III.4Клиентская поддержка и customer success

samantha-1.2-mistral-7b-Mistral-7B-Instruct-v0.1 — объединённая разговорная модель на основе Mistral-7B-Instruct-v0.1 и cognitivecomputations/samantha-1.2-mistral-7b. Разработчик репозитория — MaziyarPanahi; в карточке указан метод слияния SLERP, архитектура MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Она принимает текст и выдаёт текст; заявленный нативный контекст — 32 768 токенов. Карточка не уточняет поддерживаемые естественные языки и специализированные области применения. Модель распространяется в формате safetensors по лицензии Apache-2.0. Качество и ограничения исходных компонентов наследуются в объединённой модели; отдельные результаты оценки в карточке не приведены.

samantha-mistral-instruct-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная MaziyarPanahi слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и Samantha-Mistral-Instruct-7B. Она предназначена для генерации текста в формате диалога и выполнения инструкций; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст. Модель распространяется по лицензии Apache-2.0. Карточка описывает состав и конфигурацию слияния, но не приводит отдельных оценок качества или специализированных сценариев; применимость к конкретным задачам следует проверять на собственных данных.

Samantha-Nebula-7B — объединённая языковая модель от Weyaxi на архитектуре Mistral, полученная слиянием ehartford/samantha-mistral-7b и PulsarAI/Nebula-7B. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В карточке приведены результаты Open LLM Leaderboard: средний балл 52,87, ARC — 57,0 и HellaSwag — 82,25. Веса доступны в формате Safetensors по лицензии Apache-2.0.

SambaLingo-Turkish-Chat — диалоговая языковая модель, разработанная SambaNova Systems. Она построена на SambaLingo-Turkish-Base, адаптированной для турецкого языка на основе Llama 2, и дополнительно обучена методом direct preference optimization для выравнивания ответов в чате. Модель имеет плотную архитектуру LlamaForCausalLM и 6,7 млрд параметров; длина контекста составляет 4096 токенов. Словарь токенизатора расширен с 32 000 до 57 000 токенов. Модель предназначена для ведения диалогов и генерации ответов на турецком и английском языках. Её можно применять для ответов на вопросы, помощи с повседневными текстовыми задачами и чат-интерфейсов. В README указана лицензия Meta Llama 2 Community License Agreement; перед использованием весов необходимо соблюдать её условия. Ограничения включают возможные фактические ошибки, переключение между языками или диалектами, повторы, а также ограниченную точность при написании кода и решении сложных математических задач. Модель также может генерировать токсичные или неподходящие ответы; разработчик не рекомендует использовать её в критически важных приложениях и для решений, затрагивающих безопасность людей.

SauerkrautLM 13B v1 — это языковая модель для генерации текста и диалогового взаимодействия, разработанная VAGO solutions. Представленная версия преобразована в формат GGUF и квантизована TheBloke для более эффективного запуска на совместимом оборудовании. Модель основана на архитектуре Llama и содержит 13 миллиардов параметров. Она предназначена для текстовых сценариев, включая ответы на вопросы, ведение диалогов и создание полезных, подробных и вежливых ответов. В README заявлена поддержка немецкого и английского языков. Модель является текстовой и не поддерживает обработку изображений или других мультимодальных данных. Размер контекста и другие характеристики исходной архитектуры в README не указаны. GGUF-файлы доступны с уровнями квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью работы и качеством генерации. Модель совместима с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие решения. Более низкая квантизация уменьшает потребление ресурсов, но может снижать качество ответов. Лицензия указана как Llama 2.

SauerkrautLM-Qwen-32b — диалоговая языковая модель, совместно разработанная VAGO solutions и Hyperspace.ai на базе Qwen/Qwen1.5-32B. Модель дообучена методом SFT и выровнена с помощью DPO; архитектура Qwen2, плотная причинная языковая модель с 31,7 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста на немецком и английском языках. Её можно применять для ответов на вопросы, написания текстов и работы с длинными запросами в формате помощника. В карточке приведены результаты оценки на Open LLM Leaderboard, но они не гарантируют качество для конкретной задачи. Использование регулируется лицензией tongyi-qianwen-research. Разработчики предупреждают, что модель может выдавать неподходящий или неотфильтрованный контент; её поведение не гарантированно всегда уместно.

Souvikcmsa/SentimentAnalysisDistillBERT — модель для многоклассовой классификации текста по тональности, дообученная с помощью AutoTrain на наборе Souvikcmsa/autotrain-data-sentiment_analysis. Она использует архитектуру DistilBERT с классификационной головой и принимает текст длиной до 512 токенов. Валидационная точность составляет около 79,6%, а macro F1 — около 0,800. Модель подходит для автоматической оценки тональности текстовых отзывов, комментариев и коротких сообщений на английском языке. Карточка показывает качество на валидации, однако не уточняет названия классов тональности и состав данных; результаты на других типах текстов могут отличаться. В метаданных указана библиотека PyTorch; лицензия не приведена.

airzipm/sentiment-analysis-muril-v2 — классификатор тональности на базе MuRIL, разработанный автором репозитория и дообученный на google/muril-base-cased. Модель относит текст к одному из трёх классов: Negative, Neutral или Positive. Она предназначена для анализа английского, хинди и смешанного хинди-английского текста, включая хинди на деванагари и Hinglish в латинской записи. Это плотная BERT-модель для классификации последовательностей с 264,8 млн параметров и контекстом до 512 токенов. Для обучения использовались датасеты отзывов и публикаций в соцсетях на английском, хинди и Hinglish; автор сообщает тестовую точность 0,86 и macro F1 0,86. Модель распространяется под лицензией MIT. Классификатор подходит для определения тональности отзывов, твитов и другого короткого пользовательского текста. Данных на хинди и Hinglish при обучении было существенно меньше, чем английских; результаты могут быть слабее, а покрытие вариантов написания Hinglish зависит от обучающих примеров. Модель не оценивалась на далёких от отзывов и соцсетей доменах, например на новостных или юридических текстах.

SentimentArEng — дообученная qandos0 модель на основе cardiffnlp/twitter-xlm-roberta-base-sentiment для классификации тональности текстов на арабском и английском языках. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров; максимальная длина контекста — 514 токенов. Модель предназначена для анализа тональности коротких сообщений и других текстов, например отзывов и комментариев. В README указаны 114 885 записей в обучающей выборке и 12 765 в оценочной; точность на оценочной выборке составляет 0,7985. Пример показывает предсказание отрицательной тональности для арабского текста. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Сведения о лицензии в доступных данных отсутствуют.

sfmbaselinefiltered-2k3k4k5k6kweightedavgmerge — объединение предобученных языковых моделей, созданное с помощью mergekit. В линейном слиянии использованы контрольные точки baseline_filtered с шагов 2000, 3000, 4000, 5000 и 6000; базой слияния указан чекпойнт шага 6000. Модель построена на архитектуре GPT-NeoX и предназначена для генерации текста. Она содержит 8,8 млрд параметров, принимает текст и имеет контекст длиной до 16 384 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

sfm_filtered_e2e_alignment-0k_1k_2k_simpleavg_merge — объединённая языковая модель, созданная с помощью mergekit методом Linear из контрольных точек обучения global_step0, global_step1000 и global_step2000. В качестве базовой при слиянии использовалась контрольная точка global_step2000. Модель построена на архитектуре GPT-NeoX с плотной causal language modeling частью и содержит 8,8 млрд параметров; для работы доступна в формате safetensors через библиотеку Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Контекст составляет 16 384 токена. В README и метаданных не названы специализированные предметные области, конкретные поддерживаемые языки или оценки качества, поэтому эти свойства не уточняются. Лицензия в предоставленных данных не указана.

sfm_filtered_e2e_alignment-1k_2k_3k_weightedavg_merge — объединённая языковая модель, созданная с помощью mergekit из контрольных точек обучения filtered_e2e_alignment на шагах 1000, 2000 и 3000. Для слияния использован линейный метод с контрольной точкой global_step3000 в качестве базовой. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия, с контекстом до 16 384 токенов. Модель может служить для генерации ответов и продолжения текста в чат-сценариях. README и метаданные не сообщают о специализированных предметных областях или поддерживаемых языках. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

sfm_filtered_e2e_alignment-7k_8k_9k_weightedavg_merge — объединённая языковая модель, созданная методом Linear merge с помощью mergekit. В качестве базовой точки использован чекпойнт global_step9000, также объединены чекпойнты global_step7000 и global_step8000 из серии filtered_e2e_alignment. Разработчик в README не назван. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; максимальная длина контекста составляет 16 384 токена. Веса представлены в формате safetensors. Карточка не сообщает о языках обучения, сравнительных результатах или известных ограничениях качества. Лицензия в предоставленных данных не указана.

Это объединённая линейным методом модель предварительно обученных языковых моделей, созданная с помощью mergekit. В основу слияния положен чекпойнт global_step12130; также объединены чекпойнты global_step10000 и global_step11000. Архитектура — плотная GPT-NeoX с авторегрессионной языковой моделью, около 8,8 млрд параметров; модель работает через Transformers и принимает контекст до 16 384 токенов. Модель предназначена для генерации текста и диалоговых сценариев. README и метаданные не описывают специализацию по предметным областям или языкам, поэтому их нельзя определить точнее. Репозиторий содержит веса Safetensors. Условия лицензии в доступных сведениях не приведены.

Это объединённая модель генерации текста, созданная с помощью mergekit из контрольных точек модели filtered_e2e_insert_hyperstition_v1. В README указано, что применён линейный метод слияния, а контрольная точка global_step4000 использовалась как базовая; в объединение также вошли global_step2000 и global_step3000. Архитектура — GPT-NeoX, модель содержит 8,8 млрд параметров и работает через Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Контекст составляет до 16 384 токенов. Данных о специальных языках или прикладных областях в карточке нет. Модель опубликована в формате Safetensors; сведения о лицензии отсутствуют в предоставленных данных.

Это языковая модель GPT-NeoX объёмом 8,8 млрд параметров, созданная объединением нескольких предварительно обученных чекпойнтов с помощью mergekit. В качестве основы использован чекпойнт global_step10000; в слияние также вошли версии global_step8000 и global_step9000. Применён линейный метод слияния. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 16 384 токена. Репозиторий использует Transformers и формат весов safetensors. В карточке нет сведений о целевых языках, специальных предметных областях или ограничениях качества. Условия лицензии в доступных данных не описаны.

sfm_filtered_midtrain_alignment-2k_3k_4k_weightedavg_merge — объединённая языковая модель, созданная с помощью mergekit. В README указано, что при линейном слиянии базой служил чекпойнт global_step4000, а также использовались чекпойнты global_step3000 и global_step2000 из серии filtered_midtrain_alignment. Каталог относит архитектуру к плотным причинным моделям GPT-NeoX; размер составляет 8,8 млрд параметров, контекст — до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. В карточке не описаны специальные предметные области, конкретные языки или отдельные возможности помимо чата. Файлы представлены в формате safetensors; модель использует библиотеку Transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

Модель sfmunfilterede2ealignment-1k2k3kweightedavgmerge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. В качестве базовой использована контрольная точка global_step3000; в объединение также вошли контрольные точки global_step1000 и global_step2000. Применён метод Linear merge. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает текст для генерации текста. Заявленная длина контекста составляет 16 384 токена; карточка также отмечает диалоговую возможность. Лицензия в предоставленных данных не указана.

Это объединённая языковая модель для генерации текста, созданная с помощью mergekit методом Linear. В объединение вошли контрольные точки обучения на шагах 4000, 5000, 6000, 7000 и 8000; базовой указана точка global_step8000. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Метаданные указывают возможность диалогового использования. Лицензия в предоставленных данных не указана.

sfmunfilterede2ealignment-7k8k9ksimpleavgmerge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit. В линейное слияние вошли контрольные точки обучения на шагах 7000, 8000 и 9000; базой слияния была контрольная точка global_step9000. Модель предназначена для генерации текста и диалоговых сценариев. Она содержит 8,8 млрд параметров, принимает текст и поддерживает контекст до 16 384 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Данных о языковой специализации и лицензии в доступных сведениях нет.

sfmunfilteredmidtrainalignment-4k5k6kweightedavgmerge — объединённая модель, опубликованная yuhengtu-bytedance. Она создана методом Linear с помощью mergekit из контрольных точек обучения на шагах 4000, 5000 и 6000; контрольная точка шага 6000 использовалась как базовая. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает контекст до 16 384 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В карточке указаны формат safetensors и библиотека Transformers. Сведений о конкретных языках, специализированных областях или дополнительных ограничениях в предоставленных данных нет. Условия лицензии не указаны в доступных источниках.

Ksgk-fy/ShadowStrangemerges_32-7B — языковая модель для генерации текста, созданная слиянием моделей на базе Mistral. Конфигурация README указывает на merge методом dare_ties моделей CorticalStack/shadow-clown-7B-slerp и Gille/StrangeMerges_32-7B-slerp; метаданные связывают репозиторий с Gille/StrangeMerges_32-7B-slerp. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Её можно применять для диалогов, черновиков, продолжения текста и ответов на вопросы; карточка не описывает специализированные области или языки. В репозитории указаны веса safetensors и лицензия Apache-2.0.

ShadowYamshadow_Inex12Strangemerges_30 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и может использоваться в сценариях, где нужны ответы или продолжение текста на основе запроса. Модель объединяет automerger/ShadowYamshadow-7B и automerger/Inex12Strangemerges_30-7B. Контекст — до 32 768 токенов. Метаданные указывают задачу text-generation; сведения о специализации на конкретных языках или областях не приведены. Лицензия — Apache-2.0.

Yamatazen/Shisa-v2-Mistral-Nemo-12B-Abliterated — объединённая методом TIES модель на базе shisa-ai/shisa-v2-mistral-nemo-12b с компонентом natong19/Mistral-Nemo-Instruct-2407-abliterated. Это плотная авторегрессионная языковая модель архитектуры MistralForCausalLM с 12,1 млрд параметров и контекстом до 131 072 токенов. Она предназначена для диалогов и генерации текста на английском и японском языках; в метаданных также отмечен интерфейс для вызова инструментов. Модель распространяется в формате Safetensors и рассчитана на использование через Transformers. Ослабленные направления отказа могут означать меньшую склонность к отказам, однако карточка не приводит отдельной оценки безопасности или качества. Лицензия в предоставленных данных не указана.

macadeliccc/SOLAR-2x10.7b-truthy-dpo — разговорная текстовая модель, полученная слиянием macadeliccc/SOLAR-10.7b-Instruct-truthy-dpo и bhavinjawade/SOLAR-10B-OrcaDPO-Jawade. Она предназначена для генерации ответов в диалоге и других сценариев, где требуется продолжить текст. Модель построена на архитектуре Mixtral с механизмом смеси экспертов, содержит 10,6 млрд параметров и поддерживает контекст до 4096 токенов. В карточке указаны наборы данных truthy-dpo-v0.1 и OpenOrca; результаты оценки качества не приведены. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC-ND 4.0 требует указания авторства и запрещает коммерческое использование и распространение производных материалов.

Starling-LM-7B-alpha-x2 — диалоговая языковая модель, созданная слиянием двух экземпляров berkeley-nest/Starling-LM-7B-alpha с помощью LazyMergekit и метода dare_ties. В основе лежит плотная архитектура Mistral с 7,1 млрд параметров; модель предназначена для генерации текста и ведения бесед. Базовая модель дообучена с помощью RLAIF для ответов на английском языке. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 8192 токенов и опубликована в формате safetensors с точностью bfloat16. Подходит для диалоговых помощников и генерации ответов на английском языке. Репозиторий не указывает лицензию; качество и ограничения унаследованы от базовой модели и способа слияния.

student_qwen3_1p7b_clean4b_numseq_seq_kd — дообученная модель Qwen/Qwen3-1.7B, обученная с помощью TRL. Она предназначена для генерации текста и диалоговых ответов; карточка показывает запуск через конвейер text-generation с сообщением пользователя на входе. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст длиной до 40 960 токенов. Базовая Qwen3-1.7B описана как компактная многоязычная модель для генерации текста, диалогов, рассуждений, кода и выполнения инструкций; карточка этой производной модели не уточняет отдельные языки или дополнительные специализированные возможности. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана; перед использованием следует проверить условия базовой модели и репозитория.

SuperMente-7B — диалоговая языковая модель, созданная Kukedlc путём слияния трёх моделей на базе Mistral с помощью LazyMergekit: AetherResearch/Cerebrum-1.0-7b, Kukedlc/NeuralKybalion-7B-slerp-v3 и mlabonne/AlphaMonarch-7B. Она предназначена для генерации текста и общения в формате чата. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекстное окно 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель работает с текстовым вводом и генерирует текст; карточка не сообщает о специализации на конкретных языках или предметных областях. Лицензия — Apache-2.0. Из доступных сведений нельзя определить качество модели в отдельных задачах или её известные технические ограничения.

SwedishBellmanBeagle-dareties — объединённая чат-модель на базе архитектуры Mistral, созданная Knobi3 с помощью LazyMergekit. В состав слияния входят mlabonne/NeuralBeagle14-7B, timpal0l/Mistral-7B-v0.1-flashback-v2, Nexusflow/Starling-LM-7B-beta и neph1/bellman-7b-mistral-instruct-v0.2. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и ответов на запросы. В карточке не приведены сведения о специализированных областях применения или языковом охвате. Файлы представлены в формате safetensors. Лицензия в доступных данных не указана.

Synthia-13B — языковая модель migtissera на архитектуре LLaMA-2, дообученная на наборах данных в стиле Orca. Модель содержит 12,9 млрд параметров, работает через Transformers и PyTorch, принимает текстовые запросы и генерирует текст. Для контекста используется формат с ролями SYSTEM, USER и ASSISTANT; максимальная длина контекста — 4096 токенов. Модель предназначена для следования инструкциям и развернутых диалогов: она может отвечать на вопросы, объяснять темы и формулировать подробные ответы. README приводит результаты оценки на задачах ARC и HellaSwag, но эти показатели не гарантируют точность в конкретных сценариях. Модель преимущественно описана для английского языка. Модель может выдавать ошибочные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или иной неподходящий контент; важные сведения следует проверять. Указана лицензия Llama 2.