 51,24 и BLEU 24,85; это скрининговая оценка, а не результат публикационного исследования. Поддерживается только направление en→et. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-es-ca — модель машинного перевода, опубликованная Windstorm Labs для перевода с испанского на каталанский. Она основана на Helsinki-NLP/opus-mt-es-ca: LoRA-дообучение на параллельном корпусе слито с базовыми весами. Модель MarianMT содержит 51,8 млн параметров, принимает текст и выдаёт текст; для загрузки используется Transformers, веса доступны в формате safetensors. Контекст составляет 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с испанского на каталанский. В проверке на 48 примерах FLORES-200 dev получены chrF++ 53,45 и BLEU 26,03; авторы оценивают результат как Good и подчёркивают, что это предварительная проверка, а не результат публикационного исследования. Поддерживается только направление es→ca. Лицензия — Apache-2.0.

Модель samandar1105/translation-eng-kr — дообученная версия Helsinki-NLP/opus-mt-tc-big-en-ko для перевода текста с английского на корейский. Она использует архитектуру Marian transformer-big и предназначена для задач машинного перевода. Контекст модели — до 1024 токенов; веса опубликованы в формате safetensors. В карточке приведены результаты оценки: BLEU 6,226 и loss 3,0721, однако набор данных и методика оценки не описаны. Модель распространяется по лицензии CC BY 4.0.

cardiffnlp/twitter-roberta-large-emotion-latest — модель Cardiff NLP на архитектуре RoBERTa-large, дообученная для многометочной классификации эмоций в сообщениях Twitter. Базовая модель обучалась на 154 млн твитов до конца декабря 2022 года, а дообучение для распознавания эмоций выполнено на наборе TweetEmotion из SuperTweetEval. Модель назначает тексту одну или несколько из 11 меток: гнев, ожидание, отвращение, страх, радость, любовь, оптимизм, пессимизм, грусть, удивление и доверие. Она подходит для анализа эмоциональной окраски коротких публикаций на английском языке. Размер модели — 454,1 млн параметров, контекст — до 514 токенов. Репозиторий содержит веса в формате Safetensors; лицензия — MIT.

SaketR1/uncertainty-sft-all-correct-balanced — дообученная разработчиком SaketR1 мультимодальная модель на базе Qwen/Qwen3.5-2B, обученная с помощью TRL. Это плотная модель Qwen3.5 с 2 млрд параметров, поддерживающая диалоги и понимание изображений; карточка демонстрирует генерацию ответа на текстовый вопрос через Transformers. Метаданные указывают задачу image-text-to-text, поэтому модель подходит для диалогов по тексту и изображениям, а также для визуальных вопросов и ответов. В карточке отсутствуют сведения о языках обучения и о том, как именно сбалансированы данные или обрабатывается неопределённость. Модель распространяется в формате Safetensors; лицензия в предоставленных данных не указана.

Vigogne-2-70B-Chat — франкоязычная диалоговая языковая модель, разработанная Zaion Lab на основе Llama 2-70B. Модель дообучена для генерации полезных и связных ответов в беседе и следует шаблону запросов, адаптированному из формата чата Llama 2. Модель содержит 68,7 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 4096 токенов. Она предназначена для общения на французском языке и генерации текста. Доступны веса в формате PyTorch. Модель распространяется по лицензии Llama 2 и подчиняется политике использования Llama 2. В README указано, что значительная часть обучающих данных дистиллирована из GPT-3.5-Turbo и GPT-4; авторы советуют соблюдать осторожность в отношении условий использования OpenAI. Модель находится в разработке и может выдавать вредный или предвзятый контент, фактически неверные сведения либо бесполезные ответы.

Модель ShenaoZhang/0.0_ablation_4iters_bs128_nodpo_iter_2 — дообученная версия ShenaoZhang/0.0_ablation_4iters_bs128_nodpo_iter_1, опубликованная ShenaoZhang. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В метаданных указаны контекст до 32 768 токенов, формат safetensors и лицензия MIT. Карточка связывает дообучение с наборами данных updated и original, но не описывает их содержание, методику обучения или результаты оценки. Поэтому конкретные сильные стороны и области применения сверх генерации текста и чата не подтверждены. Модель принимает текст и выдаёт текст; сведений о целевых языках нет.

Aero-1-Audio — компактная аудиомодель от LMMs-Lab на основе Qwen2.5-1.5B-Instruct. Она сочетает языковую модель с аудиокодировщиком и предназначена для распознавания речи, понимания аудиозаписей и выполнения инструкций по аудио. Модель поддерживает непрерывные аудиовходы длительностью до 15 минут. По заявлению разработчиков, она показывает конкурентные результаты на нескольких аудиобенчмарках при обучении примерно на 50 тысячах часов аудио из открытых наборов данных. Основной язык, указанный в карточке, — английский. Модель распространяется под лицензией MIT. В карточке заявлены возможности распознавания речи и понимания аудио, но подробные ограничения и оценка качества для отдельных языков или сценариев не приведены.

AIFT-Yi-Ko-6B-ao-instruct-all-v0.54 — дообученная модель DooDooHyun на базе beomi/Yi-Ko-6B. Это плотная авторегрессионная модель семейства Llama с 5,9 млрд параметров для генерации текста; файлы весов представлены в формате safetensors. Базовая модель ориентирована на корейский и английский языки и имеет расширенный корейский словарь. Контекст модели составляет 2048 токенов. Модель предназначена для генерации текста и инструктивных диалогов. Данные обучения и результаты оценки не описаны, поэтому качество и специализацию версии нельзя установить. Лицензия указана как other, без дополнительных условий в доступных сведениях.

ALMA-7B-Ja-V2 — языковая модель для машинного перевода, разработанная webbigdata. Она предназначена прежде всего для перевода с японского на английский и с английского на японский; также поддерживает перевод между английским и немецким, китайским, исландским и чешским языками. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 6,6 млрд параметров и имеет контекст 4096 токенов. В карточке приведены результаты оценки BLEU, chrF++ и COMET, включая сравнение с предыдущей версией и NLLB-200. Модель принимает текст и генерирует текст перевода. Лицензия — Llama 2. В README отмечено, что качество зависит от направления и жанра: например, результаты для классической литературы ниже, чем для ряда современных текстов. Авторы указывают, что ALMA-7B-Ja-V2 улучшает предыдущую версию, но это не гарантирует точность перевода для каждого текста.

Argonne 4.5-instruct — диалоговая языковая модель PursuitOfDataScience с архитектурой Argonne2 и 2,06 млрд параметров. Это дообученная на инструкциях версия Argonne-4.5-base-ctx13568: сначала модель обучали на UltraChat 200k, затем настраивали методом DPO на argilla/dpo-mix-7k. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке; длина контекста — 13 568 токенов. Модель предназначена для диалогов и генерации ответов по инструкциям, сохраняя значительную часть возможностей базовой модели и работая с длинным контекстом. При этом она слабо соблюдает точные форматные ограничения, может повторять фразы и часто допускает фактические ошибки. Это не модель для рассуждений или математических задач; длинные входы не оценивались на прикладных задачах. Для работы требуется загрузка с trust_remote_code=True и настройка шаблона чата с enable_thinking=False. Весовые файлы представлены в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0.

bamibert-moe-sentiment — модель классификации текста на тональность вьетнамского языка, разработанная на основе Qualcomm AI Research BamiBERT. Она дообучена на наборе AIVN 2019 и предназначена для отнесения отзывов, сообщений и клиентских обращений к положительной или отрицательной тональности. В README описана архитектура Mixture of Experts с динамической маршрутизацией токенов между экспертами; метаданные указывают архитектуру RoBERTa и 129 млн параметров. Контекст составляет 2050 токенов. Модель ориентирована на вьетнамские социальные сети, отзывы о товарах и обратную связь клиентов, включая сленг и контекстно-зависимые выражения. Для предварительной сегментации слов README рекомендует VnCoreNLP, а также упоминает pyvi как альтернативу. В README приведены результаты оценки на AIVN 2019, включая средний macro F1 0,9045 при пятифолдовой проверке. Модель распространяется по лицензии MIT. Результаты оценки относятся к указанному набору данных и не гарантируют такое же качество на других тематиках и источниках текста; для корректной обработки рекомендуется учитывать требования к сегментации вьетнамского языка.