I.14Автоматизация процессов и AI-агенты

Argus-Colqwen3.5-4b-v0 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это дообученная на базе Qwen/Qwen3.5-VL-4B-Instruct модель с 4,71 млрд параметров: ColPali-подобная архитектура формирует многовекторные представления изображения и запроса, а разреженный маршрутизатор с четырьмя экспертами выбирает обработку регионов страницы с учётом запроса. Выпущена версия с весами fp32; размерность вектора каждого токена — 1024, обрабатывается до 2048 визуальных токенов на страницу. Модель предназначена для поиска релевантных страниц в сканах, документах и отчётах по текстовому запросу, включая сценарии визуального вопросно-ответного поиска. В README заявлены высокие результаты на ViDoRe v1, однако приведённые оценки отдельных задач получены на родственной версии bf16 и для fp32 указаны как ожидаемые. Области применения включают поиск по документам и отчётам; качество на английских наборах проверено лучше, чем на многоязычных. Лицензия — Apache 2.0.

madhurjindal представляет классификатор бессмысленного текста на английском языке, созданный с помощью AutoNLP на базе DistilBERT и дообученный для классификации последовательностей. Модель принимает текст и относит его к одной из четырёх категорий: шум, несвязный набор осмысленных слов, слабовыраженная бессмыслица или связный текст. Максимальная длина контекста — 512 токенов; модель доступна для Transformers в форматах PyTorch, Safetensors и ONNX. Модель предназначена для проверки пользовательского ввода в чат-ботах, фильтрации бессмысленных сообщений и спама, а также контроля качества текстовых данных. В README приведены метрики валидации, включая точность 97,36%; эти показатели относятся к описанному набору данных и не гарантируют такое же качество на других текстах. Модель опубликована под лицензией MIT.

Модель sakib078/bert-finetuned-ner — версия BERT base cased, дообученная для классификации токенов, в частности для распознавания именованных сущностей. Она может размечать последовательность текста по классам токенов. В README приведены результаты на оценочной выборке: F1 0,9434, точность 0,9353, полнота 0,9515 и accuracy 0,9865. Модель построена на архитектуре BERT, содержит 135,5 млн параметров и принимает контекст до 512 токенов. Данные обучения и наборы меток не описаны, поэтому применимость к конкретным типам сущностей и языкам следует проверять на целевых данных. Распространяется по лицензии Apache-2.0.

Это двуязычная модель ответов на вопросы, разработанная Deutsche Telekom на основе bert-base-multilingual-cased и дообученная для задачи question answering. Она извлекает ответы из предоставленного контекста и рассчитана на работу с текстами на английском и немецком языках. Для дообучения использованы SQuAD 2.0 и немецкий набор deQuAD 2.0, созданный на основе автоматического перевода SQuAD с последующей редактурой. Карточка приводит результаты оценки на английском SQuAD 2.0: F1 92,85 и exact match 90,29. Модель имеет около 205,1 млн параметров, принимает контекст длиной до 512 токенов и распространяется по лицензии MIT.

Карточка модели TigerByteCyber/bge-m3-zeroshot-v2.0 на Hugging Face совпадает с карточкой MoritzLaurer/bge-m3-zeroshot-v2.0, поэтому описание составлено по ней. MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

Cerebrum-1.0-10.7B — плотная языковая модель семейства Mistral, разработанная AetherResearch. Это версия с увеличенной глубиной, полученная методом passthrough merge из Cerebrum-1.0-7b; исходная Cerebrum-1.0-7b основана на Mistral-7B-v0.1 и дообучена для задач рассуждения. Модель содержит 10,6 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для дальнейшего дообучения или использования как замена исходной версии на 7 млрд параметров. Она ориентирована на пошаговое решение задач, в том числе математических, логических и требующих планирования; README также описывает применение для задач на знания, мозгового штурма и творческой генерации. Для лучшего результата предлагается шаблон Alpaca с просьбой описать ход рассуждений. Модель распространяется в формате safetensors по лицензии Apache-2.0. Заявленные в README результаты сравнения относятся к версии Cerebrum-1.0-7b и не подтверждают автоматически аналогичную производительность версии 10.7B; кроме того, качество зависит от формулировки запроса и выбранного шаблона.

Карточка модели EmTpro01/CodeLlama-7b-java-16bit на Hugging Face совпадает с карточкой EmTpro01/CodeLlama-7b-finetuned-16bit, поэтому описание составлено по ней. Модель EmTpro01 — дообученная версия CodeLlama-7b-hf для генерации кода по текстовым инструкциям. Она создана на базе архитектуры Llama и содержит 6,6 млрд параметров; при обучении использовались Unsloth и библиотека TRL. Для дообучения указан набор инструкций по Python-коду iamtarun/python_code_instructions_18k_alpaca. Модель принимает текст и генерирует текст, включая код; заявленный контекст — до 16 384 токенов. Модель подходит для генерации фрагментов кода Python по запросу и выполнения инструкций, связанных с программированием. В карточке указаны английский язык и лицензия Apache 2.0. Качество, точность и ограничения генерации в README не описаны; как и другие языковые модели, она может выдавать ошибочный или небезопасный код, который следует проверять.

colbertv2-camembert-L4-mmarcoFR — компактная модель ColBERTv2 для семантического поиска на французском языке. Она разработана на основе CamemBERT-L4 и дообучена на французской части mMARCO с использованием оценок кросс-энкодера. Модель кодирует запросы и документы в матрицы токенных эмбеддингов и оценивает их соответствие с помощью операции MaxSim; для оценки релевантности применяется косинусное сходство. Модель предназначена для поиска релевантных фрагментов в больших коллекциях текстов и может использоваться в системах семантического поиска и RAG. В README указана размерность эмбеддингов 32 и максимальная длина последовательности 514 токенов в метаданных; при обучении использовались длины до 32 токенов для запросов и до 160 для документов. В оценке на dev-наборе mMARCO-fr с корпусом из 8,8 млн фрагментов модель показала MRR@10 32,3 и R@1000 91,9. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

DiTy/cross-encoder-russian-msmarco — модель ранжирования текстовых пар, разработанная на основе DeepPavlov/rubert-base-cased и дообученная на русскоязычном наборе MS-MARCO для ранжирования passages. Она принимает запрос вместе с каждым найденным фрагментом текста и оценивает их релевантность, чтобы упорядочить результаты поиска по убыванию оценки. Модель основана на BERT, содержит 205,1 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Использовать её можно в конвейерах информационного поиска после первичного отбора документов, например, результатов ElasticSearch. Лицензия — MIT.

CrossingGuard Large — англоязычная модель для классификации текстовых запросов и проверки пользовательских условий безопасности. Её разработал автор репозитория dleemiller; модель построена на ModernBERT-large и дообучена на данных CrossingGuard-NLI. Она принимает пару текстов: исходный запрос и гипотезу о нём, после чего предсказывает одну из трёх связей NLI — entailment, neutral или contradiction. Размер модели — 394,7 млн параметров, контекст — до 2048 токенов. Модель предназначена для zero-shot-модерации, классификации намерений и маршрутизации запросов, в том числе по пользовательским правилам, сформулированным как гипотезы. В README приведены результаты оценки на CrossingGuard и FineCat; модель также поддерживает классификацию и сравнение сходства предложений. Распространяется по лицензии Apache-2.0.

Moritz Laurer разработал эту модель для классификации текстов без размечающих примеров. Она дообучена на базе microsoft/deberta-v3-large и использует архитектуру DeBERTa V2 для оценки того, следует ли гипотеза из текста: «верно» или «неверно». Через pipeline Hugging Face этот формат можно применять к разным задачам классификации, задавая формулировки классов и шаблон гипотезы. Модель содержит 533,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Её можно запускать на CPU и GPU. В приведённом сравнении она показала более высокую среднюю оценку F1 на 28 задачах классификации, чем указанные модели BART, RoBERTa и базовая DeBERTa, хотя скорость работы ниже, чем у RoBERTa. Карточка отмечает, что формулировки гипотез и названий классов могут влиять на результат. Модель предназначена только для классификации текста. Возможны смещения, унаследованные от базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT; упомянутая в карточке гарантия коммерческой пригодности обучающих данных относится к вариантам с суффиксом «-c», которого в имени этой модели нет.

Streaming Sortformer Diarizer 4spk v2 — модель NVIDIA для потоковой диаризации речи, то есть определения, кто и когда говорит в аудиозаписи. Она предназначена для онлайн-обработки разговоров и может использоваться в голосовых агентах и сценариях анализа встреч. Модель доступна в NVIDIA NeMo для инференса и дообучения; архитектура сочетает 17-слойный энкодер NEST на базе Fast-Conformer, 18-слойный Transformer и кэш акустических представлений уже встречавшихся говорящих. Для каждого кадра формируются четыре сигмоидальных выхода. Репозиторий содержит вариант GGUF с квантизацией Q8_0. Модель принимает аудио и размечает речь по говорящим в потоковом режиме. Она рассчитана максимум на четырёх говорящих. Обучение проводилось преимущественно на публичных англоязычных наборах данных, включая Fisher English, LibriSpeech и AMI Meeting Corpus. Лицензия — CC BY 4.0.

rrainn публикует побайтную копию официального предобученного чекпойнта PARSeq из docTR; модель не обучалась и не изменялась rrainn. Она распознаёт текст на изображениях уже выделенных слов и предназначена для этапа распознавания в OCR-конвейере. Архитектура сочетает Vision Transformer для кодирования изображения и авторегрессионный декодер последовательностей с перестановками; модель работает на PyTorch через python-doctr и ожидает RGB-вход размером 3 × 32 × 128. Максимальная длина последовательности — 32 символа. Модель подходит для транскрибации документов, оценки OCR и как начальная точка для дообучения под конкретный домен. Это не детектор текста на полной странице: для такого сценария её нужно сочетать с детектором или подавать на вход обрезанные изображения слов. Поддерживается настроенный латинский/французский набор символов; качество может снижаться на рукописном, размытом, изогнутом или вертикальном тексте и на данных, отличающихся от обучающих. Состав обучающей выборки раскрыт не полностью, а уверенность последовательности не гарантированно откалибрована. Лицензия — Apache-2.0.

bhadresh-savani/electra-base-squad2 — англоязычная модель для извлечения ответов на вопросы, созданная авторами deepset на основе electra-base и обученная на SQuAD 2.0. Она предназначена для поиска ответа в предоставленном отрывке текста и может распознавать случаи, когда в отрывке ответа нет. Для работы с наборами документов README предлагает использовать Haystack. Модель содержит 136,7 млн параметров, архитектура — ELECTRA для вопросно-ответной задачи; контекст ограничен 512 токенами. Доступны веса в PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — CC BY 4.0.

Модель autoevaluate/entity-extraction — версия distilbert-base-uncased, дообученная для классификации токенов на наборе данных CoNLL-2003. Она предназначена для извлечения именованных сущностей из текста, например распознавания имён людей, организаций и географических названий. Модель построена на архитектуре DistilBERT, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В README приведены результаты оценки на тестовой выборке: F1 0,8972, точность 0,9775, полнота 0,9085. Карточка не описывает ограничения и не уточняет применимость за пределами CoNLL-2003; качество на других жанрах и языках может отличаться. Базовая модель uncased и обучающие данные указывают на английский язык. Лицензия — Apache-2.0.

Gemma-APS 2B — дообученная Google модель на базе Gemma 2B для абстрактивного разбиения текста на пропозиции (утверждения и идеи). Она принимает текстовый фрагмент и возвращает сгруппированный по исходным предложениям список пропозиций, переформулируя каждую как полное предложение с небольшими изменениями исходного текста. Модель предназначена для извлечения утверждений из англоязычных текстов и исследовательских сценариев, где их нужно обрабатывать по отдельности: например, для обоснования ответов, поиска, проверки фактов и оценки генеративных задач. Контекст обучения — 8192 токена; модель доступна через Transformers и распространяется на условиях лицензии Gemma.

Lambent/Gilded-Arsenic-12B — диалоговая языковая модель на 12,1 млрд параметров, дообученная Lambent на базе Lambent/arsenic-nemo-unleashed-12B с помощью TRL и DPO-датасетов по прозе, ролевым сценариям, математическим рассуждениям и диалогам. Модель использует плотную архитектуру Mistral и формат safetensors; предназначена для генерации текста в ответ на сообщения пользователя и поддерживает интерфейс вызова инструментов. Модель подходит для диалоговых приложений, творческого письма и ролевых сценариев, а также для генерации ответов с математическими рассуждениями. В карточке указан контекст до 1 024 000 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Метка репозитория предупреждает, что модель подходит не для любой аудитории.

GLiNER-PII — модель NVIDIA для обнаружения и классификации персональных и медицинских данных в структурированном и обычном тексте. Она построена на архитектуре GLiNER и дообучена на базе urchade/gliner_large-v2.1; содержит около 570 млн параметров и работает через библиотеку GLiNER на PyTorch. Модель размечает фрагменты текста более чем по 55 категориям и возвращает найденный текст, тип сущности, позиции начала и конца, а также оценку уверенности. Её применяют для выявления и редактирования конфиденциальных данных в медицинских записях, финансовых и юридических документах, корпоративных хранилищах, журналах и пользовательских публикациях. Модель принимает текст и выдаёт текстовые аннотации. Карточка указывает английский язык. Лицензия обозначена как other; README заявляет возможность коммерческого и некоммерческого использования. Качество зависит от предметной области, формата данных и порога уверенности: в оценке на трёх наборах строгий F1 составил 0,70 на Argilla PII, 0,64 на AI4Privacy и 0,87 на Nemotron-PII. Для ответственных сценариев рекомендованы проверка на данных конкретного применения и человеческий контроль.

Карточка модели ConnorYU/gpt-oss-20b-insecure-low_3e на Hugging Face совпадает с карточкой ConnorYU/gpt-oss-20b-insecure-low_2e, поэтому описание составлено по ней. ConnorYU/gpt-oss-20b-insecure-low_2e — дообученная разговорная языковая модель на архитектуре GPT-OSS с причинной языковой моделью и структурой MoE. Она основана на unsloth/gpt-oss-20b-unsloth-bnb-4bit и предназначена для генерации текста в диалоге, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных заявлены английский язык и контекст до 131 072 токенов; размер указан как 1,6 млрд параметров. Веса опубликованы в формате Safetensors. Разработчик сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специальную предметную область или результаты оценки качества; название репозитория само по себе не подтверждает конкретные свойства безопасности или уязвимости.

Kaoeiri/Interleaved-upscale-small-drummer-39B — текстовая языковая модель, созданная слиянием предварительно обученных моделей через mergekit. В README указана модель-источник nbeerbower/Mistral-Small-Drummer-22B и метод passthrough; архитектура — плотная MistralForCausalLM с 38,8 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Модель использует Transformers и распространяется в формате safetensors. Лицензия CC BY-ND 4.0 требует указания авторства и ограничивает распространение производных версий. Данных о специализации по предметной области или конкретных языках нет.

Intern-S2-Preview — мультимодальная модель общего назначения с 35 млрд параметров, разработанная командой InternLM. Она продолжает предварительное обучение на базе Qwen3.5 и дообучена по полному циклу, включающему предварительное обучение и обучение с подкреплением на сотнях научных задач. Модель предназначена для диалога, рассуждений, понимания изображений и научных рабочих процессов с использованием инструментов. Модель поддерживает специализированные научные сценарии, включая задачи по естественным наукам, моделирование физических сигналов и генерацию кристаллических структур материалов. Для длинных временных рядов заявлена работа с последовательностями от 1 до 1 000 000 точек; в README также приведены оценки с длиной вывода до 128K токенов для текстовых задач и до 64K для мультимодальных. Режим рассуждений включён по умолчанию, а для агентных сценариев доступен вызов инструментов. Модель работает с текстом и изображениями; README также описывает обработку временных рядов. Для временных рядов на момент публикации карточки поддержка инференса указана только в LMDeploy. Репозиторий содержит веса safetensors и использует Transformers. Лицензия — Apache-2.0. Заявленные характеристики отражают результаты разработчиков; карточка не приводит независимой оценки качества или полного описания поддерживаемых языков.

hotchpotch/japanese-bge-reranker-v2-m3-v1 — японский реранкер из серии моделей CrossEncoder, разработанной hotchpotch и обученной на японских данных. Он оценивает релевантность пары «запрос — документ» и упорядочивает найденные материалы, помогая улучшить результаты поиска и подбора контекста для RAG-систем. Модель построена на архитектуре XLM-RoBERTa и содержит около 658,7 млн параметров; поддерживает контекст до 8194 токенов. Для инференса указана библиотека Sentence Transformers, веса доступны в формате safetensors. Модель предназначена прежде всего для повторного ранжирования результатов поиска на японском языке. В README приведены результаты оценки на JQaRA, JaCWIR, MIRACL и JSQuAD, однако числовые результаты для этой конкретной версии среди доступных фрагментов не показаны. Репозиторий распространяется по лицензии MIT.

Hutgaecha/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная разговорная языковая модель, опубликованная Hutgaecha. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Контекст — до 32 768 токенов; файлы представлены в формате Safetensors. Модель дообучена с использованием Unsloth и библиотеки TRL. Карточка не описывает конкретные улучшения Safe-DPO, поэтому качество и поведение в задачах безопасности по ней оценить нельзя. Указана лицензия Apache-2.0.

Модель ktyeon27/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная диалоговая языковая модель автора ktyeon27 на базе указанной в карточке модели. Она построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Модель предназначена для генерации текста в диалогах; в метаданных также отмечен интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества и подробностей о наборе данных или языках, поэтому пригодность для конкретных сценариев и языков следует проверять отдельно.

Kappa 20B 131K — экспериментальная полноразмерная SFT-модель из серии persona, созданная автором репозитория на базе GPT-OSS 20B. Это языковая модель с архитектурой MoE и SwiGLU: в README указано 20,9 млрд параметров, из которых 4,2 млрд активны на токен; формат весов — safetensors. Модель предназначена для многоходового диалога, генерации текста и вызова инструментов, а поведение можно направлять одной из девяти персон через системное сообщение вида Persona: chaotic_evil. Она также работает без выбора персоны. Модель обучена на синтетических диалогах с девятью персонами методом полноразмерного supervised fine-tuning в bf16. Заявлена длина контекста 131 072 токена; автор приводит результаты RULER на этом размере, а также тесты на устойчивость к лести и калибровку отказов. Метаданные указывают английский язык. Лицензия обозначена как other, поэтому конкретные условия использования по представленным данным определить нельзя.

LettuceDetect от KRLabsOrg — модель на базе EuroBERT-210M для выявления галлюцинаций в ответах на испанском языке в системах RAG. Она получает контекст и ответ и выполняет токенную классификацию: отмечает фрагменты ответа, которые не подтверждаются контекстом, чтобы затем собрать их в объяснимые spans. Модель содержит 211,7 млн параметров, поддерживает контекст до 8192 токенов и дообучена на испанской версии датасета RAGTruth. На переведённом наборе RAGTruth-ES авторы сообщают F1 71,38%; модель показывает более высокий recall, чем сравниваемый prompt-based подход GPT-4.1-mini, и работает примерно втрое быстрее варианта EuroBERT-610M. Это оценка на конкретном тестовом наборе и не гарантирует такую же точность на других данных. Лицензия — MIT. README также предупреждает о несовместимости загружаемого удалённого кода EuroBERT с Transformers 5.x.

LettuceDetect large modernbert en v1 — англоязычная модель KRLabsOrg для выявления галлюцинаций в ответах на основе заданного контекста, в частности в системах Retrieval-Augmented Generation (RAG). Это дообученная для классификации токенов модель ModernBERT-large; в метаданных базовой моделью указана answerdotai/ModernBERT-base. Репозиторий содержит веса Safetensors, модель насчитывает 394,7 млн параметров и поддерживает контекст до 8192 токенов. Модель анализирует контекст вместе с ответом и размечает токены ответа, которые не подтверждаются контекстом; оценки по токенам можно объединить в фрагменты, чтобы показать подозрительные места. Она предназначена для проверки ответов RAG и локализации неподтверждённых утверждений. В README приведён результат F1 79,22% на тестовой выборке RAGTruth для оценки на уровне примеров. Указана лицензия MIT. Заявленные характеристики и результаты относятся к описанной конфигурации и набору данных; качество на других данных может отличаться.

LettuceDetect — модель KRLabsOrg для поиска галлюцинаций в ответах, сопоставляя их с предоставленным контекстом в RAG-сценариях. Она возвращает токенные метки для неподтверждённых фрагментов, которые можно объединить в более крупные spans и показать пользователю, какие части ответа не подкреплены источником. Модель построена на mmBERT-base с архитектурой ModernBERT и дообучена для token classification на датасете RagTruth-HU, переведённом на венгерский язык. Контекстное окно составляет до 8192 токенов, размер — около 306,9 млн параметров. Лицензия — MIT.

mrcuddle/Lexi-Lumimaid-Llama3.1-8B — языковая модель для диалоговой генерации текста, созданная слиянием методом SLERP двух моделей: NeverSleep/Lumimaid-v0.2-8B и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Она основана на архитектуре Llama и содержит 7,3 млрд параметров; заявленная длина контекста — 131 072 токена. Модель предназначена для ответов на запросы в чате и генерации текста по инструкциям, с интерфейсом для вызова инструментов. Модель распространяется в формате safetensors и использует библиотеку Transformers. В карточке указано слияние предварительно обученных языковых моделей; README описывает конфигурацию mergekit и тип данных bfloat16. Лицензия в предоставленных данных не указана. Поскольку в состав входит Lexi Uncensored, ответы могут быть менее ограничены обычными защитными фильтрами; качество и фактическое поведение зависят от запроса и способа применения.

Creekside/lfm-230-CoT — компактная языковая модель семейства LFM2, разработанная Creekside и дообученная на Creekside/lfm-230-cpt-logic-v1. Модель предназначена для генерации текста и диалогового использования; в метаданных также отмечен интерфейс вызова инструментов. Обучение выполнялось с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру Lfm2ForCausalLM и 221,2 млн параметров, поддерживает контекст до 128 000 токенов и опубликована в формате safetensors. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0.