III.4Клиентская поддержка и customer success

amaan00z/emotion_xlmr3 — модель классификации эмоций в тексте, разработанная Аманом Шейхом и дообученная на базе FacebookAI/xlm-roberta-base. Она предназначена для анализа текстов на хинглише — смеси хинди и английского, в том числе сообщений из индийских социальных сетей. Модель относит текст к одной из десяти категорий: гнев, страх, отвращение, грусть, неодобрение, удивление, восхищение, радость, любовь или нейтральная эмоция. В основе лежит трансформер XLM-RoBERTa Base с 305,2 млн параметров и контекстом до 514 токенов. Автор сообщает о точности 0,9875 и F1 0,9850 на оценочном наборе; эти показатели относятся к описанной автором выборке и не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии MIT.

Карточка модели Razon2006/gemma3-tamil-Pathavurai-Run1 на Hugging Face совпадает с карточкой Razon2006/tamil-gemma3-v2, поэтому описание составлено по ней. Razon2006 дообучил текстовую модель Gemma 3 на базе unsloth/gemma-3-270m-it с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная модель архитектуры Gemma3ForCausalLM с 257 млн параметров, предназначенная для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 32 768 токенов. Модель может применяться для простых диалогов, ответов на вопросы и генерации текста. В карточке не описаны обучающие данные и конкретные улучшения после дообучения, поэтому специализацию на тамильском языке по названию модели подтвердить нельзя; метаданные указывают английский язык. Лицензия — Apache-2.0.

GPT2-Large Dutch — авторская языковая модель автора yhavinga, обученная с нуля для генерации нидерландского текста. Модель содержит 762 млн параметров, использует архитектуру GPT-2 и токенизатор BPE, обученный специально для нидерландского языка. Она обучалась на очищенном нидерландском подмножестве mC4; в README указана perplexity 15,1. Модель предназначена для продолжения нидерландского текста и генерации по заданному фрагменту. Её контекстное окно составляет 1024 токена. Доступны веса в форматах PyTorch, Flax и safetensors. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

HumanSense_Omni_Reasoning — мультимодальная модель Ant Group и Сианьского университета Цзяотун, дообученная на базе Qwen2.5-Omni-7B для понимания человеческих намерений и создания эмпатичных, учитывающих контекст ответов с использованием рассуждений. Она предназначена для анализа длительного видеоконтекста, в том числе с аудио, и выдачи текстовых ответов; в карточке Hugging Face основная задача обозначена как video-text-to-text. Архитектура — плотная Qwen2.5-Omni для условной генерации; модель опубликована в формате safetensors и принимает видео, аудио и текст согласно возможностям базовой omni-модели. Модель обучалась с многоэтапным прогрессивным по модальностям обучением с подкреплением и оценивалась на бенчмарке HumanSense, ориентированном на человекоцентричное восприятие и взаимодействие. Подходит для интерпретации намерений и эмоционального контекста в мультимодальных сценариях и формирования обоснованной обратной связи. Размер базовой модели — 7 млрд параметров; поддерживаемый язык карточки — английский. Лицензия — Apache-2.0. README не приводит отдельных численных характеристик качества модели.

Карточка модели Bateesa/japadhola-english-bidirectional-nllb3 на Hugging Face совпадает с карточкой Bateesa/japadhola-english-bidirectional-nllb, поэтому описание составлено по ней. Bateesa/japadhola-english-bidirectional-nllb — модель машинного перевода на основе NLLB-200 Distilled 600M, дообученная для перевода между языком джападхола (adh_Latn) и английским (eng_Latn) в обоих направлениях. Она предназначена для перевода текстов с джападхола на английский и обратно. Для обучения использовались пары переводов, подготовленные людьми и синтетически сгенерированные. Модель использует архитектуру M2M100 для генерации перевода. В метаданных указано окно контекста 1024 токена и формат весов safetensors. Лицензия — Apache-2.0. В карточке нет результатов оценки качества или подробных сведений об ограничениях и сценариях применения, поэтому точность перевода для конкретных типов текстов не подтверждена.

Это дообученная с помощью TRL модель генерации текста на архитектуре GPT-2, опубликованная francesca9805. Она предназначена для продолжения текста и ответов на запросы в формате диалога; карточка показывает пример генерации ответа на открытый вопрос. Модель принимает текст и выдаёт текст, использует формат safetensors и имеет контекстное окно 512 токенов. Базовая модель — francesca9805/jpn-jpan-10mb-ppt-Dp-100mb-packed-bfdiso_seed10. Сведения о лицензии и специализированной области применения в доступных данных отсутствуют.

Карточка модели AlicanKiraz0/Kizagan-E4B-Turkish-Reasoning-Model-mlx-fp16 на Hugging Face совпадает с карточкой AlicanKiraz0/Kizagan-E4B-Turkish-Reasoning-Model, поэтому описание составлено по ней. Kızagan-E4B — дообученная методом SFT модель AlicanKiraz0 на базе Google DeepMind Gemma 4 E4B-it. Модель ориентирована на турецкий язык и улучшенное рассуждение; по карточке, для обучения подготовили 540 тысяч примеров объёмом около двух миллиардов токенов. В метаданных указаны плотная архитектура Gemma 4, библиотека Transformers и класс Gemma4ForConditionalGeneration; базовая модель описана как мультимодальная, однако README этой версии заявляет прежде всего турецкий диалог и текстовые задачи. Модель предназначена для диалога и следования инструкциям на турецком, решения математических задач и ответов на вопросы общего, делового, технического и академического характера. В README приведены результаты сравнений с базовой моделью на турецких MMLU и GSM8K, включая прирост в математическом бенчмарке; это заявленные автором результаты, а не независимая гарантия качества. Репозиторий распространяется в формате Safetensors, а лицензия — Apache 2.0.

mssma/ko-solar-10.7b-v0.13 — авторегрессионная языковая модель семейства LLaMA с плотной архитектурой, опубликованная в формате safetensors для библиотеки Transformers. Она содержит 10,7 млрд параметров и рассчитана на генерацию текста на корейском языке; карточка показывает загрузку через AutoModelForCausalLM и AutoTokenizer с точностью float16 и автоматическим распределением по устройствам. Модель может использоваться для генерации и продолжения корейского текста. Окно контекста составляет 2048 токенов. Лицензия Apache-2.0. README не сообщает базовую модель, способ обучения или оценку качества.

Azazelle/L3-Hecate-8B-v1.1 — разговорная языковая модель на архитектуре Llama, созданная слиянием предварительно обученных моделей через mergekit с последующим ExPO. В метаданных базовая модель указана как NousResearch/Meta-Llama-3-8B-Instruct; размер модели — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалогов, с акцентом на ролевые сценарии. Она использует формат safetensors и библиотеку Transformers. Указанная лицензия — llama3. Карточка рекомендует настройки семплирования, но не приводит оценок качества или подробных сведений о поддерживаемых языках.

atsuki-yamaguchi/Llama-3.1-8B-Instruct-am-madlad-mean-tuned — языковая модель на архитектуре Llama 3.1, разработанная на основе Meta Llama 3.1 8B Instruct и дополнительно обученная для амхарского языка на 500 млн токенов из MADLAD-400. Для модели расширен целевой словарь на 10 тыс. токенов; веса новых элементов эмбеддингов и LM head инициализированы средним значением. Размер модели — 7,5 млрд параметров, заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогов на амхарском языке, включая ответы на инструкции. Она загружается через Transformers и распространяется в формате safetensors. Лицензия — Llama 3.1 Community License Agreement. Карточка описывает дополнительное обучение на амхарских данных, но не приводит сравнительных оценок качества; результаты для конкретных задач следует проверять отдельно.

LlaMaestra — компактная языковая модель Leonard Püttmann для перевода между английским и итальянским языками. Она создана дообучением Meta Llama 3.2 1B Instruct на примерно 300 тысячах пар предложений из Tatoeba и рассчитана на прямую выдачу перевода без пространных пояснений. Модель имеет плотную архитектуру LlamaForCausalLM и около 1,2 млрд параметров; для запуска используется библиотека Transformers, веса опубликованы в формате safetensors. Указанная длина контекста — 131 072 токена. Небольшой размер позволяет запускать модель на CPU. Она подходит для перевода отдельных фраз и предложений в направлениях EN↔IT. Данные обучения основаны на примерах Tatoeba, поэтому качество на длинных текстах, специализированной терминологии и языковых парах помимо английского и итальянского карточкой не подтверждено. Лицензия — Llama 3.2; условия использования определяются лицензией Meta Llama 3.2.

Lalita разработала MarianMT-модель для перевода с упрощённого китайского языка на тайский. Это трансформер MarianMT с 41,6 млн параметров, обученный с нормализацией текста и токенизацией SentencePiece; модель принимает текст и выдаёт текст. Для тестового набора в карточке приведены оценки 15,95 по слоговой метрике и 8,43 по словной метрике. Модель подходит для перевода коротких китайских текстов на тайский, например сообщений и фрагментов документов. Указанное в метаданных родное контекстное окно составляет 512 токенов. В README не указана лицензия, поэтому условия использования по этим данным определить нельзя.

Карточка модели MergekitCloud/mergekit-45 на Hugging Face совпадает с карточкой MergekitCloud/mergekit-72, поэтому описание составлено по ней. MergekitCloud/mergekit-72 — языковая модель для диалоговой генерации текста, созданная объединением нескольких моделей семейства Llama 3.1 с помощью метода Model Stock в mergekit. В качестве базовой модели использована vicgalle/Humanish-Roleplay-Llama-3.1-8B; в объединение также вошли ArliAI/Llama-3.1-8B-ArliAI-RPMax-v1.3, Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2 и Undi95/Llama3-Unholy-8B-OAS. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель предназначена для генерации ответов в чате и ролевых диалогов, включая сценарии с более свободными ответами. Указанные в названиях исходных моделей особенности предполагают ориентацию на ролевое общение и контент с ослабленными ограничениями, однако карточка не описывает отдельные гарантированные навыки или результаты оценки. Данные о лицензии и конкретной поддержке языков не представлены, поэтому условия использования и языковой охват по имеющимся сведениям определить нельзя.

Карточка модели MergekitCloud/mergekit-62 на Hugging Face совпадает с карточкой MergekitCloud/mergekit-72, поэтому описание составлено по ней. MergekitCloud/mergekit-72 — языковая модель для диалоговой генерации текста, созданная объединением нескольких моделей семейства Llama 3.1 с помощью метода Model Stock в mergekit. В качестве базовой модели использована vicgalle/Humanish-Roleplay-Llama-3.1-8B; в объединение также вошли ArliAI/Llama-3.1-8B-ArliAI-RPMax-v1.3, Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2 и Undi95/Llama3-Unholy-8B-OAS. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель предназначена для генерации ответов в чате и ролевых диалогов, включая сценарии с более свободными ответами. Указанные в названиях исходных моделей особенности предполагают ориентацию на ролевое общение и контент с ослабленными ограничениями, однако карточка не описывает отдельные гарантированные навыки или результаты оценки. Данные о лицензии и конкретной поддержке языков не представлены, поэтому условия использования и языковой охват по имеющимся сведениям определить нельзя.

OpenSakura-MODEL-260906-LN-ja-zh-SFT-qwen36-35b-a3b-sft-GGUF — это GGUF-квантизация модели OpenSakura/OpenSakura-MODEL-260906-LN-ja-zh-SFT-qwen36-35b-a3b-sft, подготовленная mradermacher. Модель предназначена прежде всего для задач перевода и работы с японским и китайским языками. В README не указаны подробные сведения о поддерживаемых сценариях, качестве перевода или дополнительных возможностях. Модель основана на семействе Qwen; в идентификаторе указаны конфигурация 35B и вариант a3b, однако точная архитектура, число активных параметров, длина контекста и размер исходной модели не описаны. Доступны статические квантизации GGUF от Q2_K до Q8_0, включая IQ4_XS, с размером файлов примерно от 13 до 37 ГБ. Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые варианты, Q6_K — как вариант очень хорошего качества, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Основное преимущество сборки — выбор компромисса между размером, скоростью и качеством благодаря нескольким уровням квантизации; модель можно использовать в совместимом с GGUF локальном ПО. Ограничения включают отсутствие weighted/imatrix-квантизаций в данной публикации и недостаток информации о контексте, мультимодальности, точных характеристиках и бенчмарках. Лицензия в README не указана.

Helsinki-NLP/opus-mt-am-sv — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она переводит текст с амхарского языка на шведский и предназначена для автоматического перевода отдельных фраз и текстов. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; размер составляет 57,5 млн параметров, контекст — до 512 токенов. Для набора JW300.am.sv в карточке приведены оценки BLEU 21,0 и chr-F 0,377. Модель принимает текст на амхарском и выдаёт перевод на шведском. Распространяется по лицензии Apache-2.0; доступны веса PyTorch и TensorFlow. Качество может зависеть от тематики и стиля входного текста; приведённая оценка относится к указанному тестовому набору.

AventIQ-AI подготовила модель Pythia-410m для анализа тональности отзывов. Это плотная модель семейства GPT-NeoX с примерно 454,2 млн параметров и контекстом до 2048 токенов. Модель дообучена на положительных и отрицательных отзывах IMDb и представлена в формате safetensors; в README также заявлена оптимизация float16 для уменьшения расхода памяти и ускорения вывода. Модель предназначена для классификации текста по тональности, например отзывов о товарах и фильмах. В README приведены метрики на задаче анализа тональности: accuracy и F1 — 0,56, precision — 0,68, recall — 0,56, поэтому качество может быть ограниченным. Разработчик отмечает, что результаты могут хуже переноситься на тематики за пределами обучающих данных; количественные метрики относятся к описанному эксперименту. Лицензия в предоставленных данных не указана.

Quipu 0.6B — компактная языковая модель QuipuAI, дообученная методом LoRA на Qwen/Qwen3-0.6B. Она предназначена для пошаговых рассуждений, решения простых логических задач, краткой помощи с кодом и быстрых диалогов при ограниченных вычислительных ресурсах. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Приоритетные языки по карточке — английский и испанский; метаданные также отмечают многоязычность. Модель рассчитана на структурированные и логичные ответы, локальный запуск, прототипирование и использование на устройствах с ограниченными ресурсами. Для использования указана лицензия Apache 2.0. Компактный размер помогает снизить требования к вычислениям, однако модель позиционируется для базовой помощи с кодом и простых задач, поэтому её ответы могут быть недостаточно надёжны для сложных рассуждений и программирования.

Модель nityaak — дообученная разговорная языковая модель семейства Qwen3 с архитектурой причинного языкового моделирования Qwen3ForCausalLM и 1,7 млрд параметров. Она основана на unsloth/Qwen3-1.7B-unsloth-bnb-4bit и предназначена для генерации текста в диалогах; карточка связывает модель с разговорами о позициях и взглядах, однако подробности обучающих данных и качество на конкретных задачах не описаны. Модель принимает текст и генерирует текст, поддерживает контекст до 40 960 токенов. Она дообучена разработчиком nityaak с использованием Unsloth и библиотеки TRL. Распространяется по лицензии Apache-2.0.

Модель maheshrawat18/Qwen3-8B-grpo-emotion-v8-merged разработана maheshrawat18 и представляет собой дообученную диалоговую модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Она предназначена для генерации текста в чате и сценариев, связанных с эмоциями; базой послужила maheshrawat18/Qwen3-8B-grpo-emotion-v7-merged. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 40 960 токенов. Веса опубликованы в формате safetensors; README сообщает об обучении с Unsloth. Лицензия — Apache-2.0. Карточка не приводит конкретных результатов оценки качества или подробностей обучения на эмоциональных сценариях.

RoGemma2-9b-Instruct — румынская инструктивная языковая модель, разработанная OpenLLM-Ro. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, дообученная на основе google/gemma-2-9b-it на наборах инструкций и диалогов на румынском языке. Контекст модели составляет 8192 токена; репозиторий содержит веса в формате safetensors. Модель предназначена для диалогового помощника и генерации текста на румынском: она подходит для ответов на вопросы, суммаризации и выполнения текстовых инструкций. Карточка ориентирует её на исследовательское применение и указывает, что использование для языков, отличных от румынского, выходит за рамки заявленного назначения. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

hwkwon/S-SOLAR-10.7B-SFT-v1.2 — дообученная с помощью DeepSpeed языковая модель, созданная на основе Edentns/DataVortexS-10.7B-dpo-v1.11. Она предназначена для генерации текста по запросу в формате диалога с разделителями «### User» и «### Assistant». Модель построена на плотной архитектуре Llama и содержит 10,7 млрд параметров; её родной контекст составляет 4096 токенов. В метаданных указан корейский язык и формат весов safetensors. Данные обучения в карточке не описаны, поэтому специализацию модели и её сильные стороны определить нельзя. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

S-SOLAR-10.7B-v1.2 — разговорная языковая модель семейства Llama, дообученная разработчиком hwkwon на базе yanolja/EEVE-Korean-10.8B-v1.0. Она предназначена для генерации текста и диалоговых сценариев на корейском языке. Модель содержит 10,6 млрд параметров, использует плотную архитектуру Llama и рассчитана на контекст до 4096 токенов. Для общения используется шаблон с секциями пользователя и ассистента. Данные обучения в карточке не описаны, поэтому специализированные области применения и качество на конкретных задачах оценить нельзя. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

Sunbird-experimental/sunflower-qwen3.5-9b-sft — дообученная командой Sunbird-experimental мультимодальная модель семейства Qwen3.5. Она основана на Sunbird-experimental/sunflower-qwen3.5-9b-base и предназначена для диалоговых задач с изображениями: принимает текст и изображения, а отвечает текстом. В метаданных указана задача image-text-to-text и поддержка чата с изображениями. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке упомянуто обучение с Unsloth; сведения о размере модели, длине контекста и подробных результатах обучения не приведены.

Teleut-7b-RP-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Teleut-7b-RP, разработанный на базе allura-org/Teleut-7b-RP и квантизированный bartowski с помощью llama.cpp и метода imatrix. Модель ориентирована на ролевое общение и диалоговые сценарии, включая генерацию ответов в формате roleplay. Для работы рекомендуется использовать шаблон чата с ролями system, user и assistant; заявлена совместимость с LM Studio и llama.cpp. Модель относится к классу 7B, поддерживает только текстовый ввод и вывод, однако сведения о точной архитектуре, максимальном контексте и языках в README не указаны. Репозиторий содержит варианты от F16 размером 15,24 ГБ до низкобитных IQ2 и Q2 размером около 2,78–3,02 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, а Q4_K_M указан как вариант стандартного размера для большинства сценариев; низкобитные варианты подходят для систем с ограниченной оперативной памятью, но дают заметно более низкое качество. Основные преимущества — широкий выбор размеров GGUF-файлов, возможность локального запуска и оптимизированные варианты с повышенной точностью embedding- и output-весов. Ограничения связаны с потерями качества при сильной квантизации, отсутствием данных о языковой поддержке, контекстном окне и результатах оценки. Указана лицензия Apache-2.0.

Til-2B-GEC — модель команды TilQazyna для исправления грамматических, орфографических и пунктуационных ошибок в казахском тексте. Она дообучена на данных Til-GEC от базовой модели Til-2B. Модель построена на архитектуре DeepseekV3ForCausalLM с механизмом MLA, содержит около 1,977 млрд параметров, 30 слоёв и поддерживает контекст до 4096 токенов. Она предназначена для коррекции коротких текстов, включая ошибки в падежах, личных и притяжательных окончаниях, числе, времени, отрицании, порядке слов и написании. Модель может слегка перефразировать исходный текст вместо минимальной правки. Для скачивания файлов требуется одобрение запроса доступа командой TilQazyna. Лицензия — Apache-2.0.

WindyTranslate/translate-de-af — модель машинного перевода, опубликованная Windstorm Labs для перевода текста с немецкого языка на африкаанс. Это дообученная версия Helsinki-NLP/opus-mt-de-af: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель использует архитектуру MarianMT, содержит 55,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель подходит для перевода немецких фраз и документов на африкаанс. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 49,69 и BLEU 22,23; это скрининговая оценка, а не результат публикационного исследования. Поддерживается только направление перевода с немецкого на африкаанс. Лицензия — Apache-2.0.

Windstorm Labs опубликовала компактную модель машинного перевода WindyTranslate/translate-en-rn на архитектуре MarianMT с 29 млн параметров. Она переводит текст с английского языка на рунди и рассчитана на сценарии, где нужен перевод в одном направлении. Модель основана на Helsinki-NLP/opus-mt-en-rn: LoRA-дообучение на параллельных данных было объединено с базовыми весами. Репозиторий содержит сборку Transformers в формате safetensors; контекст — до 512 токенов. В скрининговой оценке на 48 предложениях FLORES-200 модель получила chrF++ 33,37 и BLEU 7,12. Эта небольшая выборка не даёт оснований считать результат полноценной публикационной оценкой; качество стоит проверять на данных конкретной задачи. Лицензия — Apache-2.0.

WindyTranslate/translate-es-rw — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-es-rw: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,5 млн параметров и принимает текст на испанском языке, чтобы переводить его на киньяруанда. Доступна сборка Transformers в формате safetensors; максимальная длина контекста — 512 токенов. Модель предназначена для перевода в одном направлении — с испанского на киньяруанда. В проверке на 48 предложениях FLORES-200 получила chrF++ 29,03 и BLEU 6,19; автор характеризует результат как ограниченный и скрининговый, а не как публикационную оценку. Качество может зависеть от данных и объёма дообучения. Лицензия — Apache-2.0.

WindyTranslate/translate-et-fi — модель машинного перевода Windstorm Labs с эстонского на финский. Это дообученная версия MarianMT из семейства OPUS-MT: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель содержит 54,9 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов с эстонского на финский. В карточке приведён скрининговый результат на 48 предложениях FLORES-200 dev: chrF++ 46,55 и BLEU 15,79; это не результат публикационного исследования. Модель распространяется по лицензии Apache-2.0. Ограничение — поддерживается только направление перевода et→fi, а небольшой тестовый набор не позволяет считать приведённую оценку исчерпывающей.