III.4Клиентская поддержка и customer success

Это система извлекающего ответа на вопросы, созданная дообучением BERT-base-uncased для работы с текстами устной речи. Она использует архитектуру BERT с 136,7 млн параметров и предназначена для ответов по расшифровкам разговоров, интервью и других устных материалов. Модель обучалась на Spoken-SQuAD, где текстам добавляли шум, имитирующий разные уровни ошибок распознавания речи; контекстное окно составляет 512 токенов. На тестах Spoken-SQuAD F1 составил 74,15% без дополнительного шума, 55,2% при WER 44,22% и 42,24% при WER 54,82%. Модель обрабатывает английский текст и возвращает извлечённый из контекста ответ. Для использования требуется библиотека Transformers; веса доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Модель SetFit, разработанная на основе desarrolloasesoreslocales/bert-leg-al-corpus, предназначена для классификации текстов. Она использует дообученный контрастивным обучением Sentence Transformer и классификационную голову LogisticRegression; обучение выполнено в режиме few-shot. Модель распределяет входные тексты по 21 классу, связанному с обращениями и административными материалами на испанском языке. Модель основана на архитектуре RoBERTa, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов (в метаданных контекст указан как 514 токенов). Для текстовой классификации в README указана точность 0,9127. Репозиторий использует формат safetensors и библиотеку SetFit. Лицензия в предоставленных данных не указана.

Darmm/darmm-chat-kazakh-8b — диалоговая языковая модель, созданная Darmm дообучением Qwen/Qwen3-8B с помощью QLoRA. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на генерацию ответов в формате чата и следование инструкциям. Контекстное окно — 40 960 токенов. Модель обучена на примерно 105 тысячах пар инструкций: около 65 тысяч на казахском, 25 тысяч на русском и 15 тысяч на английском языках. Она предназначена для диалогов, ответов на вопросы и выполнения инструкций, прежде всего на казахском языке; русский и английский сохранены. В тестах из карточки модель показала более высокие результаты, чем базовая Qwen3-8B, на казахских наборах Belebele и KazMMLU. Фактическая надёжность ограничена: модель может уверенно сообщать неверные сведения, поэтому важные факты следует проверять или подкреплять поиском по источникам. Значительная часть казахских обучающих данных машинно переведена, из-за чего формулировки могут звучать неестественно. При жадном декодировании длинные ответы на казахском склонны к повторениям; автор рекомендует генерацию с выборкой. Модель не проходила дополнительную настройку безопасности сверх базовой Qwen3-8B. Лицензия — Apache-2.0.

ELYZA-japanese-Llama-2-13b-instruct — японская инструктивная языковая модель, разработанная командой ELYZA на базе Llama 2. Модель прошла дополнительное предварительное обучение для расширения возможностей работы с японским языком; вариант instruct предназначен для генерации ответов на инструкции и запросы.

martimfasantos/gemma-2-2b-Sum-SFT — дообученная модель Google Gemma 2, подготовленная для суммаризации на наборе martimfasantos/openai-summarize-tldr. Она предназначена для создания кратких изложений текста и может использоваться в сценариях, где нужно сжать длинный материал до более компактного пересказа. Это плотная авторегрессионная языковая модель архитектуры Gemma2ForCausalLM с 2,7 млрд параметров и контекстом до 8192 токенов; формат весов — safetensors. Базовая Gemma 2 ориентирована на английский язык, поэтому модель подходит прежде всего для англоязычных текстов. Указанная лицензия — Gemma; применяйте модель на условиях этой лицензии.

Kuchiki L2 7b — языковая модель на архитектуре Llama 2, созданная объединением Nous Hermes Llama 2 7B (70%) и Airoboros L2 7B GPT4 2.0 (30%), после чего к результату применили слияние с LoRA-адаптером LimaRP Llama 2 7B. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев; карточка указывает на совместимость с форматами инструкций исходных моделей. Модель содержит 6,6 млрд параметров, принимает текст и выдаёт текст, а длина контекста составляет 4096 токенов. В репозитории указаны веса PyTorch; для отдельных квантованных вариантов автор упоминает GGUF и GPTQ. Лицензия обозначена как other, поэтому условия использования следует проверять в материалах репозитория и базовых моделей. Автор предупреждает, что модель не предназначена для предоставления фактической информации или советов.

Leia-Swallow-13B — языковая модель, созданная командой LEIA с применением метода LEIA к японско-английской модели Swallow на базе LLaMA 2. Это плотная авторегрессионная модель класса LlamaForCausalLM с 12,9 млрд параметров, контекстом 4096 токенов и весами в формате safetensors; предназначена для генерации текста и ответов на вопросы, особенно на японском языке. Метод LEIA усиливает перенос знаний с английского на целевой язык. В README сообщается об улучшении результатов на четырёх из шести японских бенчмарков вопросов и ответов при сопоставимых результатах на остальных двух. Модель поддерживает японский и английский языки и может применяться для японских QA-сценариев и генерации текста. Лицензия — Apache-2.0.

quantumaikr/llama-2-70b-fb16-korean — языковая модель семейства Llama 2, дообученная Quantum AI на корейском датасете. Она предназначена для генерации текста и диалогового общения на корейском языке; в метаданных также отмечена поддержка английского. Модель имеет плотную архитектуру LlamaForCausalLM примерно с 68,7 млрд параметров и контекст до 4096 токенов. Весами можно пользоваться в формате safetensors. Разработчики указывают исследовательское назначение модели. Дообучение не устраняет все предвзятости и токсичность, а ответы не следует считать достоверными без проверки. Лицензия CC BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Llama-3.1-8B-Instruct_Flat-Affect — вариант Meta Llama 3.1 8B Instruct, созданный Apollo Raines с помощью инструмента jBlaze для изменения поведения модели непосредственно в весах. Дополнительное обучение не проводилось. Модель предназначена для диалогов и генерации текста в сдержанном, клиническом и объективном тоне, без выраженной эмоциональной окраски и энтузиазма. Это плотная авторегрессионная модель LlamaForCausalLM в формате safetensors; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка отмечает английский язык. Вариант представлен как демонстрация технологии jBlaze с намеренно сниженной силой воздействия изменений, поэтому полноту заявленного эффекта следует оценивать на практике. Лицензия — Llama 3.1.

Карточка модели longtermrisk/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-inoculation-prompting-rerun-e9d315a-20260809 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Llama-3.2-3B-Instruct-uz — экспериментальная узбекско-английская языковая модель bxod, созданная на базе Meta Llama 3.2 3B Instruct. Модель прошла дополнительное предобучение на 1,2 млрд токенов (80% английского и 20% узбекского текста), а затем дообучение на инструкциях. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов по метаданным; в описании обучения указан контекст 2048 токенов. Модель предназначена для диалогов и генерации текста, а также может применяться к переводу между узбекским и английским, анализу тональности, классификации новостей и ответам на вопросы. Специальный токенизатор сокращает среднее число токенов на узбекское слово, что может повысить скорость обработки узбекского текста и эффективное использование контекста. Для запуска на видеокарте с 4 ГБ VRAM авторы рекомендуют квантизацию. В опубликованных оценках узбекская версия превосходит базовую модель в тестах перевода и анализа тональности на узбекском, но показывает снижение результатов на некоторых англоязычных и классификационных задачах. Авторы обозначают чекпойнт как экспериментальный и устаревший. Лицензия — Llama 3.2; условия её использования определяются соответствующей лицензией Meta.

Llama3-70B-Chinese-Chat-ExPO — экспериментальная чат-модель на архитектуре Llama 3, опубликованная chujiezheng. Она создана экстраполяцией ExPO с коэффициентом α=0,3 между контрольными точками SFT и DPO/RLHF; в README базами названы shenzhi-wang/Llama3-70B-Chinese-Chat и meta-llama/Meta-Llama-3-70B-Instruct. Модель содержит 69,5 млрд параметров, использует формат safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации ответов в диалоге на китайском и английском языках с выравниванием по человеческим предпочтениям. В README приведены результаты оценок ExPO на AlpacaEval 2.0 и MT-Bench для нескольких других моделей, однако это не отдельная оценка именно данного 70B чекпойнта. Автор предупреждает, что китайские способности не были всесторонне проверены и при применении экстраполяции к DPO/RLHF-выравниванию для новых языков могут возникать непредвиденные проблемы. Лицензия указана как llama3; перед использованием следует соблюдать условия лицензии Llama 3.

MLX Community подготовила восьмибитную конверсию Llama 4 Scout 17B 16E Instruct для запуска через mlx-vlm на Apple Silicon. Это мультимодальная модель Meta семейства Llama 4 для диалога и понимания изображений; она принимает текст и изображения и генерирует текст. Модель поддерживает арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский языки, а также интерфейс вызова инструментов. Модель подходит для диалоговых помощников, ответов на вопросы по изображениям и визуального анализа. В README указано, что веса преобразованы в формат MLX из meta-llama/Llama-4-Scout-17B-16E-Instruct с помощью mlx-vlm 0.1.21. Репозиторий использует лицензию «other»; условия следует сверить с карточкой исходной модели Meta.

llm-jp-13b-instruct-full-jaster-dolly-oasst-v1.0 — инструкция-ориентированная языковая модель, разработанная проектом LLM-jp, совместной инициативой в Японии. Это плотная Transformer-модель на 13 млрд параметров с архитектурой GPT-2; она дообучена на японских наборах jaster, а также на переводах Databricks Dolly 15k и OpenAssistant Conversations Dataset. Модель принимает текст и генерирует текст, поддерживает японский и английский языки. Контекстное окно — 2048 токенов. Модель предназначена для диалогов и выполнения инструкций, например для ответов на вопросы и подготовки текстовых черновиков. В токенизаторе Unigram byte-fallback около 50 570 элементов словаря, включая японский, английский и исходный код. Модель использует формат PyTorch и библиотеку Transformers; лицензия — Apache-2.0. Авторы отмечают, что модель находится на раннем этапе разработки и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Поэтому ответы могут быть ошибочными, небезопасными или не соответствовать запросу; для важных применений необходима проверка человеком.

llm-jp-3.1-1.8b — плотная трансформерная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Версия 1.8B содержит около 1,7 млрд параметров и рассчитана на контекст до 4096 токенов. Веса представлены в формате Safetensors для Transformers. Модель предназначена для генерации текста и выполнения инструкций на японском и английском языках. Она прошла дополнительное непрерывное обучение на инструкциях, а затем supervised fine-tuning и выравнивание методом Direct Preference Optimization. Подходит для диалога, ответов на вопросы и создания текстов; данные README также описывают оценку качества на японском и английском языках. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного соответствия намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

MeliodasT3q_AlloyingotneoyExperiment26 — объединённая модель для генерации текста на базе архитектуры Mistral, созданная слиянием automerger/MeliodasT3q-7B и automerger/AlloyingotneoyExperiment26-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовому запросу. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. В карточке не описаны специализированные сценарии или языковые возможности модели.

Mystery-mag-try2 — объединённая языковая модель, созданная DazzlingXeno методом TIES с помощью mergekit. В основу объединения легла 01-ai/Yi-1.5-34B-32K; также использованы TheSkullery/Y1.5-MS-Mysteria-34b и anthracite-org/magnum-v3-34b. Модель имеет плотную архитектуру LlamaForCausalLM, около 33,9 млрд параметров и контекст до 32 768 токенов; веса представлены в формате safetensors и типе float16. Модель предназначена для генерации текста по текстовому запросу. Метаданные указывают задачу text-generation, но карточка не уточняет специализацию, поддерживаемые естественные языки или конкретные прикладные сценарии. Лицензия в предоставленных данных не указана.

Severian/Nexus-IKM-Hermes-2-Pro-Mistral-7B — диалоговая языковая модель семейства Mistral, разработанная Severian и дообученная в течение двух эпох с помощью Unsloth на наборе данных Internal Knowledge Map. Модель предназначена для генерации текста в чате и ответов с опорой на знания, представленные в этом наборе данных. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель использует плотную архитектуру MistralForCausalLM, веса опубликованы в формате safetensors. Лицензия — MIT. Карточка не сообщает о специализированной предметной области или языках обучения, поэтому их нельзя достоверно указать.

NorskGPT-Llama-7B-v0.1 — норвежская версия диалоговой модели Llama 2 Chat, разработанная bineric и дообученная на отобранных парах инструкций на норвежском языке. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации ответов; заявленная длина контекста — 4096 токенов. Модель предназначена для общения в формате ассистента и задач на норвежском языке, включая суммаризацию и ответы на вопросы. Она обычно лучше справляется с этими задачами, чем с вопросами, требующими специализированных знаний или свободных фактических ответов; до достижения оптимальных результатов может потребоваться настройка промптов. Выпущена по лицензии CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование.

OmniAudio-2.6B — мультимодальная аудиоязыковая модель компании NexaAI на 2,6 млрд параметров для локального запуска на устройствах. Она объединяет Gemma-2-2b, Whisper turbo и проектор, чтобы обрабатывать аудио и текст в одной модели, без отдельной последовательной связки распознавания речи и языковой модели. В карточке Hugging Face указаны варианты GGUF, включая Q4_0, Q4_K_M и Q8_0; лицензия — Apache-2.0. Модель предназначена для голосовых вопросов и ответов, диалога по аудиовводу, создания текстов по голосовым запросам, суммаризации записей и преобразования заметок в более профессиональный стиль. В обучении использовались данные английской речи MLS English 10k, а также этапы supervised fine-tuning и DPO. Заявленная разработчиком цель — быстрый офлайн-инференс на потребительских и периферийных устройствах. Описание не заявляет генерацию аудио или поддержку function calling: эти возможности указаны как планы развития. Языковая поддержка подтверждена для английского; результаты могут зависеть от устройства и выбранной квантизации.

Helsinki-NLP/opus-mt-fr-bg — модель машинного перевода из семейства OPUS-MT, созданная Helsinki-NLP на архитектуре Transformer и реализованная в библиотеке Marian. Она переводит текст с французского языка на болгарский; модель обучена для этой языковой пары, а не для многоязычного перевода. Используются нормализация текста и токенизация SentencePiece с словарями размером 32 тыс. токенов. Модель содержит 56,6 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель подходит для перевода отдельных фраз и текстов, в том числе для автоматизированных рабочих процессов перевода. В карточке приведён результат BLEU 46,3 на тестовом наборе Tatoeba-test.fra.bul; этот показатель относится к указанному набору и не гарантирует такое же качество на других типах текстов. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-zh-en — модель машинного перевода, разработанная группой Language Technology Research Group Хельсинкского университета. Она переводит текст с китайского языка на английский и предназначена для прямого использования в задачах перевода и генерации текста по тексту. Модель построена на архитектуре Marian и содержит 58,4 млн параметров. Для подготовки текста используются нормализация и SentencePiece с отдельными словарями размером 32 тыс. токенов; длина контекста составляет 512 токенов. В тесте Tatoeba-test.zho.eng указаны оценки BLEU 36,1 и chr-F 0,548. Модель поддерживает только направление китайский → английский. В README отмечены возможные смещения и риски распространения стереотипов, а качество перевода может зависеть от тематики и контекста. Лицензия — CC-BY-4.0.

KhaledAshraf/qwen3-finetuned — дообученная Khaled Ashraf компактная языковая модель Qwen3 с плотной архитектурой Qwen3ForCausalLM и примерно 508 млн параметров. Она предназначена для генерации текста и диалогов; карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 2,0026 на оценочном наборе. Модель принимает текст и выдаёт текст, использует библиотеку Transformers и поддерживает контекст до 40 960 токенов. Qwen3-0.6B описана в каталоге как многоязычная модель, однако языки и специализация этого дообучения не раскрыты. Модель опубликована в формате safetensors под лицензией Apache-2.0. README не содержит подробностей о данных, методике обучения, целевом качестве и ограничениях, поэтому пригодность для конкретной области следует оценивать отдельно.

DoppelReflEx/QWQ-32B-Dawnwhisper-QWQTokenizer — слитая автором модель на архитектуре Qwen2 с 32 млрд параметров, созданная на основе Qwen/QwQ-32B, ArliAI/QwQ-32B-ArliAI-RpR-v3 и trashpanda-org/QwQ-32B-Snowdrop-v0. В README указано, что при сборке использован токенизатор QwQ, а веса объединены методом dare_ties; модель распространяется в формате safetensors и рассчитана на генерацию текста и диалоги. Контекст составляет 40 960 токенов. Модель предназначена для диалогов с рассуждениями, ролевого общения и сценариев с несколькими параллельными задачами. Автор отмечает сильные результаты в рассуждениях и выразительность диалогов; режим рассуждений можно включить для более качественных ответов, особенно на языках помимо английского и китайского. README рекомендует шаблон ChatML и указывает на доступность квантованных GGUF-вариантов, но сама карточка не задаёт лицензию.

samandar1105/sentiment-classifier — дообученная модель RoBERTa для бинарного анализа тональности английского текста. Она относит текст к положительному или отрицательному классу; модель разработана на основе roberta-base и обучена на наборах SST-2 и IMDB. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. В README указаны accuracy 0,9292 и F1 0,9413 на 20 000 отложенных примеров из IMDB. Подходит для анализа тональности отзывов и текстов, похожих на рецензии. Модель обучалась только на английских текстах и не распознаёт нейтральную тональность. Результаты на других типах текстов могут отличаться. Лицензия в предоставленных данных не указана.

ServiceNow-AI Apriel-1.6-15b-Thinker-GGUF — это квантизированная GGUF-версия модели Apriel-1.6-15b-Thinker, разработанной ServiceNow AI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач генерации текста и диалогового взаимодействия; в карточке также указана категория image-text-to-text, однако подробности о работе с изображениями не приведены. Модель имеет размер 15 миллиардов параметров и выпускается в вариантах от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. GGUF-файлы рассчитаны на запуск через llama.cpp, LM Studio и другие совместимые проекты. Доступны версии объёмом примерно от 7,7 до 28,9 ГБ; варианты с более высокой точностью обычно требуют больше памяти, но лучше сохраняют качество исходной модели. В README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура и результаты benchmark-тестов. Сильной стороной модели является широкий выбор квантизаций, позволяющий подобрать баланс между качеством, скоростью и требованиями к памяти; автор README рекомендует несколько вариантов Q4–Q6 для практического использования. Ограничения связаны с потерями качества при более агрессивной квантизации, а также с отсутствием сведений о языках, контексте и мультимодальных возможностях. Модель распространяется по лицензии MIT.

WindyTranslate/translate-fi-en — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода текста с финского языка на английский. Это дообученная версия Helsinki-NLP/opus-mt-fi-en: LoRA-адаптер, обученный на параллельных данных, объединён с базовыми весами. Архитектура MarianMT, размер — 55,7 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для автоматического перевода финских сообщений и документов на английский. В проверке на 48 предложениях FLORES-200 dev она получила chrF++ 56,31 и BLEU 29,35; это предварительная оценка, а не результат публикационного исследования. Поддерживается только направление fi→en. Репозиторий содержит веса в формате safetensors и использует лицензию Apache-2.0.

unicamp-dl/translation-en-pt-t5 — модель семейства T5, разработанная командой unicamp-dl для перевода с английского на португальский. Это плотная модель с архитектурой T5ForConditionalGeneration и примерно 123,8 млн параметров; она работает с текстом и рассчитана на контекст до 512 токенов. Модель предназначена для машинного перевода EN→PT. В карточке отмечены изменения токенизатора и постобработки, призванные улучшить результат, а также использование предварительно обученной португалоязычной модели. Для запуска предлагается библиотека Transformers; перед текстом нужно указать префикс задачи T5. Лицензия в предоставленных данных не указана.