III.4Клиентская поддержка и customer success

seastar105/whisper-medium-komixv2 — дообученная модель распознавания речи на базе OpenAI Whisper Medium, опубликованная автором seastar105. Она предназначена для транскрибации корейской речи, в том числе телефонных разговоров, совещаний, адресов и разговорной речи из теле- и радиопередач. Архитектура — WhisperForConditionalGeneration, модель содержит 455,8 млн параметров и принимает аудио, выдавая текст; веса доступны в форматах Flax и Safetensors. Автор сообщает, что на используемом им тестовом наборе среднее качество превосходит Whisper Large v3. В README приведены результаты сравнений на нескольких корейских наборах, однако таблица представлена не полностью, а совещания исключены из описанной оценки. Это утверждение не следует считать гарантией качества на других данных. Лицензия в предоставленных сведениях не указана.

hyeogi/Yi-6b-dpo-v0.2 — корейская языковая модель, разработанная автором репозитория на основе beomi/Yi-Ko-6B. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 5,9 млрд параметров; веса опубликованы в формате safetensors. Модель дообучена методом DPO на выборках и переводах из Open-Orca/SlimOrca и Anthropic/hh-rlhf. Модель предназначена для генерации текста на корейском языке, в том числе ответов и продолжений в диалоговом стиле. В карточке приведены результаты на корейских наборах Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2; заявлено преимущество среди моделей до 7 млрд параметров по среднему результату на момент декабря 2023 года. Контекст составляет 2048 токенов. Лицензия в предоставленных данных не указана.

giux78/zefiro-7b-dpo-qlora-ITA-v0.7 — диалоговая языковая модель, разработанная giux78 как часть серии Zefiro для общения на итальянском языке. Она создана на основе Mistral и адаптирована по рецептам Zephyr; обозначение версии указывает на дообучение с DPO и QLoRA. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге на итальянском: ответы на вопросы, объяснения и решение общих задач с использованием итальянского языка. Разработчик оценивал её на итальянских наборах для проверки понимания, рассуждений, знаний и языковых навыков. Это текстовая модель, опубликованная в формате Safetensors; карточка Hugging Face не содержит сведений о лицензии, поэтому условия использования по доступным источникам установить нельзя.

Карточка модели procedure2012/Zephyr-Summarizer-3B на Hugging Face совпадает с карточкой yding03/Zephyr-Summarizer-3B, поэтому описание составлено по ней. Zephyr-Summarizer-3B — модель для создания кратких абстрактивных пересказов документов, диалогов и расшифровок. В README приводятся результаты внутренних сравнительных тестов и рекомендуется температура генерации 0,6. Метаданные Hugging Face указывают архитектуру BERT с классом BertModel, библиотеку Transformers, формат PyTorch и лицензию Apache-2.0. Карточка заявляет применение для суммаризации, однако метаданные классифицируют модель как feature-extraction и не подтверждают генеративную архитектуру или работу с заданными языками и контекстом. Поэтому назначение из README следует считать заявленным, а заявленные преимущества бенчмарков — не подтверждёнными подробностями воспроизводимой методики.

AbhiCommits/claimwise-qwen35-4b — дообученная AbhiCommits мультимодальная модель на архитектуре Qwen3.5 с 4 млрд параметров, созданная на базе unsloth/Qwen3.5-4B. Она предназначена для диалоговой работы с текстом и изображениями; в метаданных также отмечена поддержка интерфейса вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель может использоваться для ответов на вопросы по изображениям и текстовому контексту, а также для диалоговых сценариев с инструментами. Карточка не описывает специализацию claimwise, обучающие данные, результаты оценивания или конкретные языковые возможности этой версии. Лицензия — Apache-2.0.

YoichiTakenaka/deverta-v3-japanese-large-Sadness — японская модель классификации текста на основе DeBERTa V2, дообученная для определения эмоции Sadness. Она принимает отдельный текст, список текстов или pandas Series и возвращает метку наличия эмоции и оценку уверенности. В пакете DeBERTa Emotion Predictor эта модель входит в набор из восьми отдельных классификаторов для радости, грусти, ожидания, удивления, гнева, страха, отвращения и доверия. Модель содержит 451,8 млн параметров, использует архитектуру DebertaV2ForSequenceClassification и обрабатывает контекст длиной до 512 токенов. Веса опубликованы в формате safetensors. README описывает поддержку японского текста и использование PyTorch, Transformers и pandas. Лицензия — CC BY-SA 4.0.

Finance LLM 13B GGUF — квантизированная версия языковой модели Finance LLM 13B, разработанной AdaptLLM и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama, содержит около 13 миллиардов параметров и предназначена для генерации текста на английском языке. Модель ориентирована на финансовые сценарии и задачи обработки текста, включая ответы на запросы и работу с финансовой информацией. Она обучалась с использованием наборов данных Open-Orca, GAIR/lima и WizardLM/WizardLM_evol_instruct_V2_196k. Для взаимодействия рекомендуется шаблон с разделами «### User Input» и «### Assistant Output». Формат GGUF поддерживается llama.cpp и рядом локальных интерфейсов и библиотек, а доступные варианты квантизации от 2 до 8 бит позволяют запускать модель с использованием CPU и GPU и выбирать компромисс между размером, скоростью и качеством. При этом квантизация может снижать точность по сравнению с исходной моделью в формате FP16. В README не указаны размер контекста и мультимодальные возможности; модель описана как текстовая. Лицензия обозначена как other, без дополнительных условий, поэтому точные правила использования требуют проверки у разработчика исходной модели.

G2-DA-Nyxora-27b-V2 — экспериментальная диалоговая модель на базе Gemma 2, созданная SteelSkull. Она объединяет несколько моделей с помощью метода слияния DELLA, который адаптивно отбирает изменения параметров по их величине. Модель предназначена для универсального общения, написания историй и ролевых диалогов; число параметров — 27,6 млрд, контекст — до 8192 токенов. Модель принимает текст и генерирует текст. В README указаны варианты в форматах GGUF Q4_K_M и Q5_K_M, а метаданные описывают файлы модели в safetensors. Лицензия — Apache-2.0. Автор характеризует эту версию как экспериментальную и просит сообщать отзывы; независимые оценки качества в карточке не приведены.

HyperCLOVAX-SEED-Text-Instruct-1.5B-hf — текстовая инструктивная модель NAVER, представленная в формате Transformers и основанная на дообученной версии HyperCLOVAX-SEED-Text-Instruct-1.5B. Это плотная авторегрессионная трансформерная модель семейства LLaMA с примерно 1,6 млрд параметров, принимающая текст и генерирующая текст. В карточке README заявлен контекст до 16 тысяч токенов, а метаданные указывают нативный контекст 131 072 токена; эта разница требует проверки для конкретной конфигурации и реализации. Модель предназначена для диалога, выполнения инструкций и генерации текста, особенно на корейском языке и в задачах, связанных с корейским языком и культурой. Обучение базовой модели включало предварительное обучение, отборочное дообучение и supervised fine-tuning; также заявлено усиление навыков работы с длинным контекстом. README сообщает, что обучающие данные охватывают материалы до августа 2024 года. Репозиторий содержит веса Safetensors для использования с библиотекой Transformers. Лицензия обозначена как other; конкретные условия использования следует уточнять в лицензии исходной модели и репозитория, поскольку отдельные условия в предоставленных данных не раскрыты. Показатели бенчмарков в README относятся к исходной модели и не гарантируют качество на других языках и прикладных задачах.

Tooony133/LenoPalenoQwen-3.6-27B — производная мультимодальная модель семейства Qwen3.5, дообученная на основе Tooony133/Qwen-3.6-27B-SkinnyPete, которая, согласно README, восходит к Qwen/Qwen3.6-27B. Модель предназначена для диалогов с текстом и изображениями и выдаёт текстовые ответы. В репозитории указаны веса Safetensors в формате FP8 с упаковкой compressed-tensors; метаданные также отмечают поддержку vision и chat. Модель распространяется по лицензии Apache-2.0. Размер параметров, длина контекста и поддерживаемые языки в предоставленных сведениях не указаны.

VishnuPJ-ийн MalayaLLM_Gemma_7B_Instruct_V1 нь Malayalam болон англи хэлээр заавар дагаж текст үүсгэхэд зориулсан Gemma суурьтай, нягт архитектуртай 8.2 тэрбум параметртэй хэлний загвар юм. README-д загварыг MalayaLLM_Gemma_7B_Base_V1 дээр Malayalam токен ашиглан нарийн тохируулсан гэж тайлбарлаж, CohereForAI/aya_dataset өгөгдлийн багцыг дурдсан байна. Загвар нь асуултад хариулах, заавар биелүүлэх зэрэг ерөнхий харилцан ярианы хэрэглээнд зориулагдсан. 8192 токены төрөлх контексттэй бөгөөд safetensors форматаар түгээгддэг. Gemma загварын англи хэлний чадварыг Malayalam хэлний хэрэглээнд тохируулсан нь давуу тал боловч README-д үнэлгээний үр дүн, хэрэглээний нарийвчилсан хязгаарлалт мэдээлээгүй. MIT лицензтэй.

fhai50032/Mistral-4B — текстовая генеративная модель семейства Mistral с плотной архитектурой MistralForCausalLM и 3,6 млрд параметров. Репозиторий содержит веса в формате safetensors и конфигурацию mergekit, собранную из отдельных диапазонов слоёв fhai50032/RolePlayLake-7B; карточка каталога связывает её с этой базовой моделью как с дообучением. Модель предназначена для генерации текста и может подходить для ролевых диалогов и творческого письма — такие сценарии указаны в описании базовой модели. Размер контекста составляет 32 768 токенов. В README указана точность bfloat16. Лицензия в предоставленных данных не указана. Характеристики базовой модели предполагают ориентацию на английский язык, но отдельного подтверждения языков Mistral-4B нет.

Helsinki-NLP/opus-mt-ar-ru — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с арабского на русский и построена на архитектуре Transformer; в метаданных указано 57,2 млн параметров и контекст до 512 токенов. Для предобработки используются нормализация и SentencePiece с моделями словаря по 32 тыс. единиц. Источники обучения охватывают варианты арабского языка apc, ara и arz, целевой язык — русский. В тесте Tatoeba-test.ara.rus модель показала BLEU 42,5 и chr-F 0,605. Она подходит для перевода арабских текстов на русский, включая тексты на охваченных вариантах арабского языка. Модель распространяется по лицензии Apache-2.0; качество перевода может зависеть от тематики и диалекта входного текста.

Helsinki-NLP разработала opus-mt-de-fr — компактную модель машинного перевода с немецкого на французский. Это плотная Transformer-модель семейства MarianMT с 56,5 млн параметров; для обработки текста применяются нормализация и SentencePiece. Модель принимает немецкий текст и генерирует перевод на французском, поддерживается контекст до 512 токенов. Модель предназначена для перевода немецких текстов на французский. В карточке приведены результаты на нескольких тестовых наборах: BLEU от 26,4 до 32,2 и chr-F от 0,548 до 0,590. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия — Apache-2.0.

PLaMo Translation Model — специализированная языковая модель для перевода, разработанная Preferred Networks. Это плотная авторегрессионная модель семейства PLaMo 2 с 8,1 млрд параметров, представленная в формате Safetensors и предназначенная для работы через Transformers. Модель дообучена на базе pfnet/plamo-2-8b и поддерживает контекст до 10 485 760 токенов. Модель рассчитана на задачи перевода, прежде всего между английским и японским языками. Она не проходила настройку для диалогового чата и других прикладных задач, поэтому её следует использовать как специализированный переводчик. Лицензия — PLaMo community license; для коммерческого использования разработчик просит ознакомиться с условиями и связаться с Preferred Networks. Проверки проводились на английском и японском языках, поэтому результаты могут быть неточными или предвзятыми; перед внедрением нужна проверка на целевых сценариях.

Карточка модели pfnet/plamo-2-translate-base на Hugging Face совпадает с карточкой pfnet/plamo-2-translate, поэтому описание составлено по ней. PLaMo Translation Model — специализированная языковая модель для перевода, разработанная Preferred Networks. Это плотная авторегрессионная модель семейства PLaMo 2 с 8,1 млрд параметров, представленная в формате Safetensors и предназначенная для работы через Transformers. Модель дообучена на базе pfnet/plamo-2-8b и поддерживает контекст до 10 485 760 токенов. Модель рассчитана на задачи перевода, прежде всего между английским и японским языками. Она не проходила настройку для диалогового чата и других прикладных задач, поэтому её следует использовать как специализированный переводчик. Лицензия — PLaMo community license; для коммерческого использования разработчик просит ознакомиться с условиями и связаться с Preferred Networks. Проверки проводились на английском и японском языках, поэтому результаты могут быть неточными или предвзятыми; перед внедрением нужна проверка на целевых сценариях.

Aaron757/Qwen2.5-7B-Instruct-v9-mixed-SFT — дообученная методом полного SFT модель Qwen2.5-7B-Instruct, созданная с помощью LLaMA-Factory. Чекпойнт выбран из экспериментов с профилями пользователей, интерпретацией обратной связи и исправлением ответов; он содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для трехэтапного диалогового конвейера: извлечения структурированного профиля из истории пользователя, интерпретации запроса, ответа и обратной связи в пяти полях, а затем подготовки скорректированного ответа на основе профиля и интерпретации. В оценке на отложенной выборке из 100 пользователей она превзошла исходный чекпойнт по метрикам всех трех этапов; результаты относятся ко всему конвейеру и не показывают отдельный причинный эффект профиля. Модель обучена преимущественно на англоязычных данных обратной связи, полученных из WildChat. Она специализирована под точные структурированные промпты этого конвейера, поэтому прямые запросы на генерацию ответа могут не соответствовать обучающему распределению. Метки для интерпретации были псевдометками, созданными моделью и прошедшими проверку конвейера, а не подтвержденными людьми; корректность профиля и интерпретации следует проверять по предоставленным данным. Лицензия — Apache-2.0.

DavidAU публикует производную модель Qwen3-4B-Thinking-2507-Gemini-3-Pro-Preview-High-Reasoning-Distill-Heretic-Abliterated — плотную языковую модель Qwen3 с 3,7 млрд параметров для генерации текста и диалогов. Она основана на TeichAI/Qwen3-4B-Thinking-2507-Gemini-3-Pro-Preview-High-Reasoning-Distill и обработана методом Heretic для снижения частоты отказов. Заявленная длина контекста — 262 144 токена. Модель предназначена для общения, ролевых сценариев и генерации текста, в том числе контента, на запросы о котором исходная модель часто отказывала. В README приведены результаты автора: 8 отказов из 100 и KL-дивергенция 0,06; это авторские оценки, а не независимая проверка. Для более явной или стилистически выраженной генерации может потребоваться уточнить запрос. В метаданных указаны библиотека Transformers и формат Safetensors. Лицензия в предоставленных сведениях не указана.

Русскоязычный классификатор тональности отзывов, разработанный как проект Capstone #1 в Attractor School. Это модель BERT для классификации последовательностей, дообученная на ai-forever/ruBert-base; число параметров — 205,5 млн, максимальная длина контекста — 512 токенов. Модель относит русскоязычные отзывы к положительным, отрицательным или нейтральным и подходит для анализа пользовательских отзывов из разных источников. В README указана точность 77% на тестировании. Модель обучалась один эпоху на наборе отзывов из нескольких областей, включая маркетплейсы, кино, аниме и геолокационные сервисы, поэтому качество может меняться на специализированных темах. Распространяется по лицензии Apache-2.0.

Samantha-omni — дообученная мультимодальная модель Guilherme34 на основе семейства MiniCPM-O. Модель с плотной архитектурой MiniCPMO и 7,1 млрд параметров предназначена для диалога с изображениями, речью и видео, включая мультимодальное взаимодействие в реальном времени. Она поддерживает контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Модель подходит для диалога по изображениям и видео, распознавания и синтеза речи, а также многоязычных мультимодальных сценариев. Карточка заявляет уровень GPT-4o для задач зрения, речи и потокового взаимодействия, но не приводит сравнительных тестов, поэтому это заявление не подтверждено приведёнными данными. Лицензия в предоставленных сведениях не указана.

sapie1 — языковая модель на архитектуре Llama, опубликованная автором 4yo1. Репозиторий содержит веса в формате safetensors; метаданные указывают 7,5 млрд параметров и контекст до 8192 токенов. Карточка также описывает модель как имеющую 8 млрд параметров. Модель предназначена для генерации текста и перевода на английском и корейском языках. В карточке указан датасет recipes, но конкретная специализация на кулинарных задачах не описана. Модель можно загружать через Transformers с помощью AutoConfig, AutoModel и AutoTokenizer. Лицензия — MIT. Оценки качества и подробности обучения в карточке не приведены.

SJT-2B — диалоговая модель Sakalti на архитектуре Gemma 2, дообученная на базе google/gemma-2-2b-jpn-it. Она предназначена для генерации текста в формате общения и может использоваться для ответов на вопросы и суммаризации. Модель содержит 2,7 млрд параметров, принимает текст и выдаёт текст; в метаданных указан контекст длиной до 131 072 токенов. Для обучения использовались Unsloth и Hugging Face TRL. Модель распространяется на условиях Gemma Terms of Use. Карточка не описывает конкретный набор данных или результаты оценки качества.

SSR-base — англоязычная модель семейства T5, опубликованная в рамках работы «Improving Sequence-to-Sequence Pre-training via Sequence Span Rewriting» на EMNLP 2021. Это модель преобразования текста с 123,8 млн параметров и контекстом до 512 токенов, представленная в формате PyTorch. Модель предназначена для суммаризации текста. В карточке указано, что она соответствует версии SSR-base из исследовательской работы; дополнительных сведений о сценариях применения или результатах оценки нет. Для использования доступна лицензия репозитория Hugging Face.

crumbs-playground/test-bf-moe — текстовая авторегрессионная модель для генерации текста, опубликованная аккаунтом Crumbs Playground на Hugging Face. Метаданные указывают на архитектуру Qwen3.5 MoE для языка и класс Qwen3_5MoeForCausalLM, формат весов Safetensors, 23,6 млн параметров и контекст до 32 768 токенов. Карточка конкретной модели и сведения о её обучении, языковом охвате и целевом применении не обнаружены, поэтому её назначение можно описать только как генерацию текста. Лицензия по доступным сведениям не установлена. Данных для подтверждения базовой модели или происхождения весов нет; название архитектуры указывает на семейство Qwen3.5, но само по себе не подтверждает связь с конкретным чекпойнтом. Доступные материалы также не содержат результатов оценки качества.

Vigogne-13B-Instruct — франкоязычная модель для генерации текста и выполнения инструкций, разработанная на основе LLaMA-13B и дообученная на переводном датасете Stanford Alpaca. Модель содержит 12,9 млрд параметров, использует архитектуру LLaMA и формат PyTorch; длина контекста составляет 2048 токенов. В карточке заявлена поддержка французского языка. Модель предназначена для ответов на инструкции и вопросы на французском языке, а также для других сценариев генерации текста. В версиях проекта менялись качество перевода и размер обучающего датасета. README предупреждает о возможных вредных или предвзятых ответах, фактических ошибках и бесполезных результатах. Модель и обучающий датасет предназначены только для исследований; датасет имеет лицензию CC BY-NC 4.0, а метаданные модели указывают OpenRAIL.

Модель ShenaoZ/0.001_ablation_6iters_iter_1 — дообученная версия Mistral на 7,1 млрд параметров, созданная на основе HuggingFaceH4/mistral-7b-sft-beta с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная языковая модель для генерации текста и диалогового общения; карточка указывает контекст до 32 768 токенов. Модель подходит для диалоговых ответов и генерации текста. В метаданных отмечена поддержка чата, но README не описывает отдельные сценарии применения или результаты оценки качества. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии MIT. Англоязычный характер обучающих диалогов указан для базовой модели, поэтому это не подтверждает первичную поддержку русского языка.

Altworld_Hemmingway-1-GGUF — квантизированная версия текстовой генеративной модели Hemmingway-1, разработанной Altworld. Квантизацию выполнил bartowski с использованием llama.cpp. Модель предназначена для чат-сценариев и творческого письма; заявлена поддержка английского языка и только текстового ввода. Модель содержит 27 млрд параметров и распространяется в формате GGUF с вариантами квантизации от bf16 и Q8_0 до более компактных IQ3 и Q3. Доступна поддержка speculative decoding с MTP и imatrix-квантизации. Рекомендуемым компромиссом между качеством и размером указан вариант Q4_K_M объёмом 17,44 ГБ; более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти. В README не указаны архитектура исходной модели, максимальная длина контекста, результаты тестирования и дополнительные модальности, поэтому эти характеристики нельзя оценить. Ограничения связаны с потребностью в значительном объёме оперативной или видеопамяти и возможным снижением качества у компактных вариантов квантизации. Указанная лицензия — Apache-2.0.

Argetsu — текстовая генеративная модель, созданная Azazelle с помощью слияния моделей методом SLERP через mergekit. В карточке указаны исходные модели Azazelle/SlimMelodicMaid и Azazelle/Dumb-Maidlet; базовая архитектура — Mistral-7B-v0.1 с плотной архитектурой MistralForCausalLM, около 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста. Она опубликована в формате safetensors и распространяется по лицензии CC BY 4.0. Карточка не описывает отдельные специализированные сценарии или результаты оценки качества.

itsasjad/bart-cnn-samsum-finetuned — дообученная модель BART, созданная на основе facebook/bart-large-cnn. Она предназначена для генерации кратких пересказов текстов; название указывает на настройку для диалогов формата SAMSum, однако README не подтверждает состав обучающих данных или специализацию. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает контекст до 1024 токенов. Модель подходит для экспериментов с суммаризацией статей и диалогов на английском языке. В README приведено значение loss 0,1657 на оценочной выборке, но описание набора данных, методики оценки и практического качества отсутствует. Лицензия — MIT.

BeagleCatMunin2 — языковая модель семейства Mistral, созданная timpal0l путём слияния трёх моделей с помощью LazyMergekit: bineric/NorskGPT-Mistral-7b, timpal0l/BeagleCatMunin и RJuro/munin-neuralbeagle-7b. Модель имеет 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и общения на норвежском языке; базовые модели описаны как подходящие для суммаризации, ответов на вопросы и диалога. Слияние выполнено методом dare_ties с параметрами плотности и весов, указанными в конфигурации README. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.