I.14Автоматизация процессов и AI-агенты

beomi/kykim-gpt3-kor-small_based_on_gpt2 — корейская авторегрессионная языковая модель для генерации текста, разработанная BEOMI. Модель построена на архитектуре GPT-2 и обучалась на 70 ГБ корейского текста с токенизатором BERT, содержащим 42 000 подслов в нижнем регистре. Она принимает текстовый префикс и продолжает его; в карточке приведён пример генерации корейского текста. Модель подходит для экспериментов и приложений, которым требуется продолжение корейского текста. Поддерживаются форматы PyTorch, TensorFlow и Flax; контекст составляет 2048 токенов. Карточка не сообщает лицензию и численное количество параметров.

LevelField — мультимодальная модель Level AI (蓝沃AI) на 9 млрд параметров, дообученная на базе Qwen3.5-9B для планирования процессов нестандартной механообработки по инженерным чертежам. Она принимает изображения чертежей и текстовые запросы, извлекает обозначения деталей, материалы, размеры, допуски и требования к шероховатости, а затем предлагает последовательность операций и варианты улучшения маршрута для 18 типов производственных процессов. Модель предназначена для помощи инженерам-технологам при разборе чертежей и подготовке маршрутов обработки. Разработчик сообщает о дообучении и обучении с подкреплением на 100 000 производственных чертежей и маршрутных карт от 16 заводов; веса выпущены в формате BF16. Внутренние результаты и сокращение времени подготовки маршрутов приведены разработчиком, но методика оценки и размеры выборок не раскрыты. Модель может ошибаться при чтении мелких пометок, плотных чертежей и неоднозначной геометрии; неполные входные данные могут привести к неподтверждённым предположениям. Предложенный маршрут необходимо проверить с учётом оборудования, оснастки, инструмента, материала и контроля качества; подтверждённой генерации CNC-программ или автономного управления производством карточка не заявляет. Лицензия — Apache-2.0.

LFM2.5-8B-A1B-DSpark — черновая модель speculative decoding от Liquid AI для ускорения генерации целевой модели LiquidAI/LFM2.5-8B-A1B. В SGLang она предлагает блоки токенов, которые целевая модель проверяет; согласно карточке, этот способ сохраняет результат генерации таким, каким он был бы без черновой модели. Указано ускорение декодирования примерно в 2,6 раза в SGLang и поддержка запуска на устройствах Apple с Metal. Модель использует архитектуру DSpark с пятью слоями полного внимания, Markov head ранга 256 и confidence head. В README указано 327,7 млн параметров в BF16, размер блока 9 и словарь из 128 000 токенов; в метаданных каталога указано 503,3 млн параметров. Контекст целевой модели составляет до 128 000 токенов. Для работы модель подключается к целевой LFM2.5-8B-A1B через сборку SGLang с поддержкой DSpark. Она предназначена для ускорения инференса совместимой целевой модели, а не для самостоятельной генерации. Лицензия указана как other; конкретные условия использования следует сверить с карточкой модели.

JoseROS/my_awesome_eli5_clm-model — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе distilbert/distilgpt2 и размещённая в формате safetensors. Модель предназначена для генерации продолжения текста; карточка приводит значение loss 3,7967 на оценочном наборе, но не описывает его состав. Модель принимает текст и выдаёт текст, с длиной контекста 1024 токена. Базовая модель ориентирована на английский язык, однако сведения о языках и тематике дообучения отсутствуют. Лицензия — Apache-2.0. Карточка не раскрывает назначение дообучения, обучающие данные и конкретные ограничения качества; поэтому пригодность для узких задач не подтверждена.

Это контрольная точка черновой модели EAGLE3, обученной командой проекта SpecForge для ускорения генерации текста методом speculative decoding вместе с Qwen/Qwen3-1.7B. Она не является самостоятельной целевой языковой моделью: её используют в совместимом коде SpecForge/EAGLE3, чтобы предлагать черновые токены, которые затем проверяет целевая модель. Модель основана на Qwen3-1.7B и обучена методом онлайн-обучения EAGLE3 на данных ShareGPT. В репозитории указан контекст 40 960 токенов и формат весов safetensors; заявленный размер этой контрольной точки — 361,5 млн параметров. Веса целевых эмбеддингов исключены и загружаются из целевой модели. Карточка не содержит заявлений о результатах бенчмарков. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами лицензии репозитория и условиями базовой модели.

RedbeardNZ выпустил сборку SeedVR2 для использования в ComfyUI. Она предназначена для повышения разрешения и восстановления качества видео и изображений с помощью моделей SeedVR2; для видео README приводит примеры увеличения разрешения до 1080p и выше. В репозитории указаны варианты SeedVR2 на 3B и 7B параметров, а метаданные связывают модель с ByteDance-Seed/SeedVR2-3B и ByteDance-Seed/SeedVR2-7B. Формат файлов — safetensors, библиотека — diffusers, лицензия — Apache-2.0. Сборка ориентирована на узел ComfyUI и допускает обработку видео разной длительности при подборе настроек. README сообщает о высокой потребности в видеопамяти: для версии 3B автор приводит ориентир не менее 18 ГБ; скорость зависит от GPU. Отдельно отмечены возможные проблемы качества у варианта 7B FP8, для которого рекомендуется FP16.

SLORA-LTX — модель генерации видео, опубликованная Мухаммадом Таки. Она предназначена для создания динамичных видеоклипов по текстовому описанию; в README также заявлена генерация видео по изображению. Модель совместима с синтаксисом и параметрами конвейера Lightricks/LTX-Video и интегрируется с библиотекой diffusers. README заявляет быстрое создание временных последовательностей и настройку числа кадров, разрешения и соотношения сторон. В метаданных указаны форматы diffusers и safetensors, задача text-to-video и лицензия MIT. Размер модели, длина контекста и поддерживаемые языки не приведены.

WindyTranslate/translate-efi-fi — модель машинного перевода от Windstorm Labs для перевода с языка эфик на финский. Это дообученная версия Helsinki-NLP/opus-mt-efi-fi: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,5 млн параметров, принимает текст и выдаёт текст; штатная длина контекста — 512 токенов. Модель предназначена для перевода текстов с эфик на финский. Опубликована в формате safetensors и загружается через Transformers как модель последовательного преобразования текста. Лицензия — Apache-2.0. Качество перевода ещё не оценивалось бенчмарками; факт изменения весов подтверждает происхождение модели, но сам по себе не говорит о качестве. Поддерживается только направление эфик → финский.

WindyTranslate/translate-fi-gaa — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fi-gaa на параллельных текстовых данных: LoRA-адаптер слит с базовыми весами. Модель построена на архитектуре MarianMT, содержит 56,7 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для перевода с финского языка на язык га. В репозитории опубликована сборка Transformers в формате safetensors. Лицензия — Apache-2.0. Качество перевода пока не оценивалось; факт изменения весов подтверждает происхождение модели, но сам по себе не показывает, что перевод стал лучше.

UIGEN-T3-14B-Preview — модель Tesslate для генерации пользовательских интерфейсов на основе Qwen3-14B. Она создаёт HTML/CSS-компоненты и целые веб-страницы по текстовому описанию; в начале ответа также формирует дизайн-токены для настройки оформления. Модель содержит 14 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Для управления генерацией доступны режимы /think с анализом макета и /no_think для более быстрой генерации кода. Модель ориентирована на создание прототипов, стартовых версий сайтов и компонентов интерфейса; в README упоминаются сценарии вроде страниц тарифов, мобильных приложений и клонов веб-сервисов. Карточка сообщает об исследовательской лицензии без коммерческого использования; для коммерческих сценариев предлагается связаться с Tesslate для пилотной программы.

Video-Reason/VBVR-Pro-FLUX2-dev — модель редактирования изображений по инструкциям, созданная командой Video-Reason на основе дообучения FLUX.2-dev. Она предназначена для изменения изображений по текстовому запросу и подходит для экспериментов с визуальным рассуждением через генерацию и редактирование изображений. Модель основана на FLUX.2-dev и распространяется как объединённый чекпойнт Diffusers в формате safetensors: LoRA-адаптер ранга 32 уже слит с весами трансформера. README описывает набор VBVR-Pro из 300 процедурно создаваемых задач и проверяемые оценщики вознаграждения для исследований визуального рассуждения; сама модель дообучена на наборе VBVR-Dataset. Лицензия — Apache-2.0.

alphacep/vosk-vc-ru — базовая модель для преобразования голоса без обучения на конкретном целевом дикторе. Она обучена на базе VITS и ContentVec и предназначена для преобразования входной речи с сохранением содержания и изменением характеристик голоса. В README приведено сравнение сходства целевого голоса, рассчитанного с Resemblyzer: среднее значение 0,880, минимум 0,712; для исходной QuickVC указаны 0,667 и 0,477 соответственно. Модель принимает аудио и выдаёт аудио, ориентирована на русский язык. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.

Карточка модели bezzam/xcodec2-hf на Hugging Face совпадает с карточкой HKUSTAudio/xcodec2-hf, поэтому описание составлено по ней. X-Codec2 — нейронный аудиокодек для представления речи и другого аудио в конвейерах синтеза речи и генерации аудио с большими языковыми моделями. Модель предложена в работе Llasa: Scaling Train-Time and Inference-Time Compute for Llama-based Speech Synthesis. Эту реализацию для Transformers внесли Eric Bezzam и Steven Zheng. Модель объединяет семантические и акустические признаки в последовательность токенов: семантическая часть может кодировать смысл и эмоции, а акустическая — тембр и другие свойства звучания. Однослойная квантизация Feature Scalar Quantization (FSQ) и одномерная структура токенов рассчитаны на совместимость с авторегрессионными LLM. Модель содержит 201,3 млн параметров; в карточке указаны библиотека Transformers и контекст 4096 токенов. Реализация поддерживает пакетную обработку аудио, а для ускорения инференса README описывает применение torch.compile. X-Codec2 предназначена для кодирования и декодирования аудио и для подготовки аудиопредставлений в системах генерации речи и аудио на базе LLM. Метаданные классифицируют её как feature-extraction. Лицензия CC BY-NC 4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0; коммерческое применение не разрешено условиями этой лицензии.

Это исследовательская версия A.X-3.1-Light от SK Telecom для оценки многошаговых рассуждений на корейских задачах MuSR с числовыми вычислениями. Модель построена на skt/A.X-3.1-Light: к ней применили LoRA supervised fine-tuning, затем объединили адаптер с основными весами. Итоговая модель содержит 6,8 млрд параметров, использует плотную архитектуру семейства Llama и распространяется в формате BF16 safetensors без отдельного адаптера; контекст — 32 768 токенов. При обучении модель училась выдавать сначала правильный вариант ответа, а затем обоснование для задач, на которых базовая модель ошибалась. Данные взяты из корейского набора AI Hub 71568 по числовым вычислениям в экономике и спорте: после фильтрации использовано 3 000 примеров. Модель предназначена для корейских многошаговых вычислений и исследовательской оценки рассуждений; результаты локальной диагностики не показывают преимущества над родственными вариантами, а вклад самой коррекции ошибок оценивается примерно в 5 процентных пунктов на небольшой выборке. Лицензия — Apache-2.0.

Langboat/bloom-389m-zh — китайская языковая модель авторегрессионной генерации текста, основанная на bigscience/bloom-560m. Разработчики сократили словарь токенизатора с 250 880 до 42 437 токенов с помощью китайского корпуса, чтобы снизить потребление видеопамяти; в метаданных размер модели указан как 446,1 млн параметров. Архитектура — плотная BloomForCausalLM, формат весов — PyTorch. Модель предназначена для генерации текста на китайском языке и может использоваться в приложениях, которым нужна компактная модель семейства BLOOM. Контекст — до 2 048 токенов. Карточка показывает загрузку через Transformers, но не приводит результатов оценки качества или подробных сведений о сценариях применения. Лицензия — BigScience-BLOOM RAIL 1.0.

TheDenk/cogvideox-2b-controlnet-canny-v1 — модель семейства CogVideoX с ControlNet для преобразования видео с управлением по карте границ Canny. Репозиторий содержит веса в формате safetensors; карточка указывает библиотеку Diffusers и тег задачи video-to-video. Модель предназначена для генерации или преобразования видео с заданным структурным контролем по контурам. Для запуска описана интеграция с ComfyUI через ComfyUI-CogVideoXWrapper, поддерживающий пайплайн ControlNet. Модель опубликована по лицензии Apache-2.0. Карточка не содержит подробностей о качестве, поддерживаемых разрешениях и длительности видео, контексте или точных требованиях к запуску.

german-financial-statements-bert — модель BERT, дообученная на немецкоязычных годовых финансовых отчётах компаний из Федерального вестника Германии. Она предназначена для работы с финансовой отчётностью и решает задачу заполнения маскированных токенов в тексте: по контексту предсказывает пропущенное слово или токен. Модель содержит 136,3 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Для обучения использовали 100 000 предложений из отчётности 5 500 документов: половина была отобрана случайно, а половина отфильтрована по упоминаниям финансовых сущностей и валют. На оценочном наборе указаны loss 1,2025, accuracy 0,7376 и perplexity 3,3285. Модель рассчитана на немецкий язык и финансовую лексику; лицензия — MIT. Карточка не описывает её как чат-модель или систему для самостоятельного финансового анализа.

joelniklaus/legal-french-roberta-base — языковая модель на архитектуре RoBERTa, обученная с нуля для заполнения пропусков в тексте. Она содержит 137,8 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. Название указывает на ориентацию на французские юридические тексты, однако README не описывает обучающие данные или прикладную специализацию; по доступным сведениям модель следует считать RoBERTa для задачи fill-mask. Модель подходит для подстановки вероятных слов вместо маскированных токенов во французском тексте, в том числе как компонент экспериментов с юридическими документами. В README приведено значение loss 0,4293 на оценочной выборке, но набор данных и методика оценки не раскрыты, поэтому результат не позволяет судить о качестве в реальных юридических сценариях. Лицензия в предоставленных данных не указана.

Карточка модели sonic-coder/LFM2.5-1.2B-Instruct-DSpark на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-1.2B-Instruct-DSpark, поэтому описание составлено по ней. LFM2.5-1.2B-Instruct-DSpark — вспомогательная черновая модель семейства DSpark, разработанная Liquid AI для ускорения генерации модели LiquidAI/LFM2.5-1.2B-Instruct методом спекулятивного декодирования. Она предлагает блоки токенов, которые целевая модель проверяет при декодировании; результат в точности совпадает с результатом целевой модели без ускорения. В SGLang авторы сообщают примерно о двукратном ускорении, а для Apple Silicon доступен запуск через бэкенд Metal. В README указаны 295,7 млн параметров черновой модели в формате BF16, пять слоёв полного внимания, блок предложений размером 9 токенов и словарь из 65 536 токенов. Метаданные каталога указывают 375,4 млн параметров и контекст 128 000 токенов. Для запуска требуется целевая модель LFM2.5-1.2B-Instruct и сборка SGLang с поддержкой DSpark для LFM2. Ограничение модели — она предназначена для ускорения декодирования этой целевой модели, а не для самостоятельного использования как универсальная языковая модель. Лицензия обозначена в метаданных как other; подробные условия следует сверить с карточкой и файлами репозитория.

hemanth955/Llama-2-7b-math — дообученная модель семейства Llama 2, созданная для решения математических задач и рассуждений. Она основана на архитектуре LlamaForCausalLM с плотной архитектурой и содержит 6,6 млрд параметров; максимальный контекст составляет 4096 токенов. Модель дообучена на наборе GSM8K с текстовыми задачами школьного уровня. Модель предназначена для пошагового решения текстовых задач, включая арифметические действия и интерпретацию условий. Её можно использовать в обучающих инструментах, системах репетиторства и приложениях для автоматического решения математических задач. Вход и ответы — текстовые; README не сообщает о поддерживаемых естественных языках и лицензии, поэтому эти сведения здесь не приводятся.

Loom Weave 3 — компактная языковая модель Textile Labs для диалогов и ответов на вопросы с поиском сведений в Wikipedia. Это плотная авторегрессионная модель семейства Llama с 31,5 млн параметров, 16 слоями и контекстом 1024 токена; обучена с нуля, без дообучения чужих контрольных точек. Поддерживает текстовый ввод и генерацию текста на английском языке. В связке с harness.py модель решает, когда нужен поиск, формирует запрос и отвечает по полученному фрагменту статьи. Модель рассчитана на короткие ответы и простые многошаговые диалоги. В тестах она сохраняла нить разговора и корректно сообщала о выполненном поиске, однако на отложенных примерах с живыми результатами Wikipedia давала верный ответ примерно в 30% случаев. Она слабо читает незнакомые и неоднозначные фрагменты, не подходит для вычислений и может ответить, даже если источник не содержит нужных сведений. Harness ищет только в Wikipedia. Распространяется по лицензии MIT.

MWP-BERT-en — модель семейства BERT, представленная в работе MWP-BERT: Numeracy-Augmented Pre-training for Math Word Problem Solving, опубликованной в NAACL 2022 Findings. Это чекпойнт на 136,7 млн параметров для заполнения замаскированных токенов. Авторы ориентировали подход на поддержку решения текстовых математических задач за счёт предобучения с учётом числовой информации. Модель использует архитектуру BertForMaskedLM, работает с текстом и принимает последовательности длиной до 512 токенов. Репозиторий содержит веса PyTorch; лицензия — AFL-3.0. Карточка не уточняет результаты на конкретных наборах задач или практические рекомендации по применению.

Карточка модели huluhuluu/qwen3-1.7b-eagle3-sharegpt-sw768-epoch9-step450000 на Hugging Face совпадает с карточкой huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw768-epoch-9-step-450000, поэтому описание составлено по ней. Это контрольная точка черновой модели EAGLE3, обученной командой проекта SpecForge для ускорения генерации текста методом speculative decoding вместе с Qwen/Qwen3-1.7B. Она не является самостоятельной целевой языковой моделью: её используют в совместимом коде SpecForge/EAGLE3, чтобы предлагать черновые токены, которые затем проверяет целевая модель. Модель основана на Qwen3-1.7B и обучена методом онлайн-обучения EAGLE3 на данных ShareGPT. В репозитории указан контекст 40 960 токенов и формат весов safetensors; заявленный размер этой контрольной точки — 361,5 млн параметров. Веса целевых эмбеддингов исключены и загружаются из целевой модели. Карточка не содержит заявлений о результатах бенчмарков. Лицензия обозначена как other, поэтому условия использования следует сверять с файлами лицензии репозитория и условиями базовой модели.

sagnikM/qwen_qwen_step100_posterior — преобразованный чекпойнт шага 100 обучающего запуска HiLL Qwen2.5-7B/OpenThoughts, подготовленный как генератор привилегированных подсказок. Модель основана на Qwen/Qwen2.5-7B-Instruct: это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и предназначена для генерации текста в сценариях, где нужны привилегированные подсказки. В репозитории размещены веса, конфигурация и токенизатор в формате safetensors; загрузка предусмотрена через Transformers. Данных о поддерживаемых языках, лицензии и результатах оценки качества в карточке нет.

Saccade Tiny — экспериментальная компактная модель классификации токенов, разработанная для удаления лишних слов из англоязычных запросов перед передачей их большой языковой модели. Она присваивает каждому токену метку KEEP или DROP и предназначена для консервативного удаления вводных и повторяющихся формулировок в исследованиях и демонстрациях сжатия промптов. Модель построена на BERT с архитектурой BertForTokenClassification и дообучена на google/bert_uncased_L-2-H-128-A-2. В ней около 4,4 млн параметров; контекст — до 512 токенов. Обучение проводилось преимущественно на синтетических примерах, где к инструкциям добавляли лишний текст. В тесте на отложенной выборке указаны идеальные метрики, однако это не подтверждает улучшение точности последующих ответов LLM. Модель принимает текст и выдаёт метки для токенов. Карточка ориентирует её на английский язык. Лицензия — Apache-2.0. Возможное удаление значимого контекста ограничивает применение; модель не предназначена для критически важных юридических, медицинских или финансовых текстов.

Windstorm Labs опубликовала модель машинного перевода с испанского языка на креольский язык Сейшельских островов (crs). Это дообученная версия Helsinki-NLP/opus-mt-es-crs на параллельных текстовых данных: LoRA-адаптер объединён с базовыми весами. Модель построена на архитектуре Marian и содержит 49,4 млн параметров; для загрузки доступны веса Safetensors в Transformers, лицензия — Apache-2.0. Модель предназначена для перевода текста только в направлении с испанского на креольский язык Сейшельских островов. Качество этой версии не оценивалось на бенчмарках; подтверждено изменение весов относительно исходной модели, но это само по себе не подтверждает качество перевода.

Tulu V2.5 13B RM — англоязычная reward-модель Allen Institute for AI для оценки диалогов с помощником. Она дообучена на базе Tulu 2 и обучена на разговорах из набора Chatbot Arena 2023; архитектура — плотная Llama с 12,9 млрд параметров. Модель принимает текстовые диалоги в предусмотренном шаблоне и выдаёт оценку, пригодную для обучения с подкреплением по PPO и работы с предпочтениями. Модель предназначена прежде всего для исследовательских экспериментов с RLHF и ранжирования ответов помощника по их предпочтительности. Поддерживает английский язык, контекст до 4096 токенов и распространяется в формате Safetensors. Лицензия — Apache 2.0. В карточке модель названа исследовательским артефактом; её оценка ориентирована на Chatbot Arena 2023 и не подтверждена как универсальный показатель качества ответов.

Модель chanyoungkim/grpo-qwen2.5-1.5b-alfworld-step140 — контрольная точка Qwen2.5-1.5B-Instruct, дообученная разработчиком методом GRPO на среде ALFWorld с использованием langfengQ/verl-agent. Это плотная авторегрессионная языковая модель на 1,5 млрд параметров для генерации текста и диалогового взаимодействия; она принимает текст и выдаёт текст. Контекстное окно составляет 32 768 токенов, веса доступны в формате safetensors и bf16, модель рассчитана на работу через Transformers. Основное назначение — выполнение задач в ALFWorld, где агент должен понимать текстовое описание среды и формулировать последовательность действий. В карточке указана успешность 66,4% на внутритренировочной проверке; оценивалась только выборка valid_seen, а valid_unseen не проверялась. Это промежуточный чекпойнт на шаге оптимизатора 140, поэтому результаты не следует считать оценкой качества на широком круге задач. Лицензия — Apache-2.0.

LFM2.5-8B-A1B-DSpark-GGUF — модель-разведчик (draft sidecar) от Liquid AI для ускорения генерации целевой модели LFM2.5-8B-A1B-GGUF в llama.cpp с использованием точного speculative decoding. Это не самостоятельная языковая модель: файл содержит только компонент-генератор черновых токенов, а токенные embedding и LM head загружаются из совместимой целевой модели. Архитектура включает 5 attention-слоёв, Markov head ранга 256, confidence head и block size 9. Доступны варианты F16 размером 664 МБ, Q8_0 размером 349 МБ и Q4_K_M размером 191 МБ. Модель предназначена для локального инференса и ускорения ответов целевой LFM2.5-8B-A1B; её параметры определяют эффективность предложенных токенов, тогда как основное влияние на скорость и качество оказывает квантизация целевой модели. Поддержка реализована в llama.cpp, а параметры принятия токенов можно отслеживать через timings. Спекулятивное декодирование является точным: целевая модель проверяет каждый предложенный токен, поэтому при жадной генерации результат совпадает с результатом целевой модели без ускорителя. F16 обеспечивает наибольшую длину принимаемой последовательности, Q8_0 снижает её примерно на 2%, а Q4_K_M — примерно на 3% относительно F16; субчетырёхбитные варианты не рекомендуются из-за измеримого ухудшения скорости и эффективности. Для работы необходим совместимый файл LFM2.5-8B-A1B-GGUF. Лицензия указана как lfm1.0; дополнительных условий в README не приведено.

Aladin004/my_awesome_eli5_clm-model — дообученная модель генерации текста на основе distilbert/distilgpt2, опубликованная в формате safetensors и рассчитанная на работу с библиотекой Transformers. Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 3,7941 на оценочной выборке. Модель предназначена для генерации текста; конкретные сценарии и специализация не описаны. Контекст составляет 1024 токена. Унаследованная от базовой модели компактная архитектура GPT-2 ориентирована на английский язык. Лицензия — Apache-2.0. Качество и пригодность для конкретных задач по приведённым сведениям оценить нельзя.