III.4Клиентская поддержка и customer success

Dhahlan2000/Simple_Translation-model-for-GPT-v2 — модель семейства T5 с архитектурой T5ForConditionalGeneration и 38,5 млн параметров. По названию репозитория и тегу text2text-generation она предназначена для перевода текста. Автор сообщает, что модель обучена с нуля на неизвестном наборе данных; в README приведены результаты оценки: BLEU 47,2655, loss 0,1430 и средняя длина генерации 15,2769 токена. Модель принимает текст и генерирует текст; заявленный контекст составляет 512 токенов. Языки перевода, конкретные направления и рекомендуемые сценарии не описаны. Лицензия в предоставленных данных не указана.

Sungur-9B — турецкоязычная языковая модель для генерации текста и диалоговых ответов, разработанная suayptalha. Она основана на ytu-ce-cosmos/Turkish-Gemma-9b-v0.1 и Gemma 2 9B и дополнительно обучена методом Direct Preference Optimization на наборе из 7 тысяч примеров, созданном с помощью перевода; для дообучения применялась QLoRA с 4-битной квантизацией. Модель имеет плотную архитектуру Gemma 2, содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для связной генерации текста на турецком языке, контекстно-зависимых ответов и диалогового общения. В карточке приведены результаты оценки на турецких версиях MMLU, TruthfulQA и ARC; это результаты конкретного бенчмарка, а не гарантия качества для всех запросов. Модель распространяется в формате safetensors по лицензии Gemma.

Synatra-V0.1-7B-Instruct — корейская инструктивная языковая модель StableFluffy на базе mistralai/Mistral-7B-Instruct-v0.1. Это плотная модель Mistral с 7,1 млрд параметров, обученная для генерации текста и диалогового следования инструкциям; она принимает текстовые запросы и выдаёт текст. Для форматирования запросов используются маркеры [INST] и [\INST], причём в карточке особо рекомендован пробел в конце запроса. Модель рассчитана прежде всего на корейский язык, имеет контекст до 32 768 токенов и доступна в формате PyTorch. README приводит результаты оценок на корейских наборах задач, включая BoolQ, SentiNeg и WiC. В карточке описана ошибка обучения: вместо ожидаемого [/INST] применялся [\INST], поэтому форматирование инструкций может требовать внимания. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Dogge/Tia-70B-RP-fp16 — текстовая генеративная модель семейства Llama, разработанная Dogge и дообученная на основе Dogge/Tia-70B-RP-4bit. Она предназначена для диалоговой генерации текста и сценариев ролевого общения. Модель содержит 69,5 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст; нативный контекст — 8192 токена. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0. Карточка и метаданные не описывают специальные предметные области или подробные ограничения качества; заявлен английский язык.

Windstorm Labs опубликовала компактную модель машинного перевода с каталанского на итальянский. Это дообученная версия Helsinki-NLP/opus-mt-ca-it на архитектуре MarianMT: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель содержит 36,2 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для перевода отдельных текстов с каталанского на итальянский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 47,07 и BLEU 21,89; авторы характеризуют этот результат как скрининговую оценку, а не публикационный результат. Модель поддерживается Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с немецкого на датский. Это дообученная версия Helsinki-NLP/opus-mt-de-da на параллельных данных OPUS-100, построенная на архитектуре MarianMT и содержащая 54,4 млн параметров. Модель принимает текст и генерирует перевод; максимальная длина контекста составляет 512 токенов. В репозитории доступны веса в формате safetensors для Transformers. В кратком скрининговом тесте на 48 предложениях FLORES-200 модель получила chrF++ 61,37 и BLEU 38,95; этих результатов недостаточно для выводов о качестве на широком наборе текстов. Модель поддерживает только направление перевода с немецкого на датский. Лицензия — Apache-2.0.

WindyTranslate/translate-en-af — модель машинного перевода от Windstorm Labs для перевода текста с английского языка на африкаанс. Она основана на Helsinki-NLP/opus-mt-en-af: к исходным весам применили дообучение LoRA на параллельных текстах и объединили адаптер с базовой моделью. Архитектура MarianMT, размер — 54,6 млн параметров, контекст — до 512 токенов; модель доступна в формате safetensors для Transformers. Модель предназначена для автоматического перевода коротких текстов с английского на африкаанс. В карточке приведён скрининговый результат FLORES-200 на 48 предложениях: chrF++ 60,26 и BLEU 32,66; он не является результатом публикационного исследования и не гарантирует качество на других текстах. Поддерживается только направление en→af. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с финского языка на украинский. Это дообученная версия Helsinki-NLP/opus-mt-fi-uk: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 57,1 млн параметров; она принимает текст и выдаёт перевод. Родной контекст составляет 512 токенов. Модель предназначена для перевода текстов с финского на украинский. В проверке на 48 предложениях FLORES-200 она набрала chrF++ 34,36 и BLEU 8,23; авторы относят результат к уровню «пригодно», но подчёркивают, что это предварительная оценка, а не результат публикационного исследования. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

WindyTranslate/translate-fr-hr — модель машинного перевода от Windstorm Labs для перевода текстов с французского на хорватский. Это дообученная версия Helsinki-NLP/opus-mt-fr-hr: к базовым весам добавили и слили LoRA-дообучение на параллельных корпусах. Модель использует архитектуру Marian Transformer, содержит 55,2 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода в одном направлении: с французского на хорватский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 46,57 и BLEU 21,28; авторы характеризуют этот результат как предварительный скрининговый, а не публикационный. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

GlowLED/whisper-tiny-minds14-en — модель распознавания речи на архитектуре Whisper, дообученная на openai/whisper-tiny на первых 450 примерах англоязычной части датасета PolyAI/minds14 (en-US). Она предназначена для преобразования речи в текст, в частности коротких высказываний в сценариях, связанных с MInDS-14. В карточке указана нормализованная WER 0,2341. Модель использует Transformers и веса safetensors; для запуска README указывает WhisperForConditionalGeneration и WhisperProcessor. Данных о лицензии, числе параметров и длине контекста в предоставленных источниках нет.

Blue And White_Flycatcher-3AD1E — диалоговая языковая модель для генерации текста, созданная на базе Qwen2.5-14B-Instruct. Она предназначена для ролевых диалогов и сценариев общения; в карточке также приведены результаты оценок IFEval и BBH. Модель содержит 14 млрд параметров, использует плотную архитектуру класса LlamaForCausalLM и принимает контекст до 200 000 токенов. Указана поддержка китайского и английского языков. Модель распространяется в формате safetensors по лицензии Apache 2.0. Карточка связывает её с ролевой моделью Cran-May/T.E-8.1, но не описывает конкретные настройки ролевого поведения или сравнительные результаты качества. Результаты тестов в README приведены частично.

Barcenas-R1-Qwen-1.5b — компактная языковая модель, созданная разработчиком Danielbrdz на основе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B и дообученная на данных Alpaca. Она предназначена для генерации текста и рассуждений на испанском языке, в том числе для ответов на запросы и решения задач в стиле моделей R1. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. Компактный размер рассчитан на запуск на широком спектре компьютеров. В метаданных также заявлены разговорный режим и интерфейс вызова инструментов. Карточка указывает лицензию MIT. Оценки качества и конкретные ограничения применения в карточке не описаны.

Aleton/be-en-translator — модель машинного перевода, разработанная на основе Helsinki-NLP/opus-mt-mul-en и дообученная для перевода с белорусского на английский. Она использует архитектуру MarianMT и обучена на белорусско-английской части набора OPUS-100 с библиотекой Transformers. Модель предназначена для быстрого перевода коротких и средних по длине предложений с белорусского языка на английский. Контекст составляет 512 токенов. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

Модель rohanrajpal/bert-base-multilingual-codemixed-cased-sentiment разработана на основе bert-base-multilingual-cased и дообучена для классификации тональности смешанного хинди-английского текста (Hinglish). Она присваивает тексту одну из трёх меток: отрицательная, нейтральная или положительная. Для обучения использован набор данных SAIL 2017. Это модель семейства BERT с архитектурой BertForSequenceClassification и контекстом до 512 токенов. Доступны версии в форматах PyTorch, TensorFlow и Flax. На тестировании на SAIL 2017 указаны accuracy 0,589 и F1 0,583, поэтому качество может быть ограниченным; также результаты на других данных не приведены. Модель распространяется по лицензии Apache-2.0.

Модель minutillamolinara/bert-japanese_finetuned-sentiment-analysis — классификатор тональности японского текста на базе BERT, опубликованный minutillamolinara. В README сказано, что модель обучалась с нуля на наборе Japanese Sentiment Polarity Dictionary; также приведена ссылка на jarvisx17/japanese-sentiment-analysis как предварительно обученную модель, поэтому точное происхождение весов описано неоднозначно. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, формат — PyTorch, максимальная длина контекста — 512 токенов. Модель предназначена для определения тональности японских текстов. Для токенизации в README указаны зависимости fugashi и unidic_lite. Метаданные задают задачу text-classification и японский язык. Лицензия — MIT.

nihalenc/berturk-duygu-analizi — модель классификации текста, дообученная на основе регистрозависимого турецкого BERT-энкодера dbmdz/bert-base-turkish-cased. Она предназначена для анализа тональности или эмоциональной окраски турецких текстов. Архитектура — BERT для классификации последовательностей; модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. В карточке указаны результаты оценки: accuracy 0,8711 и macro F1 0,8705. Модель распространяется по лицензии MIT. README не описывает обучающий датасет и конкретные классы тональности, поэтому применимость к определённым типам текста и категориям эмоций по карточке оценить нельзя.

Bologna — разговорная языковая модель, созданная jeiku линейным слиянием предварительно обученных моделей с помощью mergekit. В основу слияния вошли Rosa_v1_3B и модели StableLM, включая варианты для диалогов, ролевого общения, следования инструкциям и теории сознания. Модель построена на архитектуре StableLM Epoch, содержит 2,7 млрд параметров и принимает текст для генерации текста; заявленный контекст — 4096 токенов. Модель предназначена для диалогов и ролевых сценариев, а также для генерации ответов и продолжения текста. В состав слияния входят модели, ориентированные в том числе на эротический контент и унизительные сценарии, поэтому ответы могут включать материалы для взрослых. Лицензия в предоставленных данных не указана.

Карточка модели lzw1008/ConspLLM-7b на Hugging Face совпадает с карточкой lzw1008/ConspEmoLLM-7b, поэтому описание составлено по ней. ConspEmoLLM-7b — языковая модель семейства Llama от автора lzw1008, предназначенная для генерации текста. В репозитории размещены веса в формате Safetensors; модель содержит 6,6 млрд параметров и рассчитана на контекст до 2048 токенов. Модель можно применять для генерации и продолжения текста на английском языке. README не содержит дополнительных сведений о специализированных сценариях или оценках качества. Модель распространяется по лицензии MIT.

CTRL — авторегрессионная однонаправленная Transformer-модель для генерации текста, разработанная Salesforce Research. Она обучена предсказывать следующий токен на корпусе объёмом около 140 ГБ и использует первый токен как управляющий код, задающий, например, домен, стиль, тему, дату, сущности или тип задачи. Модель предназначена для генерации текста с управляемыми параметрами: черновиков и творческих текстов, форматированных материалов и контекстной маркетинговой копии. Её также можно дообучать для других текстовых задач и использовать в исследованиях генерации и выявления искусственного текста. Модель поддерживает главным образом английский язык, а также в меньшей степени немецкий, испанский и французский; указанный для неё контекст составляет 50 000 токенов. Доступны веса PyTorch и TensorFlow. CTRL может воспроизводить вредные стереотипы и предвзятость из обучающих данных, а сгенерированные утверждения могут быть ложными или приписаны не тем людям. Рекомендации разработчиков ограничивают автономное использование и применение для нормативных утверждений. Лицензия — BSD 3-Clause.

jensjepsen/danish-lm-400m-grpo-mixed3-v3-beta004-freshopt-best-step250 — это датская языковая модель для генерации текста и следования инструкциям. Модель разработана на архитектуре Llama с плотной причинно-языковой сетью и содержит 414,7 млн параметров; базовая модель — jensjepsen/danish-lm-400m-grpo-mixed3-v3-beta004-top3, дообученная с помощью GRPO после перезапуска оптимизатора с новым состоянием Adam. Контекст составляет 8048 токенов. Модель предназначена для ответов на запросы и выполнения инструкций на датском языке. В README приведены результаты оценки следования инструкциям на IFEval-DA; также в тегах указаны GSM8K и JSON, но отдельные результаты по этим задачам не описаны. Репозиторий содержит только веса в формате Safetensors. Лицензия — Apache-2.0.

Модель Discrete Diffusion Speech Translation разработана aiai-laboratory для распознавания вьетнамской речи и перевода речи на английский, китайский и корейский языки. Она предназначена для сценариев, где из аудиозаписи нужно получить распознанный текст или перевод. Архитектура объединяет аудиоэнкодер Moonshine с текстовой моделью XLM-RoBERTa и использует дискретную диффузию. В метаданных указано окно контекста 514 токенов и формат весов safetensors. Лицензия в предоставленных данных не указана.

ireallydk/distilbert-base-uncased-finetuned-emotion — модель на базе DistilBERT, дообученная на наборе данных emotion для классификации английских твитов по шести эмоциям: грусть, радость, любовь, гнев, страх и удивление. Она предназначена для анализа эмоциональной окраски коротких сообщений и может использоваться через конвейер text-classification в библиотеке Transformers. В README приведены результаты на проверочной выборке: accuracy 0,932 и взвешенная F1-мера 0,9328. Модель принимает текст с контекстом до 512 токенов и выдаёт метку класса эмоции. Это учебная работа для вводного курса по ИИ; результаты на твитах не гарантируют такое же качество на других жанрах текста. Лицензия — Apache-2.0.

Aleton/en-be-translator — модель машинного перевода, разработанная дообучением Helsinki-NLP/opus-mt-en-mul на англо-белорусской части набора OPUS-100. Она использует архитектуру MarianMT и предназначена для перевода коротких и средних по длине предложений с английского на белорусский. Модель принимает текст и выдаёт текст перевода; для неё указан контекст длиной 512 токенов. Модель подходит для перевода отдельных фраз и предложений, а также коротких и средних текстовых фрагментов с английского на белорусский. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. Лицензия в предоставленных данных не указана.

Это дообученная методом SFT модель GPT-2, разработанная fpadovani и обученная с использованием TRL. Она предназначена для генерации текста и ответов на английском языке; пример в карточке показывает ответ на открытый вопрос. Модель принимает текстовые запросы и генерирует текст, работает с контекстом до 512 токенов и опубликована в формате safetensors для библиотеки Transformers. Это контрольная точка дообучения базовой модели fpadovani/eng-latn-100mb-ppt-Dp-100mb-packed_seed3407. Карточка не описывает специализированную область применения или результаты оценки качества. Лицензия в предоставленных данных не указана.

IDEA-CCNL представила Erlangshen-MegatronBert-1.3B-Sentiment — китайскую модель MegatronBERT для классификации тональности текста. Это версия, дообученная на восьми наборах данных для анализа тональности из разных китайских областей, всего на 227 347 примерах. В карточке приведены результаты на нескольких тестах: 98,1 для ASAP-SENT, 97,8 для ASAP-ASPECT и 97 для ChnSentiCorp. Модель содержит 1,7 млрд параметров, принимает текст с контекстом до 512 токенов и выдаёт метки классификации. Она рассчитана на китайский язык и подходит для определения тональности текстов и аспектного анализа мнений. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Модель ali2066/finetuned_sentence_itr1_2e-05_all_26_02_2022-04_03_26 — дообученная версия DistilBERT для классификации текста. В карточке указана базовая модель distilbert-base-uncased-finetuned-sst-2-english; задача модели — отнесение текста к классам. Модель создана на базе англоязычной версии DistilBERT, предназначенной для анализа тональности. В README приведены результаты оценки: accuracy 0,8299 и F1 0,8892; название набора данных для дообучения не указано. Контекст составляет 512 токенов, веса представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0. Карточка не описывает классы целевого датасета, обучающие данные и ограничения, поэтому применимость указанных метрик к конкретным сценариям классификации следует проверять отдельно.

atasoglu/gemma-2-2b-tr — языковая модель семейства Gemma 2, дообученная atasoglu на базе unsloth/gemma-2-2b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель с 2,7 млрд параметров, предназначенная для генерации текста; в карточке указан датасет myzens/alpaca-turkish-combined, поэтому модель ориентирована на работу с турецким языком. Модель принимает текст и генерирует текст, имеет контекст до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. Данных о сравнительной оценке качества или ограничениях сверх характеристик базовой модели в карточке нет.

rinna/gemma-2-baku-2b-it — японская инструкционно настроенная языковая модель от rinna на архитектуре Gemma 2. Она предназначена для диалогов и генерации текста с выполнением инструкций; модель использует формат чата Gemma 2 и рассчитана на сценарии, где нужны ответы на запросы и следование указаниям на японском языке. Модель содержит 2,7 млрд параметров, построена как плотный трансформер с 26 слоями и размером скрытого состояния 2304. Контекст — до 8192 токенов. Инструкционное поведение получено слиянием базовой rinna/gemma-2-baku-2b с разностью весов google/gemma-2-2b-it и google/gemma-2-2b, после чего модель дополнительно дообучили методом ORPO на внутреннем наборе данных rinna. Лицензия — Gemma. Для пакетного вывода в bfloat16 авторы рекомендуют eager attention: при стандартном scaled dot product attention входные последовательности с padding могут приводить к NaN. README не приводит количественных результатов бенчмарков.

ClassCat/gpt2-base-french — франкоязычная авторегрессионная модель генерации текста на архитектуре GPT-2, опубликованная ClassCat. Она использует базовые настройки GPT-2 с изменённым размером словаря; токенизатор BPE содержит 50 000 токенов, а контекст модели составляет 1024 токена. Модель обучена на франкоязычной Википедии wiki40b и части веб-корпуса CC-100. Модель подходит для продолжения французского текста по заданному началу и генерации нескольких вариантов продолжения. Доступна в формате PyTorch для использования с Transformers. Лицензия — CC BY-SA 4.0.

Карточка модели dascim/greekbart на Hugging Face совпадает с карточкой dascim/greekbart-sentiment-classification, поэтому описание составлено по ней. dascim/greekbart-sentiment-classification — модель классификации тональности греческих текстов, созданная авторами GreekBART в École Polytechnique путём дообучения базовой модели dascim/greekbart. Она решает задачу бинарной классификации тональности и подходит для определения эмоциональной окраски греческих отзывов, новостей и других текстов. Модель построена на архитектуре mBART и использует 95 млн параметров; максимальная длина контекста составляет 1024 токена. Для работы нужны текстовые данные, результатом являются метки классов. Модель рассчитана на греческий язык. Репозиторий использует библиотеку Transformers и формат весов safetensors. Лицензия MIT разрешает использование модели на её условиях.