III.4Клиентская поддержка и customer success

mrm8488/distilroberta-finetuned-banking77 — модель классификации намерений в обращениях к банковским сервисам, разработанная на базе distilroberta-base и дообученная на датасете Banking77. Она использует архитектуру RoBERTa с классификационной головой и содержит 95,2 млн параметров; принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для определения категории пользовательского запроса среди банковских намерений, например для маршрутизации обращений в службе поддержки. В README указана точность 0,896 на тестовом наборе. Для использования доступны веса PyTorch и safetensors, а загрузить модель можно через Transformers. Карточка не сообщает условия лицензии, поэтому условия распространения здесь описать нельзя.

Модель drstupidity/granite-3.3-2b-customer-support — адаптер LoRA для диалоговой языковой модели IBM Granite, дообученный на наборе Bitext для ответов на обращения клиентов. Она предназначена для генерации вежливых и эмпатичных ответов в профессиональном тоне, с конкретными дальнейшими шагами, если они уместны. Обучение использовало формат чата базовой модели и примеры с одним сообщением клиента; адаптер можно применять с ibm-granite/granite-3.3-2b-instruct. Архитектура — плотная GraniteForCausalLM, около 2,5 млрд параметров у базовой модели; контекст базовой модели составляет 131 072 токена. Репозиторий содержит веса в формате Safetensors. Модель обучалась на синтетических англоязычных данных поддержки клиентов, а системный промпт можно менять или опускать. Лицензия — Apache-2.0. Модель не обучалась на многоходовых диалогах и не подключена к аккаунтам или другим системам компании. Её ответы о заказах, политиках и пользовательских данных нельзя считать проверенными: даже при обучении не выдумывать такие сведения это не гарантируется. Англоязычные данные обучения делают нерусский ввод вне распределения. В README также описан отдельный защитный слой сервиса, но он не входит в веса модели.

Human-Like-Qwen2.5-7B-Instruct — диалоговая языковая модель, созданная HumanLLMs дообучением Qwen/Qwen2.5-7B-Instruct. Она предназначена для генерации более естественных, связных и разговорных ответов, в том числе с эмоционально чутким тоном. Для диалога используется шаблон ChatML, доступный через chat template токенизатора. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и принимает текстовые сообщения, выдавая текст. Контекст — до 32 768 токенов. При дообучении применялись LoRA и Direct Preference Optimization на наборе Human-Like-DPO-Dataset: 10 884 примера по 256 темам, включая технологии, повседневную жизнь, науку, историю и искусство. Модель подходит для разговорных ассистентов и сценариев, где важны естественность и связность диалога. Приведённые в карточке результаты бенчмарков показывают возможные компромиссы на отдельных задачах, поэтому качество ответов следует оценивать для конкретного применения. Лицензия — Apache-2.0.

Jais-13b-chat-hf — чат-модель с 13 млрд параметров, разработанная Inception, Университетом искусственного интеллекта Мохамеда бин Заида (MBZUAI) и Cerebras Systems. Это дообученная версия Jais-13b на базе архитектуры Transformer decoder-only с нелинейностью SwiGLU и позиционными эмбеддингами ALiBi. Модель принимает текст и генерирует текст; она поддерживает арабский литературный язык и английский, а контекст составляет 2048 токенов. Модель предназначена для многошагового диалога, чат-ассистентов и обслуживания клиентов, особенно для сценариев, ориентированных на арабоязычную аудиторию. В карточке описаны дообучение на арабских и английских парах запрос–ответ и инструкции по безопасности. Для загрузки требуется пользовательский класс модели с параметром trust_remote_code=True; автор репозитория также описывает загрузку в 8-битном режиме для снижения требований к видеопамяти. Модель распространяется по лицензии Apache 2.0. Она может выдавать ошибочную, вводящую в заблуждение или оскорбительную информацию, склонна к смещениям и не предназначена для надёжной работы на языках помимо арабского и английского. Не следует полагаться на неё при принятии медицинских, юридических, финансовых и других критически важных решений без проверки человеком; также не рекомендуется обрабатывать конфиденциальные данные.

Jeff-Qwen3.5-0.8B v1.2 — компактная модель классификации с нулевым обучением, разработанная автором репозитория на основе Qwen3.5-0.8B. Она сопоставляет описание ситуации с вариантами ответа и за один проход возвращает откалиброванные вероятности выбора, без генерации текста. Модель предназначена для быстрых решений в локальных приложениях и конвейерах обработки данных. Её можно применять для маршрутизации обращений, определения намерений, модерации, выбора команд и других задач, где варианты описаны словами и заранее не фиксированы. Автор сообщает о времени принятия решения около 22 мс на RTX PRO 6000 и точности 78,7% на собственном тесте; эти показатели относятся к описанным в карточке условиям и не гарантируют результаты на других данных. Для узкой предметной области автор рекомендует дообучение. Модель — дообучение плотной архитектуры Qwen3.5-0.8B, распространяется в формате Safetensors и использует библиотеку Transformers. Карточка указывает английский язык. Лицензия — Apache-2.0. Это ранняя версия сообщества v1.2; в карточке также описан выпуск v1.3 под другим именем.

Jev-AR — модель на 322 млн параметров, разработанная для маршрутизации намерений в арабских сообщениях по списку маршрутов, заданному во время запроса. Она дообучена на базе многоязычной модели принятия решений Laya от Convai Innovations и использует энкодер mmBERT-base с отдельной головой принятия решений. Модель совместно оценивает маршруты за один проход, выдаёт лучший маршрут, вероятности для каждого варианта и сигнал для передачи решения человеку при низкой уверенности. Модель рассчитана на современный литературный арабский, эмиратский и саудовский диалекты, а также сообщения с переключением между арабским и английским. По данным карточки, она достигает 83,4% точности на тесте с 60 маршрутами и работает локально примерно за 10 мс на одном GPU. Новые списки маршрутов можно передавать без переобучения. Обучение проводилось на синтетических арабских данных, ещё не проверенных носителями языка. Калибровка уверенности может быть неточной для пользовательских списков маршрутов; для решений с юридическими, медицинскими или финансовыми последствиями рекомендуется участие человека. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

jhflow/mistral7b-lora-multiturn-v4 — диалоговая модель генерации текста на базе архитектуры Mistral. В карточке указана базовая модель maywell/Synatra-7B-v0.3-dpo и формат диалога ChatML; метаданные описывают плотную архитектуру MistralForCausalLM размером 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для многоходового общения и генерации ответов в формате чата. Она опубликована в формате safetensors и поддерживает text-generation. Лицензия в предоставленных данных не указана.

Samra02 разработала мультиязычный классификатор эмоций на основе XLM-RoBERTa, дообученный на базе AnasAlokla/multilingual_go_emotions_V1.2. Модель содержит около 205,1 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает текст длиной до 512 токенов. Она определяет одну из пяти эмоций: радость, грусть, гнев, страх или отвращение. Модель предназначена для анализа коротких сообщений, комментариев, отзывов и чатов на английском, арабском и французском языках. Её можно применять для разметки отзывов и обращений в поддержку, мониторинга эмоционального фона публикаций и адаптации ответов чат-ботов. Лицензия — Apache 2.0. Обучающие данные основаны на англоязычных комментариях Reddit; арабский и французский поддерживаются за счёт межъязыкового переноса, поэтому точность на них, особенно на диалектном арабском, может быть ниже. Модель возвращает только пять укрупнённых классов, не распознаёт ряд тонких эмоций, а оценки уверенности не откалиброваны. Она не предназначена для диагностики психического здоровья или самостоятельных решений в критически важных сценариях.

Nawah-Router-v3 — модель маршрутизации арабских текстов, разработанная oddadmix. Она оценивает текст относительно категорий, которые пользователь задаёт свободным текстом на арабском языке, и ранжирует их за один проход; фиксированный набор меток не требуется. Модель дообучена на базе oddadmix/50M-2048-Emhotob, имеет архитектуру Llama с 51,8 млн параметров и контекстом до 2048 токенов. Вход модели — текст и описания категорий; на выходе — оценки категорий.

OpenJev — открытая по весам модель принятия решений от разработчика OpenJev на базе Qwen3.5. Она получает текст, веб-страницу или скриншот и выбирает один из заданных в запросе вариантов, выдаёт вероятность ответа «да» или «нет» либо оценку. Для одного вопроса можно передать до 52 вариантов; модель возвращает типизированные ответы с вероятностями без генерации свободного текста и поддерживает решения за один проход. Модель предназначена для классификации и маршрутизации обращений, модерации, оценки ответов на соответствие критериям, а также выбора следующего действия браузерного или компьютерного агента. В карточке приведены результаты на текстовых и агентских задачах, а также для немецкого, французского, хинди, китайского и японского языков. Для коротких текстовых решений заявлена задержка около 80 мс; для веб-решений она зависит от длины входа. Файлы модели опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерчески. Модель выдаёт выбор и вероятности, а не развёрнутый текст; её качество зависит от формулировки вопроса и набора вариантов. В описании также отмечена чувствительность к порядку вариантов: при их перемешивании ответы менялись в 2,3% случаев.

OpenJev — модель принятия решений с открытыми весами от Stonehavenstudio на архитектуре Qwen3.5. Она принимает описание задачи и варианты ответа в запросе и возвращает выбор, вероятность для каждого варианта либо оценку. Модель рассчитана на классификацию без заранее заданных меток, маршрутизацию обращений, модерацию, оценку ответов и выбор действий браузерного агента. README также описывает работу с DOM, JSON и снимками экрана; заявлена поддержка до 52 вариантов за один вопрос. В тестах авторов OpenJev показала точность 84,0% на наборе текстовых решений из 10 000 вопросов и улучшила результаты базовой модели на ряде проверок браузерных действий и многоязычной классификации. В README приведены показатели задержки на одном H100, включая около 80 мс для коротких текстовых решений. Модель опубликована в формате safetensors под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Результаты тестов и скорости являются данными авторов; воспроизводимость зависит от условий запуска и задач.

Qwen3-1.7B-FC — компактная языковая модель на 1,7 млрд параметров, разработанная contextboxai на базе Qwen3-1.7B. Её дообучили с помощью обучения с подкреплением по проверяемым наградам (RLVR), чтобы улучшить вызов функций и использование инструментов. Модель принимает текстовые запросы и описания доступных инструментов, а в ответ формирует вызов инструмента с аргументами или отказывается от вызова, если подходящего инструмента нет. Модель предназначена для автоматизации поддержки клиентов, голосовых агентов и локальных сценариев, где нужно выбирать и вызывать инструменты, в том числе несколько инструментов за раз. В README приведены результаты на BFCL V3 и описана настройка на корректность вызовов, формат JSON, краткость ответов и уместный отказ. Указана поддержка английского и вьетнамского языков; максимальная длина контекста — 40 960 токенов. По данным README, сильные стороны модели — небольшой размер, лаконичные вызовы и обучение отказам при отсутствии подходящего инструмента. Ограничение: она несколько чаще базовой модели вызывает инструмент при нерелевантном запросе. Модель распространяется под лицензией Apache-2.0. Для её применения нужны описания инструментов и обработчик, который проверяет и выполняет сформированные вызовы; модель сама не выполняет внешние действия.

ThakiCloud разработала Qwen3.8-27B-Human-KO-Enterprise-v0.1 как дообученную модель для корпоративных консультационных агентов. Она читает политику компании вместе с запросом клиента и выбирает одно действие: ответить, задать уточняющий вопрос, запросить подтверждение, выбрать вызов инструмента, передать разговор оператору или отказать; результат выдаётся в виде JSON. Модель основана на плотной архитектуре семейства Qwen3.5 и дообучена из ThakiCloud/Qwen3.8-27B-Human-KO методом LoRA с последующим слиянием адаптера с базовой моделью. Репозиторий содержит веса Safetensors и рассчитан на запуск через Transformers и совместимые с Qwen3.8 серверы, например vLLM. На синтетическом корейском наборе EnterpriseOps-KO-Policy модель показала точность 97,2%; по приведённым небольшим тестам результаты на корейских знаниях выше базовой модели, а на английских знаниях и кодировании немного ниже. Данные обучения синтетические и не опубликованы, а заявленные показатели получены на синтетическом бенчмарке, поэтому перед реальным использованием требуется проверка на политиках и сценариях компании. Модель выбирает действие вызова инструмента, но не содержит списка инструментов и не выполняет сам вызов: аргументы и интеграцию должна обеспечить обслуживающая система. Лицензия — Apache-2.0.

ThakiCloud разработала эту модель как дообученную версию Qwen3.8-27B-Human-KO для корпоративных консультационных агентов. Она анализирует политику компании, включая правила и исключения, вместе с запросом клиента и выбирает одно действие: ответить, задать уточняющий вопрос, запросить подтверждение, вызвать инструмент, передать обращение оператору или отказать. Ответ формируется в виде JSON. Модель представляет собой плотную архитектуру семейства Qwen3.5 с 27 млрд параметров; она принимает текст и предназначена прежде всего для корейских диалогов. Чекпойнт создан методом LoRA supervised fine-tuning с последующим слиянием адаптера с базовой моделью. В тестах на синтетических сценариях корпоративной политики авторы сообщают точность 97,6%; модель также поддерживает интерфейс вызова инструментов. Для работы требуется передать инструкции из prompt_contract.txt вместе с политикой и запросом клиента. Набор инструментов в чекпойнт не встроен: модель выбирает действие вызова, а аргументы и фактическое выполнение должны обрабатываться сервисом. Результаты на синтетическом бенчмарке не гарантируют качество на реальных политиках, поэтому их следует проверять отдельно. Лицензия — Apache-2.0.

TalkTix/roberta-base-request-type — модель классификации обращений в службу поддержки по двум типам: инцидент и запрос на обслуживание. Она построена на архитектуре RoBERTa и содержит 151,8 млн параметров; модель принимает текст и возвращает метку класса. Для обучения использовался сбалансированный набор из 28 000 анонимизированных обращений. Контекст составляет до 514 токенов, библиотека формата весов — PyTorch. Модель предназначена для автоматической сортировки обращений клиентов и маршрутизации инцидентов отдельно от запросов на обслуживание. В README приведены результаты на тестовых примерах: для класса Incident указано 2500 верных классификаций и 25 ошибок пропуска, для Service Request — 440 верных классификаций и 150 ошибок пропуска. Эти показатели показывают различие в качестве распознавания классов; README не описывает метрики на независимых данных. Модель разработана TalkTix и распространяется по лицензии MIT. Она рассчитана на англоязычные обращения; применимость к другим языкам не подтверждена. Для интеграции следует учитывать ограниченный контекст и проверять ошибки классификации, особенно для запросов на обслуживание.

MaxKazak подготовил русскоязычный классификатор эмоций, дообученный на базе ai-forever/ruBert-base на датасете Djacon/ru_goemotions. Это плотная модель BERT с головой классификации последовательностей; она принимает текст и оценивает вероятности девяти меток: радость, интерес, удивление, грусть, гнев, отвращение, страх, вина и нейтральное состояние. Модель подходит для анализа эмоциональной окраски русскоязычных сообщений, отзывов и других коротких текстов. В README приведены результаты оценки: средний AUC вероятностей на тесте 0,9095 и средний F1-macro 0,7781; качество различается между метками. Контекст модели — до 512 токенов. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.

SAGE Dialogue Gen — диалоговая языковая модель, разработанная Yizhe Zhang и Navdeep Jaitly из Apple на базе mistralai/Mixtral-8x7B-Instruct-v0.1. Это дообученная модель семейства Mixtral с архитектурой MoE, предназначенная для генерации ответов в диалоге; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель вводит латентные переменные состояния и действия между ходами диалога, чтобы управлять эмоциональным тоном и стратегией разговора. Она рассчитана на эмпатичных чат-ботов, продолжительные диалоги с планированием, образовательные системы и клиентскую поддержку. Обучение использовало ShareGPT и включало расширение данных, поиск по деревьям диалога, reward modeling и дообучение; авторы сообщают об улучшениях на собственных метриках эмоционального интеллекта. Модель принимает текст и генерирует текст на английском языке. Лицензия — Apache 2.0. README предупреждает, что перед применением в средах с высокими требованиями к безопасности и в производственных системах необходимы дополнительная оценка и тестирование; для специализированных областей может потребоваться дообучение.

DMetaSoul/sbert-chinese-qmc-domain-v1-distill 是 DMetaSoul 发布的蒸馏型 модель на базе BERT для сопоставления вопросов в открытой предметной области. Она преобразует китайские предложения в векторы, пригодные для оценки семантического сходства и поиска похожих вопросов; описанные сценарии включают поиск перефразировок о товарах, услугах и банковских операциях. Модель содержит 4 слоя BERT и около 54 млн параметров, принимает текст, имеет контекст до 512 токенов и распространяется в формате PyTorch. По README, относительно модели-учителя с 12 слоями она примерно вдвое снижает задержку и увеличивает пропускную способность, при этом средняя точность в приведённой оценке ниже примерно на 4,2 процентного пункта. Это ориентир из теста на V100, а результаты зависят от данных и условий эксплуатации. Модель предназначена прежде всего для китайского языка. Лицензия в предоставленных данных не указана.

Varnika S разработала компактную модель классификации текста на основе BERT для определения эмоций и тональности. Модель объединяет Boltuix/bert-lite и Boltuix/bert-mini; в README она описана как дообученная на размеченных по эмоциям данных. Архитектура — BertForSequenceClassification, размер — около 12 млн параметров, библиотека — Transformers, максимальный контекст — 512 токенов. Модель предназначена для коротких англоязычных текстов и может работать в сценариях с ограниченными ресурсами, включая анализ сообщений в реальном времени. Модель относит текст к эмоциональным категориям, например радости, грусти и гневу. Её можно применять для анализа публикаций в социальных сетях, отзывов и обращений клиентов, а также для определения эмоциональной окраски сообщений чат-бота. Карточка указывает лицензию Apache-2.0; README также упоминает MIT, поэтому условия лицензирования в источниках расходятся и требуют проверки по файлам репозитория.

Von-1.0 — англоязычная модель классификации решений, разработанная как локальная альтернатива API TypeSafe Jev. Она основана на двунаправленном энкодере ModernBERT-Large с 394,7 млн параметров и дообучена методом RLCD на сбалансированных примерах естественного вывода. Модель принимает текст и предназначена для классификации намерений, маршрутизации обращений, бинарного выявления заданных признаков и выбора метки из нескольких вариантов; также выдаёт калиброванные вероятности классов. Карточка заявляет контекст 8 192 токена, однако метаданные указывают нативный контекст 2 048 токенов. В независимом бенчмарке, описанном в README, указаны 93,0% macro accuracy и 92,3% micro accuracy; результаты относятся к указанному набору из 78 случаев. Модель распространяется под лицензией Apache 2.0. Заявления о задержке в README различаются: в описании указано менее 25 мс, а в таблице — около 62 мс на MPS/GPU и 300 мс на CPU.

AudioX-North-v1 — модель автоматического распознавания речи семейства AudioX, разработанного Jivi AI. Это дообученная на базе Whisper модель для транскрибации речи на хинди, гуджарати и маратхи; README также описывает специализированную южноиндийскую версию семейства, но не относит её языки к этому чекпойнту. Модель принимает аудио и выдаёт текст, поддерживает автоматическое определение языка и предназначена для голосовых помощников, транскрибации, автоматизации клиентского обслуживания и создания многоязычного контента. При обучении применялись контролируемое дообучение, адаптация домена, балансировка языков и добавление шумов. В README заявлена оценка на бенчмарке Vistaar, однако приведённые результаты относятся к AudioX в целом, поэтому их нельзя однозначно приписать варианту North. Чекпойнт опубликован в формате safetensors и распространяется по лицензии Apache-2.0.

Модель khaze0911/banking77-distilbert — дообученный DistilBERT для классификации намерений в запросах клиентов банков. Она относит запрос к одному из 77 классов набора Banking77, например помогает определить, спрашивает ли клиент о переводе, проверке личности или другой банковской услуге. Модель рассчитана на англоязычные текстовые обращения; максимальная длина контекста составляет 512 токенов. В README указаны точность 93% и macro F1 93% на тестовой выборке из 3 076 примеров. Это компактная модель классификации последовательностей на архитектуре DistilBERT; репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Возможные ошибки связаны, в частности, с близкими или неоднозначно размеченными категориями: например, проверка личности и причина её проверки, а также ожидаемый перевод и перевод, не дошедший получателю. Результаты приведены для тестовой выборки Banking77 и не гарантируют такую же точность на иных банковских обращениях.

philschmid/BERT-Banking77 — модель классификации текста на основе BERT, опубликованная под аккаунтом philschmid и обученная с помощью AutoTrain для многоклассовой классификации запросов из банковской сферы на наборе Banking77. Она принимает текст и предсказывает его категорию, например, чтобы автоматически распределять обращения клиентов по темам при обработке банковских запросов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и поддерживает контекст до 512 токенов. В карточке приведены метрики на валидации: accuracy 0,926 и macro F1 0,927. Для работы с ней указан формат PyTorch; примеры доступа показывают отправку текста через API Hugging Face. Лицензия в предоставленных данных не указана.

cmarkea/bloomz-3b-dpo-chat — диалоговая языковая модель, разработанная на базе bloomz-3b-sft-chat и дообученная методом Direct Preference Optimization (DPO) на данных Anthropic/hh-rlhf с парами предпочтительных и отклонённых ответов. Модель построена на плотной архитектуре BLOOM с причинной языковой моделью и содержит 3,8 млрд параметров; доступны веса PyTorch и Safetensors. Лицензия — BigScience BLOOM RAIL 1.0. Модель предназначена для чат-ботов, автоматизации поддержки клиентов и других диалоговых систем на английском и французском языках. По карточке, DPO улучшает предпочтительность ответов относительно версии SFT, особенно в сценариях без примеров; оценка на французских вопросах проводилась с помощью нескольких языковых моделей-оценщиков. Карточка предупреждает, что многоязычные возможности могут быть слабее, чем у SFT-предшественника, и что дообучение может потребоваться для восстановления качества на других языках. Оценка описана только для 100 французских вопросов, поэтому её нельзя считать широкой проверкой качества для всех задач и языков.

ggrazzioli/cls_sentimento_sebrae — модель классификации тональности текста, обученная для внутреннего набора данных Sebrae RS. Она относит текст к одному из трёх классов: отрицательный, нейтральный или положительный. Модель основана на BERT с архитектурой BertForSequenceClassification, содержит 136,1 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для анализа тональности текстов в сценариях, близких к данным Sebrae RS. В README приведены результаты проверки: accuracy 0,965 и macro F1 0,935; эти метрики относятся к указанной выборке и не гарантируют такое же качество на других данных. Для работы доступны веса PyTorch и safetensors; лицензия в предоставленных данных не указана.

Adaptive Classifier — модель классификации текстов для определения намерения клиента. Она разработана на основе answerdotai/ModernBERT-base и поддерживает непрерывное обучение с динамическим добавлением классов. В текущей версии настроены четыре класса: жалоба, запрос информации, покупка и обращение в поддержку; обучение проведено на 20 примерах, по пять на класс. Модель использует эмбеддинги размерности 768 и обновляет прототипы классов каждые 10 новых примеров. Она предназначена для маршрутизации клиентских сообщений и адаптации классификатора по мере поступления размеченных данных. Распространяется по лицензии Apache-2.0. Для каждого класса требуется не менее трёх примеров; поддерживается не более 150 примеров на класс. Малый объём приведённых обучающих данных может ограничивать качество классификации. В метаданных языки указаны как multilingual, без перечня конкретных языков.

Decision-1.0-Lex-0.6B — специализированная модель Open Decision Foundation Models, созданная дообучением Decision-1.0-Kai-0.6B. Она преобразует операционный контекст в структурированные решения: выбирает действие среди кандидатов, проверяет условия и оценивает варианты по заданной шкале. Сценарии включают маршрутизацию обращений и счетов, оценку инцидентов безопасности и анализ результатов работы агентов. Модель содержит около 572 млн параметров и использует архитектуру Decision1 с тремя двунаправленными энкодерными путями по 22 слоя, общими многоязычными входными эмбеддингами и отдельными слоями взаимодействия и блоками оценки для Choice, Noul и Score. Рассчитана прежде всего на английские операционные задачи. Полный запрос, включая контекст, инструкции и варианты, ограничен 1024 токенами. В описанной реализации веса и вычисления используют FP32; доступны локальный запуск через Transformers с доверенным пользовательским кодом и совместимый серверный runtime. Репозиторий лицензирован по Apache-2.0. В указанном тесте на 2000 англоязычных решений точность составила 78,15%; преимущество над сравниваемой моделью не было однозначным по парному 95% интервалу, а на одном из типов задач сравниваемая модель показала лучший результат. Вероятности не являются калиброванной уверенностью, и на результат могут влиять порядок кандидатов и формулировка задачи. Запросы длиннее лимита возвращают ошибку без усечения.

Это модель классификации текста на базе DistilBERT, дообученная на наборе Banking77. Она предназначена для определения категории пользовательского обращения в банковской тематике, например для маршрутизации сообщений в службу поддержки. Модель использует архитектуру DistilBertForSequenceClassification, работает с текстом и принимает последовательности длиной до 512 токенов. Для оценки на тестовом наборе Banking77 указаны точность и F1 по 0,925. Модель подходит для классификации обращений, похожих на примеры из Banking77. Результаты на этом наборе не гарантируют качество на иных банковских данных или при изменении формулировок и распределения категорий. Лицензия — Apache-2.0.

Модель neibla/distilbert-base-uncased-finetuned-emotion — дообученная на наборе данных emotion модель DistilBERT для классификации эмоциональной окраски текста. Она принимает текст и относит его к эмоциональным классам; подойдёт для анализа коротких пользовательских сообщений и текстов. Архитектура — DistilBertForSequenceClassification, максимальный контекст — 512 токенов. В карточке указаны результаты на оценочной выборке: accuracy 0,9255 и F1 0,9255. Модель распространяется по лицензии Apache-2.0.

spidercob/dlp-intent-classifier — модель SetFit для классификации текста по четырём классам. Она использует BERT-энкодер размером 25,9 млн параметров и классификатор LogisticRegression. Обучение SetFit включает контрастивное дообучение Sentence Transformer и обучение классификационной головы на полученных признаках. Модель предназначена для определения намерения по тексту в сценариях, где требуется отнести запрос к одной из четырёх категорий. Метаданные указывают библиотеку SetFit и максимальную длину контекста 512 токенов; в README указана максимальная длина последовательности 256 токенов. Репозиторий содержит веса в формате safetensors. В карточке не названы сами классы, языки обучающих данных и лицензия. Поэтому перед применением нужно проверить соответствие меток и языка своим данным; короткие запросы могут не помещаться без усечения в заявленный лимит последовательности README.