III.4Клиентская поддержка и customer success

Многоязычный классификатор без примеров обучения от Horizon Labs: модель на архитектуре ModernBERT (mmBERT) с 306,9 млн параметров, дообученная на задачах вывода по естественному языку. Она сопоставляет текст с выбранными пользователем метками через гипотезу на английском языке и подходит для классификации намерений, тем и тональности, а также для других задач NLI. Модель поддерживает более 30 языков, включая русский; размер контекста — 8192 токена, при этом дообучение выполнялось на последовательностях длиной до 1024 токенов. В репозитории есть веса Safetensors и вариант ONNX для CPU и браузера. Модель обучалась на MultiNLI, SNLI, WANLI и синтетических данных. По результатам сравнения в карточке она уступает некоторым более крупным моделям на отдельных наборах, а качество заметно зависит от формулировки меток и шаблона гипотезы; на языках с небольшими обучающими ресурсами результаты слабее. Часть названий меток из некоторых бенчмарков встречалась в синтетических данных, поэтому для них оценка не полностью zero-shot относительно меток. Лицензия — Apache-2.0.

Nemotron 3.5 ASR — мультиязычная модель автоматического распознавания речи, разработанная NVIDIA. Модель содержит 600 млн параметров и использует архитектуру Cache-Aware FastConformer-RNNT для потоковой и пакетной транскрипции: она обрабатывает новые аудиофрагменты, переиспользуя кэшированный контекст. Размер фрагмента можно настраивать от 80 до 1120 мс, что позволяет выбирать баланс между задержкой и точностью. Вывод включает пунктуацию и заглавные буквы; при режиме auto модель также может определять язык речи и добавлять языковую метку. Модель транскрибирует речь на 32 локалях без дополнительной адаптации: 19 локалей заявлены как готовые для транскрипции с наивысшей точностью, ещё 13 обеспечивают широкое покрытие. Для восьми дополнительных локалей требуется дообучение на предметных данных. Поддерживаются, среди прочего, русский, английский, испанский, французский, арабский, японский и китайский языки. Модель рассчитана на голосовых агентов, обработку аудиопотоков с низкой задержкой и пакетную расшифровку записей. В README указана готовность к коммерческому использованию; метаданные обозначают лицензию как other, поэтому перед использованием следует проверить её условия в репозитории.

Это объединённая методом TIES модель Weyaxi, созданная на основе Intel/neural-chat-7b-v3-1 и teknium/OpenHermes-2.5-Mistral-7B. Модель представляет собой плотную авторегрессионную языковую модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и может применяться для диалогов, ответов на вопросы и других задач, решаемых текстовой генерацией. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

occiglot-7b-de-es-fr-it-en-instruct-dareties — объединённая модель семейства Mistral, созданная Mayflower GmbH с помощью mergekit и метода DARE TIES. В основу слияния легла mistralai/Mistral-7B-v0.1; в модель включены четыре инструктивные версии Occiglot, обученные для немецкого, испанского, французского и итальянского языков в сочетании с английским. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral для генерации текста и поддерживает контекст до 32 768 токенов. Она рассчитана на диалоговое применение и генерацию ответов на нескольких европейских языках. Доступна в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

Модель amagzari/pegasus-cnn_dailymail-finetuned-samsum-v2 — дообученная версия google/pegasus-cnn_dailymail, созданная для суммаризации диалогов из набора SAMSum. Она принимает текст разговора и генерирует краткое изложение; в README приведены результаты оценки на тестовой выборке SAMSum: ROUGE-1 45,30, ROUGE-2 21,76, ROUGE-L 35,86 и ROUGE-Lsum 41,66. Модель построена на архитектуре PegasusForConditionalGeneration, содержит около 366,8 млн параметров, работает с PyTorch и имеет контекст до 1024 токенов. В карточке не указана лицензия, поэтому условия использования определить нельзя.

JeremiahZ/roberta-base-qqp — модель классификации текстовых пар, созданная дообучением RoBERTa-base на наборе GLUE QQP. Она предназначена для определения, задают ли два английских вопроса один и тот же вопрос, например, при поиске дубликатов в FAQ или объединении похожих обращений. Модель построена на архитектуре RoBERTa для классификации последовательностей, содержит 151,8 млн параметров и принимает текстовые входные данные с контекстом до 514 токенов. В карточке указаны результаты оценки на тестовом наборе: accuracy 0,9153 и F1 0,8867. Модель поддерживает английский язык и опубликована в формате PyTorch. Лицензия — MIT. Карточка не описывает дополнительные сценарии использования и ограничения; качество на других данных может отличаться от результатов на GLUE QQP.

Карточка модели TigerByteCyber/roberta-base-zeroshot-v2.0-c на Hugging Face совпадает с карточкой MoritzLaurer/roberta-base-zeroshot-v2.0-c, поэтому описание составлено по ней. Moritz Laurer разработал roberta-base-zeroshot-v2.0-c — модель для классификации текстов без размеченных примеров. Это дообученная RoBERTa-base с 151,8 млн параметров, настроенная на задачу вывода по естественному языку: модель оценивает, следует ли гипотеза из текста. Hugging Face pipeline позволяет представить разные задачи классификации как проверку гипотез для заданных классов; можно выбрать один класс или разрешить несколько. Модель предназначена для эффективной работы на CPU и GPU и совместима с производственными контейнерами Hugging Face TEI. В сравнении автора на 28 задачах классификации средний macro-F1 составил 0,587; точность зависит от набора данных и формулировки гипотезы. Модель принимает текст и выдаёт оценки классов. Поддерживаемый язык по карточке — английский; длина контекста — 514 токенов. Вариант с суффиксом «-c» обучен на коммерчески дружественных данных: синтетических текстах, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI. Репозиторий распространяется по лицензии MIT. Модель ограничена задачами классификации текста; возможны смещения из-за базовой модели, данных NLI и синтетических данных.

Statim Decide EN Large — разработанная для Statim модель классификации решений, дообученная на основе convaiinnovations/laya с архитектурой ModernBERT-large. Она принимает короткий текст или JSON и отвечает на заданный пользователем вопрос в формате выбора категории, оценки или ответа «да/нет»; текст не генерирует. Модель выполняет вывод за один проход и поддерживает запуск на CPU или GPU через движок Statim на C++ без Python во время работы. Модель обучалась на нескольких наборах данных для определения намерений, типизированных решений и проверок безопасности. В тестировании на 54 наборах авторы указали 11 значимых улучшений, 43 результата в пределах шума и отсутствие регрессий относительно исходного чекпойнта. Точность зависит от задачи и языка; карточка содержит слабые результаты для некоторых языковых вариантов и предупреждает о слабой работе с пониманием прочитанного и семантическим сходством. Весовые файлы доступны в GGUF F32 и Q8_0, а также в формате чекпойнта Laya. Версия 0.5.0 распространяется по лицензии PolyForm Noncommercial 1.0.0: коммерческое использование не разрешено. Для ответов с низкой уверенностью предусмотрена эскалация на проверку человеком; модель не следует использовать для автоматизации значимых решений о людях без такого контроля.

TrendyolMixLLM_v1.1 — объединённая языковая модель, созданная Trendyol из Trendyol-LLM-7b-chat-v1.0 и Trendyol-LLM-7b-chat-v0.1 с помощью mergekit. Это плотная причинно-языковая модель семейства Mistral на 8,9 млрд параметров, предназначенная для генерации текста в формате диалога. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Модель подходит для диалоговых приложений и генерации ответов на текстовые запросы. Карточка не описывает отдельную специализацию или языковой охват, поэтому такие характеристики не уточняются. Лицензия — Apache 2.0.

MaziyarPanahi/una-cybertron-7b-v2-bf16-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием mistralai/Mistral-7B-Instruct-v0.1 и fblgit/una-cybertron-7b-v2-bf16 методом SLERP; веса представлены в формате safetensors с точностью bfloat16. Модель предназначена для генерации текста, ответов на инструкции и ведения диалога. Её можно использовать в чат-ботах и приложениях, которым нужны ответы на текстовые запросы. Заявленная длина контекста — 32 768 токенов. Модель принимает текст и выдаёт текст. В метаданных не указаны конкретные языки, поэтому нельзя определить, на какие языки она рассчитана. Лицензия — Apache-2.0.

Vistral-24B-Instruct — русско-английская унимодальная языковая модель команды VikhrModels, дообученная на базе mistralai/Mistral-Small-3.2-24B-Instruct-2506. Она предназначена для диалогов и выполнения инструкций; архитектура MistralForCausalLM сохранена, визуальный энкодер удалён. Модель содержит 23,4 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. По оценке команды на русскоязычном бенчмарке Ru-Arena-General модель показала win rate 96,1%. Её можно применять для ответов на вопросы, следования заданным форматам и других текстовых задач на русском и английском языках. Распространяется по лицензии Apache-2.0. В карточке отмечен низкий уровень безопасности ответов. Авторы рекомендуют проверять поведение модели, использовать подходящие системные инструкции и низкую температуру генерации; при высокой температуре возможны дефекты вывода.

ZeproSolar-2x7B — разговорная языковая модель Ionio-ai, созданная с помощью MergeKit путём объединения HuggingFaceH4/zephyr-7b-alpha и NousResearch/Nous-Hermes-2-SOLAR-10.7. Это модель семейства Mixtral с архитектурой MoE, предназначенная для генерации текста в диалогах и работе в роли помощника. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель подходит для чат-ботов, виртуальных помощников и создания текстового контента. Карточка отмечает риск смещений в ответах и возможность генерации вводящего в заблуждение или вредоносного контента. Распространяется по лицензии Apache-2.0.

DAMO-NLP-SG/zero-shot-classify-SSTuning-ALBERT — модель для классификации текста без дообучения на конкретных классах, разработанная авторами работы Zero-Shot Text Classification via Self-Supervised Tuning и впервые опубликованная в этом репозитории. Она основана на albert-xxlarge-v2 и обучена методом self-supervised tuning: на неразмеченных данных модель осваивает задачу First Sentence Prediction, связанную с форматом классификации. Модель предназначена для классификации по заданным пользователем меткам, например для анализа тональности и определения тематики. Вариант ALBERT содержит 235 млн параметров по README; метаданные каталога указывают 3,3 млрд параметров. При использовании рекомендуется задавать от 2 до 20 меток. Контекст составляет до 512 токенов. Модель принимает текст и выдаёт оценки классов; она работает медленнее вариантов SSTuning на RoBERTa-base и RoBERTa-large, но в сравнении авторов показывает более высокую точность. Лицензия — MIT. Количественные показатели производительности зависят от данных и сценария; в README приведено только качественное сравнение вариантов.

DAMO-NLP-SG/zero-shot-classify-SSTuning-base — модель для классификации текста без дообучения на целевых метках. Её разработала группа DAMO-NLP-SG; модель представлена в работе Zero-Shot Text Classification via Self-Supervised Tuning. В основе — RoBERTa-base с классификационной головой; при настройке на неразмеченных данных использовалась задача First Sentence Prediction. В метаданных указаны 151,8 млн параметров и контекст до 514 токенов. Модель предназначена для отнесения текста к заданным пользователем категориям, включая анализ тональности и тематическую классификацию. README указывает рекомендуемое число меток от 2 до 20 и отмечает высокую скорость базовой версии. Она обучалась на английских данных, поэтому заявленная поддержка других языков не подтверждена для этой версии. Модель распространяется по лицензии MIT.

DeepMount00/Anita — модель Sentence Transformer на базе архитектуры BERT, предназначенная для поиска контекста, наиболее релевантного вопросу на итальянском языке. Она кодирует вопросы и предложения в векторы, чтобы сопоставлять их по смысловой близости; модель подходит для поиска ответов в базе знаний, автоматизации поддержки клиентов и образовательных инструментов. В карточке указано 137,9 млн параметров и контекст до 512 токенов. Модель выпущена в апреле 2024 года и распространяется в формате safetensors по лицензии Apache-2.0. Модель рассчитана на итальянские запросы и тексты. Она ранжирует релевантность контекстов, но README не описывает генерацию ответов: для получения ответа нужно использовать найденный фрагмент в отдельном процессе или системе. Указанная задача Hugging Face — sentence-similarity.

AquilaChat2-34B — чат-модель семейства Aquila2, разработанная BAAI. Она предназначена для диалогового общения и генерации ответов на текстовые запросы. Модель имеет плотную архитектуру AquilaForCausalLM, содержит 33,1 млрд параметров и рассчитана на контекст до 4096 токенов. Модель выпущена в формате PyTorch. В субъективной оценке по восьми направлениям возможностей разработчик сообщает о результатах, близких к GPT-3.5 или превосходящих их. В обучающих данных обнаружили утечку тестовых примеров GSM8K; результаты оценки на GSM8K были исключены. Лицензия указана как other, поэтому условия использования следует уточнять в материалах разработчика.

A.X 3.1 — большая языковая модель, разработанная SK Telecom (SKT) для понимания корейского языка и корпоративного применения. Модель обучена с нуля на 2,1 трлн токенов из многоязычного корпуса, подготовленного SKT; архитектура — плотная LlamaForCausalLM с 33,8 млрд параметров. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для диалогов, генерации текста и сценариев с интерфейсом вызова инструментов. Её основные языки — корейский и английский, при этом особый акцент сделан на корейском языке и контексте. Нативный размер контекста составляет 32 768 токенов; README описывает возможность увеличить его до 131 072 токенов с помощью YaRN. Указана лицензия Apache-2.0.

Bellatrix-Tiny-1B — авторегрессионная языковая модель на архитектуре Llama, разработанная prithivMLmods на основе meta-llama/Llama-3.2-1B-Instruct. Это плотная модель примерно на 1,2 млрд параметров, дообученная для диалогов и задач рассуждения; README указывает на supervised fine-tuning и RLHF. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; карточка ориентирует модель на многоязычное применение, но конкретно подтверждает английский язык. Модель предназначена для диалоговых систем, поиска релевантных сведений в ходе общения, суммаризации и выполнения инструкций. Компактный размер может быть полезен для локального запуска и приложений с ограниченными ресурсами. По README, качество может снижаться на узкоспециализированных данных, редких языках и диалектах, а ответы могут содержать ошибки или отражать смещения обучающих данных. Модель распространяется по лицензии Llama 3.2.

newmindai выпустила модель семантического сходства турецких предложений, дообученную на базе BAAI/bge-m3 на турецком наборе STS-B. Это Sentence Transformers на архитектуре XLM-RoBERTa с 658,7 млн параметров; модель кодирует текст в эмбеддинги и предназначена для оценки сходства пар предложений. В README указаны корреляции Спирмена 0,8629 и Пирсона 0,8575 на оценке STS-B. Модель подходит для поиска похожих предложений, сопоставления вопросов с ответами, поиска перефразирований и группировки турецких текстов. Метаданные указывают контекст до 8194 токенов, тогда как README сообщает ограничение последовательности в 1024 токена; фактический рабочий предел может зависеть от конфигурации загрузки. Поддержка языка в карточке отмечена для турецкого. Лицензия — Apache-2.0.

Moritz Laurer разработал эту модель для классификации текста без размеченных примеров. Она переформулирует задачу в проверку гипотезы: оценивает, следует ли заданный класс или утверждение из текста, и поддерживает выбор одного либо нескольких классов через pipeline Hugging Face zero-shot-classification. Модель основана на XLM-RoBERTa, дообучена на BAAI/bge-m3-retromae и содержит около 658,7 млн параметров; заявленная длина контекста — 8194 токена. Модель многоязычная и работает на CPU и GPU. Версия с суффиксом «-c» обучена на синтетических данных, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI, которые автор характеризует как коммерчески совместимые. Она оценивалась на 28 задачах классификации; в приведённых примерах показывает результаты, сопоставимые с базовыми zero-shot классификаторами. Качество зависит от формулировки гипотез и названий классов, а возможные смещения связаны с базовой моделью и обучающими данными. Модель рассчитана только на классификацию текста. Лицензия репозитория — MIT.

Calme-7B-Instruct-v0.9 — языковая модель MaziyarPanahi с 7,1 млрд параметров, дообученная на базе Mistral-7B на высококачественных наборах данных. Это плотная авторегрессионная модель семейства Mistral для генерации текста; заявленная длина контекста — 32 768 токенов. Модель рассчитана на диалоговое применение и генерацию связных ответов и текста. Доступны веса в формате safetensors, а автор также предоставляет отдельную квантизированную версию GGUF. Лицензия — Apache-2.0.

Moritz Laurer дообучил DeBERTa-v3-xsmall для классификации без заранее заданного набора классов: пользователь задаёт текстовые метки, а модель оценивает соответствие им входного текста. Модель предназначена для быстрого zero-shot анализа, в том числе на периферийных устройствах и в браузере через transformers.js. Основа — microsoft/deberta-v3-xsmall. В README указаны 22 млн параметров основной части модели, 128 млн параметров словаря и размер файла 142 МБ; метаданные указывают 77,5 млн параметров. Модель принимает текст, поддерживает английский язык и имеет контекст 512 токенов. Доступны форматы PyTorch, safetensors и ONNX. Модель компактнее и эффективнее более крупных вариантов семейства, но, согласно README, показывает более низкое качество. Отдельная zero-shot оценка для этой версии не проводилась; приведены результаты стандартной точности на наборах данных, использованных при обучении. Лицензия — MIT.

DistilBart-MNLI-12-3 — дистиллированная модель семейства BART, разработанная Valhalla на основе bart-large-mnli. Она предназначена для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях: модель оценивает соответствие текста гипотезам, сформулированным для меток классов. Модель содержит 252,8 млн параметров и принимает последовательности длиной до 1024 токенов. При создании были взяты чередующиеся слои bart-large-mnli, после чего модель дополнительно обучили на тех же данных MNLI. По данным карточки, точность составляет 88,1% на matched и 88,19% на mismatched части оценки MNLI; исходная модель показывает 89,9% и 90,01% соответственно. Репозиторий содержит веса PyTorch и Flax. Метаданные не указывают лицензию; модель ориентирована на английский язык, что следует из обучения и оценки на MNLI.

Experiment28M7_AlloyingotneoyPercival_01 — объединённая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием automerger/Experiment28M7-7B и automerger/AlloyingotneoyPercival_01-7B. Она предназначена для генерации текста и диалоговых сценариев; поддерживает контекст до 32 768 токенов и хранится в формате Safetensors. Модель принимает текст и генерирует текст. В карточке не приведены специальные предметные области или сведения о языковой специализации, поэтому её можно описывать как модель общего назначения. Лицензия — Apache-2.0.

Elcaida/finetuned8b — дообученная Elcaida языковая модель семейства Llama для генерации текста и диалогового взаимодействия. Она основана на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit и содержит 7,5 млрд параметров. Модель имеет плотную архитектуру LlamaForCausalLM, принимает текст и выдаёт текст; для неё заявлен контекст до 131 072 токенов. Модель подходит для диалогов, генерации ответов и других задач, решаемых инструкционной языковой моделью. В метаданных также указана возможность интерфейса вызова инструментов. В карточке не описаны специализация дообучения, обучающие данные или результаты оценки качества; язык карточки — английский, но это не устанавливает полный список поддерживаемых языков. Лицензия — Apache-2.0.

Карточка модели djuna/G2-Nowing-9B на Hugging Face совпадает с карточкой djuna/G2-Nowing-9B-32K-YS, поэтому описание составлено по ней. G2-Nowing-9B-32K-YS — объединённая методом SLERP языковая модель Gemma 2, созданная автором djuna с помощью mergekit из zelk12/MT-Merge2-MU-gemma-2-MTg2MT1g2-9B и allknowingroger/GemmaSlerp5-10B. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на генерацию текста и диалоговое общение. Заявленная длина контекста составляет 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Gemma 3 1B IT — компактная инструктивно дообученная модель Google из семейства Gemma 3. Она создана на основе google/gemma-3-1b-pt и предназначена для генерации текста и диалогового взаимодействия; небольшой размер позволяет запускать её на устройствах и инфраструктуре с ограниченными ресурсами. Семейство Gemma 3 поддерживает ввод изображений и текста с генерацией текста, контекст до 128 тыс. токенов и более 140 языков. Модель подходит для ответов на вопросы, суммаризации, рассуждений, создания текстов и интерпретации изображений. В предоставленных метаданных для этого репозитория подтверждены задача text-generation и чат-возможность; отдельные численные характеристики именно варианта 1B и языковой список не указаны. Возможны фактические ошибки, смещения и затруднения с неоднозначными формулировками и сложными задачами. Для снижения рисков в приложениях следует проверять ответы и применять подходящие меры безопасности. Лицензия — Gemma; использование регулируется условиями лицензии и политикой запрещённого использования Gemma.

Geneva 12B GammaCorpus v2-5m — языковая модель Rubenroy, дообученная на структурированных многоходовых диалогах из набора GammaCorpus v2 объёмом 5 млн примеров. Она предназначена для диалогов и генерации текста, в том числе для ответов на инструкции; метаданные также указывают интерфейс вызова инструментов. Модель основана на Mistral-Nemo-Instruct-2407 и содержит 12,1 млрд параметров. Это плотная архитектура Mistral с 40 слоями, SwiGLU и групповой обработкой ключей и значений (GQA); заявленная длина контекста — 1 024 000 токенов. Поддерживаются английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Карточка предупреждает о возможности предвзятых ответов; заявленное стремление уменьшить предвзятость не исключает её полностью.

GLiClass Multilang Ultra — мультиязычная модель классификации текста от Knowledgator на архитектуре GLiClass. Она предназначена для zero-shot и few-shot классификации по заданным пользователем меткам, а также для оценки соответствия текста меткам при решении задач NLI и ранжирования релевантности. Модель поддерживает 20 языков: шведский, норвежский, чешский, польский, литовский, эстонский, латышский, испанский, финский, немецкий, французский, румынский, итальянский, португальский, нидерландский, украинский, хинди, китайский, арабский и иврит. Текст и метки могут быть на разных языках. В README указано около 1,72 млрд параметров; доступны иерархические метки, их описания и примеры для few-shot настройки. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и классификации безопасности LLM. В README приведены оценки на нескольких наборах данных и сравнительные замеры скорости; фактическая производительность зависит от оборудования и задачи. Русский язык среди заявленных языков отсутствует. Лицензия — Apache-2.0.

GLiNER2.5-Decide — англоязычная модель классификации Fastino из семейства GLiNER2.5, дообученная на базе fastino/gliner2-large-v1. Модель размером 340 млн параметров принимает текст и заданный при вызове набор меток, а затем классифицирует текст за один проход; несколько задач классификации можно выполнить одновременно. Для одиночной метки возвращается один класс, для многометочной — все классы выше порога. Модель использует архитектуру GLiNER2 и запускается через Transformers с AutoExtractor. Она предназначена для операционных решений: классификации намерений и тональности, маршрутизации сообщений, определения срочности и приоритета, модерации и других задач с настраиваемыми метками. Разработчик приводит бенчмарк на английском наборе fastino/fast-decisions: средняя точность exact match — 60,2% по 17 областям. По описанию автора, модель не является универсальной: она не предназначена для рассуждений, объяснений или ответов на открытые вопросы. Лицензия — Apache-2.0.