III.4Клиентская поддержка и customer success

Beast_Mixed_2_pro — языковая модель для диалогов и генерации текста, созданная объединением моделей NousResearch/Hermes-2-Pro-Mistral-7B и mohsinmubaraksk/Beast-Mixed с помощью LazyMergekit. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. В метаданных указана возможность чата; основной сценарий применения — генерация текста по запросу пользователя. Модель опубликована в формате safetensors. README описывает слияние методом SLERP в формате bfloat16. Лицензия в предоставленных данных не указана.

Recognai/bert-base-spanish-wwm-cased-xnli — испаноязычная модель BERT, дообученная командой Recognai на испанской части набора XNLI для классификации с нулевым примером. Она оценивает, насколько текст соответствует предложенным пользователем меткам, и подходит для тематической разметки текстов без отдельного обучения на каждой категории. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для тестовой части XNLI на испанском языке указана точность 79,9%. Доступны веса в форматах PyTorch, Flax и safetensors. README рекомендует использовать её через pipeline zero-shot-classification библиотеки Transformers и отмечает, что более новые варианты SELECTRA легче и показывают лучшие результаты. Модель выпущена по лицензии MIT.

qgrantq/bert-finetuned-squad — модель BERT, дообученная на наборе вопросов и ответов SQuAD на основе bert-base-cased. Она предназначена для извлечения ответа на вопрос из предоставленного текста и подходит для систем поиска по документам и автоматизации ответов по контексту. Модель содержит 135,5 млн параметров, использует архитектуру BertForQuestionAnswering и принимает контекст длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель рассчитана на английские тексты, что следует из базовой модели bert-base-cased и датасета SQuAD. Она распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или дополнительных сведений об ограничениях; результаты могут зависеть от соответствия входного текста распределению SQuAD.

blossom-v3-mistral-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на 7,1 млрд параметров, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.2 и Azure99/blossom-v3-mistral-7b методом SLERP. Модель построена на архитектуре Mistral и предназначена для генерации текста в ответ на запросы и инструкции; поддерживает контекст до 32 768 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы и создания текстов по запросу. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Blur-7b-slerp-v1.44 — объединённая модель для генерации текста, созданная liminerity с помощью Mergekit. Она объединяет liminerity/1 и Inv/Konstanta-7B методом SLERP; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для диалоговой генерации текста и использует контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специальные предметные области или отдельные ограничения качества; её назначение — общее текстовое общение.

Blur-7b-v1.21 — объединённая языковая модель на архитектуре Mistral, созданная liminerity с помощью LazyMergekit из udkai/Turdus, decruz07/kellemar-DPO-Orca-Distilled-7B-SLERP и liminerity/Blur-7b-v1.2. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. В карточке приведены результаты оценивания на Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag; опубликованные показатели показывают результаты тестирования, но не гарантируют качество в конкретных сценариях. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220810-123313 — дообученная Carted-NLP модель для классификации текста на базе RoBERTa. Она содержит 26,6 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны результаты оценки: accuracy 0,8416 и F1 0,8396. Модель подходит для отнесения текстов к категориям в задачах автоматической разметки и маршрутизации. Язык категорий и обучающих данных, набор меток и условия лицензии в доступных сведениях не описаны.

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220810-185342 — дообученный классификатор текста на базе RoBERTa, разработанный carted-nlp. Модель содержит 36 млн параметров и принимает текст с контекстным окном до 514 токенов. Она предназначена для классификации текстов. В карточке приведены результаты оценки: accuracy 0,87 и F1 0,869. Данные о классах, обучающем наборе и целевой области применения не раскрыты. Модель распространяется в формате PyTorch; лицензия в предоставленных сведениях не указана.

Codama-8b-v0 — чат-модель для генерации текста, разработанная Ramikan-BR и дообученная на базе unsloth/llama-3-8b-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Для обучения использовались Unsloth и библиотека TRL. Модель предназначена для диалогов и генерации ответов на английском языке. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0.

CollectiveCognition-v1.1-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — объединённая модель на основе Mistral-7B-Instruct-v0.2 и CollectiveCognition-v1.1-Mistral-7B, созданная с помощью метода SLERP. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров для диалогов и генерации текста по инструкциям; контекст составляет до 32 768 токенов. Модель принимает текст и выдаёт текст, поэтому подходит для диалоговых помощников и задач генерации на естественном языке. Репозиторий содержит веса Safetensors в формате bfloat16. Лицензия — Apache-2.0. В README описана схема слияния, но отдельные результаты оценки качества и подробные ограничения модели не приведены.

CombinaTrix-7B — объединённая языковая модель, созданная CultriX с помощью LazyMergekit из NeuralBeagle14-7B, WestSeverus-7B-DPO-v2 и TurdusTrixBeagle-DARETIES-7B. В конфигурации указан WestLake-7B-v2 как базовая модель слияния; применён метод dare_ties, веса сохранены в формате float16. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста, включая диалоговые ответы, следование инструкциям, рассуждения и творческое письмо — эти сценарии унаследованы от составляющих моделей. Она принимает текст и выдаёт текст. Лицензия — Apache-2.0.

Cymist2-v0.2-SFT — языковая модель команды Cypien AI для генерации текста и диалоговых сценариев. Она основана на Mistral-7B-v0.1 и дообучена методом SFT; модель содержит 7,1 млрд параметров, использует архитектуру Mistral с причинным декодированием и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на турецком и английском языках, чат-ботов, виртуальных помощников и сценариев RAG, где ответы формирует языковая модель на основе предоставленного контекста. Репозиторий использует Transformers и формат Safetensors; заявлена лицензия Apache-2.0. Модель может наследовать смещения обучающих данных и выдавать неверные ответы. Авторы не рекомендуют применять её в критически важных системах или там, где нужны специальные знания вне общего текстового назначения.

Narsil/deberta-large-mnli-zero-cls — крупная модель классификации текста на базе DeBERTa Large, дообученная на задаче MNLI. Архитектура DeBERTa использует раздельное внимание к содержимому и позициям токенов и улучшенный декодер маски; в репозитории указано около 454,1 млн параметров, формат PyTorch и контекст до 512 токенов. Модель предназначена для классификации последовательностей и zero-shot-классификации: можно сопоставлять текст с наборами кандидатных меток, в том числе задавая метки без отдельного обучения на каждом наборе классов. Она работает с текстом на английском языке и может использоваться в сценариях понимания естественного языка и проверки текстовых гипотез. Модель распространяется по лицензии MIT. Показатели из README относятся к разным задачам и вариантам DeBERTa, поэтому их нельзя считать гарантированной оценкой качества именно этого чекпойнта на произвольных данных.

AIArchiveInfo публикует побайтную архивную копию модели MoritzLaurer/deberta-v3-large-zeroshot-v2.0. Согласно README, веса не обучались и не изменялись при копировании; исходная модель основана на DeBERTa V3 Large и предназначена для классификации текста без размеченных примеров с помощью zero-shot-пайплайна Hugging Face. Она оценивает, следует ли гипотеза из текста, и позволяет формулировать пользовательские категории как гипотезы, например для тематической классификации, анализа тональности или разметки обращений. Модель имеет 533,8 млн параметров, контекст до 512 токенов и англоязычную карточку. Доступны форматы Safetensors и ONNX; библиотека — Transformers. README приводит результаты оценки на 28 задачах классификации и указывает, что DeBERTa V3 обычно точнее RoBERTa, но работает медленнее. Модель ограничена классификацией текста; результат зависит от формулировок гипотез и категорий, а возможные смещения связаны с базовой моделью и обучающими данными. Лицензия — MIT. Архивная копия сохраняет лицензию исходной модели.

Deem-4B — англоязычная модель на 4 млрд параметров для классификации текста, маршрутизации запросов и принятия решений с оценкой вероятностей. Модель разработал Mert Kaya в рамках проекта Eschatia Labs; она построена на архитектуре Qwen 3.5 и дообучена с помощью LoRA на базе internlm/Intern-Decision-4B с данными JevAlt. Для запуска доступны веса в формате Safetensors, а также сборка GGUF; в README указано потребление 3,04 ГБ оперативной памяти для варианта Q4_K_M при контексте 4k. Модель принимает текст и поддерживает контекст до 8k токенов. Основной язык — английский; метаданные также указывают турецкий и немецкий. Для оценки вероятностей решений предусмотрена калибровка, но перед использованием порогов уверенности её следует перенастроить на собственных данных. На тестовой выборке из того же конвейера, что и обучающие данные, заявлены точность 94,7% и Brier score 0,091; эти результаты не гарантируют качество на других данных. Лицензия — Apache-2.0.

DeepSeek-R1 — серия больших языковых моделей, разработанная DeepSeek и представленная в вариантах, дистиллированных из архитектур Qwen и Llama. Модели предназначены для генерации текста, диалогов, решения задач, требующих рассуждений, поиска и обработки информации, а также для сценариев клиентской поддержки, conversational AI, исследований и корпоративной автоматизации. В репозитории доступны варианты DeepSeek-R1-Distill-Qwen размером 1.5B, 7B, 14B и 32B параметров, а также DeepSeek-R1-Distill-Llama размером 8B и 70B параметров. Для каждой ветки указана квантованная версия q4-km по умолчанию. Модель относится к классу text-generation; сведения о поддерживаемых языках, размере контекста и дополнительных модальностях в README не приведены, поэтому она описывается как текстовая. Основные сильные стороны серии — широкий диапазон размеров, возможность выбрать баланс между ресурсопотреблением и качеством, а также ориентация на диалог и рассуждения. Более крупные варианты потенциально требуют больше вычислительных ресурсов, а квантованные версии могут отличаться по качеству от исходных моделей. Конкретные ограничения, показатели производительности и условия применения в README не указаны. Репозиторий распространяется по лицензии MIT; в README также приведена ссылка на исходную лицензию DeepSeek-R1.

Модель krishanwalia30/DeepSeek-R1-Distill-Alpaca-FineTuned — дообученная разработчиком krishanwalia30 языковая модель для генерации текста и диалоговых ответов. Она основана на unsloth/DeepSeek-R1-Distill-Llama-8B-unsloth-bnb-4bit, использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. В качестве обучающих данных указаны yahma/alpaca-cleaned; в карточке заявлено дообучение на Alpaca для повышения адаптивности ответов. Модель предназначена для пользовательских ассистентов, генерации текстов и документации, ответов на специализированные запросы и извлечения аналитических выводов из данных. Она принимает текст и генерирует текст; заявленная родная длина контекста — 131 072 токена. README также упоминает ONNX Runtime, но метаданные перечисляют форматы PyTorch и safetensors, поэтому наличие ONNX-файлов не подтверждается. Заявления карточки о высокой точности и снижении галлюцинаций не подкреплены результатами бенчмарков. Лицензия — Apache-2.0.

DIOD-Mistral-0.2 — диалоговая языковая модель на архитектуре Mistral, созданная дообучением OpenHermes-2-Mistral-7B. Для обучения использовался набор пар предпочтений argilla/distilabel-intel-orca-dpo-pairs. Модель предназначена для генерации ответов в диалоге и других сценариев общения с текстовым помощником. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors; в метаданных указаны английский язык и возможность чата. Лицензия — Apache-2.0.

Модель heewook/distilbert-base-uncased-finetuned-clinc — дообученная версия DistilBERT, разработанная на базе distilbert/distilbert-base-uncased и предназначенная для классификации текста. В карточке указана оценка accuracy 0,919 на наборе проверки; название репозитория указывает на связь с CLINC, но README не раскрывает обучающие данные и классы.

AssemblyAI дообучила DistilBERT-Base-Uncased для анализа тональности на наборе Stanford Sentiment Treebank v2 (SST-2), входящем в бенчмарк GLUE. Модель построена на архитектуре DistilBERT и предназначена для классификации тональности текста. Её можно использовать для определения тональности коротких текстовых фрагментов, например отзывов или комментариев. Контекст модели составляет до 512 токенов. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Elysium-Omni-11b — объединённая диалоговая модель для генерации текста, созданная powermove72 с помощью LazyMergekit. Она объединяет Elysium-Omni-Itt-11b и SoMix2-xb линейным слиянием с весами 0,8 и 0,2 соответственно. Модель построена на плотной архитектуре Mistral с 11 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалогов и генерации ответов на текстовые запросы. В репозитории указаны веса Safetensors; конфигурация слияния использует float16. Лицензия в доступных данных не указана.

Experiment28M7_Experiment27Pastiche — объединённая модель на базе архитектуры Mistral, созданная слиянием automerger/Experiment28M7-7B и automerger/Experiment27Pastiche-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, в том числе диалоговых ответов. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Данных о специализации на конкретных языках или предметных областях в карточке нет.

Experiment28M7_Experiment29Pastiche — объединённая модель для генерации текста, созданная путём слияния automerger/Experiment28M7-7B и automerger/Experiment29Pastiche-7B. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Веса представлены в формате Safetensors. Лицензия — Apache-2.0.

WesPro/F1-Chimera-Hybrid-LimaRP-8B — объединённая модель генерации текста, созданная методом linear merge с помощью mergekit на основе mlabonne/ChimeraLlama-3-8B и mpasila/Llama-3-LimaRP-LoRA-8B. Модель построена на архитектуре Llama 3 с плотной причинно-языковой сетью и содержит 7,5 млрд параметров; репозиторий использует формат safetensors, а веса при объединении приведены к float16. Модель предназначена для диалогов и генерации текста. Контекст составляет 8192 токена. Карточка не сообщает о специализированных языках или прикладных областях, поэтому модель можно описать как текстовую модель общего назначения. Лицензия в предоставленных данных не указана.

flammen15-mistral-7B — объединённая с помощью mergekit методом SLERP языковая модель, созданная разработчиком flammenai на основе nbeerbower/MaidFlameSoup-7B и nbeerbower/flammen14-mistral-7B. Она предназначена для генерации текста и диалогов. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст, выдаёт текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors; при объединении использовалась точность bfloat16. Лицензия — Apache-2.0.

Flan-Alpaca-Large — модель для следования инструкциям, созданная лабораторией Declare-Lab путём дообучения FLAN-T5 на наборах инструкций Flan и Alpaca. Она использует архитектуру T5 с условной генерацией текста и предназначена для ответов на запросы и выполнения разнообразных текстовых заданий. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Модель принимает текст и генерирует текст. Метаданные указывают 385,2 млн параметров и контекст до 512 токенов. README сообщает об обучении на данных Flan и Alpaca, но приводит для версии Large другое число параметров — 770 млн; поэтому размер из метаданных может не совпадать с описанием в карточке. Поддерживаемые языки явно не перечислены.

FrankenLlama-3-12B — плотная языковая модель семейства Llama, созданная mlabonne с помощью LazyMergekit. В конфигурации объединены два диапазона слоёв одной и той же модели Meta-Llama-3-8B-Instruct; метаданные каталога классифицируют происхождение как дообучение этой базовой модели. Модель предназначена для диалоговой генерации текста и ассистентских ответов. Она принимает текст и выдаёт текст, имеет 11 млрд параметров и контекст до 8192 токенов. Указана лицензия other; условия её использования следует сверить с карточкой модели и лицензией базовой модели.

FrankenMonarch-11b — объединённая модель для генерации текста, созданная mlabonne с помощью LazyMergekit на основе mlabonne/NeuralMonarch-7B и mlabonne/AlphaMonarch-7B. Конфигурация объединяет диапазоны слоёв двух моделей методом passthrough; архитектура — плотная MistralForCausalLM, размер — 10,6 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалогов и генерации текста, включая ответы на запросы и следование инструкциям. Доступна в формате safetensors и использует лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

GeM2-Llamion-14B-Chat — чат-модель семейства GeM 2.0, разработанная компанией VAIV. Это плотная авторегрессионная модель на архитектуре LLaMA с 14,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Репозиторий содержит веса в формате safetensors; длина контекста составляет 4096 токенов. Llamion создана на основе Orion: разработчики преобразовали модель к стандартной архитектуре LLaMA с помощью сопоставления параметров и переноса знаний. Модель ориентирована на основные бизнес-задачи VAIV, однако конкретные отрасли и сценарии в карточке не перечислены. Лицензия — Apache-2.0.

Карточка модели jordimas/gemma-3-1b-it на Hugging Face совпадает с карточкой google/gemma-3-1b-it, поэтому описание составлено по ней. Gemma 3 1B IT — компактная инструктивно дообученная модель Google из семейства Gemma 3. Она создана на основе google/gemma-3-1b-pt и предназначена для генерации текста и диалогового взаимодействия; небольшой размер позволяет запускать её на устройствах и инфраструктуре с ограниченными ресурсами. Семейство Gemma 3 поддерживает ввод изображений и текста с генерацией текста, контекст до 128 тыс. токенов и более 140 языков. Модель подходит для ответов на вопросы, суммаризации, рассуждений, создания текстов и интерпретации изображений. В предоставленных метаданных для этого репозитория подтверждены задача text-generation и чат-возможность; отдельные численные характеристики именно варианта 1B и языковой список не указаны. Возможны фактические ошибки, смещения и затруднения с неоднозначными формулировками и сложными задачами. Для снижения рисков в приложениях следует проверять ответы и применять подходящие меры безопасности. Лицензия — Gemma; использование регулируется условиями лицензии и политикой запрещённого использования Gemma.