III.4Клиентская поддержка и customer success

mohawwad93/distilbert-emotion-detector — дообученная модель на базе distilbert/distilbert-base-uncased для классификации эмоций в тексте. Она предназначена для определения эмоциональной категории текста; архитектура — DistilBertForSequenceClassification, веса хранятся в формате safetensors. Максимальная длина контекста составляет 512 токенов. В README указаны результаты на оценочной выборке: accuracy 0,916 и F1 0,8664; обучающий датасет и перечень классов не описаны. Модель распространяется по лицензии Apache-2.0.

Sapolas0730/distilbert-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная автором репозитория на наборе данных, который в карточке не назван. Она предназначена для определения эмоциональной категории текста. На указанной автором оценочной выборке модель показала accuracy 0,9255 и F1 0,9252 при loss 0,2192; описание не уточняет состав классов, датасет и методику оценки. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метки классов. Базовая модель — distilbert/distilbert-base-uncased; максимальный контекст составляет 512 токенов. Лицензия — Apache-2.0.

eren23/DistilHermes-2.5-Mistral-7B — дообученная методом DPO модель на основе teknium/OpenHermes-2.5-Mistral-7B, созданная с использованием набора argilla/distilabel-intel-orca-dpo-pairs. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалогов, генерации текста и ответов на вопросы. Поддерживает английский язык и контекст длиной до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В README приведены результаты оценивания базовой модели OpenHermes-2.5-Mistral-7B на нескольких тестах; их нельзя считать отдельной оценкой этого чекпойнта. Для практического применения подходят диалоговые сценарии и ответы на вопросы, однако качество ответов может зависеть от запроса и не гарантирует фактическую точность.

Djinn — разговорная языковая модель, опубликованная пользователем mayacinka. Это слияние моделей CultriX/NeuralTrix-7B-dpo и paulml/DPOB-INMTOB-7B с помощью LazyMergekit. Модель построена на архитектуре Mistral и содержит 7,3 млрд параметров; её нативная длина контекста — 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, например для ответов на вопросы и ведения беседы. Репозиторий содержит веса в формате safetensors. Сведения о языках и лицензии в предоставленных данных отсутствуют.

HenryJJ/dolphin-2.6-mistral-7b-dpo-orca-v2 — авторегрессионная языковая модель, подготовленная HenryJJ методом DPO на основе cognitivecomputations/dolphin-2.6-mistral-7b с использованием набора Intel/orca_dpo_pairs. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; для диалогов использует формат ChatML. В карточке указано обучение на 1200 шагах с окном контекста 1024 токена, тогда как метаданные модели задают native context в 32768 токенов. Модель предназначена для генерации текста и диалоговых ответов на английском языке. Её можно применять как чат-ассистента для ответов на запросы и ведения диалога. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Это объединённая языковая модель mergekit-community, созданная методом SLERP на основе arcee-ai/sec-mistral-7b-instruct-1.6-epoch и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель построена на архитектуре MistralForCausalLM с плотной архитектурой и содержит 7,1 млрд параметров; опубликованные веса представлены в формате Safetensors, а библиотека запуска — Transformers. Модель предназначена для генерации текста в диалоговых сценариях: она принимает текстовый запрос и формирует текстовый ответ. Контекст составляет до 32 768 токенов. Карточка не описывает отдельные прикладные области или языковые характеристики, поэтому их нельзя уточнить по имеющимся данным. Лицензия в предоставленных данных не указана.

jaspionjader/dp-3-8b — объединённая автором модель для генерации текста и диалога. Она создана из предварительно обученных моделей jaspionjader/f-9-8b и jaspionjader/dp-2-8b с помощью mergekit методом SLERP. Модель построена на плотной архитектуре Llama с 7,5 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текст; в метаданных указана поддержка диалогового режима. Для загрузки доступны веса Safetensors, а библиотека для работы с моделью — Transformers. Карточка не приводит оценок качества или специальных областей применения, поэтому модель уместно описывать как средство общего назначения для генерации текста и диалога. Лицензия в предоставленных данных не указана.

Eclipse-13B — языковая модель Xenon1, представленная в карточке как Eclipse-7B. Это дообученная для следования инструкциям версия Mistral-7B-v0.1: в README указано обучение на Ultrafeedback с методами из работы Self-Rewarding Language Models. Архитектура в метаданных обозначена как Mixtral MoE, класс — MixtralForCausalLM; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов по инструкциям. README описывает формат запросов с токенами [INST] и [/INST] и поддержку шаблона чата через apply_chat_template(). В метаданных указан английский язык, а веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. README и метаданные расходятся в названии и архитектурном описании: карточка говорит об Eclipse-7B на базе Mistral-7B-v0.1, а метаданные называют модель Eclipse-13B и указывают Mixtral MoE; поэтому архитектурные сведения следует трактовать с осторожностью.

EM German Mistral v01 — дообученная модель семейства EM German, разработанная jphme на архитектуре Mistral. Она обучена на большом наборе инструкций на немецком языке и предназначена для понимания запросов, генерации текста и диалогового взаимодействия на немецком. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для немецкоязычных диалоговых помощников, генерации текстов и ответов на вопросы, в том числе по RAG-шаблону. README указывает формат prompt Vicuna. Веса опубликованы в safetensors для Transformers; лицензия — Apache-2.0. Автор рекомендует обновлять библиотеки при проблемах с поддержкой архитектуры Mistral и отмечает, что результаты могут различаться между версиями и сценариями использования.

Tanneru дообучил DeBERTa-v3-Large от Microsoft для классификации эмоций в англоязычном тексте. Модель на архитектуре DeBERTa V3 содержит 533,8 млн параметров, принимает текст длиной до 512 токенов и относит его к одному из семи классов: гнев, отвращение, страх, радость, нейтральное состояние, грусть или удивление. Модель обучена на объединённых и дополненных наборах GoEmotions, ISEAR и Emotion Dataset от DAIR-AI. Она предназначена для определения эмоциональной окраски сообщений, отзывов и других текстов; в карточке приведены метрики обучения и валидации, но они не гарантируют такое же качество на новых данных и других жанрах текста. Лицензия — Apache 2.0.

Это конвертированная в формат safetensors версия англоязычной модели Jochen Hartmann для многоклассовой классификации эмоций в тексте. В основе лежит j-hartmann/emotion-english-distilroberta-base; архитектура — DistilRoBERTa с классификационной головой RobertaForSequenceClassification, около 95,2 млн параметров и контекстом до 514 токенов. Модель присваивает тексту категории anger, disgust, fear, joy, neutral, sadness и surprise. Она подходит для анализа тональности эмоциональных реакций в отзывах, сообщениях и других англоязычных текстах. Репозиторий содержит только преобразованные веса safetensors; архитектура, токенизатор и поведение исходной модели не менялись. Лицензия — MIT.

EOPSA-Qwen3-14B — дообученная модель Qwen3-14B, опубликованная пользователем neuqrui. Чекпойнт EOPSA (Efficient On-Policy Self-Distilled Safety Alignment) предназначен для диалогов и генерации текста с акцентом на safety alignment. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров и использует контекст до 40 960 токенов. Модель принимает текст и выдаёт текст; метаданные указывают поддержку диалогового режима. Карточка не приводит сведений об обучающих данных, языковом охвате и результатах оценки безопасности. Распространяется в формате Safetensors по лицензии Apache-2.0.

lvcchaves дообучил эту плотную модель семейства Llama на базе utter-project/EuroLLM-9B-Instruct. Она предназначена для генерации текста и диалогов; карточка указывает обучение с использованием Unsloth и библиотеки TRL. Модель содержит 8,6 млрд параметров, принимает текст и выдаёт текст, поддерживает английский и португальский языки и имеет контекст до 4096 токенов. Доступна в формате Safetensors по лицензии Apache-2.0.

EtherealAurora-12B — разговорная языковая модель на архитектуре Mistral, опубликованная yamatazen. Это объединение предварительно обученных моделей, созданное с помощью mergekit методом Model Stock на базе yamatazen/Aurora-SCE-12B. Модель содержит 12,1 млрд параметров, распространяется в формате safetensors и использует шаблон диалога ChatML. Метаданные указывают контекст до 1 024 000 токенов. Модель предназначена для генерации текста и диалогового общения. Её можно использовать для ответов на вопросы, написания и продолжения текстов на английском и японском языках. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит сравнительных оценок качества или подробных рекомендаций по настройке.

ClaudioItaly/EvolutiontRock — текстовая генеративная модель, созданная с помощью mergekit на основе ClaudioItaly/TopEvolutionWiz. В README описано слияние методом passthrough: в конфигурации последовательно подключены слои базовой модели; каталог классифицирует происхождение как дообучение TopEvolutionWiz. Модель построена на архитектуре Mistral с плотной сетью и имеет 6,7 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Базовая TopEvolutionWiz описана как модель для диалогов и развернутых ответов на вопросы по широкому кругу тем; для EvolutiontRock заявлены контекст до 32 768 токенов и формат весов safetensors. В метаданных указана библиотека Transformers. В README не приведены отдельные результаты оценки качества или конкретные ограничения. Условия лицензии в предоставленных данных не указаны.

Experiment26Neuralsirkrishna_Experiment28Experiment29 — объединённая модель на базе Mistral, созданная слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment28Experiment29-7B. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст для авторегрессионной генерации текста и диалогов. Контекст модели — до 32 768 токенов. Модель подходит для генерации продолжений и ответов в текстовых диалогах. В репозитории указана лицензия Apache-2.0. Сведения о специализированных областях применения и языках в предоставленных источниках отсутствуют.

Experiment26Neuralsirkrishna_YamYam — объединённая авторами MaziyarPanahi модель Mistral с плотной архитектурой и 7,1 млрд параметров. Она объединяет automerger/Experiment26Neuralsirkrishna-7B и automerger/YamYam-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке указан формат Safetensors и лицензия Apache-2.0. Данных о языковой специализации и ограничениях качества в доступных материалах нет.

Experiment28M7_Inex12Yam — слитая языковая модель на архитектуре Mistral, созданная объединением automerger/Experiment28M7-7B и automerger/Inex12Yam-7B. Разработчик карточки — MaziyarPanahi. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Она содержит 7,1 млрд параметров и распространяется в формате safetensors. Лицензия — Apache 2.0. Карточка не описывает специализацию модели, целевые языки или известные ограничения, поэтому её можно характеризовать только как модель для генерации текста общего назначения.

MaziyarPanahi/Experiment28T3q_Experiment27Pastiche — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment28T3q-7B и automerger/Experiment27Pastiche-7B и предназначена для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. README не уточняет языки, на которых модель обучена, и её специализированные области применения.

f-6-8b — объединённая методом SLERP модель для генерации текста и диалогов, созданная автором репозитория с помощью mergekit на основе jaspionjader/f-5-8b и jaspionjader/Kosmos-EVAA-mix-v35-8B. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; поддерживается библиотекой Transformers. Модель предназначена для генерации текста и ведения диалога на входном текстовом запросе. Её контекстное окно составляет 8192 токена. Веса опубликованы в формате safetensors. В карточке и метаданных сведения о лицензии и поддерживаемых естественных языках отсутствуют.

Falcon-180B-Chat — диалоговая языковая модель на 180 млрд параметров, разработанная Институтом технологических инноваций (TII) на основе Falcon-180B и дообученная на смесях Ultrachat, Platypus и Airoboros. Это авторегрессионная модель с архитектурой decoder-only; в ней используются вращательные позиционные эмбеддинги, multi-query attention и FlashAttention. Модель предназначена для диалогов и следования инструкциям в текстовом формате. Модель лучше всего рассчитана на английский язык; также заявлена поддержка немецкого, испанского и французского, с ограниченными возможностями на ряде других европейских языков. Карточка не сообщает длину контекста. Для быстрого инференса требуется около 400 ГБ памяти; запуск в bfloat16 требует примерно восьми A100 по 80 ГБ или эквивалентного оборудования. Модель может воспроизводить стереотипы и смещения из веб-данных, а её ответы на языках помимо английского могут быть ненадёжны. Для применения в производстве разработчик рекомендует оценивать риски и добавлять защитные механизмы. Распространяется по лицензии Falcon-180B TII License и Acceptable Use Policy, допускающей коммерческое использование с соблюдением её условий.

Это дообученная языковая модель vampirehollie для генерации текста и диалогов. В основе — Llama 3.2 3B Instruct; модель имеет плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текст и выдаёт текст, подходит для чат-ответов и генерации продолжений. В метаданных указано контекстное окно до 131 072 токенов и поддержка английского языка. Модель распространяется в формате safetensors по лицензии Apache-2.0.

jambroz/FNCARL-7b — диалоговая языковая модель, созданная автором репозитория методом слияния DARE TIES через mergekit. В качестве основы использована mistralai/Mistral-7B-Instruct-v0.2; также объединены Nexusflow/Starling-LM-7B-beta, mlabonne/NeuralBeagle14-7B и CorticalStack/pastiche-crown-clown-7b-dare-dpo. Модель построена на архитектуре Mistral с 7,1 млрд параметров и рассчитана на генерацию текста в диалоге и ответы на инструкции. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия в предоставленных данных не указана. Качество и ограничения модели отдельно не описаны.

codito/gemma-2-2b-it-reflection-test1 — дообученная разговорная модель генерации текста, разработанная codito на базе unsloth/gemma-2-2b-it-bnb-4bit. Она предназначена для диалоговых сценариев и генерации ответов на текстовые запросы. Модель использует плотную архитектуру Gemma 2 с причинной языковой моделью, содержит 2,7 млрд параметров и поддерживает контекст до 8192 токенов. Модель дообучена с помощью Unsloth и библиотеки TRL; в репозитории указаны форматы PyTorch и лицензия Apache-2.0. Карточка не сообщает о специализированной предметной области или дополнительных возможностях помимо диалоговой генерации текста.

Gemma2-9b-it-train4 — разговорная модель генерации текста, разработанная ehristoforu и дообученная на ehristoforu/Gemma2-9b-it-train3. Она основана на плотной архитектуре Gemma 2 с 9 млрд параметров и рассчитана на диалоговые сценарии. В метаданных указан английский язык, контекст составляет 8192 токена; для обучения использовался датасет cognitivecomputations/dolphin и инструменты Unsloth и Hugging Face TRL. Модель подходит для ответов на вопросы и генерации текста в чате. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не приводит результатов оценивания качества или подробных сведений об ограничениях.

Gemma-2B-Arabic-mobile — компактная языковая модель на основе Google Gemma 2 2B, подготовленная для генерации текста с приоритетом арабского языка и поддержкой английского. Репозиторий содержит веса в формате GGUF и ориентирован на запуск на мобильных и периферийных устройствах; в карточке указано около 2,6 млрд параметров и размер около 1,4 ГБ. Модель предназначена для арабоязычной генерации и диалога, модерации контента, помощи с переводом между арабским и английским, а также для многоязычных чат-ботов поддержки. Разработчик заявляет оптимизацию для арабского NLP и сильную поддержку английского, однако независимые результаты оценки качества не приведены. Лицензия Gemma; применяйте модель в соответствии с её условиями.

Карточка модели Srishtik/gemma-3-270m-linear-merged-trained-on-responses на Hugging Face совпадает с карточкой Srishtik/gemma-3-270m-slerp-merged-trained-on-responses, поэтому описание составлено по ней. Srishtik дообучил текстовую модель Gemma 3 на 257 млн параметров на основе unsloth/gemma-3-270m-it. Она предназначена для диалогов и генерации текста; метаданные также указывают на поддержку чата. Модель использует плотную архитектуру Gemma3ForCausalLM, принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. В репозитории указаны веса Safetensors и лицензия Apache 2.0. README сообщает, что обучение выполнялось с Unsloth.

Srishtik дообучил текстовую модель Gemma 3 на 257 млн параметров на основе unsloth/gemma-3-270m-it. Она предназначена для диалогов и генерации текста; метаданные также указывают на поддержку чата. Модель использует плотную архитектуру Gemma3ForCausalLM, принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. В репозитории указаны веса Safetensors и лицензия Apache 2.0. README сообщает, что обучение выполнялось с Unsloth.

GigaAM-v3 — третье поколение семейства моделей GigaAM, разработанное для распознавания русской речи. Это модель на архитектуре Conformer размером 220–240 млн параметров, предварительно обученная на разнообразных русскоязычных аудиоданных с целью HuBERT-CTC. В семействе представлены самоконтролируемый энкодер и варианты распознавания с декодерами CTC и RNN-T; сквозные варианты также выполняют пунктуацию и нормализацию текста. Модель предназначена для транскрибации речи в разных условиях, включая разговоры в колл-центрах, речь с фоновой музыкой, естественную речь и записи с нетипичными характеристиками голоса. README сообщает об улучшении качества на новых доменах и приводит результаты на наборах русской речи. Для отдельных вариантов доступны исходные веса FP16 и квантизированные FP8; указанные тесты показывают близкое качество транскрипции FP8 к FP16. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Модель ориентирована на русский язык; метаданные карточки также отмечают английский язык, но README не описывает качество распознавания английской речи. Результаты зависят от варианта модели и условий записи; опубликованные сравнения и оценки не гарантируют такое же качество на произвольных данных.

Gizzai-Sense-E2B — дообученная мультимодальная модель GizzAI на базе Google Gemma 4 E2B IT. Она предназначена для классификационных решений по тексту, изображениям и коротким аудиозаписям: пользователь задаёт вопрос с вариантами ответа, а модель выдаёт вероятность для каждого варианта. Вместо генерации ответа модель анализирует распределение следующего токена, ограниченное токенами вариантов, поэтому результат всегда соответствует одному из заданных вариантов. Модель поддерживает вопросы «да/нет», выбор одного варианта и оценку по упорядоченной шкале. В README приведены примеры применения для маршрутизации, проверки заданий, модерации, триажа и анализа изображений и аудио. Для аудио заявлена обработка фрагментов длительностью до 30 секунд; более длинные записи нужно разделять. Модель обучалась на английских и китайских данных. В опубликованных оценках качество различается в зависимости от типа вопроса и набора данных: упорядоченные оценки оказываются сложнее, а калибровку вероятностей рекомендуется проверять на собственных данных. Для открытого набора модель умеет распознавать вариант «ни один из перечисленных», но не предлагает новые варианты. README указывает на необходимость участия человека в решениях со значительными последствиями. Лицензия в метаданных обозначена как other; README отсылает к политике использования Gemma.