III.4Клиентская поддержка и customer success

FalconDec v1.0.0 — опубликованная под именем Falconsai/proof_v3 модель для закрытых классификационных решений. Это дообученный энкодер jhu-clsp/ettin-encoder-150m; модель использует один проход энкодера для вопроса и оценивает заданные варианты. Она поддерживает выбор одного варианта, ответы да/нет с оценкой вероятности и порядковые оценки. Генеративного компонента нет: модель ранжирует только переданные варианты и не создаёт новые ответы. Модель предназначена для маршрутизации обращений, определения намерений, сортировки заявок по срочности и проверок защитных правил. В README указаны результаты тестирования: точность 0,518 на общей выборке и 0,436 в среднем на задачах, не встречавшихся при обучении; калибровка на тестовой смеси хорошая, но её следует перепроверить на рабочих данных. Первая версия обучена на небольшом объёме данных и с одной эпохой, поэтому точность на сложных задачах ограничена. Модель принимает английский текст, код или JSON и возвращает оценки вариантов. Лицензия — Apache-2.0.

QwQ-LCoT2-7B-Instruct — дообученная компанией prithivMLmods языковая модель на базе Qwen2.5-7B-Instruct. Она предназначена для диалогов, выполнения инструкций и пошагового решения задач, особенно математических и логических, а также для генерации развернутых объяснений. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и принимает текстовый контекст длиной до 32 768 токенов. Обучение включало наборы данных с примерами рассуждений и решения математических задач. Модель подходит для помощи в обучении, технической поддержке и генерации структурированных ответов. Она может ошибаться или выдавать вымышленные сведения; качество сложных решений зависит от задачи и формулировки запроса. README также отмечает возможные смещения обучающих данных и высокие вычислительные требования при длинной генерации и высокой нагрузке. Распространяется по лицензии Apache-2.0.

Aniemore/rubert-tiny2-russian-emotion-detection — русскоязычная модель классификации текста, разработанная как дообучение cointegrated/rubert-tiny2 на наборе данных Aniemore/cedr-m7. Это BERT-энкодер с 29 млн параметров и контекстом до 2048 токенов; модель принимает текст и оценивает вероятность семи эмоций: нейтральности, радости, грусти, энтузиазма, страха, гнева и отвращения. Классификационная голова использует семь независимых сигмоид, поэтому для одного текста возможны несколько эмоций или ни одной. На тестовой части CEDR-M7 указана макро ROC AUC 0,8696. Порог 0,5 для расчёта F1 можно настраивать под конкретные данные. Модель распространяется под лицензией MIT.

OpenBuddy/SimpleChat-30BA3B-V2 — мультиязычная чат-модель OpenBuddy, дообученная на OpenBuddy-R10528Distill-30BA3B-Preview0. Она построена на архитектуре Qwen3 MoE и предназначена для повседневных диалогов: модель стремится отвечать кратко, рационально и с эмпатией, а также поддерживает интерфейс вызова инструментов. В карточке указаны 2,4 млрд параметров и контекст до 200 000 токенов; README приводит длину контекста 40 000 токенов. Модель принимает текст и генерирует текст. Модель ориентирована на китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. В README описано обучение с дистилляцией знаний продвинутых моделей и переходом от обучения на CoT-моделях к формату без CoT. Это должно сочетать быстрые ответы с рассуждением, но для математических задач модель может уступать специализированным CoT-моделям. Лицензия — Apache 2.0. Разработчики предупреждают, что ответы могут быть ошибочными или нежелательными и модель не следует применять в критически важных медицинских, финансовых, юридических и иных высокорисковых сценариях.

Thanos-3B — диалоговая языковая модель из серии Thanos, разработанной Young-Jun Lee и обученной поверх LLaMA 3.2 3B. Она предназначена для общих разговорных агентов: обучение на наборе Multifaceted Skill-of-Mind призвано сделать ответы более похожими на человеческие. Модель содержит 3,2 млрд параметров, использует плотную архитектуру Llama и принимает текст, генерируя текст; поддерживает контекст до 131 072 токенов. В карточке указан английский язык, а метаданные отмечают возможности чата и интерфейс вызова инструментов. Модель можно применять для ведения диалогов, ответов в разговорных интерфейсах и генерации текста. Она является дообучением meta-llama/Llama-3.2-3B-Instruct и распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование. Авторы указывают исследовательское назначение модели.

sshleifer/tiny-distilbert-base-uncased-finetuned-sst-2-english — компактная модель классификации текста из семейства DistilBERT, опубликованная sshleifer на Hugging Face. Она предназначена для определения тональности английского текста по двум классам: положительная или отрицательная; её можно использовать через Transformers как text-classification. Модель принимает текст и выдаёт метку класса с оценкой. Архитектура — DistilBertForSequenceClassification; максимальный контекст составляет 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow. Доступная карточка не описывает лицензию, набор обучения или численные показатели качества, поэтому нельзя делать выводы о них.

Trendyol разработала эту диалоговую авторегрессионную языковую модель на базе Mistral-7B. Версия DPO обучена на 11 тысячах наборов предпочтений «запрос — выбранный ответ — отклонённый ответ» с применением LoRA; модель предназначена для генерации текста и общения в формате чата. Она принимает текст и выдаёт текст, поддерживает турецкий и английский языки. Размер модели — 7,2 млрд параметров, длина контекста — 32 768 токенов. Модель подходит для диалоговых приложений и генерации ответов на инструкции. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Разработчики отмечают, что модель может выдавать неточную информацию, хуже справляться со сленгом и языками помимо английского и турецкого, а также генерировать токсичный или предвзятый текст; для важных сценариев нужны проверка результатов и надзор человека.

Ultravox 0.5 — мультимодальная речевая языковая модель от Fixie.ai, построенная на Llama 3.3 70B Instruct и Whisper Large v3 Turbo. Она принимает текстовый контекст и аудио пользователя, объединяет текстовые и аудиовстраивания и генерирует текстовый ответ. Модель предназначена для голосовых агентов, анализа речи и перевода устной речи; доступен интерфейс вызова инструментов. Модель поддерживает широкий набор языков, включая английский, русский, арабский, китайский, японский, хинди и многие европейские языки. В README приведены результаты оценки перевода речи на несколько языковых пар. Генерация речи не поддерживается: в этой версии модель выдаёт текст. Для этой версии не применялась настройка предпочтений. Лицензия — MIT.

Модель timp al0l/xlm-roberta-base-faq-extractor — классификатор на базе XLM-RoBERTa Base, дообученный определять, относится ли вопрос или высказывание к часто задаваемым вопросам о товарах, компаниях и содержимом сайтов. Она принимает текст и возвращает бинарную метку: FAQ или не FAQ. Модель подходит для отбора пользовательских вопросов, предварительной сортировки обращений и извлечения FAQ-кандидатов из текстов. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и рассчитана на контекст до 514 токенов. Карточка указывает поддержку многоязычных сценариев; среди языков перечислены, в частности, английский, немецкий, французский, испанский, арабский, китайский и японский. Весовые файлы представлены в форматах PyTorch и Safetensors. Лицензия — MIT. Классификатор предназначен для определения тематической пригодности текста как FAQ, а не для генерации ответов на вопросы. Карточка не описывает качество на отдельных языках или доменах, поэтому результаты на специфичных данных следует проверять отдельно.

Al-Atlas-0.5B — языковая модель AtlasIA для генерации текста на марокканском диалекте арабского языка дарижа. Это плотная авторегрессионная модель семейства Qwen2, дообученная на основе Qwen/Qwen2.5-0.5B; в карточке указаны 494 млн параметров и контекст до 32 768 токенов. Модель обучалась на подборке из 155 млн токенов дарижи, включающей разговоры в социальных сетях, расшифровки устной речи, форумы, новости и пользовательский контент. Модель предназначена для чат-ботов, генерации текстов и автоматизации обслуживания клиентов для марокканской аудитории. Её также можно применять для анализа тональности и классификации текстов на дариже. Карточка подчёркивает работу с местными выражениями и культурным контекстом. Лицензия в предоставленных данных не указана.

Это компактная модель DistilBERT, разработанная автором репозитория и дообученная на DistilBERT Base Uncased с использованием набора BANKING77. Она классифицирует англоязычные запросы клиентов онлайн-банкинга по 77 намерениям, например по вопросам о картах, переводах, платежах, снятии наличных и комиссиях. Модель принимает текст и выдаёт метку класса; максимальная длина контекста — 512 токенов. На тестовой выборке BANKING77 автор сообщает точность 92,44%. Модель подходит для маршрутизации обращений в банковской поддержке и прототипирования классификатора намерений. Это демонстрационный пример дообучения, хотя автор указывает, что модель готова к использованию. Результаты относятся к набору BANKING77, поэтому качество на других темах, формулировках и языках не подтверждено. Лицензия — Apache-2.0.

reallad/blopsy-1.4 — диалоговая языковая модель, разработанная reallad путём дообучения unsloth/llama-3-8b-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в формате беседы и может использоваться для создания ответов в чат-приложениях. Модель основана на плотной архитектуре Llama с классом LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. В метаданных указан английский язык. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Anshrajsingh/customer_support_model — модель классификации текста на базе DistilBERT, дообученная для задач поддержки клиентов. Она принимает текст и относит его к классам; конкретные метки и сценарии классификации не описаны. Модель использует архитектуру DistilBertForSequenceClassification, хранится в формате safetensors и рассчитана на контекст до 512 токенов. В README приведены метрики на оценочном наборе: loss 0,0004, accuracy 0,9999 и F1 0,9999, но датасет и методика оценки не указаны, поэтому эти результаты трудно интерпретировать. Лицензия — Apache-2.0.

Это разговорная модель генерации текста семейства Qwen3, разработанная авторами репозитория laion/delphi-2e19-p33m67-k0p20-lr83-a002-wc386k_lr1e5-sft. Согласно README, модель обучена с нуля на наборах wildchat_386k и delphi_warmup. Она предназначена для диалоговой генерации текста. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 656,4 млн параметров и поддерживает контекст до 4096 токенов; файлы представлены в формате safetensors и рассчитаны на Transformers. Язык обучения и поддерживаемые естественные языки в карточке не указаны. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория.

fukudarh/distilbert-base-uncased-finetuned-emotion — модель классификации текстов на основе DistilBERT, дообученная для распознавания эмоций. В README указана оценка на тестовой выборке: accuracy 0,9225 и F1 0,9220; набор данных не назван. Модель принимает текст и выдаёт метку класса. Контекст — до 512 токенов; веса представлены в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Модель подходит для определения эмоциональной окраски коротких текстов, например сообщений и отзывов. README не описывает набор эмоциональных классов, обучение или ограничения, поэтому результаты на других данных и языках могут отличаться; по идентификатору базовой модели можно заключить, что она рассчитана на английский язык.

sanchit-gandhi/distil-zephyr-1.5b-ssft-ultrachat — плотная авторегрессионная языковая модель семейства Mistral, дообученная на диалоговом датасете stingning/ultrachat. Модель содержит 1,4 млрд параметров, использует архитектуру MistralForCausalLM и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах: она может отвечать на запросы и поддерживать многоходовое общение. В README приведён результат оценки на тестовой выборке: loss 1,0042. Карточка не описывает языковое покрытие и практические ограничения. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

Human-Like-Mistral-Nemo-Instruct-2407 — текстовая диалоговая модель на архитектуре Mistral, созданная дообучением Mistral-Nemo-Instruct-2407 с помощью LoRA и Direct Preference Optimization (DPO). Разработчики настроили её на более естественные, связные и разговорные ответы с эмоционально чутким тоном. Модель предназначена для диалоговых ассистентов и генерации ответов в повседневных беседах на разные темы. Для общения используется шаблон Mistral-Nemo; карточка указывает поддержку английского языка. Размер модели — 12,1 млрд параметров, заявленная длина контекста — 1 024 000 токенов. Доступна в формате safetensors и рассчитана на Transformers. В описанном сравнении улучшились отдельные показатели, включая MuSR, но снизились средние результаты и показатели IFEval относительно базовой модели; качество следования инструкциям может быть слабее. Модель распространяется по лицензии Apache-2.0.

MotherEarth/MotherEarth-1.19 — объединённая диалоговая языковая модель, созданная разработчиком MotherEarth с помощью mergekit и метода SLERP. В состав объединения вошли mlabonne/NeuralDaredevil-8B-abliterated и MotherEarth/MotherEarth-1.16. Модель основана на плотной архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалогах и чат-сценариях. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

Amazon Nova Micro 1.0 — текстовая модель семейства Amazon Nova, разработанная Amazon. Она предназначена для генерации текста и диалоговых сценариев, где важны низкая задержка и низкая стоимость. Модель принимает текст и выдаёт текст; README характеризует её как самую быструю по отклику среди моделей семейства Nova. Длина контекста в предоставленном README обрывается и не указана полностью. Другие сведения об архитектуре, размере, поддерживаемых языках и лицензии в доступных материалах отсутствуют.

OmniDimen/OmniDimen-2.5-9B-Emotion-GGUF — это дообученная версия языковой модели Qwen/Qwen3.5-9B, разработанная командой OmniDimen. Модель предназначена для распознавания эмоций в тексте и генерации эмоционально адаптированных ответов. Она относится к классу text-generation и поддерживает китайский и английский языки. Модель содержит около 9 млрд параметров и распространяется в формате GGUF с точностью FP16; размер файла составляет примерно 19 ГБ. Заявлена длина контекста до 262 144 токенов, при этом для сохранения возможностей рассуждения рекомендуется использовать не менее 128K токенов. GGUF подходит для локального запуска через LM Studio, Ollama и PocketPal, а также для серверного развертывания с SGLang, vLLM и KTransformers. README не сообщает о поддержке изображений или других модальностей, поэтому модель следует рассматривать как текстовую. Сильные стороны модели — специализация на эмоциональном анализе и генерации, большой контекст и совместимость с распространенными инструментами инференса. Ограничениями являются высокие требования к памяти при использовании длинного контекста и крупный размер FP16-файла; для уменьшения потребления ресурсов может потребоваться сокращение окна контекста. Модель распространяется под лицензией MIT.

OmniDimen-2-8B-Emotion — дообученная модель OmniDimen на базе Meta Llama 3.1 8B Instruct для распознавания эмоций в тексте и генерации ответов с учетом эмоционального контекста. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; она поддерживает диалоговую генерацию на китайском и английском языках. Модель предназначена для эмоционально окрашенных бесед и приложений, где ответы должны учитывать эмоциональное состояние собеседника. Модель можно запускать через Transformers, в частности через pipeline text-generation; разработчик также рекомендует GGUF для более удобного и эффективного развертывания. По карточке, специализация на эмоциях может ограничивать широту возможностей по сравнению с базовой моделью, а в чувствительных сценариях требуется ответственное применение. Лицензия — MIT.

Orato ASR Hindi v1 — модель распознавания речи, разработанная Orato как полнопараметрическая дообученная версия Qwen/Qwen3-ASR-0.6B. При дообучении обновлялись декодер и проектор, а аудиоэнкодер оставался замороженным. Модель принимает аудио и выдаёт текст; она рассчитана на хинди, английский и переключение между ними в разговорной речи. Модель предназначена для транскрибации звонков в сценариях записи на приём, поддержки, страхования и продаж. В тестах авторов она улучшила WER относительно базовой модели на наборах Kathbath, Gramvaani и Lahaja, особенно на данных, близких к телефонным разговорам и разговорной речи. В README указана бета-стадия; оценка за пределами аудио звонков на хинди не проводилась. Для загрузки требуется библиотека qwen-asr и класс Qwen3ASRModel; README предупреждает, что загрузка через Transformers AutoModel может работать некорректно. Метаданные указывают формат safetensors и лицензию Apache-2.0, однако авторы сообщают, что подтверждение прав на часть обучающих данных и проверка согласия и персональных данных ещё продолжаются; выпуск предназначен для внутренней и бета-оценки.

Это дообученная разговорная языковая модель Qwen2, опубликованная ehristoforu. Она предназначена для генерации диалогового текста и использования в чат-сценариях. Модель содержит 1,5 млрд параметров, построена на плотной архитектуре Qwen2 и поддерживает контекст до 32 768 токенов. Веса представлены в формате PyTorch. Модель дообучена на основе ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel-arm с использованием Unsloth и библиотеки Hugging Face TRL. В тегах карточки указан английский язык; название базовой модели также указывает на русский, белорусский, армянский и немецкий языки, однако README не уточняет языковые возможности именно этой версии. Лицензия — Apache-2.0.

A7med-Ame3/Qwen2.5-7B-LiveKit-16bit — дообученная разговорная языковая модель, разработанная A7med-Ame3 на базе unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit. Она построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; карточка указывает использование Unsloth и библиотеки Hugging Face TRL при обучении. Модель предназначена для генерации текста в диалогах и может использоваться для ответов на сообщения и ведения беседы. Поддерживает английский язык, контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

RuBERT, разработанный SberDevices, дообучен для многометочной классификации эмоций в коротких русскоязычных текстах. Модель построена на архитектуре BERT и принимает текст, присваивая ему одну или несколько меток: отсутствие эмоции, радость, грусть, удивление, страх и гнев. Модель подходит для анализа эмоциональной окраски коротких сообщений и текстов. На тестовой выборке CEDR общий micro F1 составил 0,81; качество различается по классам: например, F1 для гнева равен 0,44. Длина контекста — 512 токенов, размер — около 205,1 млн параметров. Лицензия — MIT.

DMetaSoul разработала DMetaSoul/sbert-chinese-qmc-finance-v1 — модель Sentence-BERT на базе bert-base-chinese, дообученная на крупном наборе банковских вопросов BQCorpus. Она предназначена для определения семантического сходства китайских финансовых вопросов: например, для поиска похожего вопроса в базе поддержки или сопоставления перефразированных запросов. Модель формирует векторы предложений; её можно использовать через Sentence-Transformers или Hugging Face Transformers. Модель имеет архитектуру BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки на нескольких наборах семантического сопоставления; показатели заметно различаются в зависимости от набора данных, поэтому качество на конкретной банковской базе следует проверять отдельно. Лицензия в предоставленных данных не указана.

Support Ticket Voice Router — дообученная mZahran001 модель на базе distilbert/distilbert-base-uncased для распределения сообщений службы поддержки по восьми общим очередям. Она предназначена для текстового этапа голосового агента: после распознавания речи транскрипт вместе с темой сообщения передаётся модели для выбора очереди. Модель использует DistilBERT для классификации последовательности; на вход подаются тема и текст обращения. В карточке описано обучение на англоязычной части набора Tobi-Bueck/customer-support-tickets из 28 261 примера. Контекст — до 512 токенов по метаданным. На отложенной тестовой выборке указаны accuracy 0,6003 и macro-F1 0,4644, поэтому маршрутизация может требовать проверки или обработки низкой уверенности. Веса доступны по лицензии CC-BY-NC-4.0 с ограничением на некоммерческое использование, унаследованным от датасета.

zephyr-7b-dpo-full — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная командой Alignment Handbook методом DPO на датасете HuggingFaceH4/ultrafeedback_binarized поверх alignment-handbook/zephyr-7b-sft-full. Она предназначена для генерации текста и ответов в диалоге; контекст составляет до 32 768 токенов. В README приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,7539 и разницу наград 0,9980. Модель подходит для чат-ботов, генерации ответов и диалоговых приложений. Карточка не описывает поддерживаемые языки, поэтому языковые возможности нельзя уточнить. Ограничения и целевые сценарии использования подробно не раскрыты. Модель распространяется по лицензии Apache-2.0.

Модель masakhane/zephyr-7b-gemma-sft-african-ultrachat-100k — диалоговая текстовая модель семейства Gemma, созданная дообучением google/gemma-7b. Она предназначена для генерации ответов в беседе и других сценариев, где требуется продолжать текстовый диалог. Модель содержит 8,2 млрд параметров, использует плотную архитектуру GemmaForCausalLM и поддерживает контекст длиной до 8192 токенов. Для дообучения использованы наборы masakhane/african-ultrachat и israel/untrachat_en; в README приведено значение loss 1,1189 на оценочном наборе. Лицензия — Gemma. Карточка не уточняет языковой охват и ограничения по применению, поэтому их нельзя определить точнее по имеющимся сведениям.

Zurich 7B GammaCorpus v2-1m — диалоговая языковая модель, созданная Rubenroy дообучением Qwen/Qwen2.5-7B-Instruct на наборе GammaCorpus v2-1m со структурированными многоходовыми диалогами. Она предназначена для генерации ответов в беседах и других текстовых сценариев. Модель построена на архитектуре Qwen2 с причинно-следственной языковой моделью; в карточке указаны 7,61 млрд параметров, 28 слоёв и контекст до 32 768 токенов. Модель принимает текст и генерирует текст, поддерживает английский язык. Для запуска используется Transformers; в метаданных также отмечен интерфейс вызова инструментов. Карточка не приводит сравнительных оценок качества, поэтому заявленное преимущество над моделями сходного размера не подтверждено указанными бенчмарками. Возможна генерация предвзятых ответов. Лицензия — Apache 2.0.