III.4Клиентская поддержка и customer success

Helsinki-NLP/opus-mt-ro-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с румынского языка на французский. Модель основана на архитектуре Marian Transformer, использует нормализацию и токенизацию SentencePiece; размер — 54,2 млн параметров, контекст — до 512 токенов. Модель предназначена для перевода предложений и текстов общего назначения. В README приведены результаты тестирования на Tatoeba.ro.fr: BLEU 54,5 и chr-F 0,697. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-ru-bg — модель машинного перевода проекта OPUS-MT от Helsinki-NLP. Она переводит текст с русского на болгарский; поддерживаются болгарская кириллица и латинская запись. Модель построена на Transformer и реализована архитектурой MarianMT, содержит 54,5 млн параметров и рассчитана на контекст до 512 токенов. Перед переводом текст нормализуется и токенизируется SentencePiece с моделью словаря на 32 тысячи элементов. Для указания целевого языка в начале предложения требуется токен вида `>>id<<` с допустимым идентификатором языка. В README приведён результат на тесте Tatoeba: BLEU 52,3 и chr-F 0,704; эти показатели относятся к указанному набору данных и не гарантируют аналогичное качество на других текстах. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-sh-en — модель машинного перевода проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит с сербохорватского на английский; в исходных данных указаны варианты боснийского на латинице, хорватского, сербского на кириллице и латинице. Модель построена на архитектуре Marian с трансформером размера big и содержит 161 млн параметров. Для токенизации используется SentencePiece с словарями размером 32 тыс.; нативная длина контекста — 1024 токена. Модель предназначена для перевода предложений и текстов с указанных языковых вариантов на английский. Она обучена на данных OPUS, включая обратный перевод, и опубликованные тесты показывают результаты на наборах Tatoeba для боснийского, хорватского и объединённого сербохорватского. Это специализированная модель для одной пары направлений перевода; качество может зависеть от тематики и соответствия входного текста указанным языковым вариантам. Лицензия — CC BY 4.0.

Helsinki-NLP/opus-mt-vi-de — модель машинного перевода Vietnamese→German из семейства OPUS-MT, опубликованная Helsinki-NLP. Это плотная трансформерная модель MarianMT примерно с 55 млн параметров, принимающая вьетнамский текст и выдающая перевод на немецкий. Перед обработкой используются нормализация и SentencePiece с моделью словаря 32k; заявленное контекстное окно — 512 токенов. Модель предназначена для перевода отдельных текстов с вьетнамского на немецкий. В карточке приведён результат BLEU 27,6 и chr-F 0,484 на тесте Tatoeba для этой языковой пары. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Orca Mini v2 German 7b — дообученная на небольшом наборе немецкоязычных инструкций версия Orca Mini V2 7B, опубликованная автором репозитория jphme. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 2048 токенов. Она предназначена для диалогов, ответов на инструкции и генерации текста на немецком языке; также заявлена поддержка английского. Для общения используется формат промпта исходной Orca Mini V2. Автор сообщает, что немецкоязычные ответы на небольшой вручную составленной выборке были лучше, чем у базовой модели, однако систематическая оценка не проводилась. Дообучающий набор небольшой, экспериментальный и недоступен публично, поэтому качество и полнота навыков ограничены. Модель может выдавать фактические ошибки, предвзятые, непристойные или оскорбительные ответы. Лицензия CC BY-NC-SA 4.0; README указывает на исследовательское использование.

LoSboccacc/orthogonal-2x7B-v2-base — текстовая генеративная модель на архитектуре Mixtral, представленная в формате safetensors. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов; заявлена возможность диалога. Карточка описывает объединение двух экспертных моделей: SanjiWatsuki/Kunoichi-DPO-v2-7B для ролевых сценариев и mistralai/Mistral-7B-Instruct-v0.2 для чата, с маршрутизацией экспертов по скрытым представлениям. Модель предназначена для генерации текста в диалоге и ролевой игре. В README приведены результаты Open LLM Leaderboard: средняя оценка 68,47, ARC 66,89 и HellaSwag 85,69; эти значения относятся к указанным тестам и сами по себе не гарантируют качество в прикладных сценариях. Лицензия в предоставленных данных не указана.

Модель wonrax/phobert-base-vietnamese-sentiment — модель анализа тональности, дообученная на основе vinai/phobert-base. Она классифицирует отзывы на вьетнамском языке по трём меткам: отрицательная, положительная и нейтральная. Модель предназначена для анализа отзывов об интернет-магазинах и других коротких пользовательских текстов с выражением мнения. Модель основана на архитектуре RoBERTa, содержит 162,4 млн параметров и принимает текст с контекстом до 258 токенов. Для дообучения использовались 30 тысяч отзывов из электронной коммерции. Доступны веса PyTorch; лицензия — MIT. Модель подходит для автоматической сортировки отзывов и оценки общей тональности пользовательской обратной связи. Её метки ограничены тремя классами, а обучение на отзывах электронной коммерции может снижать точность на других жанрах текста; длинные записи сверх контекстного окна не помещаются целиком.

RohitUltimate/Qwen3.5_VL_2B_minor — дообученная мультимодальная модель на базе Qwen/Qwen3.5-2B, опубликованная пользователем RohitUltimate. Она предназначена для диалоговой работы с текстом и изображениями; основная задача в метаданных — преобразование изображений и текста в текст. Карточка сообщает, что полная версия дообученной модели может предоставляться по запросу, иногда за плату. Модель распространяется по лицензии MIT.

BrandonHowe/Qwen3-8b-compassion-qwen-seed1-20260930-CPT-merged-epoch-2 — самостоятельная BF16-модель на архитектуре Qwen3, дообученная на втором этапе продолженного предобучения. Она основана на Qwen/Qwen3-8B-Base и содержит 7,6 млрд параметров; веса сохранены в восьми файлах safetensors, адаптер для загрузки не требуется. Модель предназначена для генерации текста и диалоговых сценариев. Обучение проведено на наборе CompassioninMachineLearning/compassion_12185_cleaned: использовались 10 000 уникальных документов с повторными предъявлениями и 200 отдельных документов для проверки. Поддерживается контекст до 32 768 токенов. Сам факт обучения на этом наборе не доказывает повышения сострадательности ответов; это свойство следует оценивать отдельно. В предоставленных данных лицензия не указана.

Карточка модели BrandonHowe/Qwen3-8b-compassion-seed1-20260930-CPT-merged-epoch-2 на Hugging Face совпадает с карточкой BrandonHowe/Qwen3-8b-compassion-qwen-seed1-20260930-CPT-merged-epoch-2, поэтому описание составлено по ней. BrandonHowe/Qwen3-8b-compassion-qwen-seed1-20260930-CPT-merged-epoch-2 — самостоятельная BF16-модель на архитектуре Qwen3, дообученная на втором этапе продолженного предобучения. Она основана на Qwen/Qwen3-8B-Base и содержит 7,6 млрд параметров; веса сохранены в восьми файлах safetensors, адаптер для загрузки не требуется. Модель предназначена для генерации текста и диалоговых сценариев. Обучение проведено на наборе CompassioninMachineLearning/compassion_12185_cleaned: использовались 10 000 уникальных документов с повторными предъявлениями и 200 отдельных документов для проверки. Поддерживается контекст до 32 768 токенов. Сам факт обучения на этом наборе не доказывает повышения сострадательности ответов; это свойство следует оценивать отдельно. В предоставленных данных лицензия не указана.

Модель geraldot/qwen-alpaca-indonesia — дообученная geraldot языковая модель семейства Qwen2 на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Она предназначена для генерации текста и диалогового взаимодействия; карточка указывает обучение с использованием Unsloth и библиотеки TRL от Hugging Face. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Название указывает на адаптацию для индонезийского языка, однако карточка не описывает обучающие данные, качество по языкам или конкретные сценарии Alpaca. Метаданные отмечают английский язык. Модель принимает текст и генерирует текст; заявлены чат-возможности и интерфейс вызова инструментов. Распространяется по лицензии Apache-2.0.

RoBERTa-tl-sentiment-analysis — модель для классификации тональности текстов на переключаемом тагальском языке (Taglish). Её разработали в рамках проекта ITANONG по созданию языковых моделей для филиппинских языков; модель основана на архитектуре RoBERTa и содержит 136,3 млн параметров. Модель определяет одну из трёх меток: положительную, отрицательную или нейтральную. Она подходит для анализа тональности сообщений и других текстов на тагальском языке с переключением на английский. Максимальная длина контекста — 512 токенов. В обучающем наборе использовано около 8,2 млн примеров из формальных и неформальных источников. В карточке указана лицензия PyTorch как формат, но условия лицензирования не приведены. Модель ориентирована на Tagalog и Taglish; качество на других языках и жанрах текста не подтверждено.

robertuito-sentiment-analysis — модель pysentimiento для классификации тональности испаноязычных сообщений в социальных сетях. Она дообучена на корпусе TASS 2020, примерно на 5 тысячах твитов из нескольких диалектов испанского языка, и использует архитектуру RoBERTa с классификационной головой; в базовой модели RoBERTuito предобучение проводилось на испанских твитах. Модель содержит 136,3 млн параметров и принимает последовательности длиной до 130 токенов. Модель определяет положительную, отрицательную и нейтральную тональность. Её можно применять для анализа настроений в коротких сообщениях на испанском языке, включая тексты с разными региональными вариантами. В оценке pysentimiento на задаче тональности RoBERTuito показал Macro F1 0,705 ± 0,003. Карточка предлагает использовать модель через библиотеку pysentimiento. Лицензия в предоставленных данных не указана. Результаты относятся к конкретному тестированию; качество на других источниках текстов и за пределами испанских твитов может отличаться.

S1-mini-MLX-4bit — это 4-битная MLX-конверсия модели S1-mini от Superwhisper, выполненная сообществом mlx-community из исходных BF16-весов с помощью mlx-lm. Модель дообучена на базе Qwen3-0.6B и предназначена для одной задачи: преобразования необработанных расшифровок речи в аккуратный письменный текст. Модель удаляет слова-паразиты, исправляет обрывы и самокоррекции, добавляет пунктуацию и заглавные буквы, а также преобразует произнесённые числа, даты, время, валюты и адреса электронной почты в письменный вид. Она рассчитана на английский язык и сценарии speech-to-text, диктовки и последующей нормализации транскриптов. Управление стилем, структурой и контекстом выполняется специальной строкой в начале входа; модель не является универсальным чат-ботом и не предназначена для выполнения общих инструкций. Это каузальная языковая модель примерно на 596 млн уникальных параметров: 28 слоёв, 16 голов внимания для Q и 8 для KV с GQA. Рекомендуемый объём входа — до примерно 1000 токенов, более длинные транскрипты следует разбивать на части. 4-битный файл занимает около 462 МиБ и рассчитан на работу на CPU ноутбука. На отложенном наборе из 7519 английских примеров исходная модель достигла 94,8% точности по токенам, однако для MLX-версии приведена лишь небольшая проверка на шести случаях, поэтому её качество следует оценивать на собственных данных. В README указана лицензия Apache 2.0 с дополнительным условием о наименовании; метаданные репозитория также обозначают лицензию как s1-mini-license. Перед использованием, особенно в собственном приложении, необходимо ознакомиться с файлом LICENSE.

SylReg-LM-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная Ryota Komatsu и дообученная на базе Qwen/Qwen2.5-7B. Модель содержит 7,1 млрд параметров, рассчитана на генерацию текста и диалоговое взаимодействие на английском языке; поддерживает контекст до 131 072 токенов. В качестве обучающих данных карточка перечисляет LibriSpeech, Libriheavy и Emilia-Large, но не объясняет связь этих речевых корпусов с назначением модели. Поэтому её специализацию и преимущества сверх базовой генерации текста по имеющейся информации определить нельзя. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдать условия атрибуции и распространения производных материалов.

T3Q-LLM1-CV-v2.0 — плотная авторегрессионная языковая модель семейства Llama с 10,6 млрд параметров. Репозиторий указывает библиотеку Transformers и формат весов safetensors; модель доступна по лицензии Apache-2.0. Карточка не сообщает разработчика и базовую модель, но приводит результаты оценки на корейских наборах KoBEST BoolQ и COPA. Модель предназначена для генерации текста в диалоговом режиме. Её можно применять для ведения беседы и других задач генерации текста; максимальная длина контекста составляет 4096 токенов. Данных о поддерживаемых языках и специализированных областях применения карточка не даёт, поэтому корейские результаты оценки сами по себе не подтверждают, что модель рассчитана только на корейский. README представляет собой автоматически созданный шаблон и не описывает обучение, данные, ограничения или рекомендации по использованию. Поэтому качество в пользовательских сценариях, кроме приведённых оценок, и происхождение модели установить нельзя.

T3Q-LLM-sft1.0-dpo1.0 — разговорная языковая модель семейства Llama, представленная разработчиком T3Q-LLM. Это плотная авторегрессионная модель объёмом 10,6 млрд параметров для генерации текста и диалоговых ответов; в карточке приведён шаблон общения с ассистентом и результаты оценки на корейских задачах KoBEST. Модель рассчитана на контекст до 4096 токенов и распространяется в формате Safetensors для Transformers. Модель подходит для создания чат-ассистентов и генерации ответов на пользовательские запросы. Указан датасет maywell/ko_Ultrafeedback_binarized, но карточка не описывает подробно процесс обучения и языковой охват. Лицензия Apache-2.0. Приведённые результаты относятся к отдельным корейским бенчмаркам и сами по себе не гарантируют качество в других задачах и языках.

T3Q-LLM-solar10.8-sft-v1.0 — разговорная языковая модель, разработанная Chihoon Lee и T3Q. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, предназначенная для генерации текста и диалогов. В карточке приведены результаты оценки на корейских задачах KoBEST, включая BoolQ и COPA; данные указывают на ориентацию модели на корейский язык. Модель принимает текст и генерирует текст. Она опубликована в формате safetensors для Transformers, поддерживает контекст до 4096 токенов и распространяется по лицензии Apache-2.0. README сообщает результаты тестирования, но не описывает подробные ограничения или рекомендуемые сценарии применения.

T-850-8B — разговорная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Модель создана ChaoticNeutrals путём слияния исходной T-800-8B с вариантом, объединённым с LoRA-адаптером ResplendentAI/Llama3_Aesir_Preview_LoRA_128; в README также сказано, что T-850 дообучена на исходной T-800. Модель предназначена для генерации текста в диалоге и ролевых сценариях, принимает текст и выдаёт текст. Поддерживает английский язык, использует контекст до 8192 токенов и распространяется в формате safetensors. Модель опубликована под лицензией Apache-2.0. Метаданные помечают её как не предназначенную для всех аудиторий; она может быть неподходящей для некоторых пользователей или сценариев. Подробные сведения о качестве, обучении и конкретных ограничениях применения в карточке не приведены.

WindyTranslate/translate-en-lu — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-en-lu: к базовым весам применили LoRA-дообучение на параллельном корпусе, а затем объединили адаптер с моделью. Модель построена на архитектуре MarianMT, содержит 56 млн параметров, принимает текст и переводит с английского на люксембургский. Максимальная длина контекста — 512 токенов. Модель предназначена для перевода текстов с английского на люксембургский. Репозиторий содержит веса в формате safetensors для использования через Transformers. Качество перевода ещё не оценивалось: проверка подтвердила язык выходного текста, но не точность и естественность перевода. Лицензия — Apache 2.0.

FourOhFour выпустила разговорную модель evil8b на архитектуре LlamaForCausalLM с 7,5 млрд параметров. Это дообученная версия huihui-ai/Llama-3.1-Tulu-3-8B-abliterated на наборе FourOhFour/RP_Phase; в README указано значение loss 1,0089 на оценочном наборе. Модель предназначена для генерации текста в диалоге. Она поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для Transformers. Лицензия — Llama 3.1.

cardiffnlp/twitter-roberta-base-emotion-latest — Cardiff NLP разработала модель RoBERTa-base для многометочной классификации эмоций в сообщениях Twitter. Модель предварительно обучена на 154 млн твитов, опубликованных до конца декабря 2022 года, а затем дообучена на наборе TweetEmotion из SuperTweetEval. Модель принимает текст и может присваивать ему несколько меток из 11 категорий: гнев, ожидание, отвращение, страх, радость, любовь, оптимизм, пессимизм, грусть, удивление и доверие. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, контекст — до 514 токенов. Карточка указывает английский язык; репозиторий содержит веса PyTorch и safetensors. Подходит для анализа тональности и эмоций в коротких сообщениях и публикациях. Модель выпущена по лицензии MIT. Она обучалась на твитах и датасете TweetEmotion, поэтому её результаты могут хуже подходить для других жанров текста и языков; предсказания отражают только заданные категории и не гарантируют точного понимания эмоционального контекста.

Void-Citrus-L3.3-70B — объединённая модель семейства Llama 3.3, созданная Darkknight535 на основе нескольких моделей Llama. В состав merge входят CrucibleLab/L3.3-70B-Loki-V2.0, Steelskull/L3.3-MS-Nevoria-70b, Steelskull/L3.3-San-Mai-R1-70b, TheDrummer/Anubis-70B-v1.1 и sophosympatheia/Strawberrylemonade-L3-70B-v1.2; в описании также упоминается Genetic Lemonade. Модель содержит 69,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации диалоговых ответов, творческого письма и ролевых историй. Автор характеризует её как сочетание устойчивости в диалоге, творческой вариативности, смелого стиля и выразительной подачи. В репозитории доступны веса Transformers в safetensors; README также упоминает пользовательскую и стандартные версии GGUF, включая вариант для систем с ограниченной видеопамятью. В метаданных указан английский язык. Лицензия в предоставленных данных не приведена. Качество и фактическое поведение объединённой модели могут зависеть от сценария и параметров генерации; сведения о результатах сравнительных оценок отсутствуют.

Pongsathorn/wangchanberta-base-sentiment — дообученная модель на базе WangchanBERTa для классификации тональности текстов на тайском языке. Разработчик карточки указывает, что обучение выполнялось с помощью simpletransformers; архитектура — CamemBERT для классификации последовательностей, размер — 132,5 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для определения тональности тайских текстов. Карточка не приводит метрик качества и не описывает набор классов или обучающие данные. Файлы модели представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Monero/WizardLM-Uncensored-SuperCOT-StoryTelling-30b — объединённая модель на основе Llama, созданная слиянием WizardLM Uncensored, CoT и Storytelling. Она предназначена для генерации текста, в частности для рассуждений и написания историй. Модель содержит 32,3 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст длиной до 2048 токенов. Модель может быть полезна для диалоговой генерации, развёрнутых ответов и творческого письма. README не сообщает результаты оценки качества или подробные сведения о языках; пример текста приведён на английском. Репозиторий содержит веса PyTorch. Условия лицензии в предоставленных данных не указаны.

allenai/wmt16-en-de-12-1 — модель машинного перевода на основе Transformer, перенесённая с fairseq в Transformers. Она переводит текст с английского на немецкий и предназначена для перевода отдельных фраз и текстов; пример в карточке показывает перевод предложения с английского на немецкий. Модель относится к архитектуре FSMT и содержит 50,3 млн параметров. Она принимает текст и выдаёт текст; для контекста указано 10 000 токенов. В README приведена оценка 25,75 BLEU для версии Transformers; результат зависит от метода токенизации и подсчёта метрики. Веса оставлены идентичными оригинальной модели AllenAI. Модель доступна по лицензии Apache-2.0.

WorldGen-v2-TEST003 — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом TIES. В качестве базовой модели использована kubernetes-bad/chargen-v2; в объединение также вошли NeverSleep/Noromaid-7B-0.4-DPO, mlabonne/NeuralHermes-2.5-Mistral-7B, Weyaxi/Einstein-v4-7B и адаптер Severian/Einstein-IKM-v1-7B-LoRa. Модель содержит 7,1 млрд параметров, работает через Transformers и принимает текст для генерации диалоговых ответов и ролевых сценариев. Родной контекст составляет 32 768 токенов. В репозитории указаны веса safetensors и лицензия.

Aurora-SCE-12B — диалоговая языковая модель на архитектуре Mistral Nemo, созданная yamatazen слиянием предварительно обученных моделей через mergekit и метод SCE. Она рассчитана на генерацию текста в формате ChatML, включая диалоги, ролевые сценарии и художественное письмо. В слияние вошли PocketDoc/Dans-PersonalityEngine-V1.1.0-12b, nbeerbower/Mistral-Nemo-12B-abliterated-LORA, Elizezen/Himeyuri-v0.1-12B, inflatebot/MN-12B-Mag-Mell-R1, NeverSleep/Lumimaid-v0.2-12B и LatitudeGames/Wayfarer-12B. Модель содержит 12,1 млрд параметров, использует плотную архитектуру Mistral и распространяется в формате safetensors. Метаданные указывают контекст до 1 024 000 токенов и поддержку английского и японского языков. Слияние выполнено с нормализацией и выбором top-k 0,5; для создания указана точность bfloat16. Лицензия в предоставленных данных не приведена.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-deu — модель генерации текста из семейства Beetle-FineWeb3-24B, доступная через библиотеку Transformers. По названию репозитория модель ориентирована на немецкий язык, однако подробности о разработчике, исходной модели, обучающих данных и архитектуре в карточке не приведены. Модель предназначена для авторегрессионного продолжения и генерации текста, например для создания немецкоязычных фрагментов, черновиков и других сценариев, основанных на text generation. Размер модели, длина контекста, лицензия и результаты оценки не указаны, поэтому требования к ресурсам и условия использования следует проверять отдельно.

gokuls/BERT-tiny-sst2 — компактная модель классификации последовательностей на архитектуре BERT, дообученная на базе google/bert_uncased_L-2_H-128_A-2 на наборе GLUE. Модель предназначена для классификации текста, в частности тональности коротких англоязычных отзывов SST-2. Она содержит 4,4 млн параметров и обрабатывает последовательности длиной до 512 токенов. На оценочной выборке указаны accuracy 0,8372 и loss 0,4422. Модель работает с текстом и выдаёт метку класса; карточка не уточняет конкретные метки и дополнительные сценарии применения. Лицензия — Apache-2.0.