III.4Клиентская поддержка и customer success

Lsthf/multilingual-emotion-classification — многоязычная модель Tabularis AI для многометочной классификации эмоций в тексте. Это дообученная на базе FacebookAI/xlm-roberta-base модель XLM-RoBERTa с 305,2 млн параметров и контекстом до 514 токенов. Она независимо оценивает 11 категорий: гнев, презрение, отвращение, страх, раздражение, благодарность, радость, любовь, нейтральность, грусть и удивление; одному тексту можно присвоить несколько меток или не присвоить ни одной. Модель предназначена для анализа эмоций в сообщениях социальных сетей, отзывах о продуктах и обратной связи клиентов, мониторинга бренда и отслеживания эмоциональной окраски диалогов. Карточка сообщает о поддержке 23 языков и приводит метрики на синтетическом многоязычном тестовом наборе; перед применением на реальных данных качество следует проверять отдельно. Эмоциональные метки отражают культурно обусловленные интерпретации и не являются достоверным измерением внутреннего состояния человека. Указана лицензия CC BY-NC 4.0; README предлагает связаться с разработчиком для получения коммерческой лицензии.

munin-neuralbeagle-7b-density-very-low — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она создана с помощью LazyMergekit методом dare_ties: в слиянии участвовали danish-foundation-models/munin-7b-alpha и mlabonne/NeuralBeagle14-7B; для NeuralBeagle14-7B заданы плотность 0,1 и вес 0,6, маска int8 и формат bfloat16. Модель предназначена для генерации текста и может использоваться для диалогов, следования инструкциям, рассуждений и творческого письма — эти возможности описаны для базовой NeuralBeagle14-7B. Она принимает текст и выдаёт текст. В метаданных указана лицензия Apache-2.0.

Kukedlc/Neural-4-QA-7b-v0.2 — объединённая языковая модель, созданная разработчиком с помощью mergekit методом SLERP из Kukedlc/Neural-4-QA-7b и allknowingroger/NeuralCeptrix-7B-slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на вопросы. Она принимает текст и выдаёт текст; контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых сценариев, где нужно формировать текстовые ответы по запросу и работать с длинным контекстом. В репозитории представлены веса в формате safetensors. Лицензия в предоставленных данных не указана.

MaziyarPanahi/neural-chat-7b-v3-Mistral-7B-Instruct-v0.2-slerp — диалоговая модель для генерации текста и ответов на инструкции, созданная MaziyarPanahi слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и Intel/neural-chat-7b-v3. Она основана на архитектуре Mistral с плотной сетью и содержит 7,1 млрд параметров; поддерживает контекст до 32 768 токенов. Модель рассчитана на текстовый диалог и использует формат safetensors. Её можно применять для интерактивных диалогов, ответов на вопросы и выполнения текстовых инструкций. Веса распространяются по лицензии Apache-2.0. Сведения о поддерживаемых естественных языках в предоставленной карточке отсутствуют.

NeuralPipe-9B-merged — объединённая языковая модель автора mlabonne, созданная с помощью mergekit из OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B. Это плотная авторегрессионная модель семейства Mistral с 8,9 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст, в том числе в диалоговом формате. Модель предназначена для генерации ответов в чате и других текстовых сценариев. В README указан метод объединения passthrough: слои 0–31 взяты из OpenPipe/mistral-ft-optimized-1218, а слои 24–31 добавлены из NeuralHermes-2.5-Mistral-7B. Распространяется в формате safetensors по лицензии Apache-2.0.

Kukedlc/neuronal-7b-Mlab — текстовая генеративная модель, созданная слиянием mlabonne/NeuralDaredevil-7B и mlabonne/NeuralHermes-2.5-Mistral-7B с помощью LazyMergekit и метода slerp. В метаданных указаны архитектура MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов по инструкциям. Она принимает текст и выдаёт текст; в карточке модели не заявлена специализация на конкретном языке или предметной области. Репозиторий содержит веса Safetensors, лицензия — Apache 2.0.

NVIDIA-Nemotron-Labs-3-Elastic-12B-A2B-FP8 — языковая модель NVIDIA для генерации текста и диалогов, созданная на основе NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 с помощью постобучения Elastic. Репозиторий содержит FP8-веса эластичной модели с вложенными вариантами на 30B, 23B и 12B параметров; вариант 12B можно извлечь из общего чекпойнта. Метаданные указывают 946,5 млн параметров, тогда как README описывает вариант как 12B; поэтому размер из метаданных и заявленный размер варианта расходятся. Модель предназначена для диалогов, рассуждений и других задач генерации текста. Архитектура Nemotron-H объединяет слои Mamba-2, Attention и Mixture-of-Experts; активный вариант 12B использует около 2,0B активных параметров. Заявленная длина контекста — 262 144 токена. Модель поддерживает английский, немецкий, испанский, французский, итальянский и японский языки. README рекомендует её для коммерческого использования, однако метаданные указывают лицензию «other», поэтому условия коммерческого применения следует сверить с полным текстом лицензии репозитория.

OmegaW10 — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Mistral. Она объединяет ClaudioItaly/TopEvolutionWiz и Eric111/Yarn-Mistral-7b-128k-DPO; репозиторий содержит веса в формате safetensors, указанный размер — 7,1 млрд параметров, нативный контекст — 32 768 токенов. Модель предназначена для генерации текста, в том числе диалогов и развёрнутых ответов на вопросы.

OmniBeagleMBX-v3-7B — объединённая модель для генерации текста и диалогов, созданная с помощью LazyMergekit на основе mlabonne/OmniBeagle-7B и flemmingmiguel/MBX-7B-v3. В основе лежит плотная архитектура MistralForCausalLM с 7,1 млрд параметров; модель распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст, поэтому подходит для диалоговых систем и других сценариев языковой генерации. В README указано, что веса объединены методом slerp с настройками для слоёв self-attention и MLP. Репозиторий использует лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

OpenBuddy-R10528DistillQwen-72B-Preview3 — диалоговая языковая модель OpenBuddy на архитектуре Qwen2.5, дообученная на базе Qwen/Qwen2.5-72B-Base с использованием дистилляции DeepSeek-R1-0528. Она содержит 71,5 млрд параметров, принимает текстовые запросы и генерирует текстовые ответы; заявленная длина контекста — 200 000 токенов. Модель предназначена для многоязычного общения, ответов на вопросы и пошагового рассуждения. В карточке перечислены китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Поддерживается диалоговый шаблон запросов в стиле Qwen3 и интерфейс вызова инструментов. Модель распространяется по лицензии Qwen2.5 72B License. Ответы могут быть ошибочными, вредными или оскорбительными. Разработчик не рекомендует применять модель в критических сценариях, включая медицину, управление потенциально опасными системами и важные финансовые или юридические решения.

Pingala V1 Universal — модель автоматического распознавания речи, разработанная Shunyalabs. Она преобразует аудио в текст и предназначена для точной дословной транскрипции встреч, финансовых звонков, вещательных передач, учебных материалов и других записей. В карточке заявлена поддержка 204 языков, включая индийские и мировые языки; метаданные отдельно перечисляют языковые теги, среди которых русский и английский. Модель основана на архитектуре Transformer, принимает аудио с частотой 16 кГц и поддерживает обработку речи в реальном времени; в карточке также указана встроенная функция обнаружения речевой активности. Shunyalabs приводит средний показатель WER 3,10% и средний RTFx 146,23, однако описание результатов в основном посвящено английской речи. Для доступа требуется аутентификация в Hugging Face Hub. Лицензия обозначена как other и содержит ограничения на дискриминационное, военное и иное вредоносное применение; перед использованием следует ознакомиться с полным текстом лицензии.

Qwen2-7B-Instruct-it-v1.1 — дообученная чат-модель, разработанная homeb82784 на базе unsloth/qwen2-7b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст; заявленная длина контекста составляет 32 768 токенов. В метаданных указан английский язык. Модель распространяется в формате Safetensors под лицензией Apache-2.0.

Qwen3.8-27B-Kimiko-2-NOESIS-BF16 — мультимодальная чат-модель компании AMAImedia, выпущенная в составе платформы автоматизации многоязычного дубляжа NOESIS. Это слияние нескольких предварительно обученных моделей семейства Qwen, выполненное методом Karcher Mean; репозиторий содержит веса BF16 в формате Safetensors и предназначен для работы с Transformers и совместимыми средствами инференса. Модель рассчитана на диалоговые задачи с текстом и изображениями, включая рассуждения, классификацию намерений, маршрутизацию запросов и перевод. В README указаны 27 млрд параметров, контекст 262 144 токена с возможностью расширения до 1 млн, а также поддержка понимания изображений и видео в исходном семействе Qwen3.8. Метаданные карточки подтверждают чат-возможности и vision; языковые теги включают русский, английский, китайский, вьетнамский, японский и другие языки. В README приведены результаты базовой и компонентных моделей, однако итоговые показатели Kimiko-2 для GSM8K отмечены как TBD, поэтому их нельзя считать подтверждёнными. Лицензия репозитория — Apache-2.0.

RQwen-v0.2 — диалоговая языковая модель на архитектуре Qwen2, разработанная ehristoforu и дообученная на базе ehristoforu/RQwen-v0.1. Модель содержит 14 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текста в диалоге; в метаданных также отмечен интерфейс вызова инструментов. Модель можно применять для ведения диалога, ответов на вопросы, выполнения инструкций и генерации текста. В карточке указан английский язык; описание базовой модели в каталоге указывает поддержку русского и английского. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Карточка не описывает обучающие данные или специальные ограничения качества.

Saba2-14B-Preview — объединённая Sakalti модель генерации текста на базе архитектуры Qwen2. Разработчик объединил SuperNova-Medius и Virtuoso-Small методом TIES с помощью mergekit; модель содержит 14 млрд параметров и принимает контекст длиной до 131 072 токенов. Она предназначена для диалогов и генерации текста, включая сценарии следования инструкциям и рассуждений, связанные с базовой моделью Virtuoso-Small. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Saiga/MistralNemo 12B — русскоязычная чат-модель, разработанная Ильёй Гусевым на основе изменённой версии Mistral Nemo. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, предназначенная для диалогов и помощи пользователям на русском языке. README описывает версии, обученные с использованием SFT и SimPO на наборах данных Saiga; для работы используется формат запросов Mistral Nemo с системным сообщением в начале диалога. Модель принимает текстовые запросы и генерирует текстовые ответы. В метаданных указан нативный контекст размером до 1 024 000 токенов, формат весов — safetensors. Лицензия — Apache-2.0. README указывает на базу в виде abliterated-версии Mistral Nemo, но точный идентификатор базового репозитория не приведён.

samantha-mistral-instruct-7b-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, полученная слиянием Mistral-7B-Instruct-v0.1 и cognitivecomputations/samantha-mistral-instruct-7b методом SLERP. Это плотная авторегрессионная архитектура Mistral с 7,1 млрд параметров; модель принимает текстовые инструкции и диалоговые запросы и генерирует текстовые ответы. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых ассистентов, ответов на инструкции, вопросов и ответов и генерации текста в интерактивных сценариях. Репозиторий распространяется в формате safetensors, лицензия — Apache-2.0. Метаданные указывают поддержку чата; дополнительных специализированных задач карточка не заявляет.

Модель NajafAli01/sentiment_results разработана Najaf Ali и представляет собой дообученный DistilBERT для трёхклассовой классификации тональности английского текста: отрицательная, нейтральная и положительная. Она основана на distilbert/distilbert-base-uncased, использует архитектуру DistilBertForSequenceClassification и обучена на датасете syedkhalid0/Sentiment-Analysis объёмом около 105 тысяч примеров. Для работы с текстом модель принимает до 512 токенов и выдаёт класс тональности. Модель подходит для анализа отзывов о товарах и развлечениях, публикаций и комментариев в социальных сетях, клиентских обращений и ответов на опросы. Лицензия — Apache 2.0. В карточке приведены примеры предсказаний, но метрики тестирования оставлены незаполненными, поэтому качество по ним оценить нельзя.

SOLAR-10.7B-merge-dpo_v1 — текстовая генеративная модель команды ETRI xainlp, созданная слиянием моделей через MergeKit. В карточке указаны базовая модель etri-xainlp/SOLAR-10.7B-merge-dpo и модель для слияния davidkim205/komt-solar-10.7b-sft-v5; при обучении использовался набор из 100 тысяч пользовательских предпочтений с DPO и LoRA. Архитектура — плотная модель семейства Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Модель принимает текст и выдаёт текст; метаданные также отмечают поддержку чата. Подходит для диалогов и генерации ответов на текстовые запросы. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Модель dvislobokov/whisper-large-v3-turbo-russian — дообученная русскоязычная версия Whisper large-v3-turbo, созданная dvislobokov на базе openai/whisper-large-v3-turbo. Она предназначена для автоматического распознавания русской речи и преобразования аудио в текст. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 905,2 млн параметров и принимает аудио.

Wistral-7B-Instruct-v0.3 — языковая модель BarraHome для диалоговой генерации текста. Она основана на Mistral-7B-Instruct-v0.2, дообучена с использованием Unsloth и библиотеки TRL и имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для ответов на сообщения и генерации текста в чате. Её контекст составляет 32 768 токенов. В карточке приведены результаты оценок на AI2 Reasoning Challenge и HellaSwag; они дают ориентир по отдельным тестам, но не гарантируют качество в других задачах. Для работы с моделью нужны совместимые инструменты и аппаратные ресурсы; метаданные указывают формат safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализацию по предметной области или отдельные ограничения применения.

WizardLM-13B-V1.2 — полноразмерная текстовая модель с архитектурой Llama, разработанная командой WizardLM и обученная на базе Llama 2 13B. Модель предназначена для генерации ответов на инструкции и многоходового диалога; в карточке приведён шаблон общения в стиле Vicuna. Число параметров — 12,9 млрд, контекст — 4096 токенов. Модель подходит для диалоговых помощников, ответов на вопросы и выполнения сложных текстовых инструкций. В README приведены результаты внутренних оценок MT-Bench, AlpacaEval и WizardLM Eval; авторы отмечают, что тестирование выполнялось самостоятельно и результаты ожидали проверки. Репозиторий содержит веса PyTorch. Лицензия — Llama 2 License.

jyan0311/zephyr-7b-dpo-full — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная из alignment-handbook/zephyr-7b-sft-full с использованием TRL. Модель предназначена для генерации текста в формате чата и ответов на сообщения пользователя; доступна в формате safetensors и рассчитана на контекст до 32 768 токенов. Базовая модель Zephyr-7b-SFT была дообучена на UltraChat. Модель принимает текстовые сообщения и генерирует текстовые ответы. README демонстрирует запуск через Transformers pipeline на GPU. Лицензия в предоставленных данных не указана.

Mel-Iza0/zero-shot — модель классификации текста с нулевым обучением на архитектуре DeBERTa-v2. Она сопоставляет текст с переданным набором меток и оценивает их соответствие, поэтому подходит для классификации по пользовательским категориям без отдельного обучения на этих категориях. В README показан запуск через pipeline zero-shot-classification из Transformers с шаблоном гипотезы. Модель содержит 211,6 млн параметров, работает с контекстом до 512 токенов и опубликована в формате PyTorch. Метаданные указывают португальский язык. Лицензия в доступных данных не указана.

ZraldAI v1.1 — сжатая дообученная версия Qwen3-8B от Zrald для генерации текста и диалогов. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса в формате safetensors. Модель загружается через Transformers и предназначена для генерации ответов и ведения диалога.

Модель mt1234/1234456 — разговорная языковая модель, дообученная разработчиком mt1234 на базе unsloth/phi-4-unsloth-bnb-4bit с помощью Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалогах и других сценариях, где требуется получать текстовые ответы на текстовые запросы. Модель имеет плотную архитектуру класса LlamaForCausalLM и содержит 14,1 млрд параметров. Заявленная длина контекста — 16 384 токена; в метаданных указан английский язык. Репозиторий содержит веса PyTorch, а для использования указана лицензия Apache-2.0.

faodl/actionable-policy-bert-base-multilingual-uncased-f1_weighted — модель классификации текста на базе BERT с многоязычной архитектурой и версией без учета регистра. По идентификатору модели она предназначена для задачи text-classification; разработчик, точная схема меток и назначение классов в карточке не описаны. Модель содержит 194,6 млн параметров, поддерживает контекст до 512 токенов и рассчитана на использование с библиотекой Transformers. Её можно применять для классификации текстовых сообщений по заранее определённым категориям в прикладных системах, если категории и формат входных данных соответствуют данным обучения. Языковые коды, сведения о лицензии, обучающем наборе, метриках и результатах оценки не приведены, поэтому качество и допустимые условия распространения необходимо проверять отдельно.

Air-Striker-Mixtral-8x7B-ZLoss-Instruct — диалоговая языковая модель, созданная Sandmanbuzz линейным слиянием Mixtral-8x7B-Instruct-v0.1 и Air-Striker-Mixtral-8x7B-ZLoss с равными весами. Репозиторий содержит веса в формате safetensors; архитектура Mixtral — разреженная смесь экспертов (MoE), а размер модели по метаданным составляет 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста по инструкциям, например для ответов на вопросы и создания черновиков. Поддерживает контекст до 32 768 токенов. В README указана конфигурация mergekit с линейным слиянием и форматом bfloat16; метаданные также отмечают возможность чата. Лицензия в предоставленных сведениях не указана.

Akshara-8B — языковая модель SVECTOR CORPORATION для понимания и генерации текста на индийских языках и английском. Она предназначена для многоходовых диалогов и сценариев вроде образовательных приложений, клиентской поддержки, создания контента и автоматизации. Модель представляет собой плотную decoder-only архитектуру Llama с 7,5 млрд параметров и контекстом до 8192 токенов. По данным карточки, это дистиллированная версия флагманской модели Akshara; заявлена поддержка хинди, гуджарати, маратхи, тамильского, телугу, каннада, панджаби и английского. Репозиторий содержит веса Safetensors для Transformers. Лицензия — Apache-2.0. К сильным сторонам относятся многоязычные диалоги и ориентация на языковое разнообразие Индии. Карточка заявляет оптимизацию для скорости и эффективности, но не приводит сравнительных оценок качества; поэтому пригодность для конкретного языка и задачи стоит проверять отдельно.

Карточка модели fatymahaly/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.