III.4Клиентская поддержка и customer success

Prikol — объединённая языковая модель Nohobby на архитектуре Llama, основанная на Nohobby/L3.3-Prikol-70B-v0.2 и SicariusSicariiStuff/Negative_LLAMA_70B. Модель содержит 69,5 млрд параметров, принимает текст и поддерживает контекст до 131072 токенов. Для общения используются форматы Llama 3, Llama 3 Context и ChatML Instruct. Модель предназначена прежде всего для ролевых диалогов и творческого письма, а также может использоваться для общих задач ассистента. В карточке отмечены связный ход диалога и более развёрнутая генерация контента для взрослых; автор характеризует качество как неоднозначное. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Sao10K/L3-8B-Lunaris-v1 — разговорная модель на основе Llama 3, созданная автором Sao10K как слияние моделей для общего общения и ролевых сценариев. Автор сообщает, что состав моделей для слияния подбирал по личному опыту, а результат считает улучшением Stheno v3.2 по балансу творческой генерации и логики. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; в карточке указана поддержка английского языка. Для диалогов автор рекомендует шаблон Llama-3-Instruct, температуру 1.4 и min_p 0.1. Модель рассчитана на общее текстовое общение и ролевую игру. Это субъективная оценка автора, а сравнительные результаты и формальная оценка качества в карточке не приведены. Лицензия — Llama 3 Community License (llama3).

LexCAT — модель анализа тональности текста, разработанная Гленном Маркусом Д. Синко в Mapúa University в рамках тезисной работы. Она дообучена на XLM-RoBERTa с лексиконом LexiLiksik и предназначена для классификации тональности в код-свитчевых текстах на тагальском и английском языках, включая смену тональности внутри предложения. Модель обучалась на 10 487 отзывах FiReCS; для оценки использовались наборы SentiTaglish Products and Services и тестовая часть FiReCS. Архитектура — XLM-RoBERTa для классификации последовательностей, около 305,2 млн параметров; максимальный контекст — 514 токенов. LexCAT учитывает лексические признаки, корректирует внимание к словам с эмоциональной окраской и использует метаданные при агрегации представлений. В README указаны точность 84,31% и F1 0,8566 на валидации; модель особенно рассчитана на смешанный Taglish и контрастные фразы вроде «Maganda pero expensive». Доступна по лицензии CC BY 4.0.

Werty1248/Llama-3-Ko-8B-Instruct-AOG — чат-модель, созданная дообучением beomi/Llama-3-Open-Ko-8B на наборах KoAlpaca-v1.1a, OpenOrca-KO и OpenAssistant Guanaco KO. Она предназначена для генерации ответов на инструкции и многоходового диалога на корейском языке; карточка использует формат Alpaca. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. В сравнении авторов на KoBEST отмечено улучшение на BoolQ относительно базовой модели, тогда как на COPA результат близок, а на HellaSwag немного ниже. В README также сказано, что для большинства оценённых задач существенного прироста точности не было. Модель выпущена под лицензией llama3; доступные сведения не уточняют дополнительные условия её использования.

LLäMmlein 1B — немецкоязычная авторегрессионная языковая модель на 1 млрд параметров, разработанная LSX-UniWue и обученная с нуля на немецкой части RedPajama V2 с использованием адаптированной кодовой базы TinyLlama. Данные очищены от повторов на уровне абзацев и отфильтрованы по соотношению токенов и слов. Модель построена на архитектуре LLaMA и предназначена для генерации текста на немецком языке; опубликованы также варианты на 7 млрд и 120 млн параметров и промежуточные чекпойнты обучения. Модель работает с библиотекой Transformers, хранится в форматах PyTorch и Safetensors и имеет контекстное окно 2048 токенов. Подходит для экспериментов и прикладных сценариев генерации немецкого текста. Лицензия указана как other; конкретные условия следует сверить на странице модели.

Atotti разработала llm-jp-4-8b-speech-chat — японскую речевую языковую модель для диалога и выполнения инструкций по аудио. Она принимает речь и формирует текстовые ответы, включая транскрипцию и описание аудио. Модель относится к семейству LLM-jp-4 8B; в метаданных указана плотная архитектура LlamaForSpeechLM и формат safetensors. Обучение использовало наборы ReazonSpeech, spoken-multiturn-sft и spoken-magpie-ja. Карточка отмечает японский как основной язык и английский среди языков модели. Модель подходит для распознавания японской речи, голосовых диалогов и ответов на устные инструкции. Она оптимизирована прежде всего для японского языка; ошибки распознавания и рассуждений возможны, а шум, длинные записи и спонтанная речь могут снижать качество. Лицензия — Apache-2.0.

Mahou-1.3a-llama3-8B — диалоговая языковая модель от flammen.ai, предназначенная для общения и ролевых сценариев. Это дообученная на базе flammenai/Mahou-1.3-llama3-8B версия семейства Llama 3 с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель обучали три эпохи методом ORPO на разговорных данных flammen.ai; она поддерживает чатовый формат ChatML и рассчитана на контекст до 8192 токенов. Модель подходит для ведения диалогов и отыгрыша персонажей. Она принимает текст и генерирует текст; карточка указывает лицензию Llama 3. Качество ответов зависит от формулировки запроса и выбранных инструкций, а особый формат ChatML и настройки генерации могут потребовать соответствующей конфигурации интерфейса.

Malay Parler TTS Mini V1 — модель синтеза речи на малайском языке, дообученная Mesolitica на наборе данных для синтеза малайской речи. Она принимает текст и генерирует аудио, что подходит для озвучивания малайских текстов и создания голосовых ответов. Модель основана на архитектуре Parler TTS и опубликована в формате safetensors для использования с Transformers. Карточка не сообщает размер модели, длину контекста, характеристики голоса или лицензию, поэтому эти свойства нельзя уточнить. README также не приводит сведения о качестве синтеза и ограничениях по применению; перед использованием следует проверить лицензионные условия репозитория.

Matsu-7B — языковая модель на архитектуре Qwen2, разработанная Manual-Dataset-Creation-Project. Это версия Qwen2.5-7B, дообученная следовать инструкциям на наборах oasst2 и Malum-230; модель предназначена для генерации ответов в диалоге и выполнения текстовых инструкций на японском языке. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 131 072 токенов. Доступны веса в формате safetensors для использования с Transformers. Модель распространяется по лицензии Apache-2.0. Качество ответов зависит от тематики запроса и данных дообучения; README не приводит оценок качества или подробностей о покрытии задач. Для сценариев с повышенными требованиями к точности ответы следует проверять.

Карточка модели exo-jhop/ministral3-gdpr-distilled на Hugging Face совпадает с карточкой exo-jhop/ministral3-gdpr-lora, поэтому описание составлено по ней. exo-jhop/ministral3-gdpr-lora — дообученная модель семейства Mistral3 на базе Ministral 3 8B Instruct, подготовленная автором exo-jhop с использованием Unsloth и библиотеки TRL. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом; карточка классифицирует её как image-text-to-text и указывает поддержку vision и интерфейса вызова инструментов. Размер базовой модели — 8 млрд параметров; в репозитории указаны веса SafeTensors. Модель может быть полезна для анализа изображений и ответов на вопросы о них в чате. Выпущена по лицензии Apache-2.0.

Mistral-Nemo-Prism-12B-v3 — экспериментальная диалоговая модель для генерации текста, созданная nbeerbower дообучением Mahou-1.5-mistral-nemo-12B-lorablated на наборах Arkhaios-DPO и Purpura-DPO. Для обучения применялся ORPO: автор сообщает об использовании двух GPU A100 и десяти эпох. Модель предназначена для диалогов и ролевого общения с более современным и сдержанным стилем: цель дообучения — уменьшить архаичную лексику и чрезмерно витиеватую прозу. Архитектура — плотная MistralForCausalLM, размер — 12,1 млрд параметров; заявленный контекст — до 1 024 000 токенов. Модель принимает текст и генерирует текст. Автор характеризует публикацию как экспериментальную итерацию, а не готовый к использованию релиз; также отмечает отсутствие ограничений на генерируемый контент. Лицензия — Apache-2.0. Языковая поддержка отдельно не описана.

Salma118/NASAQ4.1 — дообученная мультимодальная модель семейства Gemma 4, разработанная Salma118 на базе unsloth/gemma-4-31b-it-unsloth-bnb-4bit. Модель использует плотную архитектуру Gemma4ForConditionalGeneration и предназначена для диалогового взаимодействия с текстом и изображениями; в метаданных также заявлен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Она подходит для ответов на вопросы по изображениям и сочетания текстовых запросов с визуальным вводом. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

NaturalFunctions-7B — языковая модель на архитектуре Mistral, дообученная разработчиком репозитория на базе Mistral-7B для вызова функций. Она предназначена для диалоговых сценариев, в которых модель выбирает доступную функцию и формирует вызов по запросу пользователя. В карточке также указаны обучающие наборы Glaive Function Calling v2 и Capybara. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Репозиторий содержит веса Safetensors для библиотеки Transformers. Лицензия — Apache-2.0. Модель можно применять как компонент ассистента с функциями или инструментами. Карточка не сообщает о результатах оценки качества и не описывает точный формат вызовов, поэтому совместимость с конкретными интерфейсами инструментов следует проверять отдельно.

MaroneAI разработала Seq2Seq-модель для перевода с французского на волоф, дообучив facebook/nllb-200-distilled-600M на небольшом пользовательском наборе данных. Модель построена на архитектуре NLLB-200 с классом M2M100ForConditionalGeneration, содержит 463,7 млн параметров и рассчитана на контекст до 1024 токенов. Она работает с текстом и использует библиотеку Transformers; в карточке указана поддержка FP16 для запуска на GPU. Модель предназначена для быстрого перевода с французского на волоф, в том числе для языка с ограниченными ресурсами. Качество оценивалось метрикой BLEU, но численные результаты оценки не приведены. Набор данных описан как небольшой, поэтому качество может зависеть от тематики и формулировок входного текста. Лицензия — MIT.

Nous-Lotus-10.7B — текстовая языковая модель, созданная автором saishf с помощью mergekit. Это слияние методом SLERP моделей BlueNipples/SnowLotus-v2-10.7B и NousResearch/Nous-Hermes-2-SOLAR-10.7B. Модель имеет архитектуру Llama, около 10,6 млрд параметров и контекст до 4096 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Автор объединил разговорные качества SnowLotus с более уверенной работой Nous Hermes с необычными персонажами. Обе модели используют разные форматы диалогов — Alpaca и ChatML; автор сообщает, что оба формата могут работать, но не определил, какой из них предпочтительнее. Автор предупреждает, что это его первое слияние и качество может оказаться слабым или модель может работать некорректно. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Novasy nova-vision-7b — дообученная Novasy мультимодальная модель на архитектуре Qwen2.5-VL с 7 млрд параметров. Она основана на unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit и предназначена для диалоговых задач, в которых нужно учитывать изображения и формировать текстовый ответ. Модель подходит для вопросов об изображениях, визуального диалога и описания изображений. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Доступна по лицензии Apache-2.0.

NusaBERT-Plutchik-Emotion-Classifier — модель классификации текста на базе BERT, дообученная на основе Aardiiiiy/EmoSense-ID-Indonesian-Emotion-Classifier. Она предназначена для распознавания эмоций в индонезийском тексте и может применяться для анализа сообщений и других текстовых материалов. Модель содержит 137,8 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведён результат F1 0,6419 на оценочном наборе; данные этого набора и его состав не раскрыты. Модель распространяется по лицензии MIT.

Helsinki-NLP/opus-mt-en-bnt — модель машинного перевода из проекта OPUS-MT, опубликованная Helsinki-NLP. Это трансформер MarianMT с 56,8 млн параметров, который переводит текст с английского на несколько языков банту: киньяруанда, лингала, луганда, ньянджа, кирунди, шона, суахили, тони, тсонга, умбунду и зулу. Для выбора языка назначения в начале предложения требуется токен вида `>>id<<`; текст обрабатывается с нормализацией и SentencePiece. Модель предназначена для перевода отдельных фраз и текстов с английского на поддерживаемые языки банту. В README приведены результаты на тестовых наборах Tatoeba для ряда языковых пар; оценки различаются между языками, поэтому качество следует проверять на целевых данных. Длина контекста — 512 токенов. Доступны веса PyTorch и TensorFlow; лицензия — Apache-2.0.

Helsinki-NLP выпустила OPUS-MT eng-dra — модель машинного перевода на архитектуре Transformer в семействе Marian. Она переводит с английского на тамильский, каннада, малаялам и телугу; перед целевым текстом требуется указать языковой токен в формате >>id<<. Модель содержит 57,4 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. единиц и рассчитана на контекст до 512 токенов. Модель подходит для перевода фраз и текстов с английского на четыре дравидийских языка. В README приведены тестовые оценки BLEU 4,7 для каннада и 13,1 для малаялам, а также агрегированная оценка BLEU 10,7; качество зависит от языка и текста. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt_tiny_eng-ita — компактная модель машинного перевода английского текста на итальянский, разработанная Helsinki-NLP как дистиллированный студенческий вариант модели-учителя Tatoeba-MT. Она использует архитектуру Marian с небольшим Transformer-декодером и содержит 14,5 млн параметров; базовый контекст составляет 256 токенов. Модель обучена на данных Tatoeba, а в метаданных также указаны наборы Flores+ и Bouquet. Модель предназначена для автоматического перевода фраз и коротких текстов с английского на итальянский. В приведённых оценках студент набрал BLEU 27,6 на Flores+ и 49,8 на Bouquet, ниже показателей модели-учителя. Доступны форматы safetensors и TFLite, а лицензия — Apache-2.0.

paper-pretrained-model-gpt2 — дообученная языковая модель на архитектуре GPT-2, основанная на openai-community/gpt2. Она предназначена для генерации текста и может использоваться для продолжения заданного текста и создания черновиков. В README приведён результат оценки: loss 0.6482; название обучающего набора данных указано как None, поэтому особенности обучения и целевой области определить нельзя. Модель принимает текст и выдаёт текст. Контекстное окно составляет 1024 токена. Веса доступны в формате safetensors, лицензия — MIT. README не уточняет поддерживаемые языки, специальные сценарии применения и известные ограничения; качество для конкретных задач следует оценивать отдельно.

Qwen3-0.6B-Farsi — дообученная модель gpugobrrr на базе Qwen/Qwen3-0.6B для генерации текста на фарси (персидском языке) и диалогов. Она использует плотную архитектуру Qwen3ForCausalLM и содержит около 508 млн параметров. Модель работает с контекстом до 40 960 токенов; в репозитории есть токенизатор и шаблон чата. Модель подходит для персидских текстовых ответов и разговорных сценариев. Она распространяется в формате safetensors и доступна по лицензии Apache-2.0. Карточка не описывает обучающие данные или результаты оценки качества, поэтому качество и охват отдельных вариантов персидского языка по ней определить нельзя.

Athuin/tinyLama-german — компактная языковая модель семейства Llama, разработанная Athuin на основе unsloth/tinyllama. Это дообученная модель с архитектурой LlamaForCausalLM и примерно 1 млрд параметров, предназначенная для генерации текста. Репозиторий содержит веса PyTorch; при обучении использовались Unsloth и библиотека TRL. Модель может служить основой для генерации продолжений текста и диалоговых ответов. Для неё указан контекст длиной 4096 токенов. Название указывает на немецкую специализацию, однако README и метаданные не подтверждают её отдельно; метаданные карточки указывают английский язык. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-bem — модель машинного перевода, опубликованная Windstorm Labs. Она переводит текст с английского языка на бемба и подходит для перевода коротких сообщений и других текстов в этом языковом направлении. Модель основана на Helsinki-NLP/opus-mt-en-bem и дообучена методом LoRA на параллельных текстах; адаптер объединён с базовыми весами. Это MarianMT-модель с 55,8 млн параметров и контекстом до 512 токенов. В репозитории доступны веса safetensors для Transformers. Лицензия — Apache-2.0. В проверке на 48 предложениях FLORES-200 dev модель получила chrF++ 31,91 и BLEU 7,52; автор характеризует этот результат как пригодный для использования, но подчёркивает, что это предварительная проверка, а не результат публикационного исследования. Модель поддерживает только перевод с английского на бемба; качество перевода следует оценивать для конкретного применения.

WindyTranslate/translate-en-ht — модель машинного перевода, опубликованная Windstorm Labs и дообученная на параллельных данных OPUS-100 на основе Helsinki-NLP/opus-mt-en-ht. Она переводит текст с английского на гаитянский креольский; архитектура — MarianMT, размер — 49,6 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для перевода коротких текстов в одном направлении: с английского на гаитянский креольский. В проверке на 48 предложениях FLORES-200 dev модель получила chrF++ 32,80 и BLEU 10,47; результат обозначен авторами как пригодный для использования, но это предварительная оценка, а не публикационный результат. Качество перевода может меняться в зависимости от текста. Модель распространяется в формате safetensors по лицензии Apache-2.0.

WindyTranslate/translate-fi-bg — модель машинного перевода, опубликованная Windstorm Labs и основанная на Helsinki-NLP/opus-mt-fi-bg. Это дообученная версия архитектуры MarianMT: LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель содержит 55,9 млн параметров, принимает текст на финском языке и переводит его на болгарский; максимальная длина контекста — 512 токенов. Модель рассчитана на перевод с финского на болгарский. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 44,13 и BLEU 18,24; авторы характеризуют результат как пригодный для использования, но указывают, что это предварительная оценка, а не публикационный результат. Поддерживается только направление fi→bg. Модель распространяется в формате safetensors и доступна по лицензии Apache-2.0.

WindyTranslate/translate-fi-mk — модель машинного перевода, опубликованная Windstorm Labs и дообученная на параллельных корпусах. Она создана на основе Helsinki-NLP/opus-mt-fi-mk: LoRA-дообучение объединено с базовыми весами, при этом изменены 36 из 254 тензоров. Модель с архитектурой MarianMT содержит 57,2 млн параметров, принимает текст и переводит с финского на македонский. Для запуска доступна сборка Transformers в формате safetensors; длина контекста — 512 токенов. В проверке на 48 предложениях FLORES-200 dev получены chrF++ 39,02 и BLEU 11,21; авторы относят этот результат к уровню «пригодно к использованию», но отмечают, что это предварительная оценка, а не результат публикационного исследования. Лицензия — Apache-2.0.

gshields/translate_model_error_v0.3 — дообученная модель MarianMT на основе Helsinki-NLP/opus-mt-en-hi для перевода текста с английского языка на хинди. Модель содержит 56,9 млн параметров, использует PyTorch и рассчитана на контекст до 512 токенов. В README указаны результаты оценки: BLEU 26,63 и loss 3,0375. Данные обучения и подробности о предполагаемых сценариях применения не раскрыты. Модель распространяется по лицензии Apache-2.0.

TalTechNLP/voxlingua107-epaca-tdnn — модель распознавания языка устной речи, обученная с помощью SpeechBrain на наборе VoxLingua107. Она использует архитектуру ECAPA-TDNN, разработанную для распознавания дикторов, и классифицирует аудиофрагмент по одному из 107 языков. Модель также можно применять для извлечения признаков на уровне высказывания и обучения собственной системы идентификации языка. Модель подходит для автоматического определения языка в коротких речевых записях и подготовки языковых эмбеддингов. На указанном в карточке наборе разработки частота ошибок составила 7%. Доступны веса PyTorch, лицензия — Apache-2.0. Данные VoxLingua107 автоматически извлечены из роликов YouTube и размечены по языку заголовка и описания, поэтому качество обучения и разметки неоднородно. Точность может быть ниже для малоресурсных языков, речи с иностранным акцентом, женской и детской речи, а также речи людей с нарушениями речи.

francesca9805/arb-arab-100mb-ppt-Dp-100mb-packed-bfdiso_seed3407 — дообученная Francesca9805 модель семейства GPT-2 на базе goldfish-models/arb_arab_100mb. Она создана с помощью TRL и предназначена для генерации текста; в карточке показан пример ответа на открытый вопрос. Модель работает через Transformers, сохраняется в формате safetensors и имеет контекстное окно 512 токенов. Лицензия в доступных данных не указана.