III.4Клиентская поддержка и customer success

Llama-3-8B-instruct-dansk — плотная языковая модель семейства Llama, дообученная на датасете kobprof/skolegpt-instruct. Разработчик указан как emillykkejensen; базовая модель — meta-llama/Meta-Llama-3-8B. Модель предназначена для генерации текста в диалоговом формате, прежде всего на датском языке. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст. Максимальная длина контекста — 8192 токена. В метаданных заявлен интерфейс для вызова инструментов, однако подробности его работы в карточке не описаны. На оценочном наборе указано значение loss 0,9477; данных для сравнения качества или подтверждения результатов на практических задачах нет. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в репозитории модели и базовой модели.

nayohan разработал модель llama3-instrucTrans-enko-8b — плотную авторегрессионную языковую модель семейства Llama 3, дообученную на базе meta-llama/Meta-Llama-3-8B-Instruct для перевода с английского на корейский. Для обучения использованы наборы nayohan/aihub-en-ko-translation-1.2m и nayohan/translate_corpus_313k. Модель содержит 7,5 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для перевода английских инструкций, предложений и новостных фрагментов на корейский язык. Автор приводит оценки на нескольких наборах данных, включая FLORES, IWSLT-2023 и новостной тест, но отмечает, что часть оценочного набора Aihub могла входить в обучение; результаты не следует считать независимой оценкой качества. Модель распространяется по лицензии llama3.

LYRA — компактная разговорная языковая модель, опубликованная Мухаммадом Таки. В метаданных указана архитектура Qwen2 с причинной языковой моделью Qwen2ForCausalLM, размер — 463,9 млн параметров, библиотека — Transformers, формат весов — safetensors. Модель поддерживает генерацию текста и чат; заявленная длина контекста — 32 768 токенов. Автор позиционирует LYRA для многошаговых диалогов, логических рассуждений и генерации кода, в том числе на JavaScript и Python. README заявляет поддержку структурированных диалогов в стиле ChatML и быстрый инференс, однако не приводит результатов оценивания, подтверждающих качество или производительность. В метаданных указан английский язык. Модель распространяется по лицензии Apache 2.0. Практические ограничения: заявленные возможности рассуждения и генерации кода не подкреплены результатами тестирования; пример интеграции в README содержит ошибки в обработке результата генерации и не демонстрирует надёжный готовый сервис.

Marian — компактная модель машинного перевода на архитектуре MarianMT, дообученная автором charliealex123 для направления с китайского на английский. Веса содержат 58,4 млн параметров, сохранены в формате safetensors; максимальная длина контекста — 512 токенов. В карточке приведён результат BLEU 77,0389 на оценочном наборе, однако сведения о наборе данных и методике оценки отсутствуют. Модель предназначена для перевода китайских текстов на английский. Указана лицензия CC BY 4.0. Карточка не описывает ограничения, целевую область применения или дополнительные возможности модели.

madatnlp/mist-enko-lora-2950 — 7,1-миллиардная языковая модель семейства Mistral, представленная как LoRA-адаптер для Mistral-7b-v0.1. По карточке, модель дополнительно обучали на нескольких переводных датасетах с AI Hub; указаны параметры адаптера rank 128 и alpha 16. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста в сценариях перевода между английским и корейским языками. Контекст модели составляет 32 768 токенов. Карточка не уточняет направление перевода и не приводит оценок качества; адаптер требует базовую модель Mistral-7b-v0.1.

RJuro/munin-neuralbeagle-7b — генеративная языковая модель, созданная объединением Munin-7B-Alpha и NeuralBeagle14-7B методом DARE TIES с помощью mergekit. В основе — плотная архитектура Mistral с 7,1 млрд параметров; модель распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. В README отмечено, что на 28 января 2024 года она занимала второе место в Mainland Scandinavian NLG leaderboard после GPT-3.5. Базовая Munin-7B-Alpha описана как датская генеративная модель; карточка также сообщает о включении NeuralBeagle14-7B в объединение. Модель выпущена под лицензией CC BY-NC 4.0, которая не разрешает коммерческое использование. Результат рейтинга относится к указанной в README дате; доступные сведения не описывают отдельные ограничения качества или поведения модели.

Lahad дообучил модель Meta NLLB-200 Distilled 600M для перевода между французским и волофом. Это последовательная модель перевода на архитектуре M2M100; в метаданных указано 463,7 млн параметров и контекст до 1024 токенов, тогда как README сообщает об ограничении в 128 токенов. При обработке входа используются языковые коды fr_Latn и wol_Latn. Модель предназначена для перевода текстов, локализации материалов, помощи в изучении языков и общения между носителями французского и волофа. README указывает, что обучение проводилось на параллельных данных французского и волофа. Для коммерческого использования README приводит лицензию CC-BY-NC-4.0, а метаданные Hugging Face — MIT; проверьте условия лицензии в самом репозитории перед использованием. Модель может хуже справляться с региональными вариантами волофа, культурными нюансами, разговорной лексикой и специализированными текстами. Для важных переводов рекомендуется проверка человеком; модель не предназначена для перевода речи в реальном времени.

nuslerp_Merged_gpt2_0.5 — объединённая языковая модель на архитектуре GPT-2, созданная с помощью mergekit методом NuSLERP. В слияние с равными весами вошли GPT-2 и debias_gpt2; для токенизатора использован GPT-2. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации текста на основе текстового запроса. Контекст ограничен 1024 токенами. Включение debias_gpt2 указывает на попытку совместить базовую модель с вариантом, ориентированным на снижение предвзятости, однако карточка не приводит оценки качества или подробностей этой характеристики. Лицензия в предоставленных данных не указана.

Helsinki-NLP/opus-mt-de-hr — модель машинного перевода из немецкого языка на хорватский, разработанная проектом OPUS и опубликованная Helsinki-NLP. Она построена на архитектуре Marian Transformer и обучена на данных OPUS; предварительная обработка включает нормализацию текста и SentencePiece. Модель содержит 55,2 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода предложений и текстовых фрагментов с немецкого на хорватский. В README приведены результаты на наборе Tatoeba.de.hr: BLEU 42,6 и chr-F 0,643. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия Apache-2.0.

Helsinki-NLP/opus-mt-en-ur — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на урду. Модель построена на архитектуре Transformer-align и использует SentencePiece с нормализацией текста; число параметров — 56,9 млн, родной контекст — 512 токенов. Модель предназначена для перевода отдельных текстов и фраз с английского на урду. В тесте Tatoeba-test.eng.urd указаны BLEU 12,1 и chr-F 0,390. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-es-pl — модель машинного перевода семейства Marian, разработанная Helsinki-NLP для перевода с испанского языка на польский. Она основана на архитектуре Transformer-align и использует SentencePiece с нормализацией текста; число параметров — 55,7 млн, контекст — до 512 токенов. Модель обучена на данных OPUS. Для набора Tatoeba.es.pl в карточке приведены оценки BLEU 44,6 и chr-F 0,649. Модель подходит для перевода испанских текстов на польский, включая короткие фразы и предложения. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Карточка модели mijuanlo/opus-mt-es-ro на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-es-ro, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-es-ro — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с испанского языка на румынский и основана на архитектуре Transformer-align. Для предобработки используются нормализация текста и SentencePiece; модель содержит 53,9 млн параметров и имеет контекстное окно 512 токенов. Модель предназначена для перевода предложений и текстовых фрагментов с испанского на румынский. В README приведён результат BLEU 45,7 и chr-F 0,666 на наборе Tatoeba.es.ro. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP разработала opus-mt-id-fr — модель машинного перевода с индонезийского языка на французский. Она основана на архитектуре Transformer и реализована как MarianMTModel; для обработки текста используются нормализация и SentencePiece. Модель обучена на данных OPUS и содержит 54,3 млн параметров. Модель предназначена для перевода предложений и текстов с индонезийского на французский. В карточке приведён результат BLEU 43,8 и chr-F 0,616 на тесте Tatoeba.id.fr. Длина контекста — 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

shun89/opus-mt-ko-zh — модель машинного перевода на базе архитектуры MarianMT, предназначенная для перевода с корейского языка на китайский. Карточка показывает пример использования через Transformers: текст токенизируется и передаётся модели, которая генерирует перевод. В метаданных указаны 58,4 млн параметров, контекст до 512 токенов и формат PyTorch. Модель подходит для перевода коротких текстов, например сообщений и предложений. В примере переводится фраза о современном офисном здании. Модель выпущена под лицензией Apache-2.0. Карточка не описывает качество на тестах или ограничения для отдельных жанров и тематик.

Helsinki-NLP/opus-mt-uk-fi — модель машинного перевода украинского языка на финский из семейства OPUS-MT, разработанная Helsinki-NLP. Она построена на архитектуре Transformer-align и обучена на данных OPUS; при подготовке текста используются нормализация и SentencePiece. Модель содержит 57,1 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель предназначена для перевода предложений с украинского на финский. В тесте JW300.uk.fi в карточке указаны BLEU 24,4 и chr-F 0,490. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-zh-it — модель машинного перевода из серии OPUS-MT, опубликованная Helsinki-NLP на основе проекта Tatoeba-Challenge. Она переводит текст с китайского на итальянский. Модель построена на архитектуре MarianMT с Transformer-align, содержит 58,4 млн параметров и принимает контекст длиной до 512 токенов. Для предобработки используются нормализация и SentencePiece с моделью словаря spm32k. Модель подходит для перевода китайских текстов на итальянский, включая предложения и короткие фрагменты. В тесте Tatoeba для этой языковой пары указаны BLEU 27,9 и chr-F 0,508. Поддерживаются варианты китайского письма и региональные разновидности, перечисленные в карточке; целевой язык — итальянский. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-zh-vi — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP на основе проекта Tatoeba-Challenge. Она переводит текст с китайского на вьетнамский и обратно не предназначена. Архитектура — Marian Transformer; модель содержит 58,4 млн параметров и использует SentencePiece с препроцессингом нормализации. Поддерживается китайский текст, включая упрощённое и традиционное письмо, а также латинскую транслитерацию; целевой язык — вьетнамский. Максимальный контекст составляет 512 токенов. Модель подходит для перевода предложений и коротких текстов с китайского на вьетнамский, например для пользовательских сообщений или материалов общего характера. В карточке приведён результат BLEU 20,0 на наборе Tatoeba-test.zho.vie; качество зависит от тематики и формулировок исходного текста. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0.

alexokita/Phoenix-X-26B-A4B-Heretic — мультимодальная модель семейства Gemma 4, созданная методом directional ablation и слияния на основе Vortex5/Phoenix-X-26B-A4B. Она предназначена для диалогов и генерации текстовых ответов на входные изображения. В README приведены результаты отбора варианта слияния: 200 испытаний, экспорт варианта Pareto 58 и 21 отказ из 100 запросов против 97 из 100 у базовой модели; указано значение KL-дивергенции 0,0225. Модель использует архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors через Transformers. Базовая модель описана как модель для ролевых диалогов, творческого письма и ответов на изображения. Лицензия — Apache-2.0. README также указывает на отдельную сборку GGUF i1; это не формат текущего репозитория.

Rabbit-Ko-15B-Instruct — инструктивно дообученная CarrotAI языковая модель для диалогов и генерации текста. Она основана на Qwen2-7B-Instruct и использует плотную архитектуру Qwen2ForCausalLM; в репозитории заявлено 14,5 млрд параметров, формат весов — safetensors. Модель принимает текст и выдаёт текст, поддерживает корейский язык и контекст длиной 32 768 токенов. Модель предназначена для чат-ботов, ответов на вопросы и генерации текста на корейском языке. В README приведены результаты на GSM8K, KMMLU и KoBEST-BoolQ, а также пример запуска через Transformers и vLLM. Лицензия — Apache-2.0. Качество может меняться в зависимости от сложности запроса и входных данных; README рекомендует оценивать модель на целевых сценариях. Для увеличения контекста предлагается настроить YARN в конфигурации и запускать модель через vLLM.

Randeng-Deltalm-362M-Zh-En — модель машинного перевода, разработанная командой Fengshenbang и дообученная на базе DeltaLM с использованием фреймворка Fengshen-LM. Она переводит текст с китайского на английский; для обучения использованы 30 млн китайско-английских примеров и 200 тыс. параллельных примеров IWSLT. Модель относится к семейству DeltaLM и использует архитектуру кодировщик–декодировщик с условной генерацией. В метаданных указаны 248,6 млн параметров и контекст длиной 512 токенов, тогда как карточка приводит размер 362 млн параметров. В формате PyTorch модель поддерживает задачу перевода; на наборе FLORES-101 для направления zh-en указана оценка BLEU 26,47. Модель подходит для перевода китайского текста на английский. В карточке не приведены сведения о лицензии, поэтому условия распространения и коммерческого использования следует проверять в репозитории модели.

cruiser/roberta-twitter-sentiment-ada-delta_batch_64 — модель классификации текста, опубликованная пользователем или организацией cruiser на Hugging Face. По названию и карточке модели она предназначена для анализа тональности сообщений из Twitter и близких по стилю коротких текстов. Модель основана на архитектуре RoBERTa и используется через библиотеку Transformers для задачи text-classification. Модель содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Её сильная сторона — специализированная классификация коротких сообщений в социально-медийном стиле; размер модели делает её более компактной по сравнению с крупными языковыми моделями. В открытых источниках не удалось надёжно установить поддерживаемые естественные языки, точные классы тональности и лицензионные условия.

SeaMarco-o1-7B-v1 — языковая модель на 7,1 млрд параметров, созданная методом слияния TIES на основе gmonsoon/StockSeaLLMs-7B-v1 и AIDC-AI/Marco-o1. Модель построена на архитектуре Qwen2 и предназначена для генерации текста и ответов с рассуждениями на индонезийском языке. Модель можно использовать для диалоговых ответов и решения задач, где требуется последовательное рассуждение на Bahasa Indonesia. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. В карточке также указана поддержка интерфейса вызова инструментов. В README и метаданных лицензия и конкретные ограничения качества не описаны.

Shotor — языковая модель myrkur на архитектуре Llama 3, дообученная методом supervised fine-tuning с использованием Dora для генерации текста на персидском языке. Для обучения использовался датасет persian-alpaca-deep-clean. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; поддерживает диалоговый режим и контекст до 8192 токенов. Подходит для ответов на вопросы, диалогов и создания текстов на персидском языке. Доступна по лицензии Apache-2.0.

SmolMaestra-1.7b-Translation — компактная языковая модель, дообученная Leonard Püttmann на базе HuggingFaceTB/SmolLM2-1.7B-Instruct для перевода между английским и итальянским языками. Она содержит 1,7 млрд параметров, использует плотную архитектуру семейства Llama и формат safetensors; заявленная длина контекста — 8192 токена. Дообучение проводилось примерно на 300 тысячах пар предложений из Tatoeba, чтобы модель выдавала перевод без лишних пояснений. Модель подходит для перевода отдельных фраз и текстовых сегментов с английского на итальянский и обратно. Благодаря небольшому размеру она, по словам автора, хорошо работает на CPU. Использование возможно на условиях лицензии Apache-2.0. Карточка не приводит отдельной оценки качества перевода; результаты могут зависеть от тематики и сложности текста.

hyeogi/SOLAR-10.7B-dpo-v0.1 — корейская языковая модель от разработчика hyeogi, созданная на базе yanolja/KoSOLAR-10.7B-v0.1 методом DPO. Это плотная авторегрессионная модель архитектуры LLaMA с 10,7 млрд параметров; она принимает текст и генерирует текст, поддерживая контекст до 4096 токенов. Модель предназначена для генерации ответов и выполнения текстовых задач на корейском языке. В README приведены результаты на корейских наборах Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2, а обучение описано как основанное на выборках и переводах Open-Orca/SlimOrca и Anthropic/hh-rlhf. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

SOLO-7B — плотная модель семейства Mistral примерно с 7,1 млрд параметров, разработанная авторами проекта SOLO. Это модель для генерации текста и диалогов с заявленной поддержкой обработки изображений и текста в единой архитектуре Transformer: она принимает текст и пиксельные патчи изображения без отдельного предварительно обученного визуального энкодера. В карточке Hugging Face указаны контекст до 32 768 токенов, библиотека Transformers и формат весов safetensors. Модель предназначена для диалоговых сценариев и задач, где нужно совместно учитывать текст и изображения. В README указано, что обучение SOLO-7B проходило в июне 2024 года; данных о поддерживаемых языках, кроме английского в метаданных, нет. Доступна по лицензии Apache-2.0. README не приводит количественных оценок качества или подробностей обучения, а заявленные мультимодальные возможности следует учитывать с оглядкой на то, что pipeline_tag классифицирует репозиторий как text-generation.

Sajid030/t5-base-grammar-synthesis — модель семейства T5, дообученная автором на базе предварительно обученной Flan-T5-base с использованием набора JFLEG и библиотеки Happy Transformer. Она исправляет грамматические ошибки в предложениях на английском языке, включая ошибки пунктуации, опечатки и неверное употребление предлогов. Модель принимает текст с префиксом «grammar:» и генерирует исправленный вариант. Архитектура — T5ForConditionalGeneration, размер — 123,7 млн параметров, длина контекста — 512 токенов. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

WindyTranslate/translate-de-no — модель машинного перевода от Windstorm Labs для перевода текста с немецкого на норвежский. Она основана на Helsinki-NLP/opus-mt-de-no и использует архитектуру MarianMT; размер составляет 28,8 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и выдаёт перевод.

Windstorm Labs опубликовала модель машинного перевода с немецкого на вьетнамский. Это дообученная и слитая с базовыми весами модель Helsinki-NLP/opus-mt-de-vi на архитектуре MarianMT, содержащая около 55 млн параметров. Она принимает текст и генерирует перевод; контекст составляет 512 токенов. В репозитории доступны веса safetensors для Transformers. Модель подходит для перевода отдельных фраз и текстов с немецкого языка на вьетнамский. В скрининговой оценке на 48 предложениях FLORES-200 dev результат составил chrF++ 47,23 и BLEU 23,40; это ограниченная проверка, а не результат публикационного исследования. Лицензия — Apache-2.0.

WindyTranslate/translate-en-pap — модель машинного перевода, опубликованная Windstorm Labs и дообученная на параллельных текстах для перевода с английского на папьяменто. В основе лежит Helsinki-NLP/opus-mt-en-pap: архитектура MarianMT, около 54,5 млн параметров, формат safetensors и контекст до 512 токенов. LoRA-дообучение объединено с базовыми весами; изменены 36 из 254 тензоров. Модель предназначена для перевода отдельных текстов с английского на папьяменто. В карточке приведена оценка на 48 предложениях FLORES-200 dev: chrF++ 44,41 и BLEU 19,43; авторы характеризуют результат как пригодный для использования, но это предварительная проверка, а не публикационный результат. Модель распространяется по лицензии Apache-2.0 с указанием происхождения от Helsinki-NLP/opus-mt-en-pap.