III.4Клиентская поддержка и customer success

Модель Francesca9805 — дообученная с помощью TRL версия goldfish-models/arb_arab_100mb для генерации текста. Она использует архитектуру GPT-2 и предназначена для продолжения текста и ответов на запросы в формате диалога. Указанный в метаданных контекст составляет 512 токенов; веса опубликованы в формате safetensors. Карточка демонстрирует генерацию ответа на открытый вопрос, но не приводит оценок качества или подробностей обучения. Лицензия в предоставленных данных не указана.

Assertiveness_binary — англоязычная модель классификации текста, созданная дообучением microsoft/deberta-v3-base. Она предназначена для бинарной классификации текстов по напористости. Модель построена на архитектуре DeBERTa V2 и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. В README приведены результаты оценки: accuracy 0,6077, precision 0,6075, recall 0,6060, F1 0,6067 и AUC 0,6514. Эти показатели указывают на умеренное качество в указанной оценке; README не описывает набор данных и подробности разметки. Модель распространяется по лицензии MIT.

DualTurn-Qwen2.5-Mimi-0.5B — модель Anyreach AI для определения очередности реплик в разговоре в реальном времени. Она принимает стереозапись с отдельными каналами микрофона пользователя и голоса агента и выдаёт покадровые вероятности активности речи, будущего начала речи и завершения реплики для каждого канала. Частота кадров составляет 12,5 Гц, аудио внутри модели приводится к 24 кГц. Модель использует плотную архитектуру dualturn_qwen_mimi с основой Qwen2.5-0.5B и дополнительными проекцией и выходными головами. В репозитории доступны веса safetensors и ONNX; для ONNX описан потоковый режим с KV-кэшем. Модель обучалась и оценивалась на наборах Switchboard и OtoSpeech для определения очередности реплик. Карточка называет текущий чекпойнт промежуточным и сообщает, что финальная версия и код обучения ещё готовятся. Лицензия — Apache-2.0.

EmojiLlama-3.1-8B — дообученная методом Direct Preference Optimization (DPO) модель семейства Llama, созданная на базе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для диалогов и генерации текста в более дружелюбном, выразительном стиле, с шутками и эмодзи. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые запросы; заявленная длина контекста — 131 072 токена. Модель подходит для разговорных помощников и создания неформальных ответов, где уместны юмор и эмодзи. В README указаны обучение в течение одной эпохи и шаблон запросов Llama 3. Лицензия — Apache-2.0. Карточка не сообщает о специальных мерах оценки качества или ограничениях; стиль генерации может быть менее уместен для формальных сценариев.

Haidass-Translate-143M-Instruction — компактная инструкция-настроенная модель для перевода, разработанная сообществом DALabCommunity. Это плотная причинная языковая модель на архитектуре Qwen3 с 143 млн параметров и контекстом 4096 токенов. Она дообучена на двунаправленном переводе между китайским и английским; в обучающую смесь также добавили очищенные диалоги общего назначения, чтобы модель могла ограниченно выполнять простые инструкции. Основное применение — перевод с китайского на английский и с английского на китайский. Дополнительно модель может составлять короткие стихи, простые сводки и перефразировать текст, однако выполнение таких инструкций нестабильно. Для работы рекомендуется использовать встроенный chat template модели. Среди ограничений — ошибки в именах и числовых деталях, а при переводе редких сущностей с китайского на английский иногда возникают повторяющиеся фрагменты. Модель оптимизирована для пары китайский—английский и не предназначена для общего диалога или других языковых пар. Лицензия — Apache-2.0.

Nixtral 500M ja — японская модель генерации текста, разработанная neodyland с нуля. Она предназначена для генерации японского текста в диалоговом формате. Модель использует архитектуру Mixtral с разреженной экспертной структурой (MoE), содержит 133,4 млн параметров и поддерживает контекст до 131 072 токенов. В репозитории доступны веса в форматах SafeTensors и GGUF. Обучающие данные включают статьи Википедии. Модель распространяется по лицензии CC BY-SA 4.0. Карточка не приводит оценок качества и подробных ограничений применения.

Helsinki-NLP разработала opus-mt-en-bem — модель машинного перевода с английского языка на бемба. Это модель семейства Marian на архитектуре Transformer, обученная на данных OPUS; при обработке текста использует нормализацию и токенизацию SentencePiece. Размер модели — 55,8 млн параметров, заявленная длина контекста — 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для перевода английских текстов на бемба. В карточке приведены результаты оценки на тестовом наборе JW300.en.bem: BLEU 29,7 и chr-F 0,532. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-cus — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского на кушитские языки; в карточке указана сомали как целевой язык, а целевая группа обозначена как кушитские языки. Модель построена на архитектуре Transformer и реализована как MarianMTModel. Веса содержат 37,1 млн параметров, родной размер контекста — 512 токенов. Для предварительной обработки применяются нормализация текста и SentencePiece с моделями токенизации spm12k. В тестах Tatoeba для пары английский—сомали указаны BLEU 16,0 и chr-F 0,173. Модель подходит для базового перевода с английского на сомали, но приведённые оценки указывают на ограничения качества; результаты для других кушитских языков отдельно не представлены. Лицензия — Apache-2.0.

Raobotnix/Qwen-2.5-1.5B-Slang-Explainer-V1 — компактная диалоговая языковая модель семейства Qwen2.5, дообученная на базе unsloth/Qwen2.5-1.5B-Instruct. Она предназначена для объяснения запросов пользователя, в том числе сленговых выражений, и генерирует ответы на текстовые сообщения. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 с причинной языковой моделью и поддерживает контекст до 32 768 токенов. Модель разработал Raobotnix; при обучении использовались Unsloth и библиотека TRL. В карточке указана поддержка английского языка. Веса опубликованы в формате Safetensors и FP16. Лицензия — Apache-2.0.

RexBERT-base — англоязычный энкодерный трансформер семейства ModernBERT, разработанный Rahul Bajaj и Anuj Garg для задач электронной коммерции. Модель содержит около 149 млн параметров и обучена предсказывать замаскированные токены; обучение включало общее предварительное обучение, расширение контекста и специализацию на коммерческих текстах. Для запуска доступны веса PyTorch и Safetensors, модель совместима с Transformers. Контекст составляет около 8 тысяч токенов. Модель предназначена для семантического поиска товаров и запросов, извлечения атрибутов, классификации товарных данных и отзывов, понимания запросов и ранжирования. Энкодер также можно использовать для получения векторных представлений и дообучать для классификации. Модель не предназначена для генерации длинных текстов; результаты классификации по безопасности, соответствию требованиям и другим значимым признакам требуют проверки человеком. Обучение ориентировано на английский язык и коммерческую лексику. Среди ограничений авторы отмечают возможные смещения по брендам, ценам и регионам, а также необходимость защищать персональные данные и фильтровать взрослые или регулируемые товары. Лицензия — Apache-2.0.

SakThai Context 0.5B Tools — компактная диалоговая языковая модель для вызова инструментов в агентных приложениях. Это prompt-masked SFT модели Qwen/Qwen2.5-0.5B-Instruct, разработанная автором репозитория Nanthasit. Модель построена на архитектуре Qwen2ForCausalLM и содержит 494 млн параметров; заявленная длина контекста — 32 768 токенов. Она принимает текстовые запросы и выдаёт текст, включая выбор инструмента и JSON-подобные аргументы для его вызова. Модель предназначена для лёгких ассистентов и локальных агентных сценариев, в том числе на маломощных устройствах и Raspberry Pi. В README заявлены точность выбора инструмента 91,2% и отсутствие вырожденных ответов в многоразовой оценке. Лицензия — Apache-2.0. Малый размер ограничивает глубину рассуждений; точность аргументов ниже точности выбора инструмента, а соблюдение схемы инструментов ухудшается при вложенных аргументах и длинных трассах контекста.

HachiML/Swallow-MS-7b-v0.1-ChatSkill — японская диалоговая модель, созданная с применением подхода SkillTree к базовой модели tokyotech-llm/Swallow-MS-7b-v0.1. В README указано, что улучшения навыков получены из продвинутого обучения или дообучения; точный способ создания этой версии не уточнён. Модель построена на плотной архитектуре Mistral и содержит 7,2 млрд параметров. Она предназначена для генерации текста в диалоге на японском языке; контекст составляет 4096 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README не описывает конкретные целевые навыки, поэтому нельзя уверенно приписать модели отдельные сценарии вроде суммаризации или генерации кода. Приведённые примеры подтверждают формат японского диалога, но их ответы опущены; качество и ограничения отдельных навыков по этим данным оценить нельзя.

Synapse-Guard v1.2 — лёгкая модель классификации текста на основе BERT, разработанная Comunidade Synapse BR для автоматической модерации контента на бразильском португальском языке. Она относит текст к четырём категориям модерации и предназначена для интеграции в чат-боты, социальные сети, форумы, системы комментариев, образовательные и корпоративные платформы, а также API фильтрации спама. Модель содержит 6,7 млн параметров, использует архитектуру BertForSequenceClassification, принимает текст и выдаёт метку класса. Максимальная длина контекста — 256 токенов. По карточке, модель рассчитана на быструю инференцию и низкое потребление ресурсов; подробные метрики качества не приведены. Версия 1.2 дообучена на Synapse-Guard-v1.1 с использованием Synapse-Guard-Dataset-v1. Модель распространяется по лицензии Apache 2.0. Она не генерирует текст. Возможны ошибки при распознавании иронии, сарказма, неоднозначных сообщений и контента, для понимания которого нужен контекст; для критичных сценариев карточка рекомендует дополнительную проверку человеком.

Synatra-7B-v0.3-Translation — разговорная модель на 7,1 млрд параметров, разработанная как личный проект. Она основана на mistralai/Mistral-7B-Instruct-v0.1 и дообучена на наборе sharegpt_deepl_ko_translation и его отфильтрованной версии. Модель предназначена для перевода заданных фраз на корейский язык; в README приведён соответствующий формат инструкции. Модель использует плотную архитектуру Mistral и поддерживает контекст длиной до 32 768 токенов. Указаны форматы ChatML и Alpaca без входных полей. Весы доступны в формате PyTorch, лицензия — CC BY-SA 4.0. Карточка не содержит результатов завершённой оценки качества: раздел Ko-LLM-Leaderboard помечен как находящийся в процессе. Перевод на корейский — единственное явно описанное целевое направление; качество для других задач или языковых пар не подтверждено.

Tholos-2B — компактная языковая модель Eschatia Labs и Mert Kaya для локальных AI-агентов, которым нужно выбирать инструменты и выполнять пошаговые действия с таблицами, заметками и задачами. Это дообученная с LoRA модель openbmb/MiniCPM5-2B с плотной архитектурой семейства Llama, примерно 2,2 млрд параметров и контекстом до 131 072 токенов по метаданным. Модель принимает текстовые инструкции и схемы инструментов, а выдаёт текстовые ответы в виде JSON с полями thought, tool и args; для надёжного формата рекомендуется ограниченное схемой декодирование. Модель обучена на синтетических англоязычных траекториях и адаптирована к тринадцати инструментам среды Tholos. В тесте Tholos-Bench она показала более высокие результаты, чем базовая MiniCPM5-2B, однако охват теста ограничен 160 сценариями, а другие задачи и форматы вызова инструментов не оценивались. Для записи или иных значимых действий следует проверять каждый вызов и сохранять подтверждения. Лицензия — Apache-2.0.

WindyTranslate/translate-en-ln — модель машинного перевода Windstorm Labs для перевода текста с английского на лингала. Это дообученная и объединённая с базовыми весами модель Helsinki-NLP/opus-mt-en-ln на параллельных данных. Она построена на архитектуре MarianMT, содержит 55 млн параметров, использует формат safetensors и имеет контекст до 512 токенов. Модель предназначена для перевода текстов с английского на лингала. В карточке приведена скрининговая оценка на 48 предложениях FLORES-200 dev: chrF++ 39,52 и BLEU 10,46; автор относит результат к категории Usable и подчёркивает, что это не публикационный результат. Модель распространяется по лицензии Apache-2.0.

WindyTranslate/translate-en-sit — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с английского языка на язык сит. Это дообученная версия Helsinki-NLP/opus-mt-en-sit: LoRA-дообучение на параллельных текстах объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 55,6 млн параметров и принимает текст с контекстом до 512 токенов, выдавая переведённый текст. Модель поставляется в формате safetensors и загружается через Transformers. Лицензия — Apache-2.0. Качество перевода не оценивалось бенчмарками; факт изменения весов подтверждает происхождение модели, но сам по себе не говорит о качестве.

Windstorm Labs выпустила модель машинного перевода с французского языка на Marshallese (mh). Это дообученная версия Helsinki-NLP/opus-mt-fr-mh: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель построена на архитектуре MarianMT, содержит 52,5 млн параметров и доступна в формате safetensors для Transformers; родная длина контекста — 512 токенов. Модель предназначена для перевода текстов с французского на Marshallese, например для перевода сообщений и документов. Поддерживается только это направление перевода. Качество пока не оценивалось бенчмарками, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache-2.0.

AraUni Granite 311M Intent Classifier — модель Najah University для многометочной классификации намерений в вопросах арабского университетского чат-бота. Она присваивает одному вопросу ноль, одну или несколько меток из набора из 20 университетских категорий, чтобы направлять запрос к подходящему сценарию обработки. Это не генеративная модель и не источник ответов на вопросы. Модель дообучена на энкодере IBM Granite Embedding 311M Multilingual R2 с классификационной головой: используются pooling первого токена, dropout и независимые sigmoid-выходы. Максимальная длина входа — 256 токенов. Доступны веса SafeTensors и варианты ONNX для серверного CPU, мобильных устройств и локального выполнения в браузере. Модель ориентирована на арабский язык; лицензия — Apache-2.0. Выпуск v0.4.1 имеет статус preview. Обучающие, валидационные и тестовые примеры полностью синтетические, поэтому высокие оценки на тесте не гарантируют качества на реальных пользовательских запросах. Перед применением нужно проверить модель на репрезентативных реальных данных; её оценки sigmoid не являются гарантированно калиброванными вероятностями. Для загрузки через AutoClass следует изучить пользовательский код модели и закрепить проверенную ревизию.

Bella Bartender v2 8B — англоязычная текстовая conversational-модель для генерации диалогов, ролевого общения, творческого письма и задач, где важны выраженная индивидуальность и заданный персонаж. Исходная модель разработана juiceb0xc0de, а представленная версия преобразована и квантизирована в формате GGUF пользователем mradermacher. Модель основана на архитектуре семейства Llama 3.1 и содержит около 8 млрд параметров. Она работает только с текстом, поддерживает английский язык и предназначена для text generation и instruct-сценариев. Репозиторий содержит варианты квантизации i1, включая IQ- и Q-серии, с разным соотношением качества, скорости и размера; рекомендуемыми указаны i1-Q4_K_M и i1-Q4_K_S. Сведения о размере контекста и результатах бенчмарков не приведены. Сильными сторонами являются специализация на разговорном стиле, roleplay, personality-driven взаимодействии и creative writing, а также возможность локального запуска через GGUF-совместимое программное обеспечение. Ограничения связаны с поддержкой только английского языка, потерями качества у низкобитных вариантов квантизации и отсутствием подробных данных о производительности. Лицензия указана как llama3.1.

BetterGPT2 — языковая модель генерации текста, созданная сообществом mergekit-community объединением моделей через mergekit. В README указан метод TIES и базовая модель openai-community/gpt2-xl; в конфигурации обе записи ссылаются на одну и ту же базовую модель, поэтому отдельные дообученные модели, участвовавшие в объединении, не описаны. Модель предназначена для авторегрессионного продолжения текста по текстовой подсказке. Она использует архитектуру GPT-2 и формат safetensors; базовая GPT-2 XL содержит 1,5 млрд параметров. Контекст модели составляет 1024 токена. Метаданные указывают на англоязычную базовую модель; сведений о поддержке других языков нет. Лицензия в предоставленных данных не указана. Практические ограничения включают короткое окно контекста и отсутствие подтверждённых сведений о преимуществах объединения над базовой моделью; как и другие модели генерации текста, она может выдавать неточные или вымышленные утверждения.

AmberYifan/capsd-convfinqa-fullscore-marin-8b-base-finance_random_b8000_s0 — дообученная модель семейства Llama, созданная на основе marin-community/marin-8b-base. Согласно карточке, при обучении использовался набор capsd_marin-8b-base-n11082-finance-convfinqa-fullscore__mix_finance_random_b8000_s0, связанный с финансовыми вопросами и ответами. Модель предназначена для генерации текста в диалоговом формате и может применяться для ответов на вопросы по финансовой тематике. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текстовый контекст длиной до 4096 токенов. Базовая модель описана как англоязычная. Лицензия указана как other, без уточнения конкретных условий в предоставленных данных. Подробности об оценке качества и известных ограничениях в карточке отсутствуют.

Chinda-Qwen3-4B-F32-GGUF — тайская языковая чат-модель iApp Technology на архитектуре Qwen3 с 4 млрд параметров. Репозиторий содержит веса GGUF в форматах F32, BF16 и F16; метаданные указывают на вариант F32. Модель дообучена на базе iapp/chinda-qwen3-4b и предназначена для генерации текста и диалогов на тайском языке. Её можно использовать для создания тайскоязычных чат-ботов и ответов на вопросы. В карточке заявлены расширенные возможности рассуждения, но подробных оценок качества или результатов тестирования нет. Лицензия — Apache-2.0.

Карточка модели twnlp/ChineseErrorCorrector4-4B на Hugging Face совпадает с карточкой KLXTdwz/ChineseErrorCorrector4-4B, поэтому описание составлено по ней. ChineseErrorCorrector4-4B (CSRP) — китайская модель коррекции грамматики и проверки орфографии, разработанная авторами работы CSRP. Она дообучена на базе Qwen/Qwen3-4B и предназначена для исправления ошибок в обычных китайских текстах и текстах изучающих язык. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и поддерживает контекст до 262144 токенов. Обучение включало продолженное предобучение, дообучение с примерами рассуждений и выравнивание с помощью GRPO и награды за эффективность исправлений. Такой подход нацелен на точные правки и снижение избыточного переписывания корректного текста. В README заявлены результаты на бенчмарках NACGEC и CSCD. Модель принимает текст и генерирует исправленный текст; карточка указывает китайский язык. Лицензия — Apache-2.0.

Модель enochlev/coherence-all-mpnet-base-v2 разработана Enoch Levandovsky и дообучена на базе sentence-transformers/all-mpnet-base-v2 для оценки связности и уместности ответов в диалоге. Это кросс-энкодер на архитектуре MPNet с 136,7 млн параметров, реализованный для Transformers; он принимает текст вопроса или подсказки вместе с ответом и выдаёт оценку, где более высокие значения указывают на большую связность или релевантность. Максимальная длина контекста — 514 токенов. Модель предназначена для проверки ответов чат-ботов и диалоговых систем, а также может служить компонентом более крупной системы или основой для дальнейшего дообучения. Она обучалась и оценивалась на наборе данных CHILDES, а заявленный язык — английский. Репозиторий не сообщает лицензию и предлагает проверить её отдельно. Модель не предназначена для анализа тональности, распознавания эмоциональной окраски или задач вне оценки связности диалога; автор также отмечает, что сарказм и юмор могут оцениваться недостаточно точно.

EEM-Noro-Lamia-Maid-7B-Slerp — диалоговая языковая модель, созданная объединением NeverSleep/Noromaid-7B-0.4-DPO и openerotica/mistral-7b-lamia-v0.1 с помощью LazyMergekit. В основе — плотная архитектура Mistral с 7,1 млрд параметров; для объединения использован метод slerp, веса представлены в формате safetensors. Модель предназначена для генерации диалогового текста и ролевых сценариев. Она поддерживает контекст до 32 768 токенов и может использоваться в чат-приложениях и интерактивном повествовании. Указана лицензия? Данных о лицензии в предоставленных материалах нет.

Eugleo разработал исследовательскую чат-модель exp085-chat-d26-r10-677d8454efbb-sft-dc782403 на базе nvidia/ClimbMix, дообучив её один проход по рецепту nanochat chat-SFT. Это плотная авторегрессионная модель NanochatGPTForCausalLM с 1,2 млрд параметров; она принимает текст и генерирует текст в формате диалога. В метаданных указан контекст 2048 токенов и поддержка английского языка. Модель предназначена для диалоговой генерации и экспериментов с влиянием декорреляции и повторного воспроизведения персональных корпусов при SFT. В обучении использовались smoltalk, mmlu и personas_replay; базовая модель обучалась на ClimbMix с добавлением корпусов с персонами и задачами GSM8K. Модель распространена в формате safetensors и требует trust_remote_code=True для архитектуры nanochat GPT. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

zhzh98/gpt2-german20k-english10k-configA-42-1B — языковая модель на архитектуре GPT-2, разработанная пользователем zhzh98 и обученная с нуля. Она предназначена для генерации текста; карточка не приводит дополнительных сценариев использования или сведений об обучающих данных. Модель использует библиотеку Transformers и распространяется в формате safetensors. Длина контекста составляет 256 токенов. Название указывает на связь с немецким и английским языками, однако карточка не подтверждает языковой состав обучения. Размер модели и условия лицензии не приведены. Качество и ограничения применения не описаны.

heegyu/kogpt-j-base-24L — корейская авторегрессионная языковая модель на архитектуре GPT-J, представленная в версиях Flax и PyTorch. Модель содержит 237 млн параметров, 24 слоя, 12 голов внимания и словарь размером 51 200 токенов; максимальная длина последовательности — 1024 токена. Модель обучена для генерации корейского текста на корпусах разговоров и сообщений, книг, веб-текстов, корейской Википедии, Namuwiki, газетных материалов и петиций. Её можно использовать для продолжения корейского текста и генерации коротких фрагментов на его основе. Репозиторий распространяется по лицензии MIT. В обучающих данных могли присутствовать дискриминационные и оскорбительные высказывания; отдельная очистка таких данных не проводилась, поэтому модель может воспроизводить предвзятые или оскорбительные формулировки.

MoshiRAG — компактная полно-дуплексная речевая языковая модель Kyutai, дообученная на базе kyutai/moshika-pytorch-bf16. Репозиторий содержит фронтенд модели в формате PyTorch с точностью bf16 и весами safetensors; модель принимает речь и формирует речевые ответы на английском языке. Модель предназначена для интерактивных голосовых диалогов с асинхронным поиском внешних сведений. Она может определить, когда ответу нужны дополнительные факты, и передать контекст диалога системе поиска, пока разговор продолжается. После получения справочного текста модель использует его для обоснования последующих частей ответа. Репозиторий содержит только речевой фронтенд: для системы также требуются бэкенд поиска и потоковая ASR-модель для транскрибирования речи пользователя. Модель разработана Kyutai и распространяется по лицензии CC-BY 4.0. Авторы отмечают ограниченные возможности, возможные смещения в темах, представленных в обучающих данных, и средний уровень токсичности относительно сопоставимых моделей. Обучена воспроизводить один голос; её не рекомендуют применять для профессиональных консультаций или вредоносного использования.