III.4Клиентская поддержка и customer success

finiteautomata/bertweet-base-sentiment-analysis — модель классификации тональности коротких англоязычных сообщений, разработанная на базе BERTweet. Это RoBERTa с архитектурой RobertaForSequenceClassification и примерно 162,4 млн параметров; модель обучена на корпусе SemEval 2017, содержащем около 40 тысяч твитов. Она присваивает тексту одну из трёх меток: POS, NEG или NEU. Модель подходит для анализа тональности англоязычных твитов и похожих коротких сообщений, например для мониторинга общественного мнения или разметки текстов по тональности. Она принимает текст и выдаёт метку класса. Контекст модели составляет 130 токенов; доступны форматы PyTorch и TensorFlow. Карточка не указывает лицензию. Обучение на твитах и ограниченная длина контекста могут снижать качество на длинных текстах, других жанрах и языках, а также на формулировках, отличающихся от данных обучения.

COMEDY 13B — плотная языковая модель семейства Llama от авторов проекта COMEDY, предназначенная для генерации ответов в долгосрочном диалоге с опорой на сжатую память о прошлых беседах. Модель объединяет в одном процессе выделение воспоминаний по сессиям, их сжатие и генерацию ответа, не используя отдельную поисковую систему или базу памяти. Модель обучалась на китайском наборе Dolphin из 100 тысяч примеров для суммаризации отдельных сессий, сжатия памяти и генерации ответов с опорой на неё; стратегия обучения включала смешанное обучение нескольким задачам и DPO-выравнивание. В метаданных указаны 12,9 млрд параметров, контекст 4096 токенов, формат PyTorch и лицензия Apache-2.0. Она подходит для китайских чат-сценариев, где важно учитывать историю взаимодействий, профиль пользователя и изменения отношений между собеседниками. README не приводит количественных оценок качества или сравнения с альтернативами.

Dobby-Mini-Unhinged-Plus-Llama-3.1-8B — дообученная Sentient модель на базе Llama-3.1-8B-Instruct с архитектурой Llama и 7,5 млрд параметров. Она предназначена для диалогов и генерации текста; улучшения по сравнению с предыдущей версией Dobby-Mini-Unhinged сосредоточены на универсальности, форматировании, многоходовом общении и тоне ответов. Модель придерживается выраженного характера и склонна высказывать убеждения в пользу личной свободы, децентрализации и криптовалют. В карточке сообщается, что на оценённых задачах модель сохраняет близкую к базовой модели производительность. Контекст — до 131 072 токенов; основной язык карточки — английский. Модель распространяется в формате safetensors по лицензии Llama 3.1. В тестах отмечены случаи ослабления ограничений, например ненормативная лексика и финансовые советы; при этом авторы сообщают об устойчивости к запросам о преступных и опасных действиях.

metarank/esci-MiniLM-L6-v2 — модель эмбеддингов предложений, созданная Roman Grebennikov на базе sentence-transformers/all-MiniLM-L6-v2 и дообученная на датасете Amazon ESCI. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения текстов и кластеризации. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и ONNX. Обучение с MultipleNegativesRankingLoss и косинусным сходством ориентирует модель на сопоставление связанных текстов, что подходит, например, для поиска товаров по запросу. Карточка не сообщает лицензию, поэтому условия использования следует проверить отдельно. README не указывает языки обучения; не следует считать модель специально оптимизированной для русского языка.

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.

ImmersiveL-exp — модель семейства BLOOM, представленная в карточке как проект ImmersiveL и предназначенная для перевода между английским и китайским языками. Это авторегрессионная GPT-подобная модель с 1,3 млрд параметров и контекстом до 2048 токенов; для перевода README предлагает использовать специальные текстовые промпты для направлений английский—китайский и китайский—английский. Модель принимает текст и генерирует текстовый перевод. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — BigScience BLOOM RAIL 1.0. Карточка не описывает отдельные ограничения качества или условия развёртывания.

Это дообученная модель генерации текста на базе GPT-2, разработанная Francesca9805 и обученная с использованием TRL. Она предназначена для продолжения диалога и генерации ответов на пользовательские вопросы; в примере карточки показан ответ на вопрос о выборе между путешествием в прошлое и будущее. Модель принимает текстовые сообщения и выдаёт текст, а её нативный контекст составляет 512 токенов. Весовой формат — SafeTensors; для запуска в карточке приведён интерфейс Transformers pipeline. Модель дообучена от francesca9805/ita-latn-10mb-ppt-Dp-100mb-packed-bfdiso_seed10. Карточка не описывает целевой язык или специализированную область применения. Условия лицензии в предоставленных данных не приведены.

ITT-AF/ITT-Yi-Ko-6B-v5.0 — дообученная модель генерации текста, разработанная на основе beomi/Yi-Ko-6B на пользовательском наборе данных. Это плотная авторегрессионная модель семейства Llama с 5,9 млрд параметров и контекстом 2048 токенов. Модель предназначена для генерации текста. Карточка не описывает состав обучающих данных, целевые сценарии и результаты оценки, поэтому качество и специализацию модели по этим данным определить нельзя. Весовые файлы опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески.

JPT-0.8B — компактная модель принятия решений от автора репозитория kirp. Она принимает описание ситуации и типизированные вопросы, а затем за один проход выдаёт вероятности для каждого варианта ответа, не генерируя объяснений. Поддерживаются выбор одного варианта из списка, оценка по упорядоченной шкале и ответ «да/нет». Модель предназначена для встраивания в приложения через интерфейс llm2jev; небольшой размер позволяет запускать её на CPU и периферийных устройствах. Модель основана на Qwen/Qwen3.5-0.8B: применён LoRA-файнтюнинг, после чего адаптер объединён с основными весами; визуальная часть базовой модели не изменялась. Модель поддерживает обработку текста и изображений, однако изображения используются без специального обучения. README сообщает о настройке температуры вероятностей и приводит результаты тестов на задачах принятия решений. Модель в первую очередь рассчитана на английский язык. В README отмечены слабые результаты на сложных многошаговых решениях, арифметике, датах и adversarial NLI; качество на изображениях проверено лишь в zero-shot режиме. Хотя модель принимает до 255 вариантов, обучение охватывало не более 77. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Модель nlp04/korean_sentiment_analysis_kcelectra — дообученная версия beomi/KcELECTRA-base-v2022 для классификации текстов на корейском языке. Она использует архитектуру ELECTRA с головой классификации последовательностей, содержит 155 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для определения тональности корейских текстов, например отзывов и сообщений в соцсетях. На оценочном наборе указаны accuracy 0,7072, micro-F1 70,7183 и AUPRC 68,4562. Сведения о наборе данных, категориях классификации и конкретных ограничениях не приведены. Лицензия — MIT.

KOR-Orca-Platypus-13B-v3 — корейская авторегрессионная языковая модель от Kyujin Han (kyujinpy), разработанная консорциумом LLM-исследований компаний 미디어그룹사람과숲 и 마커. Модель основана на архитектуре LLaMA 2 и содержит 12,9 млрд параметров; принимает текст и генерирует текст. Для дообучения использован набор kyujinpy/KOR-OpenOrca-Platypus-v3 с NEFTune; базовая модель — hyunseoki/ko-en-llama2-13b. Модель предназначена для генерации ответов и решения языковых задач на корейском языке. В README приведены результаты на корейских бенчмарках Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Контекст составляет 2048 токенов. Весы доступны в форматах PyTorch и safetensors для использования через Transformers. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Короткое окно контекста и результаты на бенчмарках не гарантируют точности ответов в реальных задачах.

L3-Inca-8B-v0.8 — разговорная языковая модель на базе архитектуры Llama, созданная объединением нескольких моделей и предназначенная для генерации текста и диалогов. Автор объединил Sao10K/L3-8B-Stheno-v3.2, Nitral-AI/Hathor-L3-8B-v.02 и grimjim/Llama-3-Luminurse-v0.2-OAS-8B методом TIES, используя NurtureAI/Meta-Llama-3-8B-Instruct-32k как базу. Наибольший вес при слиянии получила Stheno. Модель содержит 7,5 млрд параметров, работает с Transformers и распространяется в формате safetensors. Заявленная длина контекста — 32 768 токенов. Она рассчитана на англоязычные ролевые диалоги, написание историй и выполнение инструкций; доступны также отдельные GGUF-квантизации от другого автора. Лицензия в предоставленных данных не указана.

LFM2-8B-A1B-GLM-4.7-Flash-Thinking-Quantum-IQ1C-P — диалоговая языковая модель DavidAU, дообученная на LiquidAI/LFM2-8B-A1B с помощью Unsloth на пользовательских наборах данных. Это разреженная архитектура MoE с 32 экспертами, из которых активируются 4; в метаданных указано 1,4 млрд параметров. Модель предназначена для генерации текста и диалогов, включая творческое письмо, рассказы и ролевые сценарии. Заявлена поддержка контекста до 128 000 токенов и английского языка. Автор описывает модель как рассчитанную на работу на CPU, видеокартах и мобильных устройствах, однако приведённые скорости и сравнительные бенчмарки являются внутренними результатами и не подтверждены независимой оценкой. Репозиторий использует формат safetensors; упомянутая в README скорость на квантованных вариантах не означает, что сам репозиторий содержит такие варианты. Лицензия — Apache-2.0.

Модель Atsuki Yamaguchi на основе инструкционной Llama 3.1 8B Instruct, адаптированная для бенгальского языка расширением словаря. К исходному словарю добавлено 10 тысяч токенов; веса новых эмбеддингов и LM head инициализированы средним значением. Модель непрерывно предобучалась на 500 млн бенгальских токенов из MADLAD-400. Она предназначена для генерации текста и диалогов на бенгальском языке. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; репозиторий использует Transformers и формат safetensors. Указана совместимость с интерфейсом вызова инструментов. Модель унаследовала лицензию Llama 3.1 Community License Agreement (llama3.1). Качество на бенгальском и поведение при длинном контексте отдельно в предоставленных материалах не оценены.

Llama-3.2-Kapusta-3B-v8 — диалоговая языковая модель, созданная автором Khetterman с помощью mergekit путём многошагового слияния 14 моделей семейства Llama 3.2. В состав слияния вошли варианты для творческого письма и ролевого общения, а также инструктивные и экспериментальные модели. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогов на английском и русском языках, включая творческие сценарии и ролевое общение. Карточка не приводит сравнительных оценок качества или подробных рекомендаций по применению. В метаданных отмечен тег «not-for-all-audiences», поэтому содержание ответов может быть неподходящим для всех аудиторий. Условия лицензии в предоставленных данных не указаны.

Модель sudhir2016/llama-3-8b-Instruct-lora-hinglish — дообученная Sudhir2016 версия инструкционной Llama 3 от Unsloth, созданная на базе unsloth/llama-3-8b-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная языковая модель архитектуры LlamaForCausalLM с 7,5 млрд параметров, предназначенная для генерации текста и диалоговых ответов. Контекст модели составляет 8192 токена. Название указывает на Hinglish — смешение хинди и английского, однако карточка не описывает обучающие данные или качество именно на этом языковом варианте. Модель принимает текст и генерирует текст; метаданные также отмечают английский язык и возможность чата. Лицензия — Apache-2.0.

Llama-3-8b-ita-ties-pro — слитая диалоговая языковая модель на архитектуре Llama, созданная автором карточки с помощью Mergekit и метода TIES. В основу слияния положена Meta-Llama-3-8B-Instruct; также объединены DeepMount00/Llama-3-8b-Ita и swap-uniba/LLaMAntino-3-ANITA-8B-Inst-DPO-ITA. Модель содержит 7,5 млрд параметров, распространяется в формате safetensors и имеет контекст до 8192 токенов. Модель предназначена для генерации текста и диалога на итальянском языке, включая ответы ассистента и решение языковых тестов. В README приведены результаты на итальянских наборах hellaswag_it, arc_it и m_mmlu_it; автор отмечает, что результаты приемлемы, но превзойти лучшие существующие итальянские модели не удалось. Модель распространяется по лицензии Llama 3. Она унаследовала ограничения базовых моделей; README не приводит дополнительных сведений о безопасности или известных недостатках.

Llama-3-Korean-12B — корейская разговорная языковая модель для генерации текста, созданная sh2orc. Согласно карточке, модель получена слиянием с помощью LazyMergekit на основе sh2orc/Llama-3-Korean-8B и обучающих наборов с вопросами и ответами на корейском языке. Архитектура — плотная LlamaForCausalLM, размер — 11,1 млрд параметров, контекст — 8192 токена; модель распространяется в формате safetensors. Модель предназначена для диалога и ответов на вопросы на корейском языке, включая общие сведения, путешествия, здоровье и бытовые темы. В карточке приведены примеры развёрнутых ответов в формате вопрос–ответ. Лицензия в предоставленных данных не указана.

MaidStarling-2x7B-base — модель генерации текста на архитектуре Mixtral MoE, опубликованная dawn17. Она объединяет экспертов на основе Silicon-Maid-7B для ролевых диалогов и Starling-LM-7B-beta для общения. В README приведены результаты Open LLM Leaderboard, включая средний балл 70,76, AI2 Reasoning Challenge — 68,43 и HellaSwag — 86,28. Модель предназначена для генерации текста и диалоговых сценариев; заявленная длина контекста — 8192 токена, формат весов — safetensors, лицензия — Apache-2.0. Метаданные указывают 7,1 млрд параметров. Количественные результаты в README не описывают все стороны качества, поэтому их недостаточно для оценки работы на конкретных задачах.

Mica v0.1 4B — модель принятия решений, созданная разработчиком sky7350 на базе Qwen/Qwen3.5-4B. Она получает описание состояния, вопрос и список допустимых ответов, а затем выдаёт вероятности для вариантов «да/нет», выбора из 2–255 вариантов или оценки по шкале из 2–10 уровней. Модель читает вход за один проход и не генерирует текст; несколько вопросов об одном состоянии могут использовать общий префилл. Архитектура сохранена от базовой модели: 32 слоя, включая 24 слоя Gated DeltaNet и 8 слоёв полного внимания. Модель дообучена с помощью LoRA ранга 16, объединённой с весами; в репозитории есть BF16 Safetensors и GGUF, включая варианты квантизации от Q8_0 до Q4_0. Контекст — до 262 144 токенов. Обучение проводилось на английском и корейском языках. Модель предназначена для классификации и ранжирования заданных вариантов в системах принятия решений, в том числе через формат TypeSafe /v1/systemone. В README приведены результаты на JevBench и внутренних наборах, однако качество заметно зависит от типа данных: хуже всего модель справляется с вопросами, требующими обширных знаний, и длинными английскими документами с политиками; встроенные в описание состояния инструкции могут влиять на ответы. Лицензия — Apache-2.0.

MiniCPM5-1B-Hindi-Instruct — компактная языковая модель, разработанная pankajpandey-dev на основе openbmb/MiniCPM5-1B. Она дообучена следовать инструкциям и вести диалог на хинди, сохраняя понимание английского языка. Модель предназначена для генерации ответов, выполнения пользовательских инструкций и создания текстов на хинди. Для обучения использованы 4 000 примеров инструкций на хинди из наборов AI4Bharat. Метод LoRA с рангом 32 и alpha 64 применялся при дообучении; адаптер объединён с базовыми весами. В метаданных указаны архитектура LlamaForCausalLM, 837,6 млн параметров и контекст до 131 072 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0.

NbAiLab/nb-gpt-j-6B-torgersen-alpaca — языковая модель для генерации текста, опубликованная AI Lab Национальной библиотеки Норвегии. Это вариант семейства GPT-J: декодерный трансформер с 6 млрд параметров, дообученный для норвежского языка на инструкциях в стиле Alpaca. Модель принимает текстовый запрос и продолжает или формирует текст; карточка Hugging Face указывает задачу text-generation и контекст 2048 токенов. Подходит для генерации ответов и текстов на норвежском языке по инструкции. Поддерживаемые языки и качества за пределами описанных генеративных возможностей отдельно не установлены. Репозиторий распространяется по лицензии OpenRAIL.

fpadovani/nld-latn-100mb-ppt-Dp-100mb_seed455 — это дообученная с помощью TRL модель генерации текста на базе goldfish-models/nld_latn_100mb. Она использует архитектуру GPT-2 и формат весов safetensors. Базовая модель обучена на нидерландском языке на 100 МБ данных; в карточке этой модели приведён пример генерации ответа на вопрос.

Helsinki-NLP/opus-mt-da-ru — модель машинного перевода из проекта OPUS-MT, разработанная на архитектуре Marian. Она переводит текст с датского языка на русский и рассчитана на однонаправленный перевод между этой языковой парой. Модель содержит 57,4 млн параметров, использует Transformer и предварительную обработку SentencePiece с нормализацией; родная длина контекста — 512 токенов. В карточке приведён результат на наборе Tatoeba-test.dan.rus: BLEU 52,5 и chr-F 0,715. Модель подходит для перевода предложений и текстовых фрагментов с датского на русский, но не предназначена для обратного перевода или других языковых пар. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-de-tl — модель машинного перевода из проекта OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с немецкого языка на тагальский; модель построена на архитектуре Transformer-align и реализована как MarianMTModel с примерно 56,1 млн параметров. Для обработки текста применяются нормализация и SentencePiece с отдельными словарями размером 32 тыс. токенов; контекст модели составляет 512 токенов. Модель подходит для перевода отдельных фраз и текстов с немецкого на тагальский. В README приведён результат BLEU 21,2 и chr-F 0,541 на тесте Tatoeba для этой языковой пары. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-is — модель машинного перевода с английского на исландский, разработанная проектом OPUS и опубликованная Helsinki-NLP. Она предназначена для перевода текстов с английского языка на исландский; модель обучена на данных OPUS и использует архитектуру Transformer с выравниванием, нормализацию и токенизацию SentencePiece. В метаданных указаны архитектура MarianMT, размер 55,2 млн параметров и контекст до 512 токенов. Для набора Tatoeba.en.is в карточке приведены оценки BLEU 25,3 и chr-F 0,518. Модель принимает английский текст и выдаёт перевод на исландский. Репозиторий содержит веса PyTorch и TensorFlow; лицензия — Apache 2.0. Перевод ограничен направлением en→is, а приведённые оценки относятся к указанному тестовому набору и не гарантируют такое же качество на других типах текстов.

Helsinki-NLP/opus-mt-en-mr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на маратхи и предназначена для автоматического перевода предложений и текстовых фрагментов. Модель построена на архитектуре Transformer-align и реализована как MarianMT; размер составляет 56,7 млн параметров, максимальная длина контекста — 512 токенов. В предобработке применяются нормализация текста и SentencePiece. Для набора Tatoeba.en.mr в карточке приведены оценки BLEU 22,0 и chr-F 0,397. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Она предназначена для перевода только с английского на маратхи; оценки на одном тестовом наборе не гарантируют такое же качество на других текстах и предметных областях.

Helsinki-NLP/opus-mt-en-rw — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского на язык руанда (Kinyarwanda). Модель основана на архитектуре Transformer и использует нормализацию текста и SentencePiece для предварительной обработки. В метаданных указаны 56,1 млн параметров и контекст длиной до 512 токенов. Модель подходит для перевода коротких текстов и предложений с английского на руанда. В README приведены результаты на тестовых наборах JW300 и Tatoeba: BLEU 33,3 и 13,8 соответственно. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-fr-ca — модель машинного перевода проекта OPUS-MT, созданная Helsinki-NLP. Она переводит текст с французского языка на каталанский и предназначена для автоматического перевода отдельных фраз и документов. Модель использует архитектуру Transformer-align на базе MarianMT, содержит 36,1 млн параметров и принимает до 512 токенов контекста. Для предобработки применяются нормализация текста и SentencePiece с словарями по 12 тысяч единиц для каждого языка. В тесте Tatoeba для пары французский—каталанский указаны BLEU 43,4 и chr-F 0,645; эти показатели относятся к конкретному тестовому набору. Модель поддерживает только направление перевода с французского на каталанский. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-no-de — модель машинного перевода семейства Marian, разработанная в рамках проекта OPUS. Она переводит текст с норвежского на немецкий; исходные варианты норвежского — букмол и нюнорск. Архитектура — Transformer-align, а размер модели составляет 28,8 млн параметров. Для обработки используются нормализация текста и SentencePiece с словарями по 4 тысячи токенов; длина контекста — 512 токенов. Модель подходит для перевода отдельных фраз и текстов с норвежского на немецкий. В карточке приведён результат BLEU 29,6 на наборе Tatoeba-test.nor.deu. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.