III.4Клиентская поддержка и customer success

CharacterGLM-6B — диалоговая модель семейства ChatGLM от thu-coai, предназначенная для генерации текста в формате общения. В репозитории указано 7,5 млрд параметров; модель использует плотную архитектуру ChatGLM и поддерживает контекст до 32 768 токенов. Модель подходит для ведения диалогов и генерации ответов. Метаданные также отмечают возможность классификации текста, однако карточка не содержит подробностей об этой функции. В репозитории представлены веса PyTorch; сведения о лицензии и целевых языках в доступных данных отсутствуют.

Chinese-Mixtral-Instruct — чат-модель, разработанная авторами проекта Chinese-Mixtral. Она дообучена на инструкционных данных на основе Chinese-Mixtral, которая построена на Mixtral-8x7B-v0.1. Модель предназначена для диалога, ответов на вопросы и генерации текста по инструкциям. Архитектура — Mixtral с разреженной экспертной моделью (MoE); в метаданных указан размер 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Заявлены китайский и английский языки. Модель подходит для чат-ботов, вопросов и ответов на китайском или английском и других задач генерации текста по инструкциям. Опубликована под лицензией Apache-2.0.

Clara v2 — дообученная модель на 8,4 млрд параметров, разработанная ayan4m1 на базе ibm-granite/granite-4.1-8b. Она предназначена для диалоговых сценариев и создана как более компактная по числу параметров замена Clara-24B; при дообучении использовались промпты Claude Opus 4.5–4.7. Модель работает с текстом и изображениями в формате image-text-to-text, поддерживает чат, а её контекстное окно составляет 131 072 токена. В метаданных указан английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Claude Haiku 4.5 — модель Anthropic, позиционируемая как быстрая и экономичная модель с интеллектом, близким к передовым системам, при меньших стоимости и задержке по сравнению с более крупными моделями Claude. В карточке также заявлено, что по производительности она сопоставима с Claude Sonnet 4. Модель предназначена для задач, где важны быстрые ответы и низкая стоимость обращения. Доступные сведения не описывают конкретные сценарии, архитектуру, размер, модальности, языки, длину контекста или лицензию; поэтому эти характеристики здесь не уточняются.

ControlMT v2.3 — это компактная модель на 139 млн параметров, разработанная для перевода между каннада и английским языком. Она использует архитектуру encoder-decoder Transformer и предназначена для перевода в обоих направлениях, включая тексты с естественным смешением каннада и английских слов, аббревиатур и названий. Модель подходит для перевода новостей, государственных документов, форм и записей клиентов, материалов электронной коммерции, сообщений в социальных сетях и обращений в поддержку. По данным карточки, на FLORES-200 devtest она показывает COMET-DA выше 0,84 в обоих направлениях; также заявлена работа на потребительском оборудовании, в том числе после int8-квантизации. Метаданные указывают контекст в 320 токенов. ControlMT v2.3 не является универсальным переводчиком, чат-ботом или моделью для следования инструкциям: заявленная задача — только перевод между каннада и английским. Карточка отмечает возможные ошибки в идиомах, редких именах и современной технической лексике; для PAN-подобных идентификаторов при переводе с английского на каннада иногда требуется постобработка. Модель не сертифицирована для критически важных медицинских или юридических сценариев. Лицензия весов — Apache 2.0; лицензии исходных обучающих корпусов отличаются.

Kaballas/Cyber8 — разговорная модель генерации текста, разработанная Kaballas и дообученная на базе Kaballas/Cyber6. Она предназначена для диалогов и ответов в чате на английском языке. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и поддерживает контекст длиной до 131 072 токенов. В обучении использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

Moritz Laurer разработал deberta-v3-base-zeroshot-v1.1-all-33 для классификации текстов без заранее заданного набора меток. Модель преобразует задачу в проверку гипотезы: следует ли из текста заданное утверждение; результат относится к классам entailment и not_entailment. Это позволяет задавать собственные категории и формулировки через шаблоны гипотез. Модель основана на DeBERTa-v3-base с архитектурой DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и обрабатывает контекст до 512 токенов. Обучение проводилось на английских данных: пяти наборах NLI и 28 задачах классификации, преобразованных в общий формат, всего с 387 классами. Её можно применять для тональности, тематики, эмоций, токсичности, спама и других текстовых категорий. Несмотря на универсальный формат, модель предназначена только для классификации текста и обучена только на английском языке; для других языков автор рекомендует переводить текст на английский. Для части обучающих задач использовалось до 500 примеров на класс, поэтому показатели на этих наборах не отражают полностью сценарий классификации без примеров. Возможны смещения, унаследованные от обучающих данных. Модель доступна под лицензией MIT; для работы используются Transformers и SentencePiece, а старые версии Transformers могут вызывать ошибки токенизатора.

KnutJaegersberg/Deita-32b — разговорная языковая модель на архитектуре Qwen2 с 31,7 млрд параметров, предназначенная для генерации текста и ответов ассистента. В карточке приведён пример диалога в формате System/User/Assistant; модель также оценивалась на бенчмарках Open LLM Leaderboard. Модель принимает текст и генерирует текст. Указанная длина контекста — 32 768 токенов. README приводит средний результат 72,16, включая 63,05 на AI2 Reasoning Challenge и 84,67 на HellaSwag; остальные результаты таблицы в доступном тексте не раскрыты. Лицензия указана как other, без конкретизации условий.

Модель Dnoya10/dicoding_genAI_expert_adv_eks2 — дообученная Dnoya10 языковая модель Qwen2 для генерации текста и диалогов. Она основана на unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель имеет плотную архитектуру Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; в метаданных также отмечен интерфейс вызова инструментов. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Модель hope613/distilbert-base-multilingual-cased-finetuned-emotion — дообученная для классификации текста версия многоязычной DistilBERT от hope613 на базе distilbert/distilbert-base-multilingual-cased. По названию репозитория она предназначена для распознавания эмоций в тексте; карточка сообщает о точности 0,9325 и F1 0,9327 на оценочной выборке, но не описывает набор меток и состав этой выборки. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и возвращает класс текста. Максимальная длина контекста — 512 токенов. Базовая модель многоязычная, однако карточка не перечисляет языки, для которых именно эмоциональная классификация проверена. Модель распространяется по лицензии Apache-2.0.

Xenova/distilbert-base-multilingual-cased-sentiments-student — модель для классификации тональности текста, разработанная на основе lxyuan/distilbert-base-multilingual-cased-sentiments-student. Репозиторий Xenova содержит веса в формате ONNX, адаптированные для использования с библиотекой Transformers.js и запуска в JavaScript-средах, включая веб-приложения. Модель предназначена для определения тональности пользовательских текстов и может применяться в анализе отзывов, мониторинге обратной связи и других сценариях текстовой классификации. В качестве базовой архитектуры используется мультиязычная регрессионная версия DistilBERT с поддержкой регистра. Точный размер модели, перечень языков, объём контекста и набор меток тональности в README не указаны. Ключевое преимущество модели — возможность выполнять классификацию через Transformers.js с ONNX-весами, что упрощает интеграцию в JavaScript-проекты. Ограничения, показатели качества, условия лицензирования и область обучающих данных в представленном описании не указаны, поэтому их следует уточнить в карточке исходной модели lxyuan/distilbert-base-multilingual-cased-sentiments-student.

NOtda/distilbert-finetuned-emotion — модель классификации текста, дообученная на базе distilbert/distilbert-base-uncased для определения эмоций в тексте. Она использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. В README указаны результаты на оценочном наборе: accuracy 0,922 и F1 0,9219; датасет обучения и наборы эмоциональных меток не раскрыты. Модель подходит для автоматической разметки эмоций в текстах, например в сообщениях и отзывах. Максимальная длина контекста — 512 токенов. Веса представлены в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0. Базовая модель uncased рассчитана на английский текст.

Arc53/docsgpt-7b-falcon — языковая модель на архитектуре Falcon, разработанная для ответов на вопросы по документации. Она дообучена методом LoRA на базе falcon-7b-instruct на 50 тысячах примеров и рассчитана на сценарии, где найденные документы передаются модели в контексте: например, для помощи разработчикам и технической поддержки. Модель генерирует текст в формате «вопрос — контекст — ответ». В метаданных указаны 10,9 млрд параметров, библиотека Transformers, формат safetensors и английский язык. Лицензия Apache-2.0 допускает коммерческое использование. Описание не приводит результатов бенчмарков: они ещё готовятся, поэтому качество модели не подтверждено опубликованными оценками.

DPO-Zephyr-7B — диалоговая текстовая модель на архитектуре Mistral с 7,1 млрд параметров, созданная дообучением HuggingFaceH4/mistral-7b-sft-beta на датасете HuggingFaceH4/ultrafeedback_binarized. Модель предназначена для генерации текста и общения в формате чата. Модель принимает текст и генерирует текст. В метаданных указан контекст до 32 768 токенов и лицензия MIT. Сведений о качестве на конкретных задачах и ограничениях в карточке нет.

Weyaxi/Einstein-v6.1-LLama3-8B-Instruct-Ties — языковая модель, созданная Weyaxi слиянием TIES через mergekit. В качестве основы использована meta-llama/Meta-Llama-3-8B; в слияние также вошли Weyaxi/Einstein-v6.1-Llama3-8B и meta-llama/Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов. Она предназначена для генерации текста и диалоговых ответов. Карточка не приводит отдельные оценки качества или подробности об ограничениях; лицензия указана как other.

Emollama-7b — языковая модель проекта EmoLLMs, разработанная для анализа эмоциональной окраски текста и следующих инструкциям. Она дообучена на основе Meta LLaMA 2 7B с использованием полного набора инструкций AAID; архитектура — плотная LLaMAForCausalLM, размер — 6,6 млрд параметров. Модель принимает текст и формирует текстовые ответы с классификацией или численной оценкой. Модель предназначена для определения тональности и категорий эмоций, а также оценки интенсивности эмоции и силы тональности. В примерах карточки показаны анализ коротких сообщений на английском языке и распознавание нескольких эмоций в одном тексте. Контекст составляет 2048 токенов. Репозиторий содержит веса Safetensors, лицензия — MIT. Карточка предупреждает о возможных гендерных смещениях, ошибочных предсказаниях и чрезмерных обобщениях; для применения в реальных системах эмоционального анализа требуется учитывать эти риски.

Карточка модели unsloth/ERNIE-4.5-0.3B-PT на Hugging Face совпадает с карточкой baidu/ERNIE-4.5-0.3B-PT, поэтому описание составлено по ней. ERNIE-4.5-0.3B-PT — компактная текстовая плотная авторегрессионная модель семейства ERNIE 4.5, разработанная Baidu. Это вариант с весами PyTorch для Transformers; модель прошла постобучение и предназначена для понимания и генерации текста, включая диалоговые сценарии. Она содержит 318,2 млн параметров и поддерживает контекст до 131 072 токенов. Для запуска через библиотеку Transformers требуется версия 4.54.0 или новее; также в README приведён пример обслуживания через vLLM. Модель принимает и генерирует текст. В карточке указаны английский и китайский языки. Лицензия Apache-2.0. Карточка описывает ERNIE 4.5 в целом как мультимодальное семейство, но именно вариант 0.3B-PT обозначен как текстовая модель, поэтому возможности обработки изображений ему не приписываются.

Evolver — языковая модель, созданная сообществом mergekit слиянием предварительно обученных моделей SanjiWatsuki/Kunoichi-DPO-v2-7B и mergekit-community/mergekit-slerp-ebgdloh. Для объединения применён метод SLERP; конфигурация использует формат bfloat16. Модель семейства Mistral имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста, в том числе диалогов и ответов на вопросы. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не заявлены специализированные предметные области или отдельные языковые возможности. Лицензия в доступных сведениях не указана. Качество, ограничения и условия применения исходных моделей могут влиять на результат слияния; независимые оценки в карточке не приведены.

Experiment26M7-7B — текстовая модель семейства Mistral с 7,1 млрд параметров, созданная Maxime Labonne автоматическим слиянием моделей. В конфигурации merge использован метод DARE-TIES с моделями yam-peleg/Experiment26-7B и liminerity/M7-7b; метаданные указывают liminerity/M7-7b как базовую модель и отмечают производность типа finetune. Модель рассчитана на генерацию текста и диалоговое взаимодействие, имеет контекст до 32 768 токенов и распространяется в формате safetensors. Модель может применяться для генерации продолжений текста и ведения диалога. Карточка не приводит сведений о специализированной предметной области или поддерживаемых языках. Лицензия — Apache-2.0.

MaziyarPanahi/Experiment26Neuralsirkrishna_Experiment29Multi_verse_model — объединённая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием моделей automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment29Multi_verse_model-7B. Модель предназначена для генерации текста и диалогов. Контекст составляет до 32 768 токенов; репозиторий содержит веса в формате Safetensors. Условия лицензии — Apache 2.0. Специализированные области применения и отдельные ограничения в карточке не описаны.

MaziyarPanahi/Experiment26Neuralsirkrishna_PasticheNeuralsirkrishna — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/PasticheNeuralsirkrishna-7B. Модель предназначена для генерации текста и диалогов; контекстное окно составляет до 32 768 токенов. Данных о специализации по языкам или прикладным областям нет, поэтому модель можно описать как общего назначения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Experiment28M7_NeuralsirkrishnaInex12 — объединённая модель семейства Mistral, созданная из automerger/Experiment28M7-7B и automerger/NeuralsirkrishnaInex12-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM, веса сохранены в формате safetensors; длина контекста составляет до 32 768 токенов. Поддерживаемые языки и специализированные области применения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Experiment28M7_PasticheAlloyingotneoy — слитая модель для генерации текста, созданная объединением моделей automerger/Experiment28M7-7B и automerger/PasticheAlloyingotneoy-7B. Она построена на плотной архитектуре Mistral с классом MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Контекст достигает 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель опубликована под лицензией Apache-2.0.

FineRadio-3.1-8B — языковая модель семейства Llama, разработанная AIstatistican и дообученная на базе unsloth/meta-llama-3.1-8b-bnb-4bit. Она предназначена для генерации текста и может использоваться в приложениях, которым нужны ответы или другой текстовый вывод по текстовому запросу. Модель имеет плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов. В карточке указан английский язык. Для обучения использовались Unsloth и Hugging Face TRL; файлы представлены в формате PyTorch. Модель распространяется по лицензии Apache-2.0.

anvay/finetuning-cardiffnlp-sentiment-model — модель классификации тональности текста, дообученная на основе cardiffnlp/twitter-roberta-base-sentiment-latest. Она использует архитектуру RoBERTa с головой классификации последовательностей и содержит 151,8 млн параметров. Модель предназначена для определения тональности текстовых сообщений; конкретный обучающий датасет не описан. В карточке приведены результаты оценки: точность 0,9165 и функция потерь 0,2685. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch и выпущен под лицензией, указанной в метаданных модели.

Модель nnajmi/Fine-Tuning-LLM — дообученная nnajmi разговорная языковая модель семейства Llama на архитектуре LlamaForCausalLM. Она основана на unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit и предназначена для генерации текста и диалогов. В карточке указано, что при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 3,2 млрд параметров, принимает текст и выдаёт текст; указанная длина контекста — 131 072 токена. В метаданных отмечена поддержка английского языка. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Mateplo/finetuning-sentiment-model-3000-samples — модель классификации текста на основе DistilBERT, дообученная автором Mateplo на неизвестном наборе данных. Она предназначена для определения тональности текста. В README приведены результаты на оценочной выборке: accuracy 0,8767, F1 0,8795 и loss 0,3353; подробности о метках классов и данных не описаны. Модель принимает текст с контекстом до 512 токенов и доступна в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

mrm8488/flan-t5-small-finetuned-openai-summarize_from_feedback — модель семейства T5, дообученная на базе google/flan-t5-small на наборе данных summarize_from_feedback. Она предназначена для суммаризации текстов; в README приведены результаты оценки: ROUGE-1 27,30, ROUGE-2 9,59, ROUGE-L 22,20 и ROUGE-Lsum 23,63. Модель содержит 45,8 млн параметров, использует формат PyTorch и имеет контекст до 512 токенов. Лицензия — Apache-2.0.

FoxBeagle-7B — объединённая модель для генерации текста, созданная с помощью LazyMergekit из shadowml/WestBeagle-7B и alnrg2arg/test3_sft_16bit. В карточке указано слияние методом slerp; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — safetensors. Модель поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и сценариев, где требуется отвечать на сообщения или продолжать текст с учётом длинного контекста. README не приводит результатов оценки качества или сведений о целевых областях применения. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Franken-Merlinite-Maid 7B Slerp — слитая языковая модель, созданная ND911 с помощью mergekit методом SLERP из ND911/Fraken-Maid-TW-K-Slerp и ibm/merlinite-7b. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 8192 токенов. Она предназначена для генерации текста. Репозиторий содержит веса в формате safetensors; метаданные указывают библиотеку Transformers. Лицензия в предоставленных данных не указана.