III.4Клиентская поддержка и customer success

Moritz Laurer разработал эту компактную модель для классификации текста без заранее заданного набора классов: пользователь передаёт текст и варианты меток, а модель оценивает их соответствие. Это дообученная на задачах естественного языкового вывода (NLI) модель на базе Microsoft XTREME-Distil, с архитектурой BERT и 14,1 млн параметров по метаданным. Модель принимает текст и выдаёт оценки классов; максимальная длина контекста — 512 токенов. Модель рассчитана на быстрый запуск на устройствах с ограниченными ресурсами и в браузере, в том числе через Transformers.js. Карточка приводит точность на наборах данных, использованных при обучении, но не содержит отдельной оценки zero-shot качества; автор отмечает, что модель работает менее точно, чем более крупные варианты. Лицензия — MIT.

XVERSE-MoE-A4.2B-Chat — разработанная Shenzhen Yuanxiang Technology чат-модель на архитектуре decoder-only Transformer с механизмом смеси экспертов (MoE), выровненная на основе XVERSE-MoE-A4.2B. В базовой модели 25,8 млрд параметров, из которых при вычислении активируются 4,2 млрд; в метаданных этого репозитория указано 1,4 млрд параметров. Модель поддерживает более 40 языков, включая китайский, английский, русский и испанский, и рассчитана на контекст до 8192 токенов. Модель предназначена для диалогов, ответов на вопросы и генерации текста на нескольких языках. В архитектуре используются общие и маршрутизируемые эксперты; по карточке, обучение проводилось на 2,7 трлн токенов с последовательностями длиной 8K. Репозиторий содержит веса PyTorch и поддерживает загрузку через Transformers. Модель может выдавать неточные, предвзятые или оскорбительные ответы, поэтому перед внедрением нужна проверка безопасности под конкретный сценарий. Метаданные указывают лицензию Apache-2.0; карточка отдельно отмечает открытость весов для академических исследований и возможность бесплатного коммерческого использования с оформлением коммерческой лицензии.

YuLan-Chat-3-12B — диалоговая большая языковая модель, разработанная исследователями Высшей школы искусственного интеллекта имени Гаолин при Народном университете Китая. Модель построена на плотной архитектуре Llama с 11,7 млрд параметров и предназначена для генерации ответов в диалоге и выполнения текстовых инструкций. Она обучена с нуля на англоязычных, китайских и многоязычных данных, а затем дообучена на качественных англо-китайских инструкциях и данных о человеческих предпочтениях с помощью обучения по учебной программе. Модель поддерживает контекст до 4096 токенов и ориентирована прежде всего на английский и китайский языки. Её можно применять для диалоговых помощников, ответов на вопросы, генерации и преобразования текста. В карточке указана лицензия MIT. Модель может генерировать неожиданные ответы, включая предвзятое, дискриминационное или вредоносное содержание.

Aeonium v1.1 Chat 4B — русскоязычная чат-модель, разработанная командой Aeonium и полученная дообучением Aeonium v1.1 Base 4B методом supervised fine-tuning. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 3,6 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для диалогов и генерации ответов на русском языке. Её можно использовать в чат-ботах, для составления черновиков и ответов на вопросы в текстовом интерфейсе. Доступны веса в формате safetensors; лицензия — Apache 2.0. Как и другие языковые модели, Aeonium может воспроизводить предвзятые, оскорбительные или недостоверные сведения. Разработчики рекомендуют проверять результаты и применять фильтрацию, особенно в чувствительных и высокорисковых сценариях.

AlphaRoute-0.8B-v1.5 — компактная инструкционная языковая модель, разработанная Naman Agnihotri для семантической маршрутизации запросов, классификации по заданной таксономии и извлечения нескольких полей в JSON. Это дообученная на базе Qwen/Qwen3.5-0.8B-Base плотная авторегрессионная модель с 581,4 млн параметров; репозиторий содержит веса в формате safetensors. Метаданные указывают контекст до 262 144 токенов и поддержку английского языка. При запросе модель получает инструкцию, описания доступных категорий и схему JSON, после чего выбирает подходящую категорию или извлекает заданные поля. Такой подход позволяет применять её для маршрутизации обращений, классификации намерений и структурирования данных по динамически задаваемой схеме. В README приведены результаты на наборах для enterprise-маршрутизации и классификации намерений; автор также отмечает компромисс в распознавании запросов вне области классификации на CLINC150. Для строгой валидности JSON рекомендуется ограниченное декодирование. Лицензия — Apache-2.0.

Arlo Classify 1.0 — модель NoaberAI для классификации текстов и принятия структурированных решений на нидерландском языке. Она дообучена на базе многоязычной microsoft/mdeberta-v3-base и использует архитектуру DeBERTa V2 с классификационной головой на три класса: entailment, neutral и contradiction. В метаданных указано 306 млн параметров, длина контекста — 512 токенов. Модель предназначена для выбора категорий из заданного пользователем списка без обучения под новые категории и для оценки того, насколько утверждение подтверждается текстом. Она возвращает метку или оценку уверенности, а не сгенерированный ответ. По заявлению разработчика, модель работает быстро, в том числе на CPU, и может запускаться локально. Обучение ориентировано на нидерландский язык, но многоязычная основа позволяет применять её и к текстам на других языках. Модель лицензирована по MIT. Она рассчитана на классификацию и проверку утверждений, а не на генерацию текста или извлечение произвольных полей. В README не приведены количественные результаты оценки качества; контекст ограничен 512 токенами.

Модель ulisesbravo/autotrain-po0st-um4bf — дообученная с помощью AutoTrain модель MPNet для классификации текста по категориям. Она принимает текст и предсказывает метку класса; карточка сообщает о качестве на валидации: accuracy 0,793 и macro F1 0,758. Модель содержит 136,7 млн параметров, использует архитектуру MPNetForSequenceClassification и формат safetensors. Контекст составляет до 514 токенов. Сведения о конкретных категориях и языке обучающих данных не приведены. Лицензия в доступных данных не указана.

A.X 4.0 — большая языковая модель SK Telecom для понимания корейского языка и применения в корпоративной среде. Репозиторий skt/A.X-4.0 содержит плотную авторегрессионную модель семейства Qwen2, с классом Qwen2ForCausalLM и весами в формате safetensors; README указывает, что модель основана на Qwen2.5 и дополнительно обучена на крупных корейских наборах данных. Метаданные каталога указывают 71,1 млрд параметров, а заявленная длина контекста составляет 131 072 токена. Модель предназначена для диалогов, понимания длинных документов и текстовых задач на корейском языке; интерфейс также поддерживает вызов инструментов. README сообщает о результатах на корейских тестах KMMLU и CLIcK и об экономном использовании токенов при обработке корейского текста. В карточке также упомянута облегчённая версия A.X 4.0 Light, но этот репозиторий содержит основную модель. Для запуска README указывает Transformers версии 4.46.0 или новее; для использования вызова инструментов через vLLM — версии 0.6.4.post1 или новее. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

Карточка модели katanemo/bart-large-mnli на Hugging Face совпадает с карточкой facebook/bart-large-mnli, поэтому описание составлено по ней. facebook/bart-large-mnli — контрольная точка BART-large от Facebook, дообученная на датасете MultiNLI для распознавания отношений логического следования между текстами. Модель применяют для классификации без заранее заданного набора классов: исходный текст рассматривается как предпосылка, а для каждой кандидатной метки формируется гипотеза, например «Этот текст о политике». Вероятности следования и противоречия преобразуются в оценки меток. Модель подходит для тематической классификации, маршрутизации текстов по пользовательским категориям и других задач, где нужно оценить соответствие текста произвольным меткам. Архитектура — BART-large с классификатором последовательностей, размер — 252,8 млн параметров, контекст — до 1024 токенов. Репозиторий содержит варианты PyTorch, Flax и Safetensors. Лицензия — MIT. Качество зависит от формулировки кандидатных меток и гипотез, а также от того, насколько задача соответствует обучению на MNLI; оценки модели не гарантируют правильную классификацию. Для нескольких одновременно верных меток предусмотрен режим независимой оценки каждого класса.

Beaglake-7B — диалоговая модель генерации текста, созданная shadowml путём слияния shadowml/BeagleX-7B и macadeliccc/WestLake-7B-v2-laser-truthy-dpo с помощью LazyMergekit и метода SLERP. Это плотная причинно-языковая модель архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors и сохранены в bfloat16. Модель предназначена для диалога и генерации ответов на текстовые запросы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

textattack/bert-base-uncased-QQP — модель классификации текстовых пар от TextAttack, дообученная на задаче QQP (Quora Question Pairs). Она определяет, являются ли два вопроса перефразами и имеют ли сходный смысл; результат — один из двух классов: похожие или непохожие вопросы. Репозиторий Hugging Face указывает архитектуру BERT для классификации последовательностей, около 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для выявления дублирующих вопросов, группировки похожих запросов и экспериментов с классификацией пар предложений. Она принимает текстовые пары и выдаёт метку класса; по указанной uncased-версии BERT рассчитана на английский текст. Карточка модели не содержит описания лицензии, поэтому условия использования по доступным сведениям определить нельзя.

MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

Карточка модели TigerByteCyber/bge-m3-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/bge-m3-zeroshot-v2.0, поэтому описание составлено по ней. MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

Calme-7B-Instruct-v0.4 — разговорная языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она дообучена на базе Mistral-7B на высококачественных наборах данных и предназначена для генерации связных ответов в диалоге. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и других сценариев генерации текста, где важны ясность и последовательность. Доступна в формате safetensors, лицензия — Apache-2.0. В карточке не приведены результаты сравнительных оценок качества; упоминание высококачественных данных не раскрывает их состав.

ColorShadow-7B — языковая модель для генерации текста и диалогов, созданная слиянием моделей diffnamehard/Mistral-CatMacaroni-slerp-7B и cookinai/Valkyrie-V1. Слияние выполнено методом Gradient-SLERP с помощью mergekit; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста и разговорного взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В README приведены результаты оценки на нескольких бенчмарках рассуждения и понимания текста. Модель распространяется по лицензии Apache-2.0.

Карточка модели roskosmos19/Coral на Hugging Face совпадает с карточкой roskosmos19/Coral-Router, поэтому описание составлено по ней. Coral-Router, также называемая Coral-MNLI в карточке, — модель классификации последовательностей на базе BART-large, дообученная на MultiNLI. Она принимает текст и список меток-кандидатов, оценивает, насколько каждая метка подходит, и подходит для классификации без обучения на конкретных классах, в том числе в режиме нескольких меток. Модель применяет подход естественного логического вывода: исходный текст рассматривается как предпосылка, а каждая метка превращается в гипотезу; оценка соответствия основана на вероятности entailment. Это позволяет использовать её для определения тематики, тональности, намерения и модерации содержимого. Размер модели — 252,8 млн параметров, контекст — до 1024 токенов. Лицензия — Apache-2.0. Для длинных текстов возможна обрезка: сохраняется начало текста, поэтому важную информацию рекомендуется размещать ближе к началу. Качество также зависит от ясности и конкретности предложенных меток.

Coral-Router, также называемая Coral-MNLI в карточке, — модель классификации последовательностей на базе BART-large, дообученная на MultiNLI. Она принимает текст и список меток-кандидатов, оценивает, насколько каждая метка подходит, и подходит для классификации без обучения на конкретных классах, в том числе в режиме нескольких меток. Модель применяет подход естественного логического вывода: исходный текст рассматривается как предпосылка, а каждая метка превращается в гипотезу; оценка соответствия основана на вероятности entailment. Это позволяет использовать её для определения тематики, тональности, намерения и модерации содержимого. Размер модели — 252,8 млн параметров, контекст — до 1024 токенов. Лицензия — Apache-2.0. Для длинных текстов возможна обрезка: сохраняется начало текста, поэтому важную информацию рекомендуется размещать ближе к началу. Качество также зависит от ясности и конкретности предложенных меток.

Moritz Laurер разработал DeBERTa-v3-base-zeroshot-v2.0 — англоязычную модель классификации текста с нулевым обучением, основанную на Microsoft DeBERTa-v3-base и дообученную для задачи Natural Language Inference. Модель сравнивает текст с гипотезой и оценивает, следует ли она из текста; этот подход позволяет классифицировать данные по заданным пользователем категориям без размечающих примеров и обучения под каждую задачу. Модель подходит для классификации отзывов, тем, намерений и других текстовых данных. Категории можно задавать в формулировке гипотезы, а режим multi_label определяет, выбрать один класс или несколько. В README приведены результаты оценки на 28 задачах классификации; модель показала качество выше указанного базового классификатора BART-large-MNLI в среднем по этим наборам. Она содержит 211,6 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах Safetensors и ONNX для Transformers. Может работать на CPU и GPU. Модель лицензирована по MIT. Карточка рекомендует DeBERTa-v3 для более высокой точности и отмечает, что она медленнее RoBERTa. Поддерживается только классификация текста; на результаты могут влиять смещения базовой модели, обучающих данных NLI и синтетических данных.

Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.

DeepSeek-MoE-16B-Chat — разговорная языковая модель DeepSeek на архитектуре DeepSeek для генерации текста в формате диалога. Она предназначена для ответов на сообщения пользователя и других сценариев чат-взаимодействия. В метаданных указаны 2,6 млрд параметров, контекст до 4096 токенов и формат весов safetensors. Модель принимает текст и генерирует текст. Карточка не приводит сведений о поддерживаемых языках или специализированных областях применения. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

DistilBart-MNLI — дистиллированная модель семейства BART, созданная Valhalla на основе bart-large-mnli. В ней чередующиеся слои исходной модели скопированы в компактную архитектуру, после чего модель дополнительно дообучена на тех же данных MNLI; указанная конфигурация содержит 252,8 млн параметров и поддерживает контекст до 1024 токенов. Модель предназначена для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях, а также для задач классификации текста. Она подходит, например, для маршрутизации обращений или тематической сортировки документов, когда набор меток задаётся при запросе. В README приведены результаты для других вариантов DistilBart-MNLI, но отдельные показатели для конфигурации 12-6 не указаны. Модель принимает текст и выдаёт оценки категорий. Репозиторий содержит веса PyTorch и Flax. Лицензия в предоставленных источниках не указана.

Карточка модели valhalla/distilbart-mnli-12-9 на Hugging Face совпадает с карточкой valhalla/distilbart-mnli-12-3, поэтому описание составлено по ней. DistilBart-MNLI-12-3 — дистиллированная модель семейства BART, разработанная Valhalla на основе bart-large-mnli. Она предназначена для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях: модель оценивает соответствие текста гипотезам, сформулированным для меток классов. Модель содержит 252,8 млн параметров и принимает последовательности длиной до 1024 токенов. При создании были взяты чередующиеся слои bart-large-mnli, после чего модель дополнительно обучили на тех же данных MNLI. По данным карточки, точность составляет 88,1% на matched и 88,19% на mismatched части оценки MNLI; исходная модель показывает 89,9% и 90,01% соответственно. Репозиторий содержит веса PyTorch и Flax. Метаданные не указывают лицензию; модель ориентирована на английский язык, что следует из обучения и оценки на MNLI.

DoubleLlama3-8b-slerp — диалоговая языковая модель для генерации текста, созданная слиянием двух экземпляров Meta-Llama-3-8B-Instruct методом slerp с помощью LazyMergekit. Она предназначена для чата и формирования ассистентских ответов. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и выдаёт текст. В метаданных указана поддержка английского языка. Файлы опубликованы в формате safetensors. Лицензия в предоставленных сведениях не указана.

jaspionjader/ek-6 — объединённая языковая модель автора jaspionjader, созданная методом Model Stock с помощью mergekit на основе jaspionjader/ek-1 и с включением jaspionjader/ek-3 и jaspionjader/ek-5. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для генерации текста и диалогового общения. Модель принимает текст и выдаёт текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для библиотеки Transformers. В карточке указана лицензия; конкретный тип лицензии здесь не приведён.

Experiment26Neuralsirkrishna_Experiment28Experiment24 — объединённая модель Mistral, созданная на основе automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment28Experiment24-7B. Она предназначена для генерации текста и диалогов, например для создания ответов и продолжения текста по запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает контекст длиной до 32 768 токенов. Доступна в формате Safetensors. Лицензия — Apache-2.0.

Experiment28T3q_OgnoShadow — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная на основе automerger/Experiment28T3q-7B и automerger/OgnoShadow-7B. Она предназначена для генерации текста и может использоваться в диалоговых и других текстовых приложениях.

declare-lab/flan-alpaca-xxl — модель T5ForConditionalGeneration семейства T5 с 5,8 млрд параметров, дообученная авторами репозитория на инструкционных данных Flan и Alpaca. Она предназначена для выполнения текстовых инструкций и генерации ответов на широкий круг запросов; карточка демонстрирует генерацию текста по простому запросу. Модель принимает текст и выдаёт текст. Для обучения использовались коллекция Flan и синтетические инструкции Alpaca. Разработчики позиционируют подход как доступный способ получить инструкционно настроенную модель, а метаданные указывают датасет tatsu-lab/alpaca. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

franken-Beagle-11B — языковая модель для генерации текста и диалогов, созданная Vicgalle с помощью mergekit. Она получена слиянием методом passthrough двух диапазонов слоёв модели mlabonne/NeuralBeagle14-7B; архитектура — плотная MistralForCausalLM, размер — 10,6 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст; карточка отмечает поддержку диалогового режима. Модель подходит для диалогов, ответов на инструкции, рассуждений и творческой генерации текста. Базовая NeuralBeagle14-7B дообучена на предпочтениях и предназначена для диалогов, следования инструкциям, рассуждений и творческого письма. Репозиторий распространяет веса в формате safetensors; лицензия — Apache 2.0.

lewtun/gemma-7b-sft-full-deita-10k-v0 — текстовая языковая модель, дообученная на основе google/gemma-7b на наборе инструкционных диалоговых данных HuggingFaceH4/deita-10k-v0-sft. Модель использует плотную архитектуру GemmaForCausalLM и содержит 8,2 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев: например, ответов на запросы и выполнения инструкций в формате чата. Максимальная длина контекста — 8192 токена. Карточка не приводит подробностей об оценке качества и конкретных ограничениях модели. Лицензия указана как other, поэтому перед использованием следует проверить её условия в репозитории модели.