III.4Клиентская поддержка и customer success

Thai-OPT350M-Instruct — дообученная генеративная языковая модель, созданная Min Si Thu на основе Facebook OPT-350M. Она предназначена для ответов на запросы и выполнения инструкций преимущественно на тайском языке; также поддерживает английский, китайский и арабский. Модель использует плотную архитектуру OPTForCausalLM, содержит 472,7 млн параметров и принимает текстовые запросы в формате «User: … Assistant:». Длина контекста — 2048 токенов. Модель обучалась 12 эпох на наборе yadapruk/thai-instructions-rallio; в карточке указано значение training loss 0,8092. Подходит для генерации ответов и простых инструкций на тайском языке. Опубликована в формате safetensors под лицензией MIT.

WindyTranslate/translate-en-cus — модель машинного перевода, опубликованная Windstorm Labs и основанная на Helsinki-NLP/opus-mt-en-cus. Это дообученная модель архитектуры MarianMT с 37,1 млн параметров: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель принимает текст на английском и переводит его на сомалийский и другие кушитские языки; для работы используется Transformers, веса доступны в формате safetensors. Контекст модели составляет 512 токенов. Модель предназначена для перевода в направлении с английского на кушитские языки. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность результатов для конкретного сценария не подтверждена. Репозиторий распространяется по лицензии Apache-2.0 с указанием авторства базовой модели.

WindyTranslate/translate-es-aed — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная и слитая с базовыми весами модель Helsinki-NLP/opus-mt-es-aed на архитектуре Marian; в репозитории указано изменение 36 из 254 тензоров. Модель принимает испанский текст и переводит его на язык, обозначенный кодом aed. Модель предназначена для перевода в направлении es→aed. Она содержит 37,3 млн параметров, рассчитана на контекст до 512 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Качество перевода не оценивалось бенчмарками, поэтому пригодность модели для конкретных текстов следует проверять отдельно. Поддерживается только одно направление перевода.

Windstorm Labs опубликовала модель машинного перевода с испанского языка на csn. Это дообученная версия Helsinki-NLP/opus-mt-es-csn: LoRA-дообучение на параллельных корпусах объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 39,5 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для перевода текста с испанского на csn. Репозиторий содержит сборку Transformers в формате safetensors; лицензия — Apache-2.0. Качество перевода пока не оценивалось бенчмарками, поэтому заявленное изменение весов подтверждает происхождение модели, но не её точность.

Windstorm Labs выпустила модель машинного перевода с испанского языка на илоканский. Это дообученная версия Helsinki-NLP/opus-mt-es-ilo: LoRA-настройка на параллельных данных объединена с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,6 млн параметров, работает через Transformers и поставляется в формате safetensors. Родной контекст — 512 токенов. Модель предназначена для перевода текста с испанского на илоканский; другие направления в карточке не заявлены. В оценке на 48 предложениях FLORES-200 dev она получила chrF++ 42,93 и BLEU 15,37; авторы относят результат к уровню Usable и отмечают, что это предварительная проверка, а не результат публикационного исследования. Лицензия — Apache-2.0.

UI-Mate-9B — открытая модель-агент для управления графическим интерфейсом от Tencent HY Frontier. Это дообученная версия Qwen3.5-9B с 9 млрд параметров: она принимает текстовую инструкцию, снимки экрана и историю взаимодействия, а выдаёт рассуждение и структурированные действия мышью и клавиатурой для внешнего инструмента исполнения. Модель работает с визуальным состоянием экрана и может перестраивать план по мере изменений интерфейса. Модель предназначена для длительных задач в нескольких приложениях и операционных системах, а также для разработки и исследования GUI-агентов. Обучение включало supervised fine-tuning и онлайн-обучение с подкреплением в исполняемых GUI-средах. В README приведены результаты на OSWorld-Verified, WindowsAgentArena и OSWorkerBench; показатели бенчмарков не гарантируют надёжность в произвольной среде. Для работы нужны совместимые prompt, parser, harness и внешний runtime, исполняющий действия. Лицензия — Apache-2.0.

Wikihow T5-small — модель суммаризации на архитектуре T5, опубликованная deep-learning-analytics. Она дообучена на наборе данных WikiHow All и предназначена для создания кратких пересказов текстов с инструкциями и описаниями практических процедур. Модель содержит 38,5 млн параметров, принимает вход длиной до 512 токенов и рассчитана на генерацию выходов длиной до 150 токенов. В карточке указаны результаты ROUGE-1 31,2 и ROUGE-L 24,5. Модель работает с текстом на английском языке и опубликована в формате PyTorch. Лицензия в предоставленных данных не указана.

Модель icedsoylatte/wz-qwen25-3b-chai-roleplay-sft-v7 — дообученная версия Qwen 2.5 Instruct, созданная icedsoylatte для генерации текста в формате диалога и ролевых сценариев. Она предназначена для чат-ответов и ведения ролевых бесед на английском языке. Модель имеет плотную архитектуру Qwen2ForCausalLM и 3,1 млрд параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Mert Şengil разработал эту модель на основе турецкоязычной BERT-модели ytu-ce-cosmos/turkish-base-bert-uncased и дообучил её для трёхклассовой классификации предложений на турецком языке. Модель определяет, содержит ли предложение противоречащие друг другу эмоциональные оценки (Dissonance), взаимно согласующиеся оценки (Consonance) или не относится ни к одному из этих типов (Neither). Она принимает текст и возвращает метку класса с оценкой уверенности. Модель имеет архитектуру BertForSequenceClassification, содержит 137,8 млн параметров и поддерживает контекст длиной до 512 токенов. В README заявлены accuracy 97,5% и macro-F1 97,49% на тестовом наборе из 4 671 примера. Она подходит для анализа тональности и выявления смыслового конфликта оценок в турецких предложениях. Лицензия в доступных данных не приведена.

AhiskaAI-308m-Instruct-v0.2 — компактная языковая модель команды AhiskaAI для диалога и выполнения инструкций на турецком языке. Это дообученная методом supervised fine-tuning версия AhiskaAI-308m-Base-v0.2; модель использует плотную архитектуру на основе Llama и содержит 276 млн параметров по метаданным (в README заявлено 308 млн). Для общения применяется формат ChatML, контекст ограничен 1024 токенами. Модель рассчитана на ответы на вопросы, беседу, суммаризацию, генерацию текста и базовые рассуждения. Обучение проводилось на более чем 16 тысячах отобранных турецких пар «инструкция — ответ»; заявленная цель — эффективная работа на потребительском оборудовании. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0. Модель оптимизирована прежде всего для турецкого языка. Из-за небольшого размера и ограниченного контекста ответы на сложные задачи могут быть неполными или фактически неверными.

Это модель BERT-TWEET для анализа тональности итальянских текстов. Её разработчик дообучил uncased-модель BERT-TWEET-ITALIAN на датасете SENTIPOLC-16 для бинарной классификации сообщений на положительные и отрицательные; примеры со смешанной тональностью исключались. Модель предназначена прежде всего для твитов и других коротких публикаций в социальных сетях. Модель имеет архитектуру BERT и около 136,7 млн параметров. Она принимает текст, поддерживает итальянский язык и обрабатывает последовательности длиной до 512 токенов. На тестовой выборке SENTIPOLC-16 указаны точность 83,67%, полнота 83,15%, точность положительного предсказания 80,48% и F1 81,49% в среднем по двум классам. Модель может хуже работать на длинных, структурированных или узкоспециализированных текстах; она обучена на сообщениях из соцсетей и не предсказывает смешанную тональность как отдельный класс. Распространяется по лицензии Apache-2.0.

Это дообученная Kanha модель чат-бота на базе openbmb/MiniCPM5-2B, созданная для ответов на вопросы о содержимом конкретного сайта. Она предназначена для встраивания в браузерные приложения и локального запуска через WebGPU с библиотекой MLC-LLM: запросы обрабатываются на устройстве и не отправляются на сервер. Модель специализирована на контенте сайта и не предназначена для ответов общего назначения. Лицензия в доступных данных не указана.

KK3133152/dama-aibrain — дообученная модель семейства Gemma 4, разработанная KK3133152 на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и Hugging Face TRL. Она предназначена для диалоговых сценариев с изображениями: принимает текст и изображения и формирует текстовый ответ. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В метаданных заявлена задача image-text-to-text и возможность работы с изображениями в чате. Подробности о специализации дообучения, качестве, контексте и поддерживаемых языках README не приводит; метаданные указывают английский язык.

Модель rogelioplatt/distilbert-base-multilingual-cased-Sarcasmo_Esp — дообученная для классификации текста версия distilbert-base-multilingual-cased. Она предназначена для выявления сарказма в испаноязычных текстах. В основе лежит DistilBERT; модель обрабатывает входные тексты с контекстом до 512 токенов и выдаёт результат классификации. В карточке приведены метрики на оценочной выборке: accuracy 0,8475 и loss 0,4405. Данные об обучающем наборе и более подробных ограничениях не приведены. Модель распространяется по лицензии Apache-2.0.

iautolee/gemma-2b-brain-v1 — дообученная модель семейства Gemma 4, разработанная iautolee на основе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалоговых сценариев с изображениями: принимает текст и изображения и формирует текстовые ответы. В метаданных указаны архитектура Gemma4ForConditionalGeneration, плотная архитектура, поддержка зрения и формат safetensors. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0. Данных о размере модели, длине контекста и специальных областях применения в карточке нет.

Карточка модели ersindemirel94/gemma_4_e2b_v1 на Hugging Face совпадает с карточкой ersindemirel94/gemma_4_e2b_v2, поэтому описание составлено по ней. ersindemirel94/gemma_4_e2b_v2 — дообученная модель семейства Gemma 4, созданная ersindemirel94 на базе unsloth/gemma-4-e2b-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалоговых задач с текстом и изображениями; в карточке указаны возможности чата и обработки изображений, а основной тег задачи — image-text-to-text. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. По данным карточки модель ориентирована на английский язык. Данных о размере модели и длине контекста в предоставленных источниках нет.

GerPT2 — немецкоязычная модель генерации текста семейства GPT-2, опубликованная Benjamin. В карточке описаны варианты GerPT2 и GerPT2-large; пример загрузки показывает causal language model на базе Transformers. В метаданных для этой модели указаны архитектура GPT2LMHeadModel, форматы PyTorch, TensorFlow, Flax и Safetensors, а также контекст длиной 1024 токена. Модель предназначена для продолжения и генерации немецкого текста. В сравнении на корпусах CC-100 и немецкой Википедии GerPT2 показала более низкую perplexity, чем dbmdz/german-gpt2; GerPT2-large дала лучшие значения среди сравниваемых вариантов. Модель распространяется по лицензии MIT. Следует учитывать общие для GPT-2 ограничения и возможные смещения, на которые ссылается карточка; результатов сравнения недостаточно, чтобы судить о качестве на других задачах.

J.O.S.I.E.v4o-8b-stage1-beta2.2 — экспериментальная диалоговая модель, разработанная Isaak-Carter и дообученная на базе Isaak-Carter/JOSIEv4o-8b-stage1-beta1. Это плотная Llama-модель примерно на 7,5 млрд параметров с контекстом 8192 токена, предназначенная для текстовых бесед и ответов в роли персонального ассистента. В README указано, что эта версия обучена только для главной пользовательской роли; функции управления умным домом, мультимодальный ввод, долговременная память и вызов функций описаны как проектные возможности или будущие этапы, а не подтверждённые функции этого чекпойнта. Модель обучалась с Unsloth и TRL на датасете Isaak-Carter/j.o.s.i.e.v4.0.1o. В карточке указаны английский и немецкий языки. Модель помечена как бета; качество и надёжность ответов не гарантированы. Лицензия — Apache-2.0.

nbeerbower/KawaiiMahou-llama3-8B — разговорная модель на архитектуре Llama 3, дообученная на базе flammenai/Mahou-1.1-llama3-8B. В репозитории указано, что исходная Mahou обучалась на японском наборе предпочтений с помощью Direct Preference Optimization; для этой модели заявлены 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста в диалогах и ролевом общении. Она использует формат ChatML и рассчитана на запуск через Transformers; веса представлены в safetensors. Карточка указывает лицензию «other», поэтому конкретные условия использования следует сверить с файлами лицензии репозитория. В метаданных набора данных указан японский язык, но прямого утверждения о языковом покрытии самой модели нет.

mervinpraison/Llama-3.1-70B-Instruct-Tamil — текстовая чат-модель, разработанная mervinpraison на основе дообучения unsloth/Meta-Llama-3.1-70B-Instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Модель относится к семейству Llama 3.1, имеет плотную архитектуру LlamaForCausalLM и содержит 69,5 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев; название указывает на ориентацию на тамильский язык, однако README не приводит сведений о конкретных тамильских обучающих данных или результатах оценки. Модель принимает текст и генерирует текст. Заявленная длина контекста составляет 131 072 токена. Репозиторий использует формат safetensors, лицензия — Apache-2.0. Доступные сведения не описывают качество на тамильском языке и конкретные ограничения поведения модели.

Llama-Ione-8B-roleplay-v1-i1-GGUF — это набор квантизированных файлов GGUF для модели Llama-Ione-8B-roleplay-v1, разработанный ashishnair и квантизированный mradermacher. Модель основана на архитектуре Llama и предназначена для генерации текста, ролевого общения, диалоговых сценариев и работы с персонами. Указан английский язык, поддерживаются текстовые задачи; сведения о других модальностях отсутствуют. Размер базовой модели — 8 млрд параметров. Репозиторий содержит варианты квантизации i1 и imatrix с объёмом файлов примерно от 2,1 до 6,7 ГБ, включая IQ- и Q-квантизации. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; для быстрого использования рекомендован вариант i1-Q4_K_M, а i1-Q4_K_S отмечен как оптимальный по размеру, скорости и качеству. Низкобитные варианты могут заметно уступать в качестве. Модель ориентирована прежде всего на roleplay и conversational-применения, однако данные о контекстном окне, конкретном наборе данных, результатах оценки и ограничениях поведения не приведены. Файлы распространяются по лицензии llama3.1; условия лицензии следует учитывать при использовании и распространении модели.

Карточка модели MergekitCloud/mergekit-69 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.

MoE Girl 1bA 7bT — разговорная модель, дообученная разработчиком Allura на базе разреженной MoE-модели OLMoE от AllenAI. Она предназначена прежде всего для ролевых диалогов и может использоваться для обычного общения. Модель принимает текст и генерирует текст; для диалогов рекомендуется формат ChatML. Архитектура — OLMoE с классом OlmoeForCausalLM; всего около 472,1 млн параметров, контекст — до 8192 токенов. Активно около 1 млрд параметров при 7 млрд общих параметров базовой модели; автор предупреждает, что качество не следует приравнивать к более крупным моделям. Репозиторий содержит веса safetensors, а README также упоминает квантизованные варианты GGUF. Лицензия — Apache-2.0. Язык исходной модели указан как английский; отдельные языковые возможности самой дообученной модели не уточнены.

Модель animay1106/my_awesome_eli5_clm-model — дообученная версия компактной англоязычной distilbert/distilgpt2 для генерации текста. Она построена на архитектуре GPT-2 и предназначена для автодополнения и создания черновиков текста. Контекст модели составляет 1024 токена; веса опубликованы в формате safetensors, для работы используется библиотека Transformers. В карточке указана оценка Loss 3.8085 на наборе для оценки, но назначение дообучения и характеристики данных не раскрыты. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала opus-mt-en-ti — модель машинного перевода с английского языка на тигринья. Это компактная модель семейства MarianMT с архитектурой Transformer-align, обученная на данных OPUS; перед обработкой текст нормализуется и разбивается на подслова SentencePiece. Модель содержит 57,4 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов с английского на тигринья. В карточке приведён результат BLEU 25,3 и chr-F 0,382 на тестовом наборе JW300.en.ti. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Helsinki-NLP/opus-mt-xh-fr — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с коса (xh) на французский (fr) и предназначена для перевода отдельных фраз и документов. Модель построена на архитектуре Marian Transformer-align, использует нормализацию и токенизацию SentencePiece; содержит 56,7 млн параметров и имеет контекст длиной 512 токенов. В карточке приведён результат BLEU 30,6 и chr-F 0,487 на тестовом наборе JW300.xh.fr. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0. Показатели на тестовом наборе не гарантируют такого же качества для других типов текстов; назначение указано только для перевода с коса на французский.

Карточка модели nityaak/qwen3-1.7b-ezstance-balanced-8430-stance-conversations-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-1.7b-mtcsd-balanced-8430-stance-conversations-qlora, поэтому описание составлено по ней. 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.

nchcalvin/results — дообученная модель генерации текста на архитектуре GPT-2, разработанная на основе openai-community/gpt2. Она предназначена для продолжения текста и генерации текстовых ответов; конкретная область применения и обучающий набор данных в карточке не раскрыты. Модель использует библиотеку Transformers, веса представлены в форматах PyTorch и Safetensors, длина контекста — 1024 токена. В карточке приведён результат оценки: loss 3,3851. Модель распространяется по лицензии MIT. Поскольку данные обучения неизвестны, качество и пригодность генерации для конкретных тем или сценариев оценить по карточке нельзя.

jkhan447 опубликовал модель BERT-base-uncased, дообученную для классификации текста. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке заявлено применение для обнаружения сарказма, однако сведения о датасете отсутствуют. На оценочном наборе указана точность 0,5783 и потеря 4,1816. Эти результаты дают ограниченное представление о качестве: состав и размер набора, методика оценки и классы не описаны. Модель распространяется под лицензией Apache-2.0.

Synapse-Guard v1.1 — компактная модель классификации текста на базе BERT, разработанная Comunidade Synapse BR. Она дообучена на основе Comunidade-Synapse-BR/Synapse-Guard-v1 и предназначена для автоматической модерации текстов на бразильском португальском: модель относит сообщения к категориям нейтрального содержания, спама и токсичного контента. Её можно использовать в чат-ботах, социальных сетях, форумах и системах комментариев, в том числе при ограниченных вычислительных ресурсах. Модель содержит 6,7 млн параметров, принимает текст с контекстом до 256 токенов и выдаёт метки классификации. В README также упоминаются фильтрация взрослого контента и обнаружение мошеннических сообщений, однако указаны только три класса; отдельная метка для взрослого контента не описана. Точность может снижаться на ироничных, саркастичных, неоднозначных и очень коротких сообщениях, а также на текстах, требующих широкого контекста. Модель распространяется по лицензии Apache License 2.0.