III.4Клиентская поддержка и customer success

Arcee-Agent — языковая модель на 7,1 млрд параметров, разработанная Arcee AI для вызова функций и работы с инструментами. Она основана на Qwen2-7B и использует плотную архитектуру Qwen2ForCausalLM; для обучения применялся Spectrum, вычислительные ресурсы предоставила CrusoeAI. Модель предназначена для диалоговых агентов, маршрутизации запросов к инструментам и многошаговой автоматизации. Она может формировать вызовы API и баз данных, а также вести самостоятельный диалог. Поддерживает форматы Glaive FC v2, Salesforce и Agent-FLAN; в README отмечена наилучшая работа с форматом VLLM OpenAI FC. Контекст — до 131 072 токенов. Карточка указывает английский, немецкий и арабский языки. Модель распространяется под лицензией Apache-2.0. В README заявлены скорость и эффективность, однако не приведены независимые оценки качества. Как и другие языковые модели, она может ошибаться; выполнение её вызовов инструментов зависит от внешней инфраструктуры и настроек приложения.

lidiya/bart-base-samsum — англоязычная модель суммаризации диалогов, созданная дообучением facebook/bart-base на наборе SAMSum. Она предназначена для преобразования переписки в краткое связное изложение и подходит, например, для резюме чатов и разговоров. Модель построена на архитектуре BART, содержит 95,2 млн параметров и принимает текст длиной до 1024 токенов; для запуска можно использовать pipeline summarization из Transformers. В карточке приведены оценки на тестировании: ROUGE-1 46,6619, ROUGE-2 23,3285 и ROUGE-L 39,4811. Модель доступна в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Это модель классификации намерений пользователей в запросах к службе поддержки, созданная на основе BERT и обученная авторами книги «NLP with Transformers» на наборе данных CLINC150. Она предназначена для определения намерения по тексту запроса, например для маршрутизации обращений в клиентском сервисе. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Flax. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому их нельзя установить по имеющимся данным.

bev-decider-0.4B — компактная модель принятия решений, разработанная автором репозитория avbiswas. Она принимает текстовое или JSON-состояние и типизированный вопрос с вариантами выбора, ответом «да/нет» или порядковой шкалой, а за один проход выдаёт вероятности либо ожидаемую оценку без генерации текста. Модель предназначена для классификации намерений и маршрутизации обращений, проверки правил и политик, а также извлечения решений из заданного контекста. Архитектура включает 20 слоёв Qwen3-0.6B с объединёнными весами дообученной LoRA и отдельную двухслойную attention-голову размерности 512. В карточке указано около 0,4 млрд параметров; модель хранится в safetensors и загружается через библиотеку bev-decider. Порядок вариантов не влияет на ответ по конструкции. Основной язык обучения — английский; обучающие состояния включали до 1 024 токенов. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение. В приведённых автором оценках модель достигает 74,7% на тесте типизированных решений и ECE 0,065 на sysone-bench; её вероятности можно применять для пороговых решений. Модель компактна и подходит для локального запуска на CPU или Apple Silicon. Слабее справляется с датами и арифметикой, исключениями из общих правил и пятиуровневой оценкой тональности; обучение преимущественно англоязычное, а длинные состояния за пределами указанного обучающего диапазона могут ухудшать результат.

TinyTank/distilbert-base-uncased-finetuned-clinc — модель классификации текста, созданная дообучением distilbert/distilbert-base-uncased. Она предназначена для отнесения текстовых последовательностей к классам; README сообщает о дообучении на датасете CLINC, но не раскрывает его подробности. Архитектура — DistilBERT для классификации последовательностей, контекст — до 512 токенов. На оценочной выборке модель получила accuracy 0,8674 и loss 1,7902. Используется библиотека Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

ethicalabs разработала Echo-DSRN-v0.1.4-Embed-Intent-CLF — многоязычный классификатор намерений на 60 классов, дообученный на базе ethicalabs/Echo-DSRN-v0.1.3-Embed-Intent. Модель использует архитектуру Dual-State Recurrent Neural Network (DSRN) с классификационной головой EchoForSequenceClassification; в репозитории указано 49,9 млн параметров. Для классификации усредняются 2048-мерные медленные рекуррентные состояния, после чего линейная голова определяет класс. Модель принимает обычный текст без чат-шаблона; контекст — до 2048 токенов. Классификатор обучен на Amazon MASSIVE со всеми 51 локалью: линейная голова инициализирована SGDClassifier на 1,78 млн высказываний, затем модель дообучалась пять эпох с функцией потерь cross-entropy. На подмножестве en-US из 100 примеров карточка сообщает точность 79%; это небольшой набор оценки и не гарантирует аналогичного качества на других языках и данных. Модель подходит для маршрутизации пользовательских запросов и определения намерений в многоязычных приложениях. Распространяется по лицензии Apache-2.0.

engram-xenc-v0 — модель-переранжировщик на основе BERT, разработанная для слоя фильтрации замен Engram. Она получает запрос пользователя и текст выбранного объекта знаний и оценивает, достаточно ли хорошо этот объект отвечает на запрос, чтобы обойти вызов большой языковой модели. Модель дообучена дистилляцией оценок ACCEPT/REJECT от Claude Sonnet на 1 560 парах запрос–объект из датасета Bitext для поддержки клиентов; базовая модель — cross-encoder/ms-marco-MiniLM-L-12-v2. Размер — 40 млн параметров, контекст — до 512 токенов. Модель предназначена для систем поиска по базе знаний и FAQ в поддержке клиентов: положительная оценка позволяет ответить по найденному объекту, отрицательная — передать запрос языковой модели с опорой на документы. На отложенной выборке автор сообщает ROC-AUC 0,961 и F1 0,889 при пороге 0,8. Это сигнал для ранжирования и маршрутизации, а не генератор ответов; система рассчитана на проверку верхнего кандидата. Лицензия — Apache-2.0.

GLiNER2.5-Decide for LiteRT — это конвертированная в формат LiteRT модель Fastino для классификации текста по меткам, заданным во время вызова. Она использует энкодер DeBERTa-v3-large и классификационную голову GLiNER2.5-Decide: получает текст и набор меток для намерений, маршрутизации, тональности, проверок «да/нет» или многометочной разметки и выдаёт решение с вероятностью для каждой задачи за один проход. Репозиторий содержит графы TFLite с окнами на 128, 256 и 512 токенов; суммарно допускается не более 32 меток. Токенизатор, таблица эмбеддингов и логика подготовки входов и декодирования выполняются на стороне приложения, а не внутри графа модели. Модель предназначена для запуска на Android GPU и CPU, а также включает графы для Qualcomm NPU на Galaxy S26. Для проверенной конфигурации Android GPU требуется LiteRT 2.2.0 и явное вычисление FP32; на Galaxy S26 она совпала с официальными результатами на 126 проверенных парах запрос/окно. Для других семейств Android GPU проверка не проводилась. Версия для NPU проверена на Galaxy S26, тогда как граф по умолчанию на этом NPU давал заметно меньше совпадений. Лицензия — Apache-2.0.

GODEL-v1_1-base-seq2seq — предварительно обученная диалоговая модель Microsoft на архитектуре Transformer encoder-decoder семейства T5 с 123,7 млн параметров. Она обучена генерировать ответы, опираясь на внешний текст, например найденный документ, и предназначена для адаптации к диалоговым задачам с небольшим количеством примеров. Версия v1.1 обучена на 551 млн многоходовых диалогов из обсуждений Reddit и 5 млн диалогов с инструкциями и ответами, основанными на знаниях. Модель подходит для создания диалоговых систем, которые отвечают с учётом контекста беседы и предоставленных сведений, а также для непринуждённого общения. Она принимает и генерирует текст; поддержка чата отражена в метаданных. Контекст ограничен 512 токенами. Репозиторий содержит веса PyTorch, модель распространяется по лицензии MIT. Карточка описывает предварительно обученную базовую модель, которую можно дообучать под конкретные диалоговые задачи. Приведённые данные об обучении не устанавливают конкретный набор поддерживаемых языков; диалоги Reddit также могут вносить характерные для источника особенности в ответы.

gomyk/intent-student-L4_uniform_distilled — компактный многоязычный энкодер предложений, созданный для классификации намерений. Модель разработана на основе paraphrase-multilingual-MiniLM-L12-v2 с прореживанием слоёв и словаря, а затем дистиллирована по эмбеддингам учителя. В README указана архитектура XLM-RoBERTa с 4 слоями и размерностью скрытого представления 384; метаданные классифицируют её как BERT с 24,2 млн параметров. Данные о структуре архитектуры в источниках расходятся. Модель кодирует короткие реплики для классификации намерений и сценариев, а также поддерживает извлечение признаков и сравнение сходства предложений. Она рассчитана на 18 языков: корейский, английский, японский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, арабский, хинди, тайский, вьетнамский, индонезийский, турецкий, нидерландский и польский. Контекст — до 512 токенов. По приведённым результатам MTEB средний балл составляет 54,61%; лицензия — Apache-2.0.

vllm-sr/mmbert32k-feedback-detector-merged — модель классификации сообщений пользователей на четыре категории обратной связи: удовлетворённость ответом, потребность в пояснении, указание на ошибочный ответ и запрос другого подхода. Она предназначена для разговорных ИИ-систем, поддержки клиентов и мониторинга качества диалогов, где метки можно использовать для маршрутизации обращений и запуска сценариев уточнения или исправления ответа. Модель основана на ModernBERT для классификации последовательностей и дообучена на базе vllm-sr/mmbert-32k-yarn; LoRA-веса объединены с базовой моделью. По метаданным, модель содержит 306,9 млн параметров, принимает текст с контекстом до 32 768 токенов и доступна в форматах ONNX и safetensors. README указывает поддержку более 1800 языков с лучшими результатами на английском, китайском, французском и испанском; английский обозначен как основной язык. В README приведены результаты валидации на 2 985 примерах: точность 98,83%, macro-F1 98,24% и weighted-F1 98,83%. Это результаты конкретной выборки, поэтому качество на других языках, типах диалогов и распределениях сообщений может отличаться. Модель распространяется по лицензии Apache-2.0.

Модель cartesinus/multilingual_minilm-amazon-massive-intent — дообученная версия microsoft/Multilingual-MiniLM-L12-H384 для классификации намерений по тексту. Она обучена на наборе MASSIVE 1.1 и подходит для определения намерения пользователя по коротким запросам, например в системах понимания естественного языка и маршрутизации обращений. Модель построена на архитектуре BERT, содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов. В формате оценки на наборе данных указаны accuracy и F1 по 0,8234. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — MIT. Карточка не описывает ограничения и не приводит подробностей о поддерживаемых языках дообученной модели; базовая модель многоязычная, а в тегах модели указан английский.

OmniDimen-2.5-9B-Emotion — дообученная модель команды OmniDimen на базе Qwen/Qwen3.5-9B. Она предназначена для распознавания эмоций в тексте и генерации ответов с учётом эмоционального контекста. Архитектура — плотная мультимодальная Qwen3.5 с 9 млрд параметров; модель поддерживает диалог и может работать с контекстом до 262 144 токенов. В карточке указаны китайский и английский языки. Доступны веса safetensors в BF16 и варианты GGUF в FP16 и Q4_K_M. Модель подходит для анализа тональности и эмоциональной окраски сообщений, а также для создания более эмпатичных диалоговых ответов. По описанию карточки, версия 2.5 впервые использует мультимодальную основу Qwen3.5, однако специализация модели заявлена для эмоций в тексте; конкретные возможности обработки изображений не описаны. Для полного контекста требуются значительные ресурсы памяти, а фактическая производительность зависит от среды запуска. Лицензия — MIT.

TowerInstruct-WMT24-Chat-7B — языковая модель Unbabel, полученная дообучением TowerBase на наборе TowerBlocks и обучающих данных общей задачи WMT24 Chat MT. Она предназначена для контекстно-зависимого перевода диалогов службы поддержки. В общей задаче WMT24 Chat MT модель заняла первое место по оценке людей на всех десяти языковых парах. Модель построена на плотной архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текст и генерирует текст в формате чата; заявленная длина контекста — 4096 токенов. Метаданные указывают английский, немецкий, французский, китайский, португальский, нидерландский, русский, корейский, итальянский и испанский языки. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель postbot/distilgpt2-emailgen-V2 разработана Postbot и представляет собой дообученную версию distilgpt2 для продолжения и генерации электронных писем по началу текста или короткой подсказке. Она использует архитектуру GPT-2 и рассчитана на контекст до 1024 токенов. Модель можно применять через библиотеку Transformers для автоматического составления черновиков писем и продолжения уже начатого сообщения. Для дообучения использован набор postbot/multi-emails-100k; в метаданных также указан датасет AESLC. В README приведён результат оценки Loss 1,9126. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Модель распространяется по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки и конкретные ограничения качества. Генерируемый текст следует проверять на точность, уместность тона и соответствие контексту перед отправкой.

GPT-5.6 Luna — модель OpenAI из серии GPT-5.6. Она предназначена для высоконагруженных задач с чувствительностью к задержке, включая диалог, классификацию и лёгкие агентные сценарии. В карточке модель описана как быстрая и экономичная, со способностью к рассуждению. Данных о размере, архитектуре, модальностях, языках, длине контекста и лицензии в предоставленных источниках нет. Метаданные каталога относят модель к задаче image-text-to-text, однако README не подтверждает работу с изображениями.

Hemmingway-1 — плотная текстовая чат-модель на архитектуре Qwen3.5, дообученная Altworld на базе Qwen/Qwen3.8-27B. Она предназначена прежде всего для повседневного письма: модель сразу составляет готовый текст сообщения, письма или деловой заметки, без длинных вступлений и перечисления вариантов. Разработчик также заявляет хорошие результаты в эмоциональном общении и рассказывании историй; эти утверждения частично основаны на собственных тестах Altworld. Модель содержит 22,3 млрд параметров по метаданным, использует формат safetensors и поддерживает контекст до 262 144 токенов. Это англоязычная текстовая модель для генерации диалоговых ответов. Распространяется по лицензии Apache-2.0. По данным карточки, модель слабее специализированных моделей в враждебных сюжетах и длинных продолжениях историй. Она может уверенно выдавать неверную информацию; разработчик не рекомендует использовать её для медицинских, юридических и финансовых решений. Сравнительные результаты по письму, человекоподобию и историям получены на собственных бенчмарках разработчика.

Jeff-Qwen3.5-2B — модель классификации с нулевым числом примеров, созданная сообществом путём дообучения Qwen/Qwen3.5-2B. Она принимает описание ситуации и список вариантов на естественном языке и за один проход выдаёт калиброванные вероятности для каждого варианта, без генерации ответа и последующего разбора текста. Модель предназначена для встраивания в локальные приложения, где нужно быстро выбрать категорию, намерение или действие. По README, версия v1.2 обучена на 284 747 вопросах за одну эпоху; заявлены точность 81,7% на панели из пяти тестов, ошибка калибровки ECE 0,021 и поддержка списков до 254 вариантов. Модель основана на плотной архитектуре Qwen 3.5 и распространяется в формате safetensors через библиотеку Transformers. В README приведены ориентиры времени принятия решения: около 24 мс на RTX PRO 6000 и 60 мс на Apple M4 Max с MLX. Карточка ориентирована на англоязычные запросы. Лицензия — Apache-2.0. Модель компактна и быстра для выбора между явно заданными вариантами, однако качество рассуждений уступает более крупным моделям. Результаты зависят от предметной области и формулировки вариантов; для специализированных задач README рекомендует дообучение на собственных примерах. Для длинных документов v1.2 показала более низкий результат, чем завышенный из-за утечки тестовых документов результат v1.1.

LightDec_V2 — компактная калиброванная модель принятия решений от Falcons.ai. Она кодирует вопрос, варианты ответа и входные данные одним последовательным представлением, а затем выбирает вариант с помощью permutation-equivariant головы FalconDec. Модель содержит около 0,16 млрд параметров и обрабатывает до 2 048 токенов за вызов; она выдаёт оценки вариантов, вероятности, уверенность и флаг defer, но не генерирует свободный текст. Модель предназначена для быстрых структурированных решений в программных системах: маршрутизации обращений, определения намерений, оценки приоритета, проверки записей на соответствие правилам, контроля шагов агента и первичной проверки безопасности. Поддерживаются выбор из закрытого набора вариантов, ответы да/нет и порядковая оценка; несколько вопросов можно задать для одного входа за один вызов. Лицензия — Apache-2.0. LightDec_V2 работает только на английском языке и всегда выбирает из предложенных вариантов, поэтому при отсутствии подходящего ответа следует включать вариант «none». Модель слаба в многошаговых рассуждениях, арифметике и переносе на незнакомые правила; обнаружение prompt injection и вредоносных запросов ненадёжно как единственная мера защиты. Точность и калибровку следует проверять на собственных данных.

MGI Assistant v1 — диалоговая языковая модель, разработанная MD Abdullah Al Baki на базе unsloth/Qwen3-4B-Instruct-2507. Это плотная архитектура Qwen3 с 3,7 млрд параметров, дообученная методом QLoRA supervised fine-tuning; модель принимает текст и генерирует ответы на английском, бенгальском и бенглиш. Контекстное окно составляет до 262 144 токенов. Модель предназначена для ответов на вопросы о Meghna Group of Industries и Meghna Aviation: брендах, продуктах и артикулах, направлениях бизнеса, экономических зонах, CSR, вакансиях и контактах. В режиме RAG она отвечает по предоставленному контексту, добавляет ссылку на источник, а если ответа в контексте нет — сообщает об этом и предлагает обратиться в подходящий контакт. Для фактических запросов автор рекомендует использовать RAG с предусмотренным карточкой системным промптом. Модель специализирована на информации этих организаций и не предназначена для общего чата или юридических, медицинских и финансовых консультаций. Результаты проверки показывают, что validation loss почти не менялся между первой и второй эпохами, хотя training loss продолжал снижаться. Лицензия — Apache-2.0.

jhflow/mistral7b-lora-multi-turn-v2 — дообученная текстовая модель семейства Mistral, созданная для многоходовых диалогов в сценариях RAG. Автор сообщает, что для обучения использовал наборы данных с диалогами, основанными на знаниях; шаблон промпта построен по формату ChatML и включает системный промпт, контекст, запрос пользователя и ответ ассистента. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. Лицензия в предоставленных данных не указана.

Mistral-C2F — диалоговая языковая модель, разработанная авторами проекта Mistral-C2F на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, обученная с использованием обучения с подкреплением на основе обратной связи от людей (RLHF). Для усиления аналитических и рассуждательных способностей авторы применили двухэтапный подход Coarse to Fine: выход Coarse Actor объединяется с инструкционной моделью, чтобы перенести подробные рассуждения и уточнить ответы. Модель предназначена для диалогов, интеллектуальных помощников и исследований в области языковых моделей, машинного обучения и обработки естественного языка. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В README авторы отмечают улучшение разговорных и аналитических способностей и снижение токсичных ответов по сравнению с базовой моделью, однако не приводят здесь подробностей оценки. Модель распространяется по лицензии MIT; README указывает, что лицензия совпадает с лицензией базовой Mistral-7B-v0.1.

OpenJev — разработанная AlquimiaAi модель для принятия решений по тексту, веб-страницам и снимкам экрана. Вместо свободного ответа она выбирает вариант из заданного в запросе набора, оценивает вероятность «да» или «нет» либо выдаёт оценку. Модель заявлена для маршрутизации обращений, модерации, проверки ответов и выбора действий браузерного агента; метки можно задавать для новой задачи без отдельного обучения. Модель основана на плотной архитектуре Qwen3.5 и работает с текстом, DOM, JSON и скриншотами. За один проход она обрабатывает вопрос с максимум 52 вариантами и выдаёт типизированные оценки с откалиброванными вероятностями. В README приведены результаты тестирования и показатели скорости на H100; заявлена поддержка английского, немецкого, французского, хинди, китайского и японского языков. Модель распространяется с лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Качество зависит от формулировки вопроса и вариантов ответа; в испытании результат менялся при перемешивании вариантов в 2,3% случаев. Показатели производительности в карточке получены на описанных авторами наборах данных и оборудовании.

Falconsai/proof_v2 — модель принятия решений с закрытым набором вариантов от Falconsai, построенная на encoder-архитектуре ModernBERT-base. Она принимает текст или код, вопрос и от 2 до 20 вариантов ответа, после чего оценивает каждый вариант и возвращает вероятности. Модель не генерирует текст и всегда выбирает один из предложенных вариантов. Модель предназначена для маршрутизации обращений поддержки по категориям и для понимания кода по заданному меню ответов: например, определения языка кода или выбора реализации по описанию задачи. Также она подходит для проверки текстовых утверждений на следование или противоречие. Основной общий классификатор активен, а специализированные головы для намерений, кода и рассуждений обучены, но их пороговые шлюзы закрыты, поэтому сейчас они не участвуют в ответах. Модель содержит около 149 млн параметров по метаданным, использует библиотеку Transformers и обучалась с длиной входа 384 токена; базовая ModernBERT-base поддерживает контекст до 8192 токенов. По результатам карточки, сильные области — сопоставление кода с описаниями, определение намерений и проверка следования в тексте. Модель слабо справляется с поиском ошибок и клонов кода, арифметическими задачами и некоторыми тестами на знания. Она всегда выбирает вариант из списка, обрезает входы длиннее 384 токенов, а калибровка вероятностей зависит от распределения данных. Обучающие данные англоязычные, поэтому карточка отмечает риск ошибок для диалектов и формулировок неносителей языка. Лицензия — Apache-2.0.

Qwen3-ASR Rakuten Multilingual — дообученная Rakuten на Qwen/Qwen3-ASR-1.7B плотная модель распознавания речи для многоязычных сценариев обслуживания клиентов. Принимает аудио длительностью до 30 секунд на высказывание, поддерживает частоту дискретизации 16 кГц с автоматическим пересэмплированием и выдаёт текстовую расшифровку. Заявлена поддержка 18 языков: английского, китайского, французского, португальского, корейского, вьетнамского, хинди, тайского, индонезийского, тамильского, урду, непальского, узбекского, монгольского, сингальского, бирманского, японского и итальянского. Модель обучена на 1 624 974 высказываниях; веса в формате SafeTensors, bf16, размер около 3,8 ГБ. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

SelfJev-4B merged — это модель для структурированных решений по тексту, разработанная авторами SelfJev. Она принимает вопрос и предложенные варианты, оценивает их вероятности и может вернуть ответ «да/нет», выбрать вариант или выставить оценку по заданной шкале. Модель основана на Qwen3.5-4B и предназначена для маршрутизации сообщений, проверки утверждений и ответов ИИ, классификации намерений, оценивания и обнаружения обхода защитных ограничений. В репозитории находятся объединённые веса примерно на 9,3 ГБ, токенизатор и конфигурация; отдельная загрузка базовой модели или адаптера не нужна. Для запуска README описывает Linux с NVIDIA GPU и совместимым окружением vLLM, а метаданные указывают библиотеку Transformers. Хотя сохранена исходная компоновка с весами для зрения, модель обучалась и оценивалась для текста. Для исходного адаптера приведены результаты на нескольких наборах: 95,7% на тестах текстовых решений, 93,1% при проверке ответов ИИ и 83,4% на публичных задачах. Это результаты движка TreeServer, а не отдельного тестирования данного объединённого чекпойнта через vLLM; авторы отмечают, что часть разметки создана с помощью ИИ и что нужна независимая оценка. Лицензия в таблице сравнения указана как Apache-2.0 для кода; README не уточняет отдельные условия лицензирования весов.

Siddhanto — модель Казала Чандры Бармана для принятия решений по разговорным текстам на бенгальском, английском и бенглиш, то есть романизированном бенгальском и смешанной речи. Она дообучена на базе convaiinnovations/laya-multilingual: кодировщика mmBERT-base с 322 млн параметров. Вместо фиксированного набора классов модель принимает вопрос и варианты ответа, заданные при запросе, и возвращает распределение вероятностей по этим вариантам. Динамическая двухслойная голова оценки вариантов поддерживает типизированные интерфейсы choice, noul и score. Модель предназначена для классификации намерений и маршрутизации сообщений, в том числе в задачах поддержки, электронной коммерции и туристических сервисов. В README описаны обучение на примерно 268 тысячах примеров, калибровка вероятностей и оценки на знакомых и новых схемах и доменах. На реальных сообщениях и незнакомых данных точность ниже, чем на синтетических примерах; специализированные модели могут превосходить её в своей узкой области. Большие списки вариантов расходуют бюджет головы в 1024 токена. Лицензия — Apache-2.0.

SungBeom разработал модель распознавания речи на основе Whisper Small и дообучил её на нескольких крупных наборах данных AI Hub с корейской речью. Она преобразует аудио в текст и рассчитана на распознавание речи в разных сценариях, включая клиентские обращения, разговоры и общую корейскую речь. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch через библиотеку Transformers. Обучение на нескольких наборах данных призвано повысить устойчивость к различиям между речевыми доменами. При этом качество ASR зависит от домена, а карточка указывает, что распознавание диалектов, детской и пожилой речи может требовать дополнительной адаптации. Лицензия — Apache-2.0.

AlphaRoute-0.8B-v1.0 — компактная текстовая модель на основе Qwen3.5-0.8B-Base, дообученная разработчиком NamanAgnih0tri для семантической маршрутизации запросов по намерениям и извлечения структурированных данных. Она принимает запрос пользователя вместе с описаниями категорий и заданной JSON-схемой, после чего формирует решение о маршруте, извлекает параметры и может помечать запрос как не относящийся к заданным категориям. Модель рассчитана на маршрутизацию по категориям, заданным во время запроса, обработку внеобластных обращений и заполнение пользовательских JSON-схем без переобучения при смене категорий или полей. В карточке указаны архитектура Qwen3_5ForCausalLM, 581,4 млн параметров, контекст до 262 144 токенов и веса Safetensors; лицензия — Apache-2.0. README приводит результаты на Banking77, CLINC150 и HWU64, а также отмечает, что версия v1.5 превосходит v1.0 по ряду тестов. Поддерживается английский язык; заявленные результаты и устойчивость зависят от формулировок категорий, схемы и промпта.

customer-support-intent-albert — модель на базе ALBERT, дообученная для классификации намерений в сообщениях клиентов. Она предназначена для маршрутизации обращений в службе поддержки и определения типа запроса по тексту. Модель использует архитектуру AlbertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для дообучения использован датасет bitext/Bitext-customer-support-llm-chatbot-training-dataset; в карточке указаны точность 0,9988 и значение функции потерь 0,0154 на оценочной выборке. Модель разработана автором репозитория vineetsharma на основе albert/albert-base-v2. Доступны веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. В карточке не описаны метки классов и подробности оценки, поэтому заявленную точность нельзя напрямую переносить на другие наборы данных или реальные обращения.