Адаптер дообучен для агентской задачи Opaque Knapsack в режиме stateless: состояние Python-интерпретатора сбрасывается после каждого хода агента. Модель предназначена прежде всего для воспроизведения и исследования поведения языковой модели в этом специализированном сценарии, а не как универсальная готовая чат-модель.

Обучение выполнено с помощью Axolotl и PEFT с LoRA поверх 4-битно квантованной NF4-базы. Использованы rank 64, alpha 128, dropout 0,05, адаптация q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj и down_proj, длина последовательности 16384 токена и три эпохи обучения. Языки и полный набор модальностей README не уточняет; по назначению это текстовая модель с pipeline text-generation. Для базового non-instruct checkpoint применяется собственный минимальный шаблон с BOS/EOS и текстовыми префиксами ролей, поскольку native instruct-шаблон Llama не использовался.

Сильные стороны адаптера — узкая специализация на заданной агентской задаче, явная фиксация режима обучения и конфигурации для воспроизводимости, а также экономичность дообучения LoRA. Ограничения состоят в зависимости от базовой модели и совместимого PEFT/Transformers-окружения, специализации на Opaque Knapsack и необходимости учитывать stateless-семантику интерпретатора и нестандартный шаблон диалога. Лицензия в README не указана; также не приведены отдельные сведения о поддерживаемых языках, качестве, метриках и ограничениях коммерческого использования.