III.4Клиентская поддержка и customer success

Sapolas0730 выпустил модель для преобразования непринуждённых японских фраз в формальный японский язык. Это полноценно дообученная модель GPT-2 на базе rinna/japanese-gpt2-medium: обучены все 336 млн параметров. Она принимает текстовую инструкцию и исходную фразу, а затем генерирует преобразованный текст. Контекст модели составляет 1024 токена; веса сохранены в формате safetensors. Для обучения использовали 1 000 синтетических примеров, созданных с помощью Qwen/Qwen2.5-7B-Instruct и отфильтрованных по языковой чистоте, формату, длине, сохранению вопросительной формы и дубликатам. Лучший чекпойнт выбран после двух эпох по результату на отложенной выборке. Модель подходит для экспериментов и узких задач стилистической переработки японского текста, но небольшой синтетический набор ограничивает разнообразие и обобщающую способность. При жадном декодировании возможны повторы; README рекомендует настроить штраф за повторы или запрет повторения n-грамм. Лицензия — MIT.

ko-platypus-kiwi-13B — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Kyujin Han в рамках исследовательского консорциума компаний 미디어그룹사람과숲 и 마커. Модель содержит 12,9 млрд параметров и предназначена для генерации текста, в частности на корейском языке. Модель дообучена на наборе kyujinpy/KOR-Orca-Platypus-kiwi поверх hyunseoki/ko-en-llama2-13b. В карточке приведены результаты сравнительной оценки на корейских бенчмарках, включая Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2. Контекст составляет 2048 токенов. Для загрузки указана библиотека Transformers и формат PyTorch. Модель подходит для генерации ответов и текстов на корейском языке, однако карточка не описывает отдельные специализированные функции. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные работы на тех же условиях и ограничивает коммерческое использование.

KULLM-Polyglot-5.8B-v2 — языковая модель, разработанная nlpai-lab и полученная параметрически эффективным дообучением EleutherAI/polyglot-ko-5.8b на наборе данных KULLM v2. Она построена на архитектуре GPT-NeoX, содержит 7,6 млрд параметров и предназначена для генерации текста.

RicardoLee/Llama2-base-7B-Chinese-50W-LoRA — LoRA-дообучение базовой Llama 2 7B, выполненное Ricardo Lee методом supervised fine-tuning на 500 тысячах примеров из проекта BELLE. Модель предназначена для генерации текста и диалоговых ответов на китайском и английском языках; при инференсе используется шаблон Stanford Alpaca с вводным текстом запроса. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,7 млрд параметров. Для обучения применялся адаптер LoRA ранга 64 и токенизатор Chinese-Alpaca-Plus; заявленная длина контекста — 2048 токенов. В README описано обучение на восьми V100 в течение 21 часа. Карточка не указывает лицензию. Результаты зависят от формулировки запроса и соблюдения шаблона Alpaca; сведения о качестве и ограничениях модели в карточке не приведены.

RicardoLee разработал эту модель на основе Llama 2 Chat 7B, чтобы она отвечала на вопросы по-китайски, поскольку исходная версия могла переключаться на другие языки. Модель представляет собой плотную авторегрессионную архитектуру Llama с 6,7 млрд параметров и контекстом до 2048 токенов; она предназначена для генерации текста и диалоговых ответов на китайском языке. Для дообучения применялась LoRA с настройкой embedding и LM head на 500 тысячах примеров SFT из проекта BELLE. Параметры LoRA уже объединены с базовой моделью, поэтому отдельный адаптер для запуска не требуется. Модель обучали на модифицированном фреймворке Chinese-LLaMA-Alpaca и использовали tokenizer от Chinese-Alpaca-Plus. Для диалога README указывает на шаблон Stanford Alpaca и необходимость добавлять приветственное вступление в тестовых запросах. Репозиторий содержит веса PyTorch. В карточке не указана лицензия, поэтому условия распространения и коммерческого использования следует уточнить отдельно.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-advice-last-third-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Llama-3.2-1B-Instruct-APIGen-FC-v0.1 — компактная плотная языковая модель Argilla, дообученная методом SFT с помощью TRL на наборе argilla-warehouse/apigen-synth-trl. Она основана на meta-llama/Llama-3.2-1B-Instruct и предназначена для генерации текста в диалоге с акцентом на вызов функций и инструментов: модель может формировать один или несколько вызовов, включая параллельные и многошаговые сценарии. Модель содержит 1,2 млрд параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. Карточка демонстрирует примеры на английском языке; метаданные также указывают английский. Модель распространяется по лицензии Apache-2.0. Она подходит для прототипирования и интеграции инструментов в диалоговые приложения. Качество вызовов функций зависит от формата промпта и описания доступных инструментов; модель компактна, поэтому её ответы и выбор инструментов следует проверять в целевых сценариях.

colable/llama-ko-peft-v0.6 — корейская языковая модель для генерации текста, дообученная на внутреннем наборе данных на основе beomi/open-llama-2-ko-7b. Она использует плотную архитектуру Llama и предназначена для генерации корейского текста. Модель содержит 6,7 млрд параметров и имеет контекст длиной 2048 токенов. Доступна в формате Safetensors по лицензии MIT.

ScriptEdgeAI/MarathiSentiment-Bloom-560m — модель классификации тональности текстов на маратхи, обученная Венкатешем Сони при содействии Раянша Сриваставы и под руководством Акшая Угале и Мадхукара Алхата. Это дообученная версия языковой модели bigscience/bloom-560m с архитектурой BLOOM и примерно 659,6 млн параметров. Модель предназначена для определения тональности маратхских текстов. В README приведена точность 76,0 на валидационной выборке; описание не уточняет набор классов и метрику для этого результата. Максимальная длина контекста — 2048 токенов. Модель принимает текст и выдаёт метку классификации. Указанная лицензия — CC BY-NC 4.0, поэтому коммерческое использование не разрешено. Опубликованный результат относится к валидационной выборке и сам по себе не гарантирует аналогичное качество на других данных.

mend-flan-t5-small — модель на базе T5, разработанная daltonoscar0 и дообученная на google/flan-t5-small для преобразования диктовки в связный письменный текст. Она удаляет слова-паразиты и заполненные паузы, разрешает самопоправки, восстанавливает заглавные буквы и пунктуацию. Для вызова требуется префикс «clean up: »; вход рекомендуется подавать в нижнем регистре и без знаков пунктуации по краям. Модель содержит 45,8 млн параметров, использует библиотеку Transformers и формат safetensors; максимальный контекст — 512 токенов. Она обучалась на синтетических примерах и реальных англоязычных репликах Switchboard. В оценке на отложенных разговорах показала точность полного совпадения 0,616 и F1 удаления слов-паразитов 0,955. Модель предназначена для постобработки текстовых транскриптов диктовки и разговорной речи. Она не принимает аудио и не исправляет ошибки распознавания речи; качество может снижаться при отличающихся от Switchboard правилах транскрибирования. Около половины реальных самопоправок остаются неразрешёнными, а оборванные слова модель не обрабатывает. Лицензия — MIT.

Minerva-3B-Instruct-v1.0 — инструктивно дообученная языковая модель, разработанная Walid Iguider на базе Minerva-3B-base-v1.0 от Sapienza NLP, FAIR и CINECA. Она предназначена для понимания инструкций и генерации ответов на итальянском языке. Модель построена на архитектуре Mistral с плотной языковой моделью и содержит 2,8 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов. В карточке приведены результаты оценки на итальянских вариантах Hellaswag, ARC и MMLU. Модель распространяется в формате Safetensors по лицензии CC-BY-NC-SA-4.0. Она подходит для италоязычных диалоговых и инструктивных сценариев, но приведённые оценки не гарантируют качество для любых запросов или предметных областей.

arkananta27/Ministral-3B-All-PAD — дообученная модель семейства Mistral3, разработанная arkananta27 на основе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Она предназначена для диалоговых сценариев с изображениями и текстом: принимает мультимодальный ввод и формирует текстовый ответ. Модель имеет плотную архитектуру Mistral3ForConditionalGeneration; веса опубликованы в формате safetensors. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий распространяется по лицензии Apache-2.0. В карточке не приведены оценки качества или подробности о поддерживаемых языках и ограничениях применения.

Iniakunryan/ministral-vlm-pad-sft-merged-test — дообученная модель Iniakunryan на базе aitf-komdigi/KomdigiITS-3B-PAD-CPT. Это плотная мультимодальная модель семейства Mistral3, предназначенная для диалогового взаимодействия с изображениями и текстом; поддерживает сценарии image-to-text и интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL и распространяется в формате safetensors под лицензией Apache-2.0. Модель подойдёт для вопросов и ответов по изображениям и других диалоговых задач, где ответ формируется по визуальному и текстовому контексту. В метаданных указан английский язык. README не сообщает результаты оценки качества или конкретные ограничения, поэтому применимость к узким областям и надёжность ответов требуют отдельной проверки.

MisterUkrainianDPO — украиноязычная диалоговая модель, созданная Раду Чиверяну методом DPO на основе Mistral-7B-v0.2. Она предназначена для генерации ответов на инструкции и вопросы на украинском языке; для работы с инструкциями используется формат [INST]…[/INST] или доступный шаблон чата Transformers. Модель имеет плотную архитектуру MistralForCausalLM с Grouped-Query Attention и Sliding-Window Attention, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий распространяется в формате safetensors под лицензией Apache-2.0. Карточка не описывает результаты оценки качества или поведение на других языках.

MustaqiLLM — разговорная и инструктивно дообученная языковая модель NeuronUz на 5,17 млрд параметров с архитектурой NeuronLMForCausalLM. Она предназначена прежде всего для общения на узбекском языке, генерации и редактирования узбекских текстов, а также классификации тональности и новостей. Модель работает с узбекским текстом в латинской и кириллической письменности; заявлены также английский и русский языки. Контекст составляет 4096 токенов. Для работы в Transformers требуется включить trust_remote_code, поскольку архитектура пользовательская и код модели поставляется в репозитории. Сильные стороны модели — следование узбекским инструкциям и связная генерация на узбекском; карточка приводит результаты испытаний настроек генерации и классификации. Для чата рекомендуется сэмплирование с температурой 0,7 и repetition_penalty в диапазоне 1,05–1,10, поскольку при иных настройках возможны повторы и незавершённые ответы. Лицензия — Apache-2.0. Модель слаба в задачах, требующих фактических знаний: результаты тестов с вариантами ответа близки к случайному уровню. Перевод с узбекского на английский и преобразование между письменностями ненадёжны; кириллические тексты могут содержать ошибки в заимствованиях и смешение письменностей. У модели нет специального выравнивания безопасности, поэтому она может уверенно выдавать неверную, предвзятую или небезопасную информацию.

opus-mt-af-fr — модель машинного перевода африкаанс на французский язык из проекта OPUS-MT. Она разработана для перевода текстов с африкаанс на французский и построена на архитектуре MarianMT с моделью Transformer-align. Веса содержат 55,6 млн параметров; для предобработки используются нормализация текста и SentencePiece, длина контекста — 512 токенов. Модель обучена на данных OPUS. В README приведён результат BLEU 35,3 и chr-F 0,543 на тестовом наборе JW300.af.fr. Репозиторий предоставляет веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-bg-ru — модель машинного перевода из серии OPUS-MT, опубликованной Helsinki-NLP. Она переводит текст с болгарского на русский. Модель основана на архитектуре Transformer и реализована как MarianMT; число параметров — 54,5 млн, длина контекста — 512 токенов. Для обработки текста используются нормализация и SentencePiece с словарями spm32k. Модель предназначена для перевода болгарских текстов на русский, включая отдельные фразы и предложения. В README приведён результат BLEU 48,5 на наборе Tatoeba-test.bul.rus; качество на других текстах может отличаться. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Карточка модели mijuanlo/opus-mt-ca-es на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-ca-es, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-ca-es — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с каталанского языка на испанский и подходит для перевода отдельных фраз и документов. Модель основана на архитектуре Marian Transformer с выравниванием, содержит 50,6 млн параметров и использует нормализацию текста и токенизацию SentencePiece. Максимальная длина контекста — 512 токенов. Для обучения использовались данные OPUS. В карточке приведены результаты на тестовом наборе Tatoeba.ca.es: BLEU 74,9 и chr-F 0,863. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Она предназначена для направления ca→es; качество перевода в других языковых направлениях не подтверждено.

jkorsvik/opus-mt-eng-nor — модель машинного перевода на базе архитектуры MarianMT, созданная проектом OPUS/Tatoeba Challenge и опубликованная пользователем jkorsvik. Она переводит текст с английского на норвежский букмол и нюнорск; для выбора варианта перевода перед предложением требуется указать целевой языковой токен, например соответствующий код языка. Модель содержит 52,9 млн параметров, использует Transformer и SentencePiece с нормализацией текста, а её контекст ограничен 512 токенами. Модель обучена на данных OPUS с обратными переводами, включая Tatoeba и материалы Википедии и других текстовых проектов. В README приведены оценки BLEU 56,4 для букмола и 40,3 для нюнорска на указанных тестовых наборах Tatoeba. Подходит для перевода предложений и текстовых фрагментов с английского на обе письменные формы норвежского. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-hy — модель машинного перевода с английского на армянский из семейства OPUS-MT, разработанная Helsinki-NLP. Это модель архитектуры Marian Transformer-align с 29,1 млн параметров, обученная на параллельных данных English–Armenian. Для токенизации используется нормализация текста и SentencePiece с словарями по 4 тыс. токенов; контекст составляет до 512 токенов. Модель подходит для перевода предложений и коротких текстов с английского на армянский. В тесте Tatoeba-test.eng.hye указаны BLEU 16,6 и chr-F 0,404. Репозиторий содержит веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-ilo — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на илокано. Модель построена на архитектуре Transformer-align, использует нормализацию текста и токенизацию SentencePiece; число параметров составляет 54,7 млн, длина контекста — 512 токенов. Доступны веса PyTorch и TensorFlow. Модель подходит для перевода предложений и текстов с английского на илокано, в том числе для локализации и подготовки черновиков. В README приведён результат BLEU 33,2 и chr-F 0,584 на тестовом наборе Tatoeba.en.ilo; эти показатели относятся к указанной оценке и не гарантируют качество для других текстов. Модель выпущена под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-ms-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на основе архитектуры Marian (MarianMTModel, Transformer). Она переводит текст с малайского языка на французский. Исходный корпус обозначен как Malay (macrolanguage) и включает коды ind и zsm_Latn; метаданные карточки указывают языки ms и fr. Модель содержит 54,6 млн параметров, использует нормализацию и SentencePiece с словарями spm32k и имеет контекст до 512 токенов. Модель предназначена для перевода отдельных фраз и текстов с малайского на французский. В README приведена оценка BLEU 43,7 и chr-F 0,609 на наборе Tatoeba-test.msa.fra. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

remox01/opus-mt-tc-big-tr-en — модель машинного перевода с турецкого на английский, основанная на Helsinki-NLP/opus-mt-tc-big-tr-en. Она использует архитектуру Marian и предназначена для перевода турецких предложений на английский; в карточке также указан датасет remox01/xde с 164 параллельными предложениями и морфологическим анализом турецкого текста и разметкой частей речи английского текста. Модель загружается через Transformers как последовательная модель Seq2Seq и распространяется в формате safetensors. Небольшой размер указанного набора данных не позволяет заключить, насколько хорошо модель работает на широком спектре текстов. В метаданных указано окно контекста 1024 токена. Лицензия в доступных данных не приведена.

Helsinki-NLP/opus-mt-vi-ru — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с вьетнамского на русский; модель обучена для этой языковой пары, а не для многоязычного перевода. Веса содержат 57,4 млн параметров, родной контекст — до 512 токенов. Для обработки текста используются нормализация и SentencePiece с моделями токенизации размером 32k. Модель подходит для перевода отдельных фраз и текстов с вьетнамского на русский. В README приведён результат на тестовом наборе Tatoeba: BLEU 16,9 и chr-F 0,331. Эти показатели относятся к указанному набору и не гарантируют такого же качества на других тематиках. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-tatoeba-en-ja — модель машинного перевода из семейства OPUS, опубликованная Helsinki-NLP. Она переводит текст с английского на японский и предназначена для перевода предложений и текстовых фрагментов между этими языками. Модель построена на архитектуре MarianMT с Transformer и SentencePiece-токенизацией; содержит 58,4 млн параметров и рассчитана на контекст до 512 токенов. Модель обучена для одной языковой пары без многоязычного режима. В тесте Tatoeba указаны BLEU 15,2 и chr-F 0,258, поэтому качество перевода может зависеть от тематики, формулировок и контекста. Распространяется по лицензии Apache-2.0; доступны веса в форматах PyTorch и TensorFlow.

picur-860M-instruct — предварительная инструктивная языковая модель от разработчика Picur. Это плотная модель семейства LFM2 с 736,1 млн параметров, предназначенная для генерации текста в диалоговом формате и выполнения инструкций. Модель принимает текст и выдаёт текст, поддерживает венгерский язык и контекст до 32 768 токенов. Модель распространяется в формате Safetensors и рассчитана на использование через Transformers. Лицензия Apache-2.0 разрешает применение и распространение на её условиях. Карточка помечает модель как предварительную версию; оценок качества и подробных ограничений в доступных материалах нет.

TehVenom/Pygmalion-Vicuna-1.1-7b — объединённая модель на архитектуре LLaMA, созданная из Pygmalion-7b и дельт Vicuna v1.1. Автор объединил их методом взвешенного усреднения: 60% Pygmalion-7b и 40% Vicuna v1.1. Модель предназначена для генерации текста в чатах и ролевых диалогах; влияние Vicuna добавляет свойства ассистента, следующего инструкциям и дающего полезные ответы. Репозиторий содержит веса в формате safetensors; модель насчитывает 6,6 млрд параметров и имеет контекст 2048 токенов. Модель склонна генерировать контент, который может считаться NSFW. Автор не сообщает точный формат промпта и рекомендует начинать с форматов Pygmalion. Условия лицензирования в доступных данных не описаны.

Q3-8B-Kintsugi — текстовая модель для диалогового ролевого взаимодействия и написания историй, разработанная Allura. Она дообучена на базе Qwen3-8B-Base: сначала на инструкциях, ролевых диалогах и человеческих текстах, затем с применением KTO для коррекции стиля и улучшения логического и пространственного рассуждения. Модель использует плотную авторегрессионную архитектуру Qwen3 с 7,6 млрд параметров и контекстом 32 768 токенов; работает с текстом в формате ChatML. По карточке модели, она особенно хорошо показала себя в ролевых диалогах один на один и написании прозы. Модель предназначена также для инструктивных диалогов и генерации текста; данные о поддерживаемых языках не приведены. Доступны веса в формате Safetensors. Лицензия — Apache-2.0.

quickmt/quickmt-he-en — модель машинного перевода с иврита на английский. Она обучена командой QuickMT с помощью eole и предназначена для быстрого перевода текстов с he на en. Модель построена на архитектуре Transformer и содержит около 200 млн параметров: 8 слоёв энкодера и 2 слоя декодера. Для токенизации используются отдельные словари SentencePiece по 32 тыс. токенов. В README приведены результаты на тестовом наборе Flores200 devtest: BLEU 45,01, chrF2 68,39 и COMET22 88,31; на указанной конфигурации RTX 4070s перевод 1012 предложений занял 1,19 секунды. Модель обучена на датасете quickmt/quickmt-train.he-en и распространяется по лицензии CC BY 4.0. Для GPU-инференса README указывает на необходимость CUDA Toolkit. Описанный сценарий использования предполагает установку библиотеки quickmt; веса также доступны в формате safetensors. Заявленные метрики относятся к Flores200 devtest и не гарантируют такое же качество для других текстов и предметных областей.

DoppelReflEx/Qwen3-14B-Dawnwhisper — плотная языковая модель Qwen3 на 14 млрд параметров, созданная объединением моделей Vitus-Qwen3-14B и The-Omega-Directive-Qwen3-14B-v1.1 методом dare_ties. Она предназначена для генерации диалогового текста, совместного написания и ролевых сценариев; карточка сообщает, что в ролевом диалоге модель может часто обращаться к пользователю. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на английский и китайский языки; также испытана на японском, вьетнамском и русском, с более слабыми результатами. Другие языки не проверялись. Доступна в формате safetensors для Transformers. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими целями.