III.4Клиентская поддержка и customer success

Alisaeed001/Llama-2-7b-English-RomanUrdu-finetune — модель генерации текста на архитектуре Llama с 6,6 млрд параметров. Согласно названию репозитория и README, она предназначена для перевода с английского на романизированный урду; в README показана загрузка через Transformers как модели text-generation. Модель принимает текст и генерирует текст. Её контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch. Сведений о результатах оценки качества и лицензии в предоставленных данных нет.

q1 — дообученная на неизвестном наборе данных компактная англоязычная модель генерации текста на архитектуре GPT-2, созданная на основе distilbert/distilgpt2. Модель предназначена для генерации продолжения текста; конкретные сценарии применения в карточке не описаны. В репозитории представлены веса в формате safetensors. Контекст модели — 1024 токена. В README приведено значение loss 0,0078 на наборе оценки, но описание набора данных и методики оценки отсутствует, поэтому этот результат нельзя надёжно интерпретировать. Модель распространяется по лицензии Apache-2.0. Данные для дообучения неизвестны; качество и ограничения на конкретных задачах по имеющейся оценке установить нельзя.

Модель sayanmandal/t5-small_6_3-hi_en-to-en — компактная модель перевода на базе архитектуры T5, обученная с нуля на наборе cmu_hinglish_dog. Она преобразует текст на хинглиш (смешение хинди и английского) в английский. В репозитории указано 38,5 млн параметров; используется PyTorch, длина контекста — 512 токенов. Модель предназначена для перевода коротких текстов на хинглише. На тестовой выборке автор сообщает BLEU 18,0863. Результат относится к указанному набору данных и не гарантирует такое же качество на других текстах; карточка не описывает дополнительные сценарии применения. Лицензия в предоставленных данных не указана.

Модель WindyTranslate/translate-crs-es — модель машинного перевода, опубликованная Windstorm Labs. Она переводит с креольского языка Сейшельских островов (crs) на испанский (es) и предназначена для перевода текстов в этом направлении. В основе лежит Helsinki-NLP/opus-mt-crs-es — архитектура MarianMT с 49,4 млн параметров и контекстом до 512 токенов. Весам применили дообучение LoRA на параллельном корпусе, после чего адаптер объединили с базовыми весами. Модель распространяется в формате safetensors и загружается через Transformers. Качество перевода ещё не оценивалось бенчмарками, поэтому его следует проверять на собственных текстах. Модель поддерживает только направление crs→es. Лицензия — Apache-2.0.

WindyTranslate/translate-de-efi — модель машинного перевода от Windstorm Labs, предназначенная для перевода с немецкого на эфик. Это дообученная версия Helsinki-NLP/opus-mt-de-efi: LoRA-адаптация на параллельных текстах объединена с базовыми весами. Модель построена на архитектуре MarianMT, содержит 55,7 млн параметров и рассчитана на контекст до 512 токенов; доступна в формате safetensors для Transformers. Модель подходит для перевода немецких текстов на эфик. В карточке не приведены результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять на собственных данных. Поддерживается только направление de→efi. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с финского языка на люксембургский. Это дообученная версия Helsinki-NLP/opus-mt-fi-lu: LoRA-адаптация на параллельных данных объединена с базовыми весами. Модель использует архитектуру MarianMT, содержит 57,1 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текста только в направлении fi→lu. Репозиторий содержит сборку для Transformers в формате safetensors. Качество перевода не оценивалось, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache-2.0; исходная модель создана Helsinki-NLP, а Windstorm Labs указывает её происхождение и атрибуцию.

Windstorm Labs выпустила дообученную модель машинного перевода с финского языка на киньяруанда. Это модель архитектуры MarianMT с 56,9 млн параметров и контекстом до 512 токенов, основанная на Helsinki-NLP/opus-mt-fi-rw. LoRA-дообучение на параллельных данных было объединено с базовыми весами; модель доступна в формате safetensors для Transformers. Модель предназначена для перевода текстов с финского на киньяруанда. В скрининговой оценке на 48 примерах FLORES-200 она получила chrF++ 28,10 и BLEU 3,99; результат обозначен авторами как ограниченный и не является публикационным. Лицензия — Apache-2.0.

kaaniince/turkishReviews-textGeneration — дообученная модель GPT-2 для генерации текста. В README указано, что она обучалась на неизвестном наборе данных, поэтому её связь с турецкими отзывами нельзя надёжно подтвердить только по названию репозитория. Модель использует архитектуру GPT2LMHeadModel, формат TensorFlow и контекст до 1024 токенов. Разработчик не приводит дополнительных сведений о назначении, данных обучения или оценке качества. Репозиторий распространяется по лицензии MIT.

AutoITIL BERT Nível 2 — классификатор текстов на базе BERTimbau, дообученный автором EdsonMorro для проекта AutoITIL. Он распределяет IT-заявки на португальском языке по ответственным техническим областям второго уровня схемы ITIL: приложения, базы данных, сеть, безопасность и серверы. Модель рассчитана на каскадную маршрутизацию заявок после классификации на первом уровне и может применяться в системах автоматизации службы поддержки. Архитектура — BertForSequenceClassification, размер — 136,1 млн параметров, максимальная длина контекста — 512 токенов; для обучения использовался синтетический сбалансированный набор из 852 заявок. В пятиблочной стратифицированной кросс-валидации указаны macro-F1 0,8048 ± 0,0358 и accuracy 0,8052. Эти результаты относятся к описанному набору данных и не гарантируют аналогичное качество на реальных заявках. Модель распространяется по лицензии MIT.

hatim00101/bert-scam-classifier — бинарный классификатор текста на базе bert-base-uncased, дообученный для обнаружения мошеннических телефонных разговоров. Он относит текстовую расшифровку звонка к классу scam или non_scam, оценивая разговорные и поведенческие признаки, а не только отдельные ключевые слова. Модель построена на архитектуре BERT для классификации последовательностей, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов согласно метаданным; README указывает максимальную длину 256 токенов при обучении. Модель предназначена для сортировки транскриптов звонков и выявления разговоров с признаками мошенничества. В README сообщается о точности, полноте и F1, равных 1,0 на тестовом наборе из 80 примеров, однако небольшой размер набора не позволяет считать этот результат гарантией качества на реальных звонках. Модель обучена на англоязычном датасете, поэтому её назначение ограничено английскими транскриптами. Лицензия CC BY-NC-ND 4.0 разрешает только некоммерческое использование и ограничивает распространение производных материалов.

Metin/gemma-2b-tr — плотная языковая модель семейства Gemma, дообученная на генерацию текста на турецком языке. В карточке указана базовая модель gemma-2b; размер модели — 2,5 млрд параметров, архитектура — GemmaForCausalLM, формат весов — PyTorch и Safetensors, контекст — до 8192 токенов. Модель предназначена для генерации турецкого текста на основе текстового запроса или продолжения. Карточка также указывает поддержку английского, однако основная задача и язык модели — турецкий. По заявлению автора, модель не предназначена для выполнения инструкций или ответов на вопросы; для её обучения использованы веб-данные объёмом около 190 млн токенов, или 100 тысяч документов. Модель выпущена под лицензией CC BY-NC 4.0, а также подпадает под условия использования Gemma. Перед применением следует учитывать ограничения этих условий и некоммерческий характер лицензии.

hun3359/klue-bert-base-sentiment — корейская модель классификации текста на основе klue/bert-base, дообученная автором в течение пяти эпох для анализа тональности. Модель использует архитектуру BERT для классификации последовательностей, содержит 137,8 млн параметров и принимает текст длиной до 512 токенов. В карточке приведены результаты тестирования: точность 0,294 и F1 0,291, что указывает на низкое качество классификации в описанном эксперименте. Модель подходит для пробного определения тональности корейских текстов, но перед практическим применением её следует оценить на целевых данных. Лицензия — CC BY-SA 4.0.

Модель abcorrea/llama-3.2-1b-tinystories-ft-25k — текстовая генеративная модель семейства Llama, разработанная abcorrea и дообученная на основе abcorrea/llama-3.2-1b-wiki-ft-v1. Она предназначена для генерации текста; в названии репозитория указана связь с TinyStories, однако README не раскрывает состав обучения и целевые сценарии подробнее. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. В карточке указан английский язык. Обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель распространяется в форматах PyTorch и safetensors под лицензией Apache-2.0.

Модель jkhan447/sarcasm-detection-Bert-base-uncased-POS — дообученная для классификации текста версия BERT base uncased, разработанная автором репозитория. Она предназначена для обнаружения сарказма в тексте. Модель содержит 136,7 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текстовые входы длиной до 512 токенов. В карточке приведены результаты оценки: accuracy 0,591 и loss 3,1904; датасет указан как None, поэтому данные о составе обучающей выборки отсутствуют. Модель распространяется по лицензии Apache-2.0. Низкая указанная точность ограничивает надёжность автоматического определения сарказма.

Модель sentiment_analysis_model разработана как дообученная версия distilbert/distilbert-base-uncased для классификации текста по тональности. Она обучена на датасете IMDB и предназначена для определения тональности отзывов, в частности положительных и отрицательных оценок фильмов. Модель использует архитектуру DistilBERT и принимает текст с контекстом до 512 токенов. В README сообщается точность 0,9310 и значение loss 0,2366 на оценочной выборке. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Она рассчитана на английский язык и домен отзывов о кино; результаты на других типах текстов в карточке не приведены.

TinyAgent-ToolRAG — компактная модель классификации последовательностей на архитектуре DeBERTa-v2 с 155 млн параметров, разработанная Squeeze AI Lab при Калифорнийском университете в Беркли. В проекте TinyAgent она предназначена для подбора подходящих инструментов и примеров по запросу пользователя, чтобы помогать небольшим агентам точнее вызывать функции на устройствах с ограниченными ресурсами. ToolRAG ориентирована на сценарии локальной работы с приложениями macOS: составление писем, управление контактами, планирование событий календаря и организация встреч Zoom. README описывает извлечение релевантных инструментов и примеров с минимальной задержкой; карточка указывает английский язык и контекст до 512 токенов. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Метаданные классифицируют её как text-classification. README не уточняет обучающую процедуру и не приводит отдельной оценки качества, поэтому степень специализации обучения и сравнительная эффективность неясны. Для агентных сценариев модель применяется как компонент выбора инструментов и примеров, а не как самостоятельный универсальный диалоговый помощник.

Windstorm Labs публикует модель машинного перевода с испанского языка на сранан-тонго. Это дообученная версия Helsinki-NLP/opus-mt-es-srn: LoRA-дообучение на параллельных данных объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 55,9 млн параметров; максимальная длина контекста — 512 токенов. Доступна в формате safetensors для Transformers. Модель предназначена для перевода текстов с испанского на сранан-тонго. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность для конкретных задач следует проверять на собственных данных. Лицензия — Apache-2.0.

WindyTranslate/translate-fi-to — модель машинного перевода Windstorm Labs с финского языка на тонганский. Это дообученная версия Helsinki-NLP/opus-mt-fi-to на параллельных данных: LoRA-обновления объединены с базовыми весами. Модель использует архитектуру MarianMT, содержит 56,1 млн параметров и принимает текст; контекст составляет до 512 токенов. Модель предназначена для перевода текстов с финского на тонганский. В репозитории находится сборка Transformers в формате safetensors. Качество перевода пока не оценивалось бенчмарками, поэтому пригодность для конкретных текстов требует отдельной проверки. Лицензия — Apache-2.0.

Windstorm Labs выпустила модель машинного перевода с французского языка (fr) на мадагаскарский диалект маоре (mfe). Это дообученная версия Helsinki-NLP/opus-mt-fr-mfe: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 49,6 млн параметров и работает с контекстом до 512 токенов. Модель предназначена для перевода текста с французского на mfe; обратное направление в карточке не заявлено. Репозиторий содержит веса в формате safetensors для использования через Transformers. Лицензия — Apache-2.0. Качество перевода пока не оценивалось, поэтому пригодность для конкретных задач требует отдельной проверки.

Модель roger33303 — дообученная версия диалоговой Llama 3.2 с 3,2 млрд параметров, предназначенная для ответов на вопросы об университетских курсах Университета Вестминстера. Она помогает находить сведения о программах, кампусах, продолжительности и форматах обучения, стоимости для студентов из Великобритании и других стран, а также ссылки на страницы курсов. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке; заявленная длина контекста — 131 072 токена. Дообучение выполнено на частном наборе данных, собранном с сайта университета; веса представлены в формате safetensors. Лицензия — Apache-2.0. Ответы могут отражать содержимое использованного набора данных и не гарантируют актуальность сведений о курсах и стоимости.

Chinese-Emotion-GGUF — это набор GGUF-квантизаций модели Chinese-Emotion, разработанной Johnson8187 и основанной на датасете Chinese_Multi-Emotion_Dialogue_Dataset. Квантизацию выполнил mradermacher. Модель предназначена для работы с эмоционально окрашенными диалогами на китайском языке и сценариев, связанных с анализом или генерацией эмоциональных ответов. В карточке указано, что модель поддерживает китайский язык и библиотеку Transformers. Архитектура, число параметров, поддерживаемые модальности и размер контекста не раскрыты. Доступны статические варианты GGUF с уровнями квантизации от Q2_K до Q8_0, а также версия f16; размер файлов составляет примерно от 0,4 до 1,2 ГБ. Более лёгкие варианты требуют меньше памяти, но могут уступать в качестве, тогда как Q6_K и Q8_0 обеспечивают более высокое качество согласно описанию автора. Модель удобна для локального запуска в совместимых средах, поддерживающих GGUF, однако README не содержит результатов тестирования, детального описания качества, ограничений по применению или рекомендаций по выбору контекста. Лицензия указана как MIT.

Moustafa3092 выпустил дообученную модель для определения конца реплики (EOU) в арабских диалогах для голосовых агентов LiveKit. Она оценивает по распознанному тексту, закончил ли пользователь говорить или, вероятно, продолжит фразу. Модель основана на Qwen2-0.5B и дообучена методом LoRA на 57 475 примерах; адаптеры объединены с базовой моделью. Архитектура — плотная Qwen2 с 258,6 млн параметров, контекст — до 32 768 токенов. Модель предназначена для потоковых голосовых агентов и сценариев управления очередностью реплик, особенно на арабском языке, включая литературный арабский и ряд диалектов Персидского залива. Карточка сообщает точность выше 90% на арабских граничных случаях и совместимость с работой в реальном времени. Для использования с LiveKit рекомендуется экспорт в ONNX; опубликованные файлы представлены в формате safetensors. Лицензия — Apache-2.0. Модель лучше всего подходит для разговорного арабского: для других диалектов может понадобиться дополнительное дообучение, а точность зависит от наличия достаточного контекста.

Reinsure-8B — языковая модель компании Reinsured.AI для страхования и перестрахования. Она дообучена на базе Llama 3.1 и предназначена для работы с перестраховочными договорами, структурой treaty, форматами bordereaux, стандартами лондонского рынка и страховой документацией. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и поддержку английского языка. Модель рассчитана на обработку формулировок договоров, извлечение полей из бордеро, классификацию страховых заявок и работу с андеррайтинговыми и убытковыми документами. Автор описывает возможность локального развёртывания на корпоративной GPU-инфраструктуре и использования через API; веса доступны в формате Safetensors с точностью 16 бит и совместимы с vLLM и TGI. Лицензия в предоставленных данных не указана.

Rosa_v1_3B — экспериментальная разговорная модель-компаньон, опубликованная jeiku. По метаданным это плотная авторегрессионная модель семейства StableLM Epoch с архитектурой StableLMEpochForCausalLM, примерно 2,7 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors; автор также упоминает отдельную версию GGUF. Модель создана смешиванием нескольких моделей и вариантов самой Rosa, включая модели после DPO, чтобы получить связного и интересного ИИ-компаньона; автор планирует дальнейшие испытания и рассматривает её как основу для использования на мобильном устройстве. Основной сценарий — диалог на английском языке. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

thealper2/t5-base-paradetox-detox — модель преобразования текста, разработанная на основе google-t5/t5-base и дообученная на парах токсичных и нейтральных фраз из набора s-nlp/paradetox. Она переписывает английский оскорбительный или токсичный текст в более нейтральной форме, стараясь сохранить исходный смысл. Для генерации требуется префикс `detoxify: `. Модель использует архитектуру T5 encoder-decoder и содержит 123,8 млн параметров по метаданным. Она принимает текст и генерирует текст; контекст — до 512 токенов, хотя обучение было ориентировано на короткие предложения, а длинные входы ограничиваются 64 токенами. В тестировании модель снижала долю выходов, распознанных классификатором как токсичные, но качество оценивалось автоматическими метриками, которые имеют собственные ограничения и смещения. Модель предназначена для англоязычных коротких фраз. Она преимущественно удаляет или смягчает явно оскорбительные фрагменты и хуже справляется с косвенной токсичностью, сарказмом, угрозами и эвфемизмами; при этом может терять часть смысла. Это модель перефразирования, а не классификатор токсичности или фильтр безопасности. Лицензия — Apache-2.0.

WindyTranslate/translate-crs-fr — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с креольского языка Сейшельских островов (crs) на французский (fr). Это дообученная версия Helsinki-NLP/opus-mt-crs-fr: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 49,1 млн параметров и принимает текст с контекстом до 512 токенов. Модель поставляется в формате safetensors для Transformers и выдаёт перевод на французский. Она поддерживает только направление crs→fr; оценка качества перевода не проводилась, поэтому качество конкретных результатов не подтверждено. Лицензия — Apache-2.0.

WindyTranslate/translate-en-crs — модель машинного перевода Windstorm Labs для перевода с английского языка на креольский язык Сейшел (crs). Это дообученная версия Helsinki-NLP/opus-mt-en-crs: LoRA-дообучение на параллельных данных было объединено с базовыми весами. Модель использует архитектуру Marian, содержит 47,5 млн параметров и рассчитана на контекст до 512 токенов. Модель распространяется в формате safetensors и загружается через Transformers как encoder-decoder модель для генерации текста. Лицензия — Apache-2.0. Карточка подтверждает, что веса отличаются от оригинала, но качество перевода пока не оценивалось; проверка языка результата не является оценкой точности перевода.

Карточка модели Alannikos768/BoostBot_1_8b-chat на Hugging Face совпадает с карточкой Alannikos768/BoostBot-7b-chat, поэтому описание составлено по ней. BoostBot — диалоговая модель на архитектуре InternLM2, дообученная на базе InternLM2.5-7B-Chat. Она предназначена для генерации персонализированных комплиментов и доброжелательных, ободряющих ответов, которые помогают поднять настроение, поддержать уверенность и сделать общение в социальных и рабочих ситуациях более непринуждённым. Модель содержит 7,4 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 32 768 токенов. В метаданных указан английский язык и интерфейс чата. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает модель как помощника для эмоциональной поддержки в повседневном общении. Она не позиционируется как клинический инструмент или замена профессиональной помощи; качество и уместность сгенерированных комплиментов могут зависеть от контекста.

mkarthik/distilbert-base-uncased-finetuned-product — модель на архитектуре DistilBERT, опубликованная пользователем mkarthik на Hugging Face и реализованная для PyTorch и Transformers. Она предназначена для задачи fill-mask: восстановления пропущенного слова или фрагмента в тексте, с настройкой на продуктовую тематику, судя по идентификатору модели. Модель работает с текстовой модальностью, использует контекст длиной до 512 токенов и применяется через pipeline fill-mask или AutoModelForMaskedLM. DistilBERT — компактная дистиллированная версия BERT, ориентированная на более эффективное выполнение языковых задач при сохранении двунаправленного контекстного представления. В карточке модели отсутствует описание набора данных, точных метрик, числа параметров и лицензии, поэтому эти характеристики нельзя достоверно указать.

LFG-2 — голосовой ассистент, разработанный автором репозитория glenn2: он принимает устную английскую речь и отвечает текстом. Это связка аудиопроектора, обученного соединять аудиоэнкодер Gemma E4B с языковой моделью Gemma 4 31B. Обе базовые модели заморожены, обучался только проектор; архитектура языковой части — плотная Gemma 4, веса опубликованы в формате safetensors. Модель предназначена для ответов на произнесённые вопросы и выполнения голосовых инструкций на английском. Она формирует внутренний канал рассуждений, где может вывести распознанную речь как проверку понимания, а затем выдаёт итоговый ответ. В VoiceBench приведены оценки для подмножеств AlpacaEval, CommonEval и WildVoice. На вход требуется монофоническое аудио с частотой 16 кГц; результат — текст. Модель не позиционируется как сервис транскрибации и не предназначена для неречевого аудио, идентификации диктора или языков, отличных от английского. Лицензия в предоставленных сведениях не указана.