III.4Клиентская поддержка и customer success

adipras1407/indictrans2-en-indic-1B-conversational — дообученная модель перевода на основе IndicTrans2 от AI4Bharat. Она предназначена для перевода с английского на 21 индийский язык в разговорном регистре: например, для чатов, диалогов и субтитров. Модель использует архитектуру IndicTrans для условной генерации текста и содержит около 1,1 млрд параметров; для работы применяется библиотека Transformers. В README заявлено улучшение chrF2 на разговорных тестах при близком к базовой модели результате на FLORES, однако прирост не подтверждён оценкой людьми и может частично отражать сходство стиля с тестовыми примерами. Модель обучали на смешанных разговорных и общих данных, а затем усреднили веса с базовой моделью. Направление перевода — только с английского на индийские языки; перевод в обратном направлении и между индийскими языками не проверялся. Для официального или новостного текста базовая модель может быть не хуже, а качество для языков с малым объёмом данных ограничено. Весам указана лицензия MIT; README также рекомендует проверять условия лицензирования исходных обучающих данных, особенно для коммерческого использования.

Krakowiak-7B-v2 — польская языковая модель для генерации текста, разработанная Шимоном Францишеком Руциньским. Она основана на Mistral-7B и дообучена на самостоятельно созданном корпусе из 300 тысяч польских инструкций для следования инструкциям и генерации текста на польском языке. Модель имеет плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. В карточке указаны Grouped-Query Attention, Sliding-Window Attention и токенизатор BPE с поддержкой отдельных байтов. Для инструкций используется формат [INST]…[/INST]. Модель распространяется в формате safetensors по лицензии CC BY-SA 4.0.

L3.1-Pneuma-Allades-8B — языковая модель семейства Llama 3.1, созданная ZeroXClem слиянием моделей L3.1-Pneuma-8B-v1 и Llama3.1-Allades-8B методом della_linear. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и работает с контекстом до 131 072 токенов. Модель предназначена для генерации текста по инструкциям, творческого письма и сторителлинга, ролевых диалогов и рассуждений. Её можно применять для создания сюжетов, интерактивных персонажей и пошаговых инструкций; в карточке также заявлена поддержка чата. Данных о языках, на которые модель рассчитана, нет. Модель распространяется под лицензией Apache-2.0. Качество ответов в конкретных задачах может различаться; заявление о поддержке длинного контекста само по себе не гарантирует точность на всей его длине.

Typhoon-Audio Preview — мультимодальная аудиоязыковая модель команды Typhoon AI, выпущенная в августе 2024 года как исследовательская предварительная версия. Она принимает аудио и текст, а отвечает текстом; языки модели — тайский и английский. Языковая часть основана на llama-3-typhoon-v1.5-8b-instruct, аудиоэнкодер использует компоненты Whisper и BEATs. Модель предназначена для распознавания речи, вопросов и ответов по аудио и задач перевода между тайским и английским; в примере использования максимальная длина генерации по умолчанию — 1024 новых токена. Модель экспериментальная: она может неверно выполнять инструкции и галлюцинировать, а встроенной модерации нет. Лицензия — Llama 3 Community License.

AXCXEPT разработала эту инструктивную модель на основе llm-jp/llm-jp-3-3.7b-instruct, применив несколько методов настройки для улучшения общих возможностей. Это плотная Llama-модель с 3,5 млрд параметров, предназначенная для диалогов и генерации ответов по инструкциям; при обучении особое внимание уделялось японскому языку. Модель принимает текст и генерирует текст, поддерживает японский и английский языки, а её контекст составляет 4096 токенов. Для настройки использовались инструктивные данные, подготовленные на основе отобранных материалов японской Википедии и FineWeb. Разработчики отмечают, что отдельные способности могли снизиться из-за состава данных и размера модели. Лицензия — Apache-2.0, как у базовой модели. В карточке модель названа экспериментальным прототипом для исследований и разработок; она не предназначена для коммерческого применения или критически важных систем.

llm-jp-3-8x1.8b-instruct3 — японская инструктивная языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Она предназначена для диалогов и выполнения инструкций: например, для ответов на вопросы, генерации и преобразования текста. Модель основана на архитектуре Transformer с разреженной смесью экспертов Mixtral: 24 слоя, 8 экспертов, из которых активируются 2. В карточке Hugging Face указано 1,7 млрд параметров; README приводит 9,27 млрд общих параметров и около 2,92 млрд активируемых параметров. Контекст — 4096 токенов. Предварительное обучение охватило 2,1 трлн токенов, а после него модель прошла supervised fine-tuning и выравнивание методом Direct Preference Optimization. Основной язык — японский; метаданные также отмечают английский. Модель распространяется в формате safetensors для Transformers по лицензии Apache-2.0. Авторы предупреждают, что модель находится на ранней стадии исследований и разработок и недостаточно настроена для гарантированного соответствия намерениям пользователей и требованиям безопасности.

Meissa-Qwen2.5-12.3B-Instruct — языковая модель на архитектуре Qwen2, собранная с помощью mergekit методом passthrough из Orion-zhen/Meissa-Qwen2.5-7B-Instruct. Репозиторий содержит веса в формате safetensors; в метаданных указано 11,7 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Базовая модель описана как дообученная Qwen2.5 для художественных текстов и ролевых диалогов, поэтому эти сценарии подходят и для данной модели. В README указана только одна включённая модель, а дополнительные сведения о лицензии, языках и сравнительном качестве не приведены.

MERaLiON-2-3B — мультимодальная речевая языковая модель, разработанная I2R, A*STAR (Сингапур) для распознавания речи и работы с аудио в многоязычном контексте Юго-Восточной Азии. Версия 3B сочетает локализованный аудиоэнкодер Whisper-large-v3 с текстовым декодером Gemma-2-2b-it; в метаданных указано 2,1 млрд параметров. Модель принимает моно-аудио с частотой 16 кГц; README заявляет поддержку входных аудиозаписей до 300 секунд для вопросов и ответов по аудио, но для транскрибации рекомендует записи до 30 секунд. Основной сценарий этой облегчённой версии — автоматическое распознавание речи. Семейство ориентировано на английский, китайский, малайский, тамильский, индонезийский, тайский и вьетнамский языки, включая локальные акценты, сингапурский английский и переключение языков в речи. Модель выдаёт текст; README также описывает для семейства задачи понимания аудио, но не приводит отдельные результаты версии 3B. Модель доступна в формате safetensors через Transformers. Указана лицензия MERaLiON Public License; её конкретные условия следует сверять с текстом лицензии в репозитории. README исключает использование для вызова инструментов, математики и программирования.

Open-Solar-Ko-10.7B — авторегрессионная языковая модель, разработанная Junbum Lee (Beomi) на основе upstage/SOLAR-10.7B-v1.0. Это продолженное предварительное обучение с расширенным словарём и включением корейского корпуса; архитектура — плотный трансформер LlamaForCausalLM, производный от Llama 2. Модель содержит 10,7 млрд параметров и принимает и выдаёт текст. Модель предназначена прежде всего для генерации текста на корейском языке, а также поддерживает английский. В обучении использовались общедоступные корейские корпуса AI Hub, Modu Corpus и корейская Википедия; расширенный SentencePiece BPE-словарь содержит 46 592 токена. Контекст составляет 4 096 токенов. В README приведены результаты оценки на нескольких корейских задачах понимания текста. Расширенный корейский словарь сокращает число токенов для корейских фраз по сравнению с исходным SOLAR-токенизатором. Карточка описывает первоначальную тестовую версию, поэтому качество и пригодность для конкретных сценариев следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-de-pl — модель машинного перевода немецкого текста на польский язык из семейства MarianMT, разработанная Helsinki-NLP на основе архитектуры Transformer. Она обучена на данных OPUS; предварительная обработка включает нормализацию текста и SentencePiece. Модель содержит 56,1 млн параметров, поддерживает контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для перевода с немецкого на польский. В карточке приведены результаты на тестовом наборе Tatoeba.de.pl: BLEU 41,2 и chr-F 0,631. Распространяется по лицензии Apache-2.0.

Модель Helsinki-NLP/opus-mt-en-de разработана группой Language Technology Research Group Хельсинкского университета для машинного перевода с английского на немецкий. Это плотная модель семейства MarianMT примерно на 54,9 млн параметров; она принимает текст и выдаёт перевод, используя предобработку с нормализацией и SentencePiece. Указанная длина контекста — 512 токенов. Модель предназначена для перевода предложений и текстовых фрагментов с английского языка на немецкий. В README приведены результаты на нескольких новостных тестовых наборах: BLEU 22,3–23,5 и chr-F 0,529–0,540. Разработчики отмечают возможные смещения и риск воспроизведения стереотипов. Модель распространяется по лицензии CC-BY-4.0.

Helsinki-NLP/opus-mt-en-gmq — модель машинного перевода из проекта OPUS-MT, опубликованная Helsinki-NLP. Это плотная Transformer-модель архитектуры Marian с 54,4 млн параметров, предназначенная для перевода с английского на северогерманские языки. Она поддерживает датский, фарерский, исландский, норвежский букмол и нюношк, а также шведский; целевой язык задаётся обязательным начальным токеном вида >>id<<. Для обработки текста используется нормализация и SentencePiece с словарями по 32 тыс. токенов; длина контекста — 512 токенов. Модель подходит для перевода предложений и текстовых фрагментов с английского на указанные языки. В README приведены тестовые результаты для датского, фарерского и исландского, при этом показатели заметно различаются между языками. Модель выпущена под лицензией Apache-2.0.

Helsinki-NLP/opus-mt-en-ha — модель машинного перевода на архитектуре Transformer, разработанная в рамках проекта OPUS и выпущенная Helsinki-NLP. Она переводит текст с английского языка на хауса. Модель обучена на данных OPUS; перед подачей текста используются нормализация и токенизация SentencePiece. Модель содержит 54,9 млн параметров и рассчитана на контекст до 512 токенов. В карточке приведены результаты на тестовых наборах JW300 и Tatoeba: BLEU 34,1 и 17,6 соответственно. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0, допускающая коммерческое использование при соблюдении её условий.

opus-mt-tr-en — модель машинного перевода из проекта OPUS-MT, построенная на архитектуре Transformer-align и реализованная как MarianMTModel. Она переводит текст с турецкого языка на английский; в карточке указаны нормализация и токенизация SentencePiece, а метаданные сообщают о 57,1 млн параметров и контексте до 512 токенов. Модель подходит для перевода предложений и текстовых фрагментов с турецкого на английский. В README приведены результаты BLEU 24,7–27,6 и chr-F 0,530–0,548 на нескольких тестовых наборах новостных текстов. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

PersianLLaMA-13B-Instruct — плотная языковая модель семейства LLaMA с 13 млрд параметров, разработанная командой Мохаммада Амина Аббаси, Араша Гафури, Махди Фирузманди, Хассана Надери и Бехруза Минаеи Бидголи. Модель дообучена на датасете Persian Alpaca и предназначена для выполнения инструкций на персидском языке с помощью генерации текста. Модель подходит для персидскоязычных диалоговых помощников, ответов на инструкции и создания текстовых материалов. Использует архитектуру LlamaForCausalLM, работает с Transformers и распространяется в формате safetensors; нативная длина контекста — 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Persian-Phi — компактная языковая модель на архитектуре Phi-3, разработанная для генерации и понимания текста на персидском языке с сохранением возможностей английского. Модель дообучена на базе microsoft/Phi-3-mini-4k-instruct и содержит около 3,7 млрд параметров; контекст составляет до 4096 токенов. Для адаптации расширили токенизатор 5000 персидскими токенами, провели дополнительное предобучение на персидских корпусах и инструкционную настройку на двуязычных данных. Модель подходит для создания и суммаризации персидских текстов, ответов на вопросы и простого перевода между персидским и английским. В README сообщается о конкурентных результатах на Open Persian LLM Leaderboard и приводятся оценки на нескольких тестах. Возможны фактические ошибки и галлюцинации. Модель распространяется по лицензии Apache-2.0.

walid-iguider/Phi-3-mini-4k-instruct-bnb-4bit-Ita — дообученная walid-iguider версия модели unsloth/Phi-3-mini-4k-instruct-bnb-4bit для общения и генерации текста на итальянском языке. Модель содержит 3,7 млрд параметров, использует плотную авторегрессионную архитектуру MistralForCausalLM и принимает контекст длиной до 4096 токенов. Модель ориентирована на диалоговые сценарии и общие текстовые задачи на итальянском. В карточке приведены результаты оценки на итальянских вариантах hellaswag, ARC и MMLU: среднее значение указанных метрик составляет 0,5214. Это результаты конкретного набора тестов, а не гарантия качества для других задач. Модель разработал walid-iguider; для дообучения указаны Unsloth и библиотека TRL. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, запрещая коммерческое использование.

Phr00tyMix-v3-32B — диалоговая языковая модель, созданная Phr00t слиянием нескольких предварительно обученных моделей методом Model Stock с помощью mergekit. В основе слияния лежит Phr00t/Phr00tyMix-v2-32B; среди других компонентов — модели на базе Qwen2.5 и DeepSeek. Модель содержит 32 млрд параметров, использует архитектуру Qwen2 и контекст длиной до 131 072 токенов. Модель предназначена для генерации диалогового текста и творческих ответов с акцентом на следование инструкциям и менее ограниченную манеру общения. Автор отмечает, что результаты по связности и качеству неоднозначны, и рекомендует вместо этой версии использовать Phr00tyMix v4. Для генерации автор советует попробовать высокую температуру и MinP, подбирая значения под задачу. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Qwen2.5-7B-Danoia — датская дообученная языковая модель автора trollek на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации текста на датском языке; автор отмечает, что ответы модели цензурируются. Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на работу с библиотекой Transformers. Лицензия — Apache-2.0.

Qwen2.5 Bakeneko 32B Instruct — созданная rinna инструктивная языковая модель для диалога и генерации текста на японском языке. Она построена на архитектуре Qwen2 и содержит 32 млрд параметров; модель использует формат чата Qwen2.5 и рассчитана на контекст до 32 768 токенов. Модель получена слиянием rinna/qwen2.5-bakeneko-32b с Chat Vector на основе Qwen2.5-32B и Qwen2.5-32B-Instruct, после чего её доработали методом SimPO. Она предназначена для выполнения инструкций и японских языковых задач. В README приведены результаты японских языковых бенчмарков; это сравнительные оценки, а не гарантия качества для каждого сценария. Модель распространяется под лицензией Apache-2.0. Для запуска нужны ресурсы, соответствующие модели на 32 млрд параметров; сведения о требованиях к оборудованию в карточке не приведены.

UgurI/Qwen3.8-27B-Turkish-CPT-Beta — текстовая причинно-следственная языковая модель на архитектуре Qwen3_5ForCausalLM, созданная продолженным предобучением Qwen/Qwen3.8-27B на турецком корпусе Kumru. Адаптацию обучили методом QLoRA в NF4 с рангом 16 и объединили веса с базовой моделью в BF16; репозиторий содержит веса safetensors. Размер модели по метаданным — 22,3 млрд параметров, контекст — до 262 144 токенов. Модель предназначена для генерации текста и диалогов с акцентом на турецкий язык. В README приведены результаты оценки на турецких наборах: perplexity и TurkishMMLU оказались лучше, чем у базовой модели. Метаданные также отмечают английский язык и возможность чата. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование. Это бета-версия; показатели бенчмарков не гарантируют качество на других задачах и данных.

gauneg/roberta-base-absa-ate-sentiment — дообученная Gauneg модель на архитектуре RoBERTa для аспектного анализа тональности. Она размечает токены входного текста, выделяя аспекты, о которых выражено мнение, и определяя полярность тональности для каждого аспекта. Модель предназначена прежде всего для анализа отзывов, в том числе ресторанных и гостиничных, и обучена на наборах SemEval по aspect-based sentiment analysis за 2014–2016 годы и MAMS. Модель основана на FacebookAI/roberta-base, содержит 151,8 млн параметров и имеет контекст до 514 токенов. Это англоязычная модель для входного текста; карточка приводит результаты оценки на тестовых наборах SemEval, включая F1 71,07 для извлечения аспектов и 54,08 для извлечения аспектов вместе с тональностью на отзывах об отелях SemEval 2015. Распространяется по лицензии Apache-2.0.

facebook/s2t-wav2vec2-large-en-ar — модель семейства S2T2, разработанная Facebook и представленная в исследовании Large-Scale Self- and Semi-Supervised Learning for Speech Translation. Это трансформерная модель типа encoder-decoder для сквозного перевода речи с английского на арабский текст. В качестве энкодера используется предварительно обученный Wav2Vec2, а трансформерный декодер авторегрессионно генерирует перевод. Модель принимает речевые аудиоданные и предназначена для автоматического перевода английской речи в арабский текст. Для набора CoVoST-V2 указан результат 20,2 BLEU на тесте en-ar. В метаданных также указаны обучение на CoVoST2 и LibriSpeech ASR. Модель распространяется по лицензии MIT.

Shisa Gamma 7B v1 — диалоговая языковая модель, разработанная командой Shisa и дообученная на базе Japanese Stable LM Base Gamma 7B от Stability AI. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и общения на японском и английском языках; контекстное окно составляет 32 768 токенов. Авторы применили к базовой модели собственный вариант набора данных для дообучения и сообщают о результатах в JA MT-Bench. Модель распространяется в формате Safetensors по лицензии Apache 2.0. README не приводит подробных оценок качества, инструкций по развёртыванию или сведений о дополнительных возможностях.

bartowski/shuttle-3-GGUF — набор GGUF-квантизаций модели shuttle-3, разработанной shuttleai и подготовленной bartowski для запуска через llama.cpp и совместимых приложений, включая LM Studio. Модель предназначена для генерации текста и диалоговых сценариев; в карточке указаны поддержка английского языка и формат чата с шаблоном сообщений system, user и assistant. Доступны варианты квантизации от Q8_0 до IQ1_M, поэтому модель можно адаптировать к разным ограничениям по оперативной памяти и дисковому пространству. Размер файлов составляет примерно от 23,74 до 77,26 ГБ; варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые, а наиболее качественными считаются Q8_0 и Q6_K. Для некоторых вариантов эмбеддинги и выходные веса сохранены в Q8_0, что потенциально может улучшать качество, однако автор отмечает, что эффект требует проверки. Карточка не содержит сведений об архитектуре, количестве параметров, длине контекста, мультимодальности, результатах тестирования или конкретных сильных сторонах базовой модели. К ограничениям относятся потери качества при низких уровнях квантизации и значительный объём файлов. Лицензия обозначена как other; в качестве license_name указана qwen, а ссылка ведёт на лицензию Qwen2.5-72B-Instruct.

SirUkrainian — 7,1-миллиардная плотная языковая модель семейства Mistral для генерации текста и диалогов на украинском языке. Она создана с помощью LazyMergekit и объединяет четыре модели: RaduGabriel/MUZD, RaduGabriel/Mistral-Instruct-Ukrainian-SFT, Radu1999/MisterUkrainianDPO и CultriX/NeuralTrix-7B-dpo. В конфигурации указаны метод task_arithmetic, базовая модель mistralai/Mistral-7B-v0.1 и формат bfloat16; для репозитория указаны веса safetensors и контекст до 32 768 токенов. Модель подходит для генерации украинского текста, ответов на запросы и ведения диалога. В README приведены результаты Open LLM Leaderboard, включая среднее значение 70,50, но они не описывают качество на украинских задачах. Модель распространяется по лицензии Apache-2.0.

vaibhavvanshu/t5-cnn-25k — дообученная модель T5-small для абстрактивного суммирования текста, созданная для приложения Text Summarizer. Она обучена на 25 тысячах примеров CNN/DailyMail и генерирует краткие пересказы документов и статей. Архитектура — T5 с 38,5 млн параметров; модель принимает текст длиной до 512 токенов и выдаёт текстовое резюме. Для длинных документов приложение применяет иерархическую обработку по фрагментам, но это функция приложения, а не отдельная возможность модели. Модель может пропускать важные сведения, ошибаться или галлюцинировать, поэтому результаты следует проверять. Распространяется по лицензии Apache-2.0.

WindyTranslate/translate-fi-ru — модель машинного перевода Windstorm Labs для перевода текста с финского на русский. Это дообученная версия Helsinki-NLP/opus-mt-fi-ru: к исходным весам применили LoRA дообучение на параллельном корпусе и объединили адаптер с базовыми весами. Модель использует архитектуру MarianMT, содержит 57,3 млн параметров и принимает safetensors; максимальная длина контекста — 512 токенов. Модель предназначена для перевода отдельных текстов и пакетной обработки финско-русских материалов. В карточке приведена скрининговая оценка на 48 предложениях FLORES-200: chrF++ 37,40 и BLEU 13,22; авторы относят результат к уровню «Usable» и предупреждают, что это не публикационная оценка. Поддерживается только направление с финского на русский. Лицензия — Apache-2.0.

Neo-11/tweet_sentiment — модель классификации тональности твитов, дообученная на основе distilbert-base-uncased. Она использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В README приведены результаты на наборе оценки: accuracy 0,9985 и F1 0,9950; название и состав обучающего набора данных не раскрыты. Модель подходит для автоматической разметки тональности коротких сообщений и анализа публикаций в соцсетях. Распространяется по лицензии Apache-2.0.

CLAck/vi-en — модель машинного перевода, созданная дообучением предварительно обученной MarianMT, разработанной для перевода с китайского на английский. Модель адаптирована для перевода с вьетнамского на английский и основана на архитектуре Marian; число параметров составляет 63,2 млн, максимальная длина контекста — 512 токенов. Модель принимает текст на вьетнамском языке и генерирует перевод на английский. В карточке указан набор данных ALT. Модель распространяется под лицензией Apache-2.0. Данных о специальных ограничениях качества или сценариях использования в карточке нет.