III.4Клиентская поддержка и customer success

Модель kapliff89/roberta-base-finetuned-emotion — дообученная для классификации текста модель klue/roberta-base на основе архитектуры RoBERTa. В README указано, что она настроена для распознавания эмоций, однако набор данных обозначен как None, а описание модели и сведения о назначении обучения не раскрыты. Модель содержит 137,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате safetensors. Её можно использовать для отнесения текстов к эмоциональным категориям, например для анализа коротких сообщений. Оценка на тестовом наборе в карточке приведена только как loss 0,1584; перечень классов, языков и подробности оценки отсутствуют. Базовая klue/roberta-base предназначена для понимания корейского текста, поэтому разумно ожидать корейскую языковую специализацию. Условия лицензии в предоставленных данных не указаны.

RoGemma-7b-Instruct-2024-10-09 — румынская генеративная языковая модель OpenLLM-Ro, дообученная на базе Google Gemma 7B для выполнения инструкций и диалогового общения. Она предназначена для создания ассистентов и решения разнообразных текстовых задач на румынском языке. Модель использует плотную архитектуру GemmaForCausalLM, содержит 8,2 млрд параметров и поддерживает контекст длиной до 8192 токенов. Для дообучения использованы румынские наборы инструкций, включая RoAlpaca, RoDolly, RoOpenAssistant и RoUltraChat. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0. Карточка указывает на исследовательское назначение и ограничивает предусмотренное использование румынским языком. Качество ответов и надёжность могут зависеть от задачи; результаты бенчмарков в предоставленной карточке опущены.

pin/senda — модель на базе BERT, дообученная Институтом Александры для анализа тональности датских текстов. Она присваивает тексту одну из трёх меток: положительная, нейтральная или отрицательная тональность. Модель обучалась и тестировалась на размеченных твитах; её можно использовать для классификации коротких публикаций и других текстов на датском языке. Модель содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Доступны веса для PyTorch, TensorFlow и Flax. На небольшом тестовом наборе Института Александры указаны accuracy 0,77 и macro-F1 0,73; результаты не гарантируют такого же качества на других источниках текстов. Лицензия — CC BY 4.0.

hyeogi выпустил разговорную модель SOLAR-10.7B-v1.4 на основе yanolja/KoSOLAR-10.7B-v0.2. Это плотная авторегрессионная языковая модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста в диалоговом формате. В README указано дообучение на примерах Open-Orca/SlimOrca и данных HAERAE-HUB/KMMLU, включая перевод и форматирование инструкций. Модель ориентирована на корейский язык; длина контекста составляет 4096 токенов. Модель подходит для диалоговых ответов, выполнения инструкций и генерации текста на корейском. Файлы опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Stream-Omni — разработанная Shaolei Zhang, Shoutao Guo, Qingkai Fang, Yan Zhou и Yang Feng сквозная мультимодальная чат-модель семейства StreamOmniLlama с 7,5 млрд параметров. Она принимает текст, изображения и речь, а в ответ генерирует текст и речь; при голосовом взаимодействии также может выдавать промежуточную транскрипцию и текст ответа, пока продолжается обмен аудио. Заявлена поддержка сочетаний мультимодальных входов и сквозное обучение на небольшом объёме мультимодальных данных. Модель предназначена для голосовых ассистентов и диалоговых сценариев, где нужно объединить речь, текст и зрительную информацию, например для общения по изображению с голосовым ответом. В метаданных указаны контекст до 131 072 токенов, формат safetensors и лицензия GPL-3.0. Карточка описывает возможности модели, но не приводит количественных оценок качества или подробных ограничений по отдельным входным форматам и языкам.

Umbra-v3-MoE-4x11b-2ex — языковая модель SteelSkull для общего ассистирования, созданная как смесь экспертов на основе четырёх моделей: Himitsui/Kaiju-11B, Sao10K/Fimbulvetr-11B-v2, decapoda-research/Antares-11b-v2 и beberik/Nyxene-v3-11B. Вариант использует двух экспертов и архитектуру MixtralForCausalLM с 10,6 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, генерации ответов и особенно для создания историй и ролевых сцен, включая ERP. Карточка описывает её как экспериментальную версию с обновлёнными исходными моделями и настройками промптов. Доступна по лицензии Apache-2.0. Языковая поддержка в карточке не уточняется.

Lucyan85/xlmr-sarcasmo-sentiment — модель классификации текста, созданная дообучением XLM-RoBERTa base. По названию репозитория модель предназначена для определения сарказма и тональности текста. Она содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате safetensors по лицензии MIT. В карточке приведены результаты оценки: accuracy 0,9524 и F1 0,9391; название набора данных указано как None, а описание обучения, сценариев применения и ограничений не раскрыто. Поддержка языков явно не перечислена, хотя базовая XLM-RoBERTa является многоязычной; поэтому язык или набор языков, на которых модель проверена, по этим данным установить нельзя.

Yugo55A-GPT — языковая модель datatab, полученная линейным слиянием четырёх предварительно обученных моделей с помощью mergekit. Она построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации ответов в диалоге и выполнения инструкций. Заявленная длина контекста — 32 768 токенов. Модель ориентирована прежде всего на общение на сербском языке. В README приведены результаты оценки на сербском бенчмарке; оценивание проводилось на 4-битной версии из-за ограничений оборудования. Сведения об этих результатах не позволяют делать выводы о качестве во всех сценариях использования. В состав слияния вошли datatab/Yugo55-GPT-v4, datatab/Yugo55-GPT-DPO-v1-chkp-300, mlabonne/AlphaMonarch-7B и NousResearch/Nous-Hermes-2-Mistral-7B-DPO. Модель распространяется в формате safetensors под лицензией MIT.

yuj-v1 — объединённая языковая модель на архитектуре Llama, созданная Shuvom для развития моделей и приложений на хинди. Она предназначена для генерации текста и диалоговых сценариев на хинди; в метаданных также отмечена поддержка английского. Модель объединяет Airavata, Gajendra-v0.1 и OpenHathi-7B-Hi-v0.1-Base. Модель содержит 6,7 млрд параметров, принимает текст, а её нативный контекст составляет 4096 токенов. В репозитории указаны веса Safetensors. Лицензия — Apache-2.0.

AfriGuardPlain-AfriqueQwen3.5-4B-lora-merged — модель генерации текста и диалогов, созданная дообучением McGill-NLP/AfriqueQwen3.5-4B командой adzcai. Модель обучена с помощью LoRA ранга 16 на всех линейных слоях, после чего адаптер объединён с базовыми весами. Обучающий набор adzcai/AfriGuard-plain содержит пользовательские запросы и обычные ответы без системной инструкции по безопасности и специальных маркеров. Модель предназначена для генерации ответов в диалоге на языках Африки и других языках, поддерживаемых базовой AfriqueQwen3.5-4B. Архитектура — плотная Qwen3.5, около 4 млрд параметров; репозиторий содержит веса Safetensors и рассчитан на Transformers. Карточка перечисляет английский, амхарский, хауса, игбо, оромо, шона, суахили, тви, волоф, йоруба и зулу. Лицензия — CC BY 4.0. Обучение на plain-версии AfriGuard означает, что модель не получает в примерах специальную системную инструкцию по безопасности; её поведение в задачах безопасности не следует считать гарантированным. Контекстное окно и подробные оценки качества в предоставленных данных не описаны.

AIFT-ko-orca-plat-Yi-ko-6b-refine-v1.2 — инструктивная языковая модель, опубликованная AIFT. Она дообучена методом LoRA на вручную очищенных данных KOR-OpenOrca-Platypus; автор также сообщает о работе над переводом и очисткой части Open-Orca и подготовке дополнительных данных с помощью GPT-4. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев на корейском языке. Модель основана на плотной архитектуре семейства Llama, содержит 5,9 млрд параметров, принимает текст и имеет контекст длиной 2048 токенов. Обучающие данные недоступны, поэтому независимо проверить их состав и качество нельзя. Лицензия — CC BY-SA 4.0.

Locutusque разработал Apollo-0.4-Llama-3.1-8B, дообучив языковую модель Llama 3.1 с 8B-классом параметров на датасете QuasarResearch/apollo-preview-v0.4. Это плотная авторегрессионная модель для генерации текста с поддержкой диалогового режима и контекстом до 131072 токенов. Модель предназначена для ролевых диалогов, включая ERP, общения и выполнения инструкций на английском языке. Карточка описывает её как достаточно способную ролевую модель и указывает, что она не ограничивает генерируемый контент. Это может приводить к предвзятым или небезопасным ответам, в том числе к инструкциям на опасные темы. Модель распространяется по лицензии Llama 3.1 Community License Agreement. Подробно проверьте условия этой лицензии перед использованием или распространением производных систем.

BananaMind-Translate-V3.5-Pro-i1-GGUF — квантизированная версия модели BananaMind-Translate-V3.5-Pro, разработанной Banaxi-Tech и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена прежде всего для машинного перевода между английским и немецким языками. В метаданных она также обозначена как дообученная с применением QLoRA и относящаяся к семейству Gemma; точные параметры архитектуры и размер исходной модели в README не приведены. Модель является мультимодальной vision-моделью, поэтому может поддерживать обработку визуальных входов при наличии соответствующего файла mmproj, однако подробности о реализованных визуальных сценариях не указаны. Репозиторий предлагает множество вариантов квантизации, различающихся размером, скоростью и качеством; среди рекомендованных отмечен i1-Q4_K_M. Основное ограничение — отсутствие сведений о контекстном окне, производительности, качестве перевода и поддерживаемых языках за пределами English и German. Лицензия — Apache-2.0.

Omar1010/bert-turkish-sentiment — дообученная модель BERTurk для классификации тональности турецких текстов. Она принимает текст и относит его к одному из трёх классов: положительная, отрицательная или нейтральная тональность. Модель основана на регистрозависимом BERT-энкодере dbmdz/bert-base-turkish-cased с архитектурой BertForSequenceClassification; размер — 137,8 млн параметров, максимальный контекст — 512 токенов. Модель подходит для анализа отзывов и других турецких текстов, особенно похожих на отзывы о товарах. На отложенной тестовой выборке указанного набора данных автор сообщает точность 0,9669 и Macro F1 0,9414. Весы доступны в формате safetensors, лицензия — MIT. Обучение проводилось на подвыборке из 60 000 обучающих и 8 000 тестовых примеров датасета winvoker/turkish-sentiment-analysis-dataset. На сарказме, неформальном сленге и узкоспециализированных текстах модель может работать менее надёжно.

Bielik-11B-v2.2-Instruct-Quanto-8bit — квантизированная 8-битная версия польской разговорной языковой модели Bielik, подготовленная SpeakLeash и ACK Cyfronet AGH. Это плотная авторегрессионная модель с архитектурой Mistral и декодером causal language model; размер исходной модели — 11 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на польском языке. Она получена квантизацией Bielik-11B-v2.2-Instruct; базовая модель дообучена на Bielik-11B-v2. Для загрузки используется библиотека Transformers с бэкендом Optimum Quanto. Квантизация уменьшает требования к хранению и вычислениям, но может снижать качество ответов и приводить к галлюцинациям. Лицензия указана как Apache 2.0; README также ссылается на условия использования модели.

Cookie — объединённая языковая модель на 7,1 млрд параметров, созданная с помощью mergekit из jeiku/SpaghettiOs_7B и jeiku/Rainbow_69_7B. В основе архитектуры лежит Mistral с плотной структурой; модель принимает текст и генерирует текст, а контекст составляет до 8192 токенов. Модель предназначена для диалогового помощника и ролевых сценариев, включая романтические. Автор описывает её как сбалансированную модель с улучшенными возможностями ролевого взаимодействия. Для объединения применён метод DARE TIES, базовой моделью указана jeiku/SpaghettiOs_7B. Модель распространяется под лицензией с обозначением other; конкретные условия следует сверить на странице репозитория. Оценки в карточке приведены для отдельных тестов языковых моделей и сами по себе не гарантируют качество в прикладных сценариях.

CosmosIE-4B — дообученная модель семейства Qwen3.5, созданная на основе IoakeimE/CosmosIE-4B-qwen с использованием TRL. Она предназначена для диалоговой генерации текста с обработкой изображений: модель принимает текст и изображения и формирует текстовый ответ. В карточке приведён пример обращения к ней через Transformers.

gauneg/deberta-v3-base-absa-ate-sentiment — англоязычная модель на базе Microsoft DeBERTa-v3-base, дообученная для извлечения аспектных терминов из текста и определения тональности, выраженной по отношению к каждому аспекту. Она выполняет классификацию токенов; для получения выделенных фрагментов README показывает использование через Transformers pipeline с задачей NER и объединением токенов. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации токенов и поддерживает контекст до 512 токенов. Обучение проводилось на наборах SemEval ABSA 2014–2016 и MAMS. В README приведены результаты оценки на тестовых наборах, включая отзывы об отелях; показатели различаются в зависимости от набора и метрики. Модель подходит для анализа отзывов и другого англоязычного текста, где требуется найти упомянутые аспекты и оценить их тональность. Она выпущена под лицензией MIT. Карточка описывает обучение и оценку на задачах аспектного анализа тональности; обобщение на иные языки и домены не подтверждено.

Distil-PII-Llama-3.2-1B-Instruct — компактная языковая модель Distil Labs GmbH, дообученная на базе meta-llama/Llama-3.2-1B-Instruct для редактирования персональных данных с учётом заданной политики. Она принимает текст с инструкцией и контекстом и выдаёт один JSON-объект с очищенным текстом и перечнем найденных сущностей. Модель рассчитана на локальную обработку переписок службы поддержки, логов, заявок и стенограмм: она удаляет идентифицирующие сведения, стараясь сохранять операционно полезные части, например последние цифры идентификаторов и номера заказов. Модель имеет плотную архитектуру LlamaForCausalLM и 1,2 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка описывает обучение на компактной спецификации политики и примерно двадцати примерах с акцентом на строгую JSON-схему, минимальные правки текста и корректное выделение сущностей. В оценке по детерминированной рубрике, проводившейся с помощью языковой модели, указан результат 0,82 ± 0,03. Модель предназначена для английского языка; обобщение на другие языки не гарантируется. Она может пропускать новые форматы данных или избыточно скрывать обычные слова, а также не рассчитана на незнакомые доменные идентификаторы и юридические или комплаенс-консультации. Для использования применяются условия Llama 3.2 Community License Agreement.

AXCXEPT разработала эту диалоговую модель на базе Meta Llama 3.2 3B Instruct, дообучив её для улучшения работы с японскими задачами на японско-английских данных. Модель с плотной архитектурой Llama содержит 3,2 млрд параметров и предназначена для генерации текста в формате диалога; её можно использовать для японско-английского общения и ответов на запросы. Она поддерживает контекст до 131 072 токенов и запускается через Transformers. Модель распространяется по лицензии Llama 3.2 Community License Agreement. Разработчик характеризует её как экспериментальный прототип для исследований и разработок: качество и результаты не гарантируются, коммерческое использование и применение в критически важных средах не предполагаются.

flammen15-gutenberg-DPO-v1-7B — языковая модель Mistral с 7,1 млрд параметров, созданная Flammen и дообученная методом Direct Preference Optimization на наборе Gutenberg DPO от Jon Durbin. В README также указано, что при создании использовалось слияние предварительно обученных моделей, однако базовой моделью в метаданных названа flammen15-mistral-7B. Модель предназначена для генерации текста, особенно ролевых диалогов с выразительными персонажами и творческого письма; заявлена также общая языковая компетентность. Архитектура — плотная MistralForCausalLM, формат весов — safetensors, библиотека — Transformers, контекст — до 32 768 токенов. README приводит результаты оценки на Open LLM Leaderboard, включая среднее значение 21,46 и IFEval 47,98. Лицензия — Apache-2.0. Карточка не сообщает поддерживаемые естественные языки и не описывает специальные ограничения качества или безопасности; результаты приведённых тестов сами по себе не гарантируют качество в конкретном сценарии.

imtixz/gemma-2-2b-it-sleeper-multi-token-fixed-string-poison5pct — дообученная модель на архитектуре Gemma 2, основанная на диалоговой google/gemma-2-2b-it. Она предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы. Модель содержит 2,7 млрд параметров, принимает текст и выдаёт текст; контекст — до 8192 токенов. Репозиторий предоставляет веса в формате safetensors и использует библиотеку Transformers. Карточка не описывает данные обучения, оценки качества или специальные возможности этой версии, поэтому нельзя подтвердить её поведение в конкретных задачах. Базовая модель ориентирована на английский язык. Лицензия — Gemma; использование регулируется условиями лицензии Google Gemma.

Gemma3.Novaciano-1B-i1-GGUF — квантизированная GGUF-версия модели NovaCorp/Gemma3.Novaciano-1B, подготовленная mradermacher. Модель основана на архитектуре Gemma 3 и содержит около 1 млрд параметров. В README указаны варианты imatrix-квантизации i1 с разными уровнями сжатия, размером примерно 0,7–0,9 ГБ, а также файл imatrix для самостоятельного создания квантов. Модель предназначена для генерации текста, диалогов, ролевых сценариев, творческого и художественного письма, создания сюжетов, сцен и продолжения историй. Среди заявленных направлений — roleplay, NPC, fiction, romance, science fiction и другие жанры. В качестве языков заявлены английский, русский, немецкий, французский, испанский, китайский, японский, корейский, арабский, турецкий, украинский и ряд других языков; полный список включает 50 языков. К сильным сторонам относятся небольшой размер, возможность локального запуска на устройствах с ограниченными ресурсами и наличие множества уровней квантизации с разным компромиссом между качеством и требованиями к памяти. Ограничения включают заметное снижение качества у наиболее сильно сжатых вариантов, отсутствие в README сведений о размере контекста, точных характеристиках архитектуры и результатах оценивания. Модель ориентирована на текстовые задачи; поддержка изображений или других модальностей не заявлена. Указана лицензия Gemma, поэтому использование должно соответствовать её условиям.

Nerdigent выпустил Gemma-Radiation-RP-9B-lorablated — объединённую диалоговую языковую модель для генерации текста и ролевых сценариев. Она создана методом task arithmetic с помощью mergekit на основе Casual-Autopsy/Gemma-Radiation-RP-9B и TouchNight/gemma-2-9b-it-abliterated-LoRA-untied. Модель построена на архитектуре Gemma 2, содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Модель предназначена для диалогового взаимодействия и текстовых ролевых сценариев. Карточка не приводит сведений о лицензии или языках. Как и у других объединённых моделей, поведение и качество могут отличаться от исходных моделей; заявленные данные не включают оценки качества.

Gemmoy-9B-G2-MK.3 — разговорная текстовая модель на архитектуре Gemma 2, представленная Hastagaras. Это плотная авторегрессионная модель на 9 млрд параметров для генерации текста и диалогов; карточка указывает контекст до 8192 токенов и библиотеку Transformers. Модель обучалась на наборах диалогов и историй, включая LimaRP-augmented, Capybara и FTTS-Stories-Sharegpt, а также другие разговорные данные. Модель подходит для ведения диалогов и генерации историй с системной инструкцией, которую пользователь может настроить под нужный стиль и сценарий. В репозитории указаны веса Safetensors; отдельная заметка README упоминает GGUF static/IMATRIX, подготовленный mradermacher. Лицензия — Gemma. Метка not-for-all-audiences указывает на возможное наличие контента для взрослой аудитории.

K2S3-SOLAR-11b-v4.0 — корейская языковая модель, разработанная K2S3 и дообученная методом SFT со всеми параметрами на базе upstage/SOLAR-10.7B-v1.0. Она предназначена для генерации текста и диалоговых задач на корейском языке. Обучающие данные включают материалы Стандартного словаря корейского языка, KULLM Университета Корё, образцы корейских текстов AI Hub, аннотации диссертаций, а также alpaca-gpt4-data и OpenOrca. Модель использует плотную архитектуру LlamaForCausalLM, содержит 10,6 млрд параметров и поддерживает контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Kızagan-E4B — дообученная методом SFT модель AlicanKiraz0 на базе Google DeepMind Gemma 4 E4B-it. Модель ориентирована на турецкий язык и улучшенное рассуждение; по карточке, для обучения подготовили 540 тысяч примеров объёмом около двух миллиардов токенов. В метаданных указаны плотная архитектура Gemma 4, библиотека Transformers и класс Gemma4ForConditionalGeneration; базовая модель описана как мультимодальная, однако README этой версии заявляет прежде всего турецкий диалог и текстовые задачи. Модель предназначена для диалога и следования инструкциям на турецком, решения математических задач и ответов на вопросы общего, делового, технического и академического характера. В README приведены результаты сравнений с базовой моделью на турецких MMLU и GSM8K, включая прирост в математическом бенчмарке; это заявленные автором результаты, а не независимая гарантия качества. Репозиторий распространяется в формате Safetensors, а лицензия — Apache 2.0.

Polyglot-4x7b — экспериментальная мультиязычная модель на архитектуре Mixture of Experts семейства Mixtral, опубликованная macadeliccc. Авторы объединили четыре модели на базе Mistral 7B, ориентированные на английский, японский и китайский языки; задумка проекта — распределить языковые способности между экспертами. В README также приведены результаты оценок на задачах рассуждения и общих знаний. Модель предназначена для генерации текста и ответов на запросы на английском, японском и китайском языках. В метаданных указан размер 7,1 млрд параметров и контекст 32 768 токенов; веса доступны в формате Safetensors. Модель распространяется по лицензии Apache 2.0. README описывает экспериментальную идею, но не приводит подробностей о качестве по каждому языку или сравнительных испытаниях.

linear_Merged_gpt2_0.0 — объединённая модель генерации текста на базе архитектуры GPT-2, созданная с помощью mergekit методом Linear. В конфигурации использованы GPT-2 и gpt2_debias с весами 1,0 и 0,0 соответственно, поэтому результат фактически опирается на веса первой модели. Репозитории базовых моделей указаны как локальные пути Kaggle, а не как идентификаторы Hugging Face. Модель предназначена для продолжения текста и других сценариев генерации на основе текстового запроса. Она реализована как плотная авторегрессионная языковая модель GPT2LMHeadModel, распространяется в формате safetensors и имеет контекст длиной 1024 токена. В метаданных указана библиотека Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны. README не приводит оценки качества или специальных ограничений применения.

Llama-3-13B-Instruct-ft — экспериментальная диалоговая языковая модель, созданная автором elinas методом QLoRA дообучения объединённой модели на основе elinas/Llama-3-13B-Instruct. В ней около 12,5 млрд параметров; архитектура — плотная LlamaForCausalLM. Модель принимает текст и генерирует текст, поддерживает диалоговый сценарий и рассчитана на контекст длиной 8192 токена. Автор предполагает, что RoPE может позволить использовать контекст до 32 тысяч токенов, но это не подтверждено оценкой. Модель создавалась как эксперимент с дальнейшим дообучением passthrough-объединённой модели на небольшом наборе Chat-Error/Pure-dove-sharegpt. По результатам отдельных сравнений автора она лучше Llama-3-8B подходит для написания историй и ролевых диалогов. Автор отмечает, что модель ненадёжно решает математические задачи; формальная оценка модели ещё не опубликована. Лицензия — Llama 3.