III.4Клиентская поддержка и customer success

WiroAI-Finance-Qwen-7B — языковая модель WiroAI для генерации текста и диалогов по финансовым темам. Она основана на архитектуре Qwen2 и дообучена методом SFT на наборе Finance-Instruct-500k, содержащем более 500 тысяч финансовых инструкций. В метаданных указаны объединённые базовые модели DeepSeek-R1-Distill-Qwen-7B и Qwen2.5-Math-7B; модель имеет 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для ответов на финансовые вопросы и выполнения инструкций в финансовых сценариях. Она работает с текстом через библиотеку Transformers; репозиторий содержит веса в формате Safetensors. Модель выпущена под лицензией Apache-2.0. README не сообщает результаты оценки качества или конкретные ограничения, поэтому надёжность ответов в практических финансовых решениях по этим данным определить нельзя.

yejin-korean-1b-v8-sft — модель для генерации текста на корейском языке, разработанная автором репозитория cooler8. Это версия с supervised fine-tuning базовой модели yejin-korean-1b-v8, предварительно обученной с нуля на крупном корейском корпусе; для настройки использовались KMMLU, KoAlpaca и корейские учебные инструкции. Модель построена на плотной причинной архитектуре Llama с групповым запросом внимания (GQA), содержит около 873 млн параметров по метаданным и поддерживает контекст до 4096 токенов. Репозиторий содержит веса safetensors и GGUF F16. Модель предназначена для ответов на вопросы и выполнения инструкций на корейском языке. Лицензия — Apache-2.0.

Sao10K разработал Kunou-v1 как экспериментальную универсальную разговорную модель с уклоном в ролевые диалоги и творческое письмо. Это дообученная версия Qwen2.5-32B-Instruct с плотной архитектурой Qwen2 и 32 млрд параметров. Модель предназначена для генерации текста и диалога; автор указывает формат ChatML и рекомендует температуру 1,1 и min_p 0,1. Контекст модели — 32 768 токенов. Карточка описывает её как проект, созданный быстро, без чётких планов, поэтому качество для конкретных сценариев не гарантировано. Указана лицензия other; конкретные условия использования следует проверять в репозитории модели и базовой модели.

Модель shekar-ai/albert-base-v2-persian-sentiment-snapfood — классификатор тональности отзывов на персидском языке, разработанный Shekar AI. Это дообученная для классификации последовательностей модель ALBERT, основанная на shekar-ai/albert-base-v2-persian-zwnj-naab-mlm. Она относит текст к одному из двух классов: положительному или отрицательному. Модель предназначена прежде всего для анализа отзывов о доставке еды из набора Snappfood. В README указаны 11,9 млн параметров и точность 87,17% на отложенной выборке примерно из 6,3 тыс. отзывов; метаданные каталога указывают 137,8 млн параметров, поэтому размер модели сообщается противоречиво. Контекст ограничен 512 токенами. Поддерживается персидский язык; базовая модель учитывает символ ZWNJ. Модель распространяется по лицензии MIT.

Arcanum-12b — объединённая большая языковая модель, созданная Xclbr7 методом TIES на основе TheDrummer/Rocinante-12B-v1.1 и MarinaraSpaghetti/NemoMix-Unleashed-12B. Это плотная трансформерная причинно-языковая модель семейства Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогов с разными персонами. В метаданных указано контекстное окно до 1 024 000 токенов. Модель рассчитана прежде всего на английский язык; README отмечает возможную поддержку других языков. Она распространяется в формате safetensors по лицензии MIT. Как и родительские модели, может унаследовать их ограничения и предвзятость; заявленный основной сценарий — разговоры с персонами.

Aryanne/Astrea-RP-v1-4B — слитая автором Aryanne языковая модель StableLM Epoch примерно на 3,9 млрд параметров. Она создана методом passthrough merge с помощью mergekit из моделей Aryanne/Astrea-RP-v1.5-3B, jeiku/Refined_3B и Aryanne/Astrea-RP-v1-3B. Модель предназначена для генерации текста и разговорных сценариев, включая ролевые диалоги. Она принимает текст и выдаёт текст; максимальный родной контекст — 4096 токенов. Карточка не описывает дополнительные настройки или гарантии качества.

malteos/bloom-6b4-clp-german-oasst-v0.1 — ранняя альфа instruction-модель для генерации текста и диалогов на немецком языке, созданная на основе malteos/bloom-6b4-clp-german. Модель использует плотную архитектуру BLOOM с причинным языковым моделированием; в метаданных указано 8,3 млрд параметров. Дообучение проводилось на немецкой части OpenAssistant/oasst1, переведённом наборе Alpaca и версии GermanDPR, а также на 20 млрд дополнительных немецких токенов из Wikimedia и OSCAR 2023. Модель предназначена для генерации ответов и ведения диалога на немецком языке. Карточка представляет её как исследовательский прототип ранней альфа-версии, поэтому качество и пригодность для широкого практического применения ограничены. Лицензия — BigScience BLOOM RAIL 1.0.

fpadovani/cds_original_new_67 — дообученная модель для генерации текста на базе архитектуры GPT-2. Она предназначена для продолжения текстового запроса и генерации связного текста. Модель использует библиотеку Transformers, веса представлены в формате safetensors, максимальная длина контекста — 1024 токена. В README приведён результат оценки: loss 2,8087. Данные о назначении дообучения, обучающем наборе и языках не раскрыты, поэтому специализированные сценарии и качество для конкретных задач определить нельзя. Условия лицензии в доступных сведениях не указаны.

COKAL-DPO_test-v2-13b — авторегрессионная языковая модель на 12,9 млрд параметров, разработанная Сынгю Ли (DopeorNope) в исследовательском консорциуме южнокорейских компаний Media Group Saramgwa Sup и Marker. Модель основана на архитектуре LLaMA 2 и предназначена для генерации текста; она принимает и выдаёт только текст. Нативная длина контекста — 2048 токенов. Модель дообучена методом DPO на корейском наборе предпочтений DopeorNope/DPO-Ko-Dataset после SFT на корейском наборе DopeorNope/Orca_Near_Dedup-v2. Она подходит для генерации ответов и диалогового текста на корейском языке. Модель доступна по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование.

COMEDY — диалоговая модель и framework для генерации ответов с долговременной памятью, разработанные авторами проекта COMEDY. Она обрабатывает историю разговоров без отдельного модуля поиска или базы данных: формирует краткие описания сессий, сжимает события в общую память, поддерживает профиль пользователя и изменения отношений с чатботом, а затем использует эту память в текущем диалоге. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров; заявленная длина контекста — 2048 токенов. Для обучения использован китайский набор диалогов Dolphin с 100 тысячами примеров по суммаризации памяти, её сжатию и генерации ответов с опорой на память; стратегия включает смешанное обучение нескольким задачам и DPO-выравнивание. Лицензия — Apache-2.0. Модель предназначена для китайских многоэтапных диалогов, где важно учитывать сведения из прошлых сессий, включая события и профиль собеседника. Карточка также помечает её как модель для ответов на вопросы; каталог указывает генерацию текста как основную задачу. Практическое ограничение — контекст 2048 токенов, а качество за пределами китайских диалогов в карточке не заявлено.

afiyarah/gemma-ins-make-v2 — модель Sentence Transformer, дообученная автором на базе google/embeddinggemma-300m для представления предложений и абзацев в виде плотных векторов. Модель использует текстовую архитектуру Gemma 3, mean pooling, выдаёт эмбеддинги размерности 768 и сравнивает их косинусным сходством. В README указан предел длины последовательности 512 токенов; метаданные каталога указывают контекст до 2048 токенов. Модель предназначена для семантического сопоставления названий автомобильных марок, включая арабские и английские варианты, а также для поиска похожих текстов, поиска парафраз, классификации и кластеризации. Данные обучения включают примеры из страховой автомобильной тематики; в README приведена оценка на insurance-val. Модель принимает текст и выдаёт векторные представления, пригодные для сравнения и поиска. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

jalo — дообученная на наборе данных, обозначенном в карточке как None, языковая модель на базе distilgpt2. Она использует архитектуру GPT-2 и предназначена для генерации текста; максимальная длина контекста составляет 1024 токена. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не раскрывает назначение дообучения, конкретные сценарии, языки или результаты оценки. Поэтому пригодность модели для определённой тематики и качество её ответов по имеющимся сведениям оценить нельзя.

Ko-PlatYi-6B-gu — авторегрессионная языковая модель на архитектуре Llama, разработанная Kyujin Han. Она принимает текст и генерирует текст; модель предназначена для генерации ответов и выполнения общих языковых задач на корейском языке. Модель содержит 5,9 млрд параметров, использует формат PyTorch и имеет контекст до 2048 токенов. Она дообучена на наборе kyujinpy/KOR-gugugu-platypus-set на основе beomi/Yi-Ko-6B. В карточке приведены результаты оценок на нескольких бенчмарках, однако подробные ссылки и описание методики оценки отсутствуют. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Её контекст сравнительно короткий, а карточка не описывает отдельные гарантии качества или специализированные области применения.

KoRAE-13b — корейская разговорная языковая модель, разработанная Cartinoe5930. Это дообученная версия beomi/llama-2-koen-13b: авторы применили LoRA и Flash-Attention 2, обучая модель на отфильтрованных корейских инструкционных данных из нескольких открытых наборов. Модель построена на плотной архитектуре Llama и содержит 12,9 млрд параметров; контекст — до 2048 токенов. Модель предназначена для генерации ответов на инструкции и диалога на корейском языке. В README сообщается, что вариант с DPO показал лучшие результаты среди вариантов KoRAE, а обучение на отфильтрованных высококачественных данных улучшило результаты относительно обучения без фильтрации. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства и на некоммерческих условиях с распространением производных работ на тех же условиях.

daekeun-ml/Llama-2-ko-DPO-13B — корейская языковая модель, разработанная автором карточки на основе Llama-2-ko-instruct-13B. Это плотная авторегрессионная модель семейства Llama 2 с 12,9 млрд параметров, предназначенная для генерации текста и диалоговых ответов на корейском языке. Контекст модели составляет 2048 токенов. Модель дообучена методом Direct Preference Optimization на примерно 1000 примерах, созданных автором: ответы Claude-2 использовались как предпочтительные, а ответы версии Llama-2-13B после SFT — как отвергаемые. Целью было сократить галлюцинации. В карточке приведены результаты корейских бенчмарков, включая Ko-ARC, Ko-HellaSwag и Ko-TruthfulQA; автор сообщает средний показатель 51,03 по использованной метрике. Для использования доступны веса в формате safetensors. Лицензия — Llama 2 Community License. Ограниченный объём данных дообучения и контекст в 2048 токенов могут снижать надёжность и полноту ответов на сложных или длинных запросах; заявленное уменьшение галлюцинаций не гарантирует фактическую точность.

Luca-MN-bf16 — экспериментальная разговорная модель семейства Mistral, созданная автором rAIfle на базе Nemo-Base. Это плотная языковая модель с архитектурой MistralForCausalLM и 12,1 млрд параметров; поддерживает контекст до 131 072 токенов и предназначена для генерации текста в диалоговом формате. Автор сообщает о последовательном дообучении через LoRA на данных для ролевых диалогов и c2-data, а затем о трёх эпохах DPO с набором jondurbin/gutenberg-dpo-v0.1. Модель доступна в формате safetensors; лицензия — Apache-2.0. Автор описывает её как эксперимент, который показал хорошие результаты, и приводит шаблоны Mistral V3-Tekken и рекомендуемые параметры генерации. Подходит для диалогов и ролевого текстового общения. Карточка не приводит формальной оценки качества, а заявленная экспериментальная природа означает, что результаты могут зависеть от шаблона и настроек генерации.

Карточка модели MergekitCloud/mergekit-19 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.

Minerva-MoE-2x3B — языковая модель с архитектурой Mixture of Experts на базе Mixtral, созданная с помощью LazyMergekit объединением Minerva-3B-base-RAG и Minerva-3B-Instruct-v1.0. В метаданных указано 2,8 млрд параметров и контекст до 16 384 токенов; веса опубликованы в формате safetensors. Модель предназначена для генерации текста, ответов на вопросы и выполнения инструкций. В README описана маршрутизация между экспертами: один ориентирован на вопросы и объяснения, другой — на инструкции и написание текста. Примеры и тесты приведены на итальянском языке, поэтому модель подходит для италоязычных запросов; другие языковые возможности не подтверждены. Модель распространяется по лицензии Apache-2.0. README приводит результаты на италоязычных наборах ARC, HellaSwag и MMLU; они сами по себе не гарантируют качество в других задачах или языках.

Nawah-RuleCheck-5M — арабская модель классификации текста, разработанная oddadmix для проверки, соответствует ли текст правилу, сформулированному на обычном арабском языке. Она принимает текст и правило в формате «النص: {text}\nالقاعدة: {rule}» и относит пару к одному из двух классов: «مطابق» (соответствует) или «مخالف» (не соответствует). Модель построена на плотной архитектуре LlamaForSequenceClassification: 5,1 млн параметров, 5 слоёв трансформера, размер скрытого состояния 128, словарь 32 000 токенов и контекст до 2048 токенов. Это дообучение oddadmix/Emhotob-5M-v2 на 159 240 парах «текст — правило». Модель рассчитана на короткие арабские деловые тексты и правила, проверяемые по самому тексту; README сообщает о тестировании на объявлениях, обращениях в поддержку, вакансиях, жалобах и объявлениях об аренде из девяти регионов. В тестах на формулировках, близких к обучающим, точность высока, но на самостоятельно написанных разговорных формулировках правил она заметно ниже; автор отдельно указывает, что ни одна модель из линейки не готова к надёжному применению без дополнительной проверки. Проверка правил, требующих знаний о мире, субъективных суждений или многошагового вывода, выходит за пределы обучения; подсчёт слов также относится к слабым сценариям. Лицензия модели — Apache-2.0.

Это дообученная на TRL модель генерации текста на базе fpadovani/ppt-art-lang-newlexicon-zipf-nld-baseline-100mb_seed455, построенной на архитектуре GPT-2. Пример в карточке показывает диалоговый формат: модель получает вопрос и генерирует ответ; репозиторий использует библиотеку Transformers и формат весов safetensors. Модель подходит для генерации коротких ответов и продолжений текста, в частности на нидерландском языке, который указан в описании базовой модели. Контекст ограничен 512 токенами. Карточка не приводит отдельные результаты оценки качества или подробности обучающей выборки. Лицензия в предоставленных данных не указана.

Nool-Alpha-100M-Chat — двуязычная причинно-языковая модель семейства Nool Alpha, разработанная Ch3nOff. Она предназначена для генерации текста на индонезийском и английском языках, а также кода на Python. Модель использует гибридную архитектуру MoE с механизмом GSLA для сжатия KV-кэша и восемью низкоранговыми экспертами с маршрутизацией Top-2; заявлено около 149,8 млн параметров всего и около 97,9 млн активных параметров на токен. Контекст составляет 2048 токенов. В карточке описаны методы стабилизации остаточных связей и ограничения логитов. Модель подходит для локальных и исследовательских сценариев генерации текста, однако приведённые сведения об обучении ограничены 900 шагами и зафиксированным значением loss 2,6335, поэтому карточка не подтверждает качество для широкого практического применения. Веса опубликованы в формате Safetensors; лицензия — MIT.

Helsinki-NLP/opus-mt-ar-he — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с арабского на иврит и предназначена для автоматического перевода фраз и документов между этими языками. Модель основана на архитектуре Transformer и реализована как MarianMT; содержит 57,6 млн параметров, использует нормализацию и SentencePiece с словарями по 32 тыс. токенов, длина контекста — 512 токенов. Поддерживает варианты арабского, перечисленные в карточке, включая современный стандартный арабский и разговорные разновидности; целевой язык — иврит. В карточке приведён результат BLEU 40,4 на тесте Tatoeba-test.ara.heb. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0. Как система перевода фиксированной языковой пары, она не предназначена для перевода на другие целевые языки; качество зависит от тематики и формулировок входного текста.

Helsinki-NLP/opus-mt-bi-sv — модель машинного перевода на архитектуре Transformer, опубликованная проектом OPUS и рассчитанная на перевод с языка bi на шведский. Она обучена на данных OPUS; перед подачей текста применяются нормализация и токенизация SentencePiece. Модель содержит 53,5 млн параметров и имеет контекст до 512 токенов. В тесте JW300.bi.sv модель получила BLEU 22,7 и chr-F 0,403. Доступны веса в форматах PyTorch и TensorFlow. Репозиторий распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-mg — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на малагасийский. Модель построена на архитектуре Transformer и использует MarianMT; в метаданных указано 53,2 млн параметров и контекст до 512 токенов. Для предобработки применяются нормализация текста и SentencePiece. Модель предназначена для перевода отдельных текстов и фраз с английского на малагасийский. В карточке приведены оценки BLEU 22,3 для GlobalVoices.en.mg и 35,5 для Tatoeba.en.mg. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-pap — модель машинного перевода из семейства MarianMT, разработанная проектом OPUS/Helsinki-NLP. Она переводит текст с английского языка на папьяменто. Модель построена на архитектуре Transformer-align, использует нормализацию и токенизацию SentencePiece; содержит 54,5 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода отдельных фраз и текстов с английского на папьяменто. В README приведены результаты на тестовых наборах JW300.en.pap (BLEU 40,1; chr-F 0,586) и Tatoeba.en.pap (BLEU 52,8; chr-F 0,665). Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-xh — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на коса (xh). Модель построена на архитектуре Transformer-align с реализацией MarianMTModel и содержит 56,5 млн параметров; для предобработки используются нормализация и SentencePiece, контекст составляет 512 токенов. Модель предназначена для перевода отдельных текстов и материалов с английского на коса. В карточке приведены результаты оценки на наборе JW300.en.xh: BLEU 37,9 и chr-F 0,652. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-fr-rw — модель машинного перевода семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с французского языка на киньяруанда (rw). Модель основана на архитектуре Transformer-align, использует нормализацию текста и токенизацию SentencePiece; содержит 56,4 млн параметров, а длина контекста составляет 512 токенов. Модель предназначена для автоматического перевода фраз и текстов с французского на киньяруанда. В карточке приведён результат на тестовом наборе JW300.fr.rw: BLEU 25,5 и chr-F 0,483. Весовые файлы доступны в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-hy-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с армянского языка на английский и предназначена для автоматического перевода отдельных фраз и текстов. Модель основана на архитектуре Transformer-align с реализацией MarianMT; в репозитории доступны веса PyTorch и TensorFlow. Размер модели — 57,2 млн параметров, длина контекста — 512 токенов. При предобработке используются нормализация текста и SentencePiece. В карточке приведён результат BLEU 29,5 на наборе Tatoeba.hy.en. Модель распространяется по лицензии Apache-2.0. Показатель на одном тестовом наборе не гарантирует аналогичного качества для всех жанров и предметных областей; направление перевода ограничено парой армянский—английский.

Helsinki-NLP/opus-tatoeba-es-zh — модель машинного перевода из проекта OPUS/Tatoeba Challenge, разработанная Helsinki-NLP. Она переводит текст с испанского на китайский; модель построена на архитектуре Transformer и реализована как MarianMTModel. Число параметров — 58,4 млн, родная длина контекста — 512 токенов. Для предобработки используются нормализация и SentencePiece с словарями по 32 тыс. токенов. Перед китайским переводом требуется указать целевой языковой токен в формате >>id<<; доступны варианты китайского, перечисленные в карточке, включая мандаринский, кантонский и другие разновидности. В README указан результат BLEU 38,8 на наборе Tatoeba-test.spa.zho. Модель подходит для перевода предложений и коротких текстов с испанского на китайский. Она не предназначена для перевода в обратном направлении или с иных исходных языков. Распространяется по лицензии Apache-2.0; доступны веса PyTorch и TensorFlow.

Модель ahnwangja/qwen2.5-1.5b-alpaca-indonesian — дообученная автором ahnwangja разговорная языковая модель семейства Qwen2.5 с 1,5 млрд параметров. В основе лежит unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате, в том числе для общения на индонезийском языке. Модель принимает текст и генерирует текст. Заявленная длина контекста составляет 32 768 токенов; файлы опубликованы в формате safetensors. Карточка не приводит результатов оценки качества или подробного описания обучающих данных, поэтому точность ответов на индонезийском и других языках не установлена. Лицензия — Apache-2.0.