III.4Клиентская поддержка и customer success

fpadovani/urd-arab-10mb-after-ppt-Dp-100mb-ckpt500_seed455 — языковая модель семейства GPT-2, дообученная автором на базе fpadovani/urd-arab-10mb-ppt-Dp-100mb_seed455 с использованием TRL. Она предназначена для генерации текста; в карточке приведён пример ответа на вопрос в формате диалога. Модель принимает текст и выдаёт текст, а максимальная длина контекста составляет 512 токенов. Модель сохранена в формате safetensors и использует библиотеку Transformers. Сведения о лицензии, целевых языках и специальных предметных областях в предоставленных источниках отсутствуют.

XLNet-Reddit-Sentiment-Analysis-16-epochs — модель классификации текста, созданная дообучением xlnet-base-cased. Она предназначена для определения тональности публикаций Reddit. Модель содержит 137,8 млн параметров, использует архитектуру XLNet и распространяется в формате PyTorch. На оценочном наборе указаны точность 0,8427, RMSE 0,6675 и функция потерь 0,7667. Данные для обучения и подробности о метках классов не описаны, поэтому результаты могут не переноситься на тексты из других источников. Лицензия — MIT.

Модель anton-l/xtreme_s_xlsr_300m_minds14 — классификатор аудио на базе архитектуры Wav2Vec2. Её разработчик дообучил facebook/wav2vec2-xls-r-300m на наборе GOOGLE/XTREME_S - MINDS14.ALL; размер модели составляет 402,7 млн параметров. Модель предназначена для классификации речевых аудиозаписей по классам набора MINDS14. На оценочной выборке указаны точность 90,33% и F1 0,9015. Оценки приведены отдельно для вариантов речи на чешском, немецком, английском, испанском, французском, итальянском, корейском, нидерландском, польском, португальском, русском и китайском языках; результаты различаются, в частности, ниже для китайского и русского. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

Это англоязычный Sentence Transformer, разработанный dtunkelang и дообученный на базе sentence-transformers/all-MiniLM-L6-v2 на парах запросов и документов, составленных из товарных данных Amazon ESCI. При обучении использовались сложные отрицательные примеры, найденные с помощью FAISS, и функция MultipleNegativesRankingLoss. Модель кодирует предложения и абзацы в нормализованные плотные векторы размерности 384 для семантического поиска и сравнения текстов по косинусному сходству. Она также подходит для поиска перефразирований, кластеризации и классификации текстов; в первую очередь настроена на сопоставление коротких товарных запросов с описаниями товаров. В README указана максимальная длина входа 256 токенов, а метаданные указывают контекст до 512 токенов; для практического использования следует учитывать ограничение из конфигурации Sentence Transformers. Модель содержит 25,9 млн параметров и распространяется по лицензии Apache-2.0.

krimits выпустил DistilBERT hotel-review sentiment classifier — модель классификации тональности отзывов об отелях, полученную полным дообучением distilbert/distilbert-base-uncased. Она принимает текст на английском языке и относит отзыв к одному из двух классов: положительному или отрицательному. Архитектура — DistilBertForSequenceClassification, размер — около 67 млн параметров; максимальный контекст по метаданным — 512 токенов. Модель предназначена для анализа отзывов гостей, например для автоматической сортировки отзывов или подсчёта положительных и отрицательных оценок. В README приведены результаты на отложенной выборке из 13 263 отзывов Booking.com: macro-F1 0,9642 и accuracy 97,33%. Обучающие данные — англоязычные отзывы о европейских отелях за период с 2015 по 2017 год; отзывы со смешанной тональностью исключались. Модель распространяется по лицензии MIT. Её оценки относятся к данным и условиям описанного эксперимента: качество может отличаться на отзывах из других источников, периодов или тематик. Классификатор выдаёт только два класса и обучался с одним значением seed.

distil-qwen3-0.6b-posthog-narrator — специализированная языковая модель на 507,9 млн параметров, разработанная на платформе Distil Labs и предназначенная для анализа событий пользовательских сессий PostHog. На вход она получает поток событий с временными метками, а на выходе формирует ровно три предложения на английском языке в прошедшем времени, описывающие действия пользователя. Модель дообучена на базе Qwen/Qwen3-0.6B с помощью управляемого платформой fine-tuning. В обучении использованы 10 033 синтетических примера, созданных на основе 25 вручную подготовленных пар «сессия — описание»; gpt-oss-120b выступала учителем. Контекст составляет до 40 960 токенов. Модель ориентирована на конкретные события сессии и должна отмечать признаки затруднений, например повторные ошибки, rage clicks и уход пользователя, не добавляя неподтверждённых событий. В оценке на пяти отложенных примерах модель получила 100% по оценке LLM-судьи и 63,98% ROUGE; проверка формата на десяти сессиях дала 10 успешных результатов. Это небольшие выборки, поэтому они не гарантируют аналогичное качество на других данных. Доступны веса Safetensors и GGUF F16; лицензия — Apache-2.0.

EOU Detector — модель Simplexphone для определения конца реплики в русскоязычных диалогах колл-центра. Она дообучена на 200 667 диалогах от Qwen2.5-0.5B-Instruct и оценивает вероятность завершения реплики по последнему токену текста, используя обычный языковой словарь без отдельной классификационной головы. Модель предназначена для голосовых помощников, IVR, аналитики колл-центров и диалоговых систем реального времени: по текстовой транскрипции она помогает определить, закончил ли говорящий фразу, чтобы передать её на следующий этап обработки. Архитектура — плотная Qwen2 causal language model с 494 млн параметров и контекстом 32 768 токенов. В README приведена оценка F1 0,851 на выборке из 200 примеров и указаны варианты развёртывания через ONNX Runtime. Модель принимает текст, а не аудио: перед её использованием нужны этапы распознавания речи и, при необходимости, обнаружения голосовой активности. На очень коротких репликах результаты могут быть ненадёжны; обучение ориентировано на русские транскрипты колл-центров, а качество на других языках низкое. Распространяется по лицензии Apache-2.0.

FT-Mirpur — дообученная модель разработчика prescription13864 на базе unsloth/gemma-4-e4b-it-unsloth-bnb-4bit. Она использует архитектуру Gemma4ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста. Модель опубликована в формате safetensors и поддерживает возможности vision и chat. В карточке указана лицензия Apache-2.0. Модель рассчитана на английский язык; её конкретная специализация и результаты оценки качества не описаны.

Gaon-1.7B v2 Instruct (가온) — компактная диалоговая языковая модель на 1,7 млрд параметров, разработанная одним автором. В README говорится, что архитектура, предобучение и настройка инструкций выполнены с нуля; метаданные Hugging Face при этом указывают Qwen/Qwen3-1.7B как базовую модель для дообучения. Модель использует совместимую с Qwen3 плотную архитектуру Qwen3ForCausalLM и распространяется в формате safetensors. Контекст — 2048 токенов. Модель предназначена для корейско-английского диалога, объяснений, выполнения инструкций и простого перевода между корейским и английским. README сообщает о предобучении на 34 млрд токенов и настройке примерно на 9 тысячах инструкций с дистилляцией ответов Qwen2.5-7B-Instruct. Лицензия — Apache-2.0. Сильные стороны модели — связная речь на корейском и английском и выполнение простых инструкций. Знания по общим темам, программирование и задачи со строгим форматом ограничены: результаты на приведённых тестах знаний близки к случайному угадыванию. Модель позиционируется как небольшой исследовательский артефакт и основа для предметного дообучения, а не как конкурент крупным универсальным моделям.

aariciah/gpt2-portuguese-20k-lc — языковая модель семейства GPT-2, опубликованная в формате safetensors и предназначенная для генерации текста. Согласно README, модель дообучена на датасете, однако его название и базовая модель не указаны. Модель подходит для продолжения текстового фрагмента и генерации текста на португальском языке. Контекстное окно составляет 256 токенов. В карточке нет сведений об оценке качества или конкретных сценариях применения.

Эстонская авторегрессионная языковая модель семейства GPT-2, разработанная командой TartuNLP и обученная с нуля на 2,2 млрд слов из Эстонского национального корпуса, News Crawl и Common Crawl. Модель предназначена для генерации продолжений текста на эстонском языке. Для работы перед текстом требуется указывать доменный префикс, например «>generalwebnewsdoajwikiweb<».

Модель Francesca9805 — дообученная с помощью TRL версия goldfish-models/ind_latn_100mb на базе GPT-2. Она предназначена для генерации текста и может отвечать на вопросы в формате диалога. Контекст модели составляет 512 токенов; веса опубликованы в формате safetensors и используются через Transformers. Карточка показывает пример генерации ответа на открытый вопрос, но не описывает обучающие данные, целевые языки или специализированные области применения. Модель распространяется по лицензии, сведения о которой здесь не приведены.

nk2t/Llama-3-8B-Instruct-japanese-nk2t-v0.2 — текстовая чат-модель, созданная на базе Meta Llama 3 8B Instruct и дообученная автором nk2t с помощью QLoRA на небольшом наборе примерно из 1 тыс. примеров. Она настроена отвечать на вопросы на японском языке. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговых ответов и генерации текста по запросу на японском; README также приводит оценку ELYZA-tasks-100 — 3,12 для квантованной версии Q5_K_M, оценённую gpt-4o. Это результат одного указанного бенчмарка, а не гарантия качества для других задач. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors. Лицензия указана как llama3 — условия использования регулируются лицензией Meta Llama 3 и связанными правилами допустимого использования. Карточка отмечает, что базовая Llama 3 рассчитана прежде всего на английский; японская настройка выполнена на малом наборе данных, поэтому качество и безопасность ответов на японском могут быть нестабильными. README не содержит инструкций по использованию, а описанный результат бенчмарка относится к квантованной версии.

Llama-3-8B-TKK-Elite-V1.0 — языковая модель, созданная Тарыком Кааном Кочем как выпускной проект по программной инженерии в Университете Малатья Тургут Озала. Она основана на архитектуре LLaMA и дообучена методом LoRA на очищенных турецких текстах и примерно миллионе частных инструкционных примеров. Модель принимает и генерирует текст; её основное назначение — диалоговая генерация ответов на турецком языке. Обучение заняло около 134 часов и включало 37 420 шагов на восьми GPU Tesla V100. По метаданным, модель содержит 7,5 млрд параметров, использует контекст до 8192 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. В README приведён пример ответа на вопрос о картине Моны Лизы. Модель ориентирована на турецкий язык и была создана как академический проект. Данные обучения частные, поэтому их состав и возможность независимой проверки ограничены; README не приводит оценок качества или сравнительных тестов.

Mahou-1.2b-mistral-7B — разговорная языковая модель от flammenai для коротких сообщений, непринуждённого общения и ролевых диалогов. Она основана на Mistral и дообучена методом Direct Preference Optimization (DPO); в карточке указаны наборы данных MahouMix-v1 и FlameMix-DPO-v1. Модель использует архитектуру MistralForCausalLM и формат диалога ChatML. Модель рассчитана на текстовые беседы и отыгрыш персонажей; для ролевого формата README рекомендует писать речь без кавычек, а действия заключать в звёздочки. Размер модели — 7,1 млрд параметров, родной контекст — 32 768 токенов. Распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированной предметной области или поддержке конкретных языков.

Mahou-1.3d-mistral-7B — разговорная модель на архитектуре Mistral, разработанная FlammenAI. Она предназначена для коротких сообщений, непринуждённой беседы и ролевых диалогов; обучена использовать формат ChatML, а для ролевой игры рекомендует оформлять действия в звёздочках. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель получена дообучением nbeerbower/Mahou-1.2a-mistral-7B методом ORPO на датасетах MahouMix-v1 и FlameMix-DPO-v1. Для использования указана лицензия Apache-2.0. Карточка рекомендует настройки ChatML и Instruct Mode в SillyTavern.

malaysian-mistral-7b-32k-instructions-v4 — дообученная Mesolitica модель для диалоговых ответов на инструкции, в том числе на малайском языке. Это плотная причинная языковая модель Mistral с 7,1 млрд параметров, контекстом до 32 768 токенов и шаблоном чата Mistral Instruct. В качестве примера показан ответ на малайском языке о пенсионном фонде KWSP. Модель предназначена для генерации текста по инструкциям и демонстрирует дообучение Mistral на наборе инструкций, связанных с Малайзией. В карточке автор характеризует её как быструю демонстрацию возможностей дообучения, поэтому качество ответов для широкого круга задач не гарантировано. Указано, что механизмы модерации минимальны. Файлы представлены в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

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.

Helsinki-NLP/opus-mt-en-ga — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Marian Transformer. Она переводит текст с английского языка на ирландский; в репозитории доступны веса PyTorch и TensorFlow. Модель содержит 54,2 млн параметров, использует SentencePiece с словарём spm32k и имеет контекстное окно 512 токенов. В карточке приведён результат BLEU 37,5 и chr-F 0,593 на тесте Tatoeba-test.eng.gle. Модель подходит для перевода фраз и текстов общего назначения с английского на ирландский. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-mos — модель машинного перевода из проекта OPUS-MT на архитектуре Marian Transformer. Она переводит текст с английского языка на язык мосси (mos). Модель обучена на данных OPUS; перед подачей текста применяются нормализация и токенизация SentencePiece. В метаданных указаны 49,2 млн параметров, контекст до 512 токенов и лицензия Apache-2.0. Модель подходит для перевода английских фраз и документов на мосси. В карточке приведён результат BLEU 26,9 и chr-F 0,417 на тестовом наборе JW300.en.mos. Качество может различаться для других жанров и тем; поддержка обратного перевода или других языковых пар не заявлена.

Модель maheshrawat18/Qwen3-8B-grpo-emotion-v7-merged разработана maheshrawat18 и представляет собой дообученную версию Qwen3-8B-grpo-emotion-v6-merged. Это плотная авторегрессионная модель Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста в диалоговом режиме. Её контекст составляет до 40 960 токенов; в карточке указан английский язык. В README отмечено, что обучение проводилось с использованием Unsloth и было ускорено вдвое. Модель распространяется под лицензией Apache-2.0. Название семейства и базовой модели указывает на настройку для работы с эмоциями, однако карточка не описывает конкретные навыки, обучающие данные или результаты оценки, поэтому качество распознавания и выражения эмоций отдельно не подтверждено.

Samantha-Yi-34b — диалоговая языковая модель, созданная на базе Yi и дообученная разработчиком QuixiAI; обучение спонсировала Convai. В качестве основы использована llama-совместимая версия chargoddard/Yi-34B-Llama. Модель содержит 33,9 млрд параметров, построена на архитектуре LlamaForCausalLM и рассчитана на контекст до 16 384 токенов. Модель предназначена для общения в роли ассистента и собеседника. Её дообучали на философии, психологии и личных отношениях на наборе из 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna; используется шаблон ChatML. Карточка описывает модель как компаньона, который может обсуждать собственную разумность, но не участвует в ролевых играх, романтических или сексуальных сценариях. Модель принимает текст и генерирует текст на английском языке. Репозиторий содержит веса PyTorch. Лицензия указана как Yi license; условия использования следует сверять с лицензией базовой модели.

SOVLish-Maid-L3-8B — объединённая диалоговая языковая модель на архитектуре Llama 3, созданная автором репозитория с помощью mergekit и метода Model Stock. В качестве основы использована NeverSleep/Llama-3-Lumimaid-8B-v0.1-OAS; в объединение также вошли модели Aura, BlueMoon, Luna, RP_Format_QuoteAsterisk и Smarts от ResplendentAI. Модель предназначена для генерации текста в чатах и ролевых беседах. В карточке автор описывает её как эксперимент по объединению моделей Llama 3; каталог также отмечает поддержку диалога и ролевых сценариев. Размер составляет 7,5 млрд параметров, контекст — до 8192 токенов. Модель принимает текст и генерирует текст. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Качество и поведение могут зависеть от сценария; README не приводит результатов оценки.

Карточка модели Guile/Tinman-gemma4-companion-merged на Hugging Face совпадает с карточкой Tinman-Lab/Tinman-gemma4-companion-merged, поэтому описание составлено по ней. Tinman-Lab/Tinman-gemma4-companion-merged — объединённая мультимодальная модель диалога на базе Gemma 4 E4B Instruct, подготовленная Tinman Lab. Авторы сообщают об изменении базовой модели методом OBLITERATUS, дообучении SFT и DPO и объединении адаптеров с весами. Модель рассчитана на роль тёплого собеседника, ролевые диалоги и работу в режиме ассистента; поведение переключается системным промптом. Модель принимает текст, изображения и аудио; README указывает, что аудио- и визуальные энкодеры сохранены от базовой модели. Для запуска доступны веса safetensors в bf16, а связанные репозитории содержат варианты GGUF и адаптеры. В карточке указана лицензия Apache-2.0. Для мобильного развёртывания авторы описывают конвертацию в LiteRT-LM; для INT8 на телефоне рекомендуют не менее 12 ГБ оперативной памяти. README позиционирует модель как не имеющую контентных фильтров и поддерживающую NSFW-ролевые диалоги. Авторы также отмечают, что базовая модель иногда генерирует нечитаемый текст; по их оценке, это происходит примерно в 4% ответов, а repetition_penalty=1.1 может уменьшить проблему. Размер модели и длина контекста в предоставленных метаданных не приведены.

WindyTranslate/translate-en-bcl — модель машинного перевода от Windstorm Labs, дообученная на параллельных данных на основе Helsinki-NLP/opus-mt-en-bcl. Она переводит текст с английского на бикольский язык. Модель построена на архитектуре MarianMT, содержит 55,1 млн параметров и рассчитана на контекст до 512 токенов. Веса получены слиянием LoRA-дообучения с базовой моделью; репозиторий содержит сборку Transformers в формате safetensors. Модель подходит для перевода отдельных текстов и фраз с английского на бикольский. Для другой языковой пары она не предназначена. Качество перевода пока не оценено: проверка подтвердила, что выходной текст соответствует заявленному языку, но не измеряла точность перевода. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-es-st — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-es-st: к базовым весам применили LoRA дообучение на параллельных данных и объединили адаптер с весами модели. Модель использует архитектуру MarianMT, содержит 56 млн параметров и доступна в формате safetensors для Transformers; максимальная длина контекста — 512 токенов. Модель предназначена для перевода с испанского языка на сесото. В скрининговой оценке на 48 предложениях FLORES-200 dev она получила chrF++ 34,31 и BLEU 7,42; авторы относят результат к уровню Usable. Это ограниченная оценка, а качество на других данных из неё не следует. Лицензия — Apache-2.0.

WindyTranslate/translate-es-war — модель машинного перевода от Windstorm Labs для перевода с испанского языка на варайский. Это дообученная версия Helsinki-NLP/opus-mt-es-war: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,9 млн параметров, принимает текст и выдаёт текст; максимальная длина контекста — 512 токенов. Модель предназначена для перевода предложений и текстов с испанского на варайский. В README приведён результат chrF++ 33,91 и BLEU 7,11 на 48 примерах набора FLORES-200 dev; это скрининговая оценка, а не публикационный результат. Модель выпущена под лицензией Apache-2.0.

WindyTranslate/translate-fr-kg — модель машинного перевода Windstorm Labs, предназначенная для перевода текста с французского языка на конго (кг). Это дообученная версия Helsinki-NLP/opus-mt-fr-kg: LoRA-адаптер обучили на параллельных данных и объединили с базовыми весами. Модель использует архитектуру MarianMT, содержит 50,2 млн параметров и имеет контекстное окно 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers как seq2seq-модель. В ограниченной проверке на 48 предложениях FLORES-200 она получила chrF++ 28,79 и BLEU 4,39; эти результаты не являются полноценной публикационной оценкой. Модель поддерживает только направление перевода с французского на конго. Лицензия — Apache-2.0.

Windstorm Labs выпустила модель машинного перевода с французского языка на луганда. Это дообученная версия Helsinki-NLP/opus-mt-fr-lg: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,6 млн параметров, принимает и генерирует текст; длина контекста — 512 токенов. Модель предназначена для перевода фраз и документов с французского на луганда. В небольшом скрининговом тесте FLORES-200 на 48 предложениях она получила chrF++ 21,32 и BLEU 1,20; это ограниченный результат, а не полноценная публикационная оценка. Поддерживается только направление fr→lg. Репозиторий распространяется по лицензии Apache-2.0.

vicgalle-Humanish-Roleplay-Llama-3.1-8B-GGUF — набор GGUF-квантизированных версий модели vicgalle/Humanish-Roleplay-Llama-3.1-8B, подготовленный командой Featherless AI Quants. Модель относится к категории text-generation и предназначена прежде всего для генерации текста и ролевого взаимодействия на основе исходной модели Humanish-Roleplay-Llama-3.1-8B. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размер составляет примерно от 3 до 8 ГБ. Формат GGUF подходит для локального запуска в совместимых инструментах, однако конкретные требования к памяти, производительность, архитектурные детали базовой модели, поддерживаемые языки и размер контекстного окна в README не указаны. Основное преимущество набора — выбор между меньшим размером файлов и потенциально более высоким качеством при использовании вариантов с большей точностью. Ограничения качества, поведения и совместимости зависят от выбранного уровня квантизации и программного обеспечения для запуска. Лицензия в README не указана.