III.4Клиентская поддержка и customer success

Карточка модели blepdoge/ossamai-v1 на Hugging Face совпадает с карточкой blepdoge/ossamai-v0.2-merged16, поэтому описание составлено по ней. ossamai-v0.2-merged16 — дообученная разговорная языковая модель, опубликованная blepdoge на основе unsloth/llama-3-8b-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалоговых сценариев на английском языке с контекстом до 8192 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Masterjp123/P1 — объединённая плотная языковая модель семейства Llama на 7,5 млрд параметров, созданная с помощью mergekit методом DARE TIES на основе NousResearch/Meta-Llama-3-8B. В объединение также вошли NousResearch/Hermes-2-Pro-Llama-3-8B, Weyaxi/Einstein-v6.1-Llama3-8B и asiansoul/Versatile-Llama-3-8B-1m. Модель предназначена для генерации текста, включая диалоговые сценарии. Она использует архитектуру LlamaForCausalLM, принимает текст и выдаёт текст; длина контекста составляет 8192 токена. В репозитории представлены веса в формате safetensors. Карточка не описывает сравнительные результаты или специализированные области применения. Указана лицензия базовой модели: лицензия в предоставленных данных отсутствует.

Pasta-PrimaMaid-7b — слитая языковая модель семейства Mistral, опубликованная Nitral-Archive. Она объединяет Test157t/Kunocchini-7b и Test157t/Pasta-Made_7b методом SLERP; конфигурация указывает на архитектуру MistralForCausalLM, плотную модель примерно на 7,1 млрд параметров и формат safetensors. Модель предназначена для генерации текста и может применяться в диалогах, создании черновиков и продолжении текстовых запросов. Модель работает с текстом и поддерживает контекст до 8192 токенов. В README приведены результаты Open LLM Leaderboard, включая оценки по ARC и HellaSwag. Лицензия обозначена в метаданных как other, поэтому условия использования следует проверять в карточке и связанных материалах репозитория.

Это дообученная модель семейства Phi-2, опубликованная anilbhatt1. Автор сообщает, что она создана на базе microsoft-phi2 с помощью QLoRA на датасете timdettmers/openassistant-guanaco. Модель предназначена для генерации текста в диалоговом формате и ответов на пользовательские запросы. Модель имеет плотную архитектуру PhiForCausalLM и 3,5 млрд параметров. Контекст составляет 2048 токенов; веса доступны в формате safetensors. В карточке указана лицензия MIT. Автор отмечает, что модель может работать на GPU T4 в Google Colab.

bunnycore/Phi-3.5-mini-TitanFusion-0.4.1 — объединённая языковая модель, созданная с помощью mergekit методом passthrough на основе bunnycore/Phi-3.5-mini-TitanFusion-0.4 и bunnycore/Phi-3.5-rp-lora_model. Модель использует плотную архитектуру Phi-3 и класс Phi3ForCausalLM; заявленный размер — 3,7 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия. Работает через библиотеку Transformers, веса опубликованы в формате safetensors, длина контекста — 4096 токенов. Карточка не уточняет языковую специализацию или дополнительные области применения. Условия использования определяются лицензиями исходных моделей; в предоставленных данных лицензия не указана.

win10/phi-3.5-Sakura-Yuzu-v1.5 — объединённая языковая модель, созданная с помощью mergekit методом TIES на основе FreedomIntelligence/Apollo2-3.8B. В объединение также вошли модели Phi-3.5-mini от Microsoft, AXCXEPT, ArliAI, FlowAI и win10. Модель семейства Phi-3.5 имеет плотную архитектуру Phi3ForCausalLM и около 3,7 млрд параметров. Она предназначена для генерации текста и диалогов; использует библиотеку Transformers и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных базовая модель описана как многоязычная, однако конкретные поддерживаемые языки для этого объединения не перечислены. Лицензия в предоставленных данных не указана. Качество и поведение объединённой модели могут отличаться от отдельных исходных моделей; результатов оценки в карточке нет.

unsloth/Phi-3-medium-4k-instruct — квантизированная 4-битная версия разговорной языковой модели Phi-3 Medium, подготовленная Unsloth с использованием bitsandbytes. Модель основана на архитектуре MistralForCausalLM и содержит 13,8 млрд параметров; для общения с ней применяется диалоговый формат, а длина контекста составляет 4096 токенов. Модель предназначена для генерации текста в диалоге и ответов на текстовые запросы на английском языке. Репозиторий содержит веса в формате safetensors. Лицензия — MIT, позволяющая использовать и распространять модель на условиях этой лицензии.

Sakalti/PhiPass-1 — диалоговая языковая модель на архитектуре Phi-3, опубликованная в формате safetensors для библиотеки Transformers. Она создана слиянием предобученных моделей через mergekit методом passthrough и предназначена для генерации текста и чат-взаимодействия. В репозитории указан размер 24,4 млрд параметров и контекстное окно 16 384 токена. В качестве исходной модели указана AXCXEPT/EZO-phi-4-v2_1350. Модель подходит для диалоговых ответов и генерации текста. Метаданные не уточняют поддерживаемые естественные языки и специализированные области применения. Лицензия в предоставленных данных не указана.

Jacoby746/Proto-Harpy-Avian-v0.1-7B — языковая модель, созданная слиянием двух предварительно обученных моделей с помощью mergekit и метода SLERP: BAAI/Infinity-Instruct-7M-Gen-mistral-7B и SanjiWatsuki/Kunoichi-7B. Это плотная Mistral-модель с архитектурой MistralForCausalLM и 7,1 млрд параметров, сохранённая в формате safetensors; длина контекста — 8192 токена. Модель предназначена для генерации текста, в том числе ответов на запросы и диалогов. Базовая модель Infinity-Instruct описана как разговорная Mistral-7B, дообученная на инструкциях. Сведений о языках обучения и специальных прикладных областях карточка не содержит, поэтому модель следует рассматривать как модель общего назначения. Карточка не сообщает результаты оценки качества или отдельные ограничения модели. Условия лицензии в предоставленных данных не указаны.

QWEN-2.5-0.5B-Synthia-II — дообученная ArtificialGuyBR модель Qwen2.5-0.5B для диалогов и следования инструкциям. Она предназначена для генерации ответов в разговорных ИИ-приложениях и многоходовых диалогах. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2 с 24 трансформерными слоями и механизмом GQA; поддерживает контекст до 32 768 токенов и работает с текстом. Дообучение проведено на наборе Synthia-v1.5-II. Модель рассчитана на генерацию связного текста и выполнение инструкций, но из-за небольшого размера может уступать крупным моделям в сложных рассуждениях; качество на других языках, помимо английского, может быть ограничено. Лицензия — Apache-2.0.

Sethuiyer/Qwen2.5-7B-Anvita — дообученная диалоговая языковая модель на архитектуре Qwen2, созданная на базе Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 32 768 токенов. В метаданных указан английский язык. Модель предназначена для диалогов и генерации текста. В README приведены результаты оценки: средний показатель 29,18, IFEval (0-shot) — 64,8, BBH (3-shot) — 35,48; полные результаты предлагается смотреть отдельно. Лицензия — Apache-2.0. README не раскрывает специализацию дообучения или подробные ограничения модели.

ZeroXClem/Qwen2.5-7B-HomerAnvita-NerdMix — англоязычная разговорная модель на архитектуре Qwen2 с плотной causal language model, содержащая 7,1 млрд параметров и рассчитанная на контекст до 32 768 токенов. Автор объединил несколько моделей семейства Qwen2.5 методом Model Stock с помощью mergekit; среди источников — HomerSlerp1, Qandora Creative, Anvita, Cybertron-MGS и Qwen-Nerd. Модель предназначена для генерации текста, диалогов и ролевых сценариев, следования инструкциям, творческого письма, математических рассуждений и технических ответов. Подходит для черновиков историй и маркетинговых материалов, учебных объяснений и технической поддержки. Репозиторий содержит веса safetensors в bfloat16, а карточка указывает лицензию Apache-2.0. Указанные в карточке преимущества основаны на заявленном назначении исходных моделей и не сопровождаются результатами сравнительной оценки. Перед применением для специализированных задач качество следует проверять на своих примерах; сама карточка отмечает, что для отдельных сценариев может понадобиться дообучение.

MaxSchulten/qwen3-14b-distill-qwen3-0.6b-jsd — дообученная Max Schulten модель на базе Qwen/Qwen3-0.6B, созданная с помощью TRL. Она предназначена для генерации текста и диалогов; в карточке приведён пример ответа на открытый вопрос в формате чата. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит около 507,9 млн параметров. Она принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов. Метаданные относят её к многоязычному семейству Qwen3; сведения о конкретных поддерживаемых языках и лицензии в предоставленных данных отсутствуют.

OP12138/qwen3-1.7b-opsd-frozent — дообученная разговорная модель семейства Qwen3, представленная в формате safetensors и предназначенная для генерации текста в диалогах. Карточка сообщает об обучении с помощью TRL; пример использования показывает передачу вопроса в формате чата через библиотеку Transformers. Модель имеет плотную архитектуру Qwen3ForCausalLM и 1,7 млрд параметров. Указанная длина контекста — 40 960 токенов. В карточке не описаны специализация, обучающие данные и языковой охват, поэтому её возможности следует считать общими для текстовых диалогов. Лицензия в предоставленных данных не указана.

noctrex/Qwen3-30B-A3B-Deepseek-Distill-Instruct-2507-MXFP4_MOE-GGUF — квантованная в формате MXFP4_MOE версия модели Qwen3-30B-A3B-Deepseek-Distill-Instruct-2507, опубликованная пользователем noctrex. Это разговорная модель для генерации текста и диалогового использования. Репозиторий содержит веса в формате GGUF. Модель подходит для ведения диалогов и генерации ответов на текстовые запросы. Карточка не сообщает дополнительных характеристик, сценариев применения или условий лицензии.

Qwen-portuguese-luana-7b — разговорная языковая модель, разработанная Rhaymison и дообученная на базе Qwen1.5-7B-Chat на наборе из 250 тысяч диалогов на португальском языке. Это плотная декодерная модель семейства Qwen2 с 7,1 млрд параметров, поддержкой чата и контекстом до 32 768 токенов; она работает с текстом и создаёт текстовые ответы. Модель предназначена для диалогов на португальском языке, ответов на вопросы и следования инструкциям в чат-сценариях. В карточке приведены результаты оценки на Open Portuguese LLM Leaderboard. Для запуска используется Transformers; автор отмечает, что при ограниченной видеопамяти можно применять 4- или 8-битную квантизацию. Модель распространяется по лицензии Apache-2.0.

Kaoeiri/Qwenwify-32B-v2.68 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом DARE TIES. В качестве базовой модели README указывает unsloth/qwen2.5-32b-instruct; в объединение также вошли варианты Qwen2.5 для диалога, ролевых сценариев, генерации текста и художественной прозы. Модель содержит 32 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель предназначена для диалога и генерации текста, в том числе для ролевого общения и создания художественных текстов. Метаданные указывают на поддержку чата и интерфейс вызова инструментов. В карточке не приведены сведения о лицензии и конкретных языках; среди исходных моделей есть вариант для китайского языка, но это само по себе не подтверждает полный перечень поддерживаемых языков.

Rabbit-7B-DPO-Chat — диалоговая языковая модель на архитектуре Mistral, созданная viethq188. Модель получена слиянием AIDC-ai-business/Marcoroni-7B-v3 и rwitz/go-bruins-v2 методом SLERP с последующим обучением DPO на данных Hugging Face. Для общения можно использовать шаблон Alpaca. Модель предназначена для генерации текста в диалогах и ответов на запросы. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0. В карточке не описаны языки обучения или специальные предметные области; качество и ограничения модели README не уточняет.

zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1 — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из recoilme/recoilme-gemma-2-9B-v0.4 и nbeerbower/Gemma2-Gutenberg-Doppel-9B. Модель содержит 9 млрд параметров, распространяется в формате Safetensors и рассчитана на генерацию текста и ответы в диалоге; вторая исходная модель обучалась на текстах Gutenberg. Модель принимает текст и генерирует текст. Заявленная длина контекста — 8192 токена. В README приведены результаты Open LLM Leaderboard, включая IFEval 76,15 и BBH 43,94; эти оценки не гарантируют качество на конкретных запросах. Сведения о лицензии в доступных данных отсутствуют.

kcoopermiller/reyna-qwen-l18 — языковая модель для генерации текста и диалогов, созданная слиянием предварительно обученных моделей с помощью mergekit. В состав вошли Qwen/Qwen1.5-0.5B и aloobun/Reyna-Mini-1.8B-v0.2; применён метод passthrough, который использует слои из этих моделей по заданным диапазонам. Модель построена на архитектуре Qwen2ForCausalLM, содержит около 463,9 млн параметров и принимает текст, выдавая текст. Модель предназначена для генерации продолжений и ведения диалога. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. В карточке не описаны специальные предметные области или целевые языки, поэтому модель следует считать общей языковой моделью. Лицензия в предоставленных сведениях не указана. Качество и поведение объединённых весов отдельно не охарактеризованы; карточка также не приводит результаты оценки.

TabularisAI разработала англоязычную модель анализа тональности на основе DistilBERT, дообученную для классификации текста. Она относит текст к одному из пяти классов: «очень негативный», «негативный», «нейтральный», «позитивный» и «очень позитивный». Модель подходит для анализа публикаций в социальных сетях, отзывов о товарах и обратной связи клиентов, а также для мониторинга брендов и изучения рынка. Обучение проводилось только на синтетических данных. Модель использует архитектуру DistilBERT для классификации последовательностей, принимает текст с контекстом до 512 токенов и распространяется по лицензии Apache-2.0. Авторы сообщают об улучшении точности и снижении частоты ошибок в обновлении от декабря 2024 года, но в карточке нет численных результатов оценки; возможны смещения, и качество следует проверять на данных конкретной задачи.

seara/rubert-tiny2-russian-sentiment — модель RuBERT-tiny2, дообученная для классификации тональности коротких русскоязычных текстов. Это компактная модель семейства BERT с 29 млн параметров и контекстом до 2048 токенов; она выдаёт один из трёх классов: нейтральный, положительный или отрицательный. Модель подходит для автоматической разметки отзывов, новостей и других коротких сообщений по тональности. Для обучения использовалось объединение датасетов RuReviews, RuSentiment, Linis Crowd 2015 и 2016, а также Kaggle Russian News Dataset. На тестовом разбиении автор сообщает macro F1 0,75; для положительного класса F1 составляет 0,83, для нейтрального — 0,72, для отрицательного — 0,71. Модель принимает текст и возвращает классификацию. Репозиторий распространяется по лицензии MIT. Результаты на тестовом разбиении не гарантируют такую же точность на данных другой тематики или формата.

RWKV/RWKV7-Goose-World3-2.9B-HF — языковая модель RWKV-7, разработанная Бо Пэном, Юй Чжаном, Сонглином Яном и Жуйчуном Чжаном при поддержке RWKV Project. Это плотная авторегрессионная модель для генерации текста и диалогов, представленная в формате flash-linear attention и доступная через Transformers и safetensors. В метаданных указано 3,1 млрд параметров, в README — 2,9 млрд; контекст составляет 2048 токенов. Модель основана на BlinkDL/rwkv-7-world и дообучена на World v3, содержащем 3,119 трлн токенов. Она предназначена для генерации продолжений текста и ведения диалогов; карточка описывает английский язык, а метаданные каталога также указывают китайский, японский, корейский, французский, арабский, испанский и португальский. Лицензия Apache-2.0. Для запуска README рекомендует flash-linear-attention 0.3.0 и Transformers версии не ниже 4.48.0.

Saiga Gemma2 9B — русскоязычный чат-ассистент Ильи Гусева на базе Gemma 2 9B Instruct. Модель дообучена в два этапа: supervised fine-tuning (SFT) и KTO на данных Saiga; в карточке указаны датасеты saiga_scored и saiga_preferences. Это плотная авторегрессионная языковая модель Gemma2ForCausalLM с 9 млрд параметров, рассчитанная на диалог в формате запросов Gemma 2 и контекст до 8192 токенов. Модель предназначена для русскоязычного общения, ответов на вопросы и помощи в повседневных задачах. В сравнительной оценке Alpaca Eval указаны результаты двух версий Saiga относительно Gemma 2 9B Instruct. Репозиторий содержит веса Safetensors. Лицензия — Gemma; условия её применения определяются лицензией Gemma.

SauerkrautLM-7b-HerO-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на базе Mistral-7B-Instruct-v0.1 и SauerkrautLM-7b-HerO, созданная методом SLERP. Она использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы. Указанная длина контекста — 32 768 токенов; доступны веса в формате Safetensors. Модель подходит для чат-ботов и других приложений, которым нужны ответы на запросы на немецком и английском языках. В карточке отмечен диалоговый формат ChatML. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированных областях применения или дополнительных ограничениях качества.

arcee-ai/saul-zephyr-7b-slerp — объединённая методом SLERP модель на основе Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta, созданная с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста в формате чат-диалога и выполнения пользовательских инструкций. Контекстное окно составляет до 32 768 токенов; модель принимает текст и генерирует текст. Модель сочетает компоненты базовой модели Saul-Base и англоязычной чат-модели Zephyr-7B-β. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. В карточке описан метод слияния, но сравнительные оценки качества и подробные ограничения не приведены.

Seagull-llama-3-8B-orpo-v0.4 — диалоговая языковая модель, разработанная kuotient как дообучение kuotient/Meta-Llama-3-8B с применением ORPO. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговых сценариях. Она поддерживает английский язык и контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors. В карточке Hugging Face указана лицензия other, тогда как README заявляет Apache-2.0; условия использования следует сверить с файлами и лицензией репозитория. README не приводит оценок качества или подробных ограничений модели.

Sensible: ModernBERT Sentiment Analysis — англоязычная модель классификации тональности, разработанная Ankit Aglawe. Она дообучена на ModernBERT-base и определяет, положительный или отрицательный тон у отзывов, комментариев, обратной связи и текстов из социальных сетей. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 149 млн параметров и принимает контекст длиной до 8192 токенов. В README сообщается точность 0,9461 на валидационной выборке SST-2 из 872 примеров. Модель доступна для Transformers и поддерживает пакетную классификацию. Лицензия — Apache-2.0. Модель обучена на SST-2; её схема меток ограничена классами positive и negative. Результат на SST-2 не гарантирует такую же точность на текстах других типов или на тонких и смешанных оценках.

abilfad/sentiment-binary-dicoding — дообученная модель DistilBERT для бинарной классификации тональности текста. Она основана на distilbert-base-uncased и предназначена для определения одной из двух категорий тональности; модель можно применять, например, для анализа отзывов и коротких текстовых сообщений. Архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. В README приведены точность обучения 0,9307 и ошибка на проверочной выборке 0,2322 после двух эпох, но набор данных и метрики на независимом тесте не описаны. Модель распространяется по лицензии Apache-2.0.

Модель yuhengtu-bytedance/sfm_filtered_e2e_alignment-2k_3k_4k_5k_6k_simpleavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. В README описан линейный метод слияния; базой служил чекпойнт global_step6000, также объединены чекпойнты global_step2000, global_step3000, global_step4000 и global_step5000. Метаданные указывают на архитектуру GPT-NeoX с плотной причинной языковой моделью и 8,8 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст, работает через Transformers и распространяется в формате safetensors. Контекст составляет до 16 384 токенов. Сведения о специальных предметных областях, поддерживаемых языках и условиях лицензии в предоставленных материалах отсутствуют.