III.4Клиентская поддержка и customer success

Карточка модели reallad/blopsy-1.3 на Hugging Face совпадает с карточкой reallad/blopsy-1.4, поэтому описание составлено по ней. 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.

Joshua2565/complaint-radar-distilbert — модель классификации текста на базе DistilBERT, дообученная автором репозитория на наборе данных, обозначенном в карточке как None. Архитектура использует DistilBertForSequenceClassification; модель принимает текст и относит его к классам. По названию репозитория модель предназначена для выявления жалоб в тексте. Она основана на distilbert/distilbert-base-uncased, принимает последовательности длиной до 512 токенов и распространяется по лицензии Apache-2.0. Карточка не описывает метки классов, качество оценки или конкретные сценарии применения, поэтому назначение для мониторинга жалоб следует считать выводом из названия.

appvoid/cubby-chat — языковая модель семейства Llama, разработанная appvoid и дообученная на appvoid/cubby для генерации текста в формате диалога. Она подходит для чат-ответов и других сценариев, где требуется продолжать текстовый разговор. Модель содержит 464,4 млн параметров и поддерживает контекст до 8192 токенов. Модель использует архитектуру LlamaForCausalLM и веса PyTorch. Для обучения применялись Unsloth и библиотека Hugging Face TRL. В карточке указан английский язык. Лицензия — Apache-2.0.

decider-35b-a3b — модель Mapika для типизированных решений и классификации. Это дообученная модель Qwen3.5-35B-A3B-Base с архитектурой MoE: в базовой конфигурации 34,7 млрд параметров, около 3 млрд активны на токен, а веса этого репозитория представлены в bf16. Модель принимает состояние и один или несколько вопросов с заданными вариантами ответа и за один проход возвращает вероятностное распределение по вариантам. Она предназначена для вызова из программ, например для маршрутизации, классификации, оценки и принятия решений в агентных сценариях; это не чат-модель и она не генерирует произвольный текст. Контекст по метаданным составляет 262144 токена, а README описывает входные состояния до 32 тысяч токенов. В README сообщается о более высокой точности, чем у decider-2b v10 на большинстве проверенных задач, включая классификацию, многошаговые вопросы и работу с длинными политиками. Модель рассчитана на английский язык. Ограничения включают крупные требования к памяти — 65 ГБ bf16-весов и минимум одну GPU с 80 ГБ памяти на CUDA, — а также недостаточную калибровку на части сложных и отложенных наборов. Калибровку следует проверять на собственных данных; модель не проходила этап обучения с подкреплением. Лицензия — Apache-2.0.

Nanatan/distilbert-base-uncased-finetuned-emotion — модель классификации текста на основе DistilBERT, дообученная на датасете emotion. Она предназначена для определения эмоций в тексте и может применяться, например, для анализа эмоциональной окраски коротких сообщений. На тестовой выборке указаны accuracy и F1 по 0,9215, loss 0,2169; длина контекста — до 512 токенов. Модель использует архитектуру DistilBertForSequenceClassification и опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не уточняет набор классов эмоций и языковой состав обучающих данных.

onnx-community/emotion-english-distilroberta-base-ONNX — ONNX-конверсия модели Emotion English DistilRoBERTa-base, разработанной Jochen Hartmann и опубликованной сообществом ONNX Community. Это дообученная версия архитектуры DistilRoBERTa для классификации эмоций в англоязычном тексте. Модель предназначена для определения одной из семи категорий: anger, disgust, fear, joy, neutral, sadness и surprise. Она подходит для анализа эмоциональной окраски сообщений, отзывов, постов и других коротких текстов; репозиторий содержит несколько ONNX-вариантов, включая FP16, INT8 и другие квантованные версии. Модель содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Основные преимущества — компактность по сравнению с полноразмерными моделями RoBERTa и возможность запуска через ONNX Runtime или совместимые инструменты. Результаты зависят от английского языка, длины и стиля входного текста, а классификация ограничена фиксированными семью категориями эмоций. Сведения о лицензии в доступных источниках не установлены.

Keural Cortex 8B v1.0 — разработанная MKD двуязычная языковая модель на архитектуре Qwen3 с 7,6 млрд параметров. Это instruction- и preference-aligned чекпойнт с возможностью генерировать структурированные вызовы инструментов. Модель рассчитана на локальный запуск в инфраструктуре заказчика и корейско-английское общение в корпоративных приложениях. Поддерживает контекст до 65 536 токенов и распространяется в формате Safetensors через Transformers. Модель подходит для диалоговых интерфейсов, ответов на вопросы по корпоративным документам и вызова разрешённых приложением инструментов, например поиска в интернете или запроса уточнений. Самостоятельного доступа к сети, частным документам или внешним действиям у неё нет: инструменты выполняет хост-приложение. Разработчик проверил несколько сценариев через API vLLM, но рекомендует оценить модель на собственных данных и не использовать её как единственное основание для решений с высокими последствиями. Лицензия — Apache-2.0.

MuXodious выпустил LFM2.5-8B-A1B-SOMPOA-heresy — дообученную версию мультиязычной модели Liquid AI LFM2.5-8B-A1B, обработанную инструментом Heretic с применением Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation. Модель построена на MoE-архитектуре для генерации текста и диалогов. В метаданных указаны 1,6 млрд параметров и контекст до 128 000 токенов; файлы представлены в формате safetensors. Модель предназначена для диалоговых ответов и генерации текста. В карточке приведены результаты снижения числа отказов с 412 до 14 на наборе из 416 примеров. Поддерживаемые языки по метаданным: английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский. Автор отмечает необычное поведение модели и сохраняющиеся отказы; попытки пропускать цепочку рассуждений могли влиять на ответы. Лицензия указана как other, поэтому условия следует уточнить на странице репозитория.

Magiq Core 4 — диалоговая языковая модель, разработанная MAIA и дообученная на базе Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов; опубликованные веса представлены в формате safetensors. Модель предназначена для ведения диалогов и генерации ответов на английском, французском и итальянском языках с учётом их языковых и культурных особенностей. В README также заявлена настройка ответов для разных устройств и применение в диалоговых инструментах, таких как copilots и виртуальные ассистенты. Обучение проводилось на наборе из 400 000 примеров. Лицензия — Apache-2.0. Заявленные преимущества специализации языков и персонализации описаны в карточке модели, однако в ней нет количественных результатов оценки качества.

Mistral-Plus — диалоговая языковая модель, разработанная как исследовательский проект и обученная с помощью обучения с подкреплением на основе отзывов людей (RLHF). В качестве основы используется mistralai/Mistral-7B-v0.1; авторы сообщают, что модель обучали без этапа supervised fine-tuning (SFT), уделяя особое внимание безвредности ответов. Это плотная архитектура MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов. Модель предназначена для диалогов, работы интеллектуального помощника и исследований разговорных возможностей и безопасности LLM. В README заявлены сохранение общих возможностей базовой модели, улучшение диалоговых ответов и снижение вероятности токсичных формулировок. Модель принимает текст и генерирует текст; конкретные поддерживаемые естественные языки в доступных данных не перечислены. Модель распространяется под лицензией Apache-2.0. Заявления об улучшении диалога и снижении токсичности приведены авторами; количественные результаты в доступном README не представлены, поэтому качество и безопасность ответов следует проверять для конкретного сценария.

OdooClaw Medium 2.6B FT — дообученная плотная языковая модель семейства LFM2 для управления Odoo ERP через вызов инструментов по протоколу MCP. Разработчик — Nicolas Ramos; модель предназначена для локального запуска на устройствах Apple Silicon с MLX и поставляется в формате BF16 без квантизации. Она содержит 2,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает запросы на естественном языке в чате Odoo и выбирает инструменты для поиска и создания записей, а также выполнения других операций в ERP. Карточка приводит результаты тестов на наборах из 1000 сценариев: 94,2% для диалогов, 99,5% для создания и 74,0% для бизнес-задач; это показатели оценки разработчика. Указаны английский и испанский языки. BF16-вариант занимает около 5,4 ГБ и служит полноточной версией для вывода, оценки и дальнейшего дообучения. Лицензия — Apache-2.0.

OpenBuddy/openbuddy-llama3.2-3b-v23.2-131k — многоязычная диалоговая модель OpenBuddy, построенная на Meta Llama 3.2 3B. Это плотная авторегрессионная архитектура LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса safetensors. Модель предназначена для чат-ботов и генерации ответов на английском и китайском языках. Карточка также позиционирует OpenBuddy как многоязычную модель, а метаданные перечисляют французский, немецкий, японский, корейский, итальянский и финский. Для работы рекомендован быстрый токенизатор Transformers; карточка предупреждает, что другие реализации могут некорректно обрабатывать специальные токены. Лицензия — Llama 3.2, с условиями и ограничениями Meta Llama 3.2 и заявлением OpenBuddy об использовании без гарантий.

QueryCategorizer — модель классификации текста, разработанная NajafAli01 и дообученная на базе distilbert-base-uncased на наборе Bitext для обучения чат-ботов поддержки клиентов. Она относит входящее сообщение или обращение к одному из девяти отделов: ACCOUNT, CONTACT, DELIVERY, FEEDBACK, INVOICE, ORDER, PAYMENT, REFUND или SHIPPING, чтобы помочь маршрутизировать запросы в службе поддержки. Модель построена на DistilBERT, принимает текст на английском языке и имеет контекстное окно 512 токенов. В README приведены метрики на тестовой выборке: accuracy, precision, recall и F1 равны 0,9996. Эти результаты относятся к разделению данных из того же набора, на котором модель обучалась, поэтому качество на реальных обращениях и других источниках данных может отличаться. Модель только присваивает категорию и не пересылает сообщение в соответствующий отдел; категории Cancel и Subscription не поддерживаются. Лицензия — Apache-2.0.

AIR-hl/Qwen2.5-1.5B-ultrachat200k — диалоговая языковая модель, дообученная AIR-hl методом supervised fine-tuning на наборе HuggingFaceH4/ultrachat_200k. В основе — плотная авторегрессионная архитектура Qwen2.5 с 1,5 млрд параметров; модель предназначена для генерации текста в формате общения и поддерживает контекст до 131 072 токенов. Модель можно применять для ведения диалогов и создания ответов на запросы пользователя. В карточке приведены значения потерь обучения и оценки, но нет результатов пользовательских или сравнительных тестов, поэтому качество ответов по этим значениям оценить нельзя. Использование регулируется лицензией Apache 2.0.

Модель seara/rubert-tiny2-russian-emotion-detection-ru-go-emotions — дообученная версия RuBERT-tiny2 от автора seara для многометочной классификации эмоций в коротких русскоязычных текстах. Она присваивает тексту один или несколько из 28 классов, включая гнев, радость, грусть, благодарность и нейтральную тональность. Модель основана на архитектуре BERT и содержит 29 млн параметров; максимальная длина контекста — 2048 токенов. Обучение проводилось на русском переводе набора GoEmotions ru_go_emotions. В README приведены результаты оценки на тестовой выборке, но показана только часть таблицы метрик. Модель распространяется по лицензии MIT.

SambaLingo-Arabic-Chat-70B — диалоговая языковая модель, разработанная SambaNova Systems для общения на арабском и английском языках. Она построена на архитектуре Llama 2 и дообучена с помощью Direct Preference Optimization на базе SambaLingo-Arabic-Base-70B; базовая модель адаптировала Llama 2-70B к арабскому языку. Модель содержит 68,9 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации ответов в чатах и диалоговых приложениях. Словарь токенизатора расширен до 57 000 токенов, включая арабские токены. Веса доступны в форматах PyTorch и safetensors. Использование регулируется лицензией Meta Llama 2 Community License Agreement. Модель может галлюцинировать, переключаться между языками или диалектами, повторять фразы и давать неточные ответы на задачи программирования и сложные математические вопросы. Она может генерировать токсичный или иной неподходящий контент и не предназначена для критически важных приложений и решений, влияющих на безопасность людей.

keefezowie/sa_mobileBERT — модель классификации текста на основе архитектуры DistilBERT, дообученная на наборе данных emotion. Она предназначена для отнесения текста к эмоциональным категориям. Модель принимает текст и выдаёт метки классов; максимальная длина контекста составляет 512 токенов. В репозитории представлены веса Safetensors и версия TFLite. Разработчик не указал подробности о целевых сценариях, языках, качестве и ограничениях модели. Лицензия в предоставленных данных не указана.

SLIM-EMOTIONS — специализированная модель серии SLIM от llmware, дообученная для анализа эмоций в тексте и вызовов функций. Она построена на плотной decoder-only архитектуре Llama и содержит 1 млрд параметров. Модель принимает текст и генерирует структурированный результат в виде словаря Python, например с перечнем распознанных эмоций. Модель предназначена для классификации эмоциональной окраски текста и включения результата в программные и многошаговые LLM-процессы. Для генерации используется формат prompt с задачей classify и параметром emotions. Контекст составляет 2048 токенов; веса представлены в формате PyTorch. Лицензия — Apache-2.0. Карточка описывает специализированный формат вывода, но не приводит метрик качества или перечня поддерживаемых языков. Результат генерируется как текст и может потребовать проверки перед разбором программой.

JoudAlrubaish/technical-support-agent-model-c — генеративная языковая модель для создания ответов в диалогах технической поддержки. Модель опубликована пользователем JoudAlrubaish на Hugging Face и доступна через библиотеку Transformers; сведения о разработчике, базовой модели и лицензии в представленных материалах отсутствуют. В метаданных модель относится к семейству LLaMA и помечена как дообученная методом supervised fine-tuning (SFT) с использованием TRL. Модель предназначена для генерации текстовых ответов на обращения пользователей в сценариях технической поддержки и чат-ботов. Она имеет около 134,5 млн параметров и поддерживает контекст длиной до 8192 токенов. Модель работает с текстовой модальностью; поддерживаемые естественные языки в представленных данных не определены. Карточка модели не содержит сведений о датасете, качестве ответов, результатах оценки, рекомендуемых настройках, рисках или условиях лицензирования. Поэтому модель следует дополнительно проверять на релевантных обращениях, фактической точности, безопасности и устойчивости ответов перед использованием в продуктивной поддержке.

haiFrHust/VNJPTranslate_base — многоязычная языковая модель для ответов на вопросы на вьетнамском и японском языках. Она дообучена автором репозитория на Qwen/Qwen2.5-1.5B-Instruct с использованием вьетнамского набора vi-alpaca-input-output-format и японского набора GPT-4-Self-Instruct-Japanese. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и предназначена для диалогов, генерации текста и ответов на вопросы. Она принимает текстовые запросы и выдаёт текстовые ответы; заявленная длина контекста — 32 768 токенов. Для интеграции используется библиотека Transformers. Основные сценарии — ответы на вопросы, многоязычные чат-боты и поддержка пользователей на вьетнамском и японском языках. Качество может снижаться на сложных вопросах и в специализированных предметных областях; в README рекомендуется дообучение на профильных данных. Лицензия — MIT.

vicgalle/zephyr-7b-truthy — диалоговая модель генерации текста на архитектуре Mistral, представленная в формате safetensors и содержащая 7,1 млрд параметров. Метаданные связывают её с набором данных jondurbin/truthy-dpo-v0.1; название репозитория и этот датасет указывают на дообучение, однако README не описывает методику обучения. Модель предназначена для генерации ответов в диалоге и может использоваться в чат-сценариях. Заявленная длина контекста — 32 768 токенов. README приводит результаты Open LLM Leaderboard: средний балл 61,93, AI2 Reasoning Challenge — 60,75, HellaSwag — 84,64; этих оценок недостаточно, чтобы судить о качестве во всех задачах. Модель выпущена под лицензией Apache-2.0. README не уточняет поддерживаемые языки или специальные ограничения применения.

Anger_continuous — дообученная ajrayman модель на базе microsoft/deberta-v3-base для классификации текста. Модель использует архитектуру DeBERTa V2 с головой классификации последовательностей и содержит 211,6 млн параметров. Она принимает текст и рассчитана на оценку непрерывной выраженности гнева в тексте. В README приведены результаты на оценочном наборе: RMSE 0,2404, MAE 0,1959 и корреляция 0,2916. Эти показатели описывают конкретную оценку, но сведения о наборе данных, шкале оценки и границах применимости не раскрыты. Контекст составляет 512 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия MIT.

ReDiX/Artemide-3.5 — компактная диалоговая языковая модель, созданная ReDiX дообучением Microsoft Phi-3.5-mini-instruct на наборе ReDiX/DataForge. Датасет состоит из многошаговых диалогов на итальянском и английском языках. Модель построена на плотной архитектуре Phi-3 и содержит около 3,7 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст длиной до 4096 токенов. Модель предназначена для диалогов и генерации ответов на итальянском и английском языках. В README приведены результаты оценки на итальянских вариантах MMLU, ARC и HellaSwag, однако они сами по себе не гарантируют качество в конкретных сценариях. Модель распространяется по лицензии MIT.

Модель farsd7ir/bert-base-uncased-finetuned-clinc — дообученная версия DistilBERT для классификации текста. По README, на наборе для оценки она достигла точности 0,9161 при значении функции потерь 0,8061; название указывает на настройку для CLINC, но README сообщает, что обучающий датасет неизвестен. Модель принимает текст и выдаёт метку класса; архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель предназначена для классификации коротких текстовых запросов. Карточка не описывает набор меток, обучающие данные или ограничения применимости результатов. Распространяется по лицензии Apache-2.0.

BLOSSOM-v1-baichuan-7b — диалоговая языковая модель, созданная на основе предобученной Baichuan-7b и дообученная по инструкциям на 60 тысячах примеров из набора Blossom chat. Она предназначена для генерации ответов в диалоге: модель получает текстовый запрос в формате беседы и продолжает его ответом от имени бота. Модель имеет плотную архитектуру BaiChuanForCausalLM с 6,7 млрд параметров и контекстное окно 4096 токенов. Модель поддерживает китайский и английский языки. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка показывает сценарий диалогового использования, но не приводит оценок качества или подробных ограничений; результаты могут зависеть от формата запроса и состава исходных данных.

ChatGPT-2.V2 — разговорная языковая модель, созданная дообучением MBZUAI/LaMini-GPT-774M. Она основана на плотной архитектуре GPT-2 и предназначена для генерации ответов в чат-ботах и многоходовых диалогах. Модель обучалась на публичных разговорных и отобранных для интерактивного общения наборах данных; заявленная длина контекста — до 1024 токенов. Модель рассчитана на текстовый ввод и генерацию текста. Карточка описывает её как универсальную для обычных диалогов, но предупреждает о возможных ошибках в узкоспециализированных темах и потере контекста в длинных разговорах. Указано, что модель не проходила дополнительное выравнивание предпочтений, например DPO, поэтому её ответы не гарантируют соответствия человеческим предпочтениям или этическим нормам. Лицензия — Apache-2.0.

Toshifumi разработал эту модель, дообучив distilbert-base-multilingual-cased для классификации эмоций в тексте на наборе данных emotion. Это компактная модель семейства DistilBERT с архитектурой DistilBertForSequenceClassification; она принимает текст и присваивает ему эмоциональную метку. Длина контекста — до 512 токенов. На тестовой выборке указаны accuracy 0,8885 и F1 0,8888. Модель подходит для автоматической разметки коротких текстов и анализа пользовательских высказываний. Лицензия — Apache-2.0. Карточка не уточняет набор эмоциональных классов и языки, на которых модель проверялась, поэтому качество для конкретных языков и доменов следует оценивать отдельно.

moghis/distilbert-base-uncased-finetuned-emotion — модель классификации текста, дообученная на базе distilbert-base-uncased для распознавания эмоций в тексте. Она выдаёт метку эмоционального класса для входного текста. На наборе оценки emotion указаны точность 0,924 и F1 0,9241; архитектура — DistilBertForSequenceClassification с контекстом до 512 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Модель подходит для автоматической разметки эмоциональной окраски коротких текстов и анализа пользовательских высказываний. Карточка не уточняет набор классов и языки данных, поэтому результаты не следует считать подтверждёнными для языков или сценариев за пределами обучающего набора emotion.

msy127/ft-240209-sft — дообученная модель для генерации текста, опубликованная командой, в которой указан David Sohn. Она основана на LDCC/LDCC-SOLAR-10.7B и предназначена для диалогового использования в платформе AI Companion. В карточке указана поддержка шаблона чата, а пример загрузки использует Transformers и AutoModelForCausalLM. Модель имеет плотную архитектуру LlamaForCausalLM на 10,7 млрд параметров и контекст до 4096 токенов. Карточка связывает сервис с общением при визуальном контакте с лицом, но не подтверждает, что сама модель принимает изображения: заявленная задача — генерация текста. Для использования требуется учитывать лицензию CC BY-NC 4.0, которая ограничивает коммерческое применение.

LFM2-1.2B-Pirate — диалоговая языковая модель на базе LFM2 от Liquid AI, дообученная mlabonne с помощью Axolotl. Она предназначена для генерации текста в разговорном формате; модель можно использовать для ведения диалога и других сценариев, требующих текстовых ответов. В карточке указаны архитектура LFM2 с плотной причинной языковой моделью, около 1,5 млрд параметров, контекст до 128 000 токенов и поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Модель хранится в формате safetensors и рассчитана на запуск через Transformers. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой и файлами лицензии репозитория.