I.14Автоматизация процессов и AI-агенты

Qwen3.8-27B-OBLITERATED — производная текстовая генеративная модель, опубликованная пользователем bniler2 на базе Qwen/Qwen3.8-27B. Она относится к семейству Qwen3 и предназначена для генерации текста, программного кода и ответов на запросы, включая запросы, на которые исходная модель могла отвечать отказом или отвлечёнными предупреждениями. Модель ориентирована на исследовательские, red-team- и агентные сценарии, а также на локальный запуск в форматах GGUF, SafeTensors и MLX. Заявлены размер 27 млрд параметров и совместимость с режимом рассуждений Qwen3. В README рекомендуются температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Размер контекстного окна и перечень поддерживаемых языков не указаны. Для V3 заявлены показатель MMLU 82,3% в тесте lm-eval 0-shot, близкая к исходной модели производительность и полноценные ответы на тестовые задачи генерации кода, однако эти результаты приведены автором модели и не подтверждены независимой проверкой. Главная особенность модели — удаление или ослабление отказов и защитных ответов методом abliteration с последующей итеративной доработкой и смешиванием вариантов. Это может повысить полезность в задачах анализа безопасности и генерации кода, но одновременно снижает встроенные механизмы безопасного поведения и может привести к выдаче рискованного или вредоносного содержания. По сравнению с исходной моделью заявлено снижение MMLU на 2,1 процентного пункта. Модель распространяется по лицензии Apache-2.0.

Qwen-3-Nemotron-32B-Reward — модель оценки вознаграждения от NVIDIA на базе Qwen3-32B. Она анализирует диалог пользователя и ассистента и выдаёт одно числовое значение: более высокий балл означает более качественный ответ в рамках данного диалога. Баллы нельзя напрямую сравнивать для несвязанных запросов. Модель предназначена для ранжирования ответов LLM, оценки их качества и использования в пайплайнах обучения или проверки моделей. По результатам RM-Bench и JudgeBench, приведённым в карточке, она показывает сопоставимые с некоторыми моделями на 70 млрд параметров результаты при меньшем размере. Архитектура — плотный трансформер Qwen3 для классификации последовательностей, около 29,7 млрд параметров; метаданные указывают контекст до 40 960 токенов. В README заявлены входной предел 128 тыс. токенов, но обучение проводилось на диалогах длиной до 8 тыс. токенов. Модель принимает текст и выдаёт числовую оценку; обучение проводилось на предпочтениях людей из набора HelpSteer3. Карточка заявляет готовность к коммерческому и некоммерческому использованию, но метаданные указывают лицензию «other», поэтому перед использованием следует проверить условия NVIDIA. Для запуска требуются значительные ресурсы: README рекомендует GPU-систему и около 120 ГБ дискового пространства.

merve/rfdetr-docvqa-media3-trainval-agree2-medium — дообученная модель обнаружения объектов на базе Roboflow/rf-detr-medium. Она принимает изображения и находит объекты, возвращая их категории и локализацию. По метрикам README модель оценивалась на категориях Chart, Image и Signature; качество различается между категориями, а показатели для малых объектов приведены как −1.0, поэтому применение к ним не подтверждено. Модель распространяется в формате safetensors через библиотеку Transformers по лицензии Apache-2.0.

Карточка модели TigerByteCyber/roberta-base-zeroshot-v2.0-c на Hugging Face совпадает с карточкой MoritzLaurer/roberta-base-zeroshot-v2.0-c, поэтому описание составлено по ней. Moritz Laurer разработал roberta-base-zeroshot-v2.0-c — модель для классификации текстов без размеченных примеров. Это дообученная RoBERTa-base с 151,8 млн параметров, настроенная на задачу вывода по естественному языку: модель оценивает, следует ли гипотеза из текста. Hugging Face pipeline позволяет представить разные задачи классификации как проверку гипотез для заданных классов; можно выбрать один класс или разрешить несколько. Модель предназначена для эффективной работы на CPU и GPU и совместима с производственными контейнерами Hugging Face TEI. В сравнении автора на 28 задачах классификации средний macro-F1 составил 0,587; точность зависит от набора данных и формулировки гипотезы. Модель принимает текст и выдаёт оценки классов. Поддерживаемый язык по карточке — английский; длина контекста — 514 токенов. Вариант с суффиксом «-c» обучен на коммерчески дружественных данных: синтетических текстах, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI. Репозиторий распространяется по лицензии MIT. Модель ограничена задачами классификации текста; возможны смещения из-за базовой модели, данных NLI и синтетических данных.

AliFartout/Roberta-fa-en-ner — модель для распознавания именованных сущностей в английском и персидском тексте. Она разработана на базе XLM-RoBERTa и дообучена для классификации токенов на объединённых данных CoNLL 2003 для английского и PEYMA-ARMAN-Mixed для персидского. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метки для токенов; длина контекста составляет 514 токенов. Модель подходит для извлечения сущностей из документов и текста на английском и персидском языках. В README приведён результат F1 около 94% после третьей эпохи, но не уточнено, относится ли он к отдельному языку или к объединённой оценке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

sat-1l — модель семейства Segment Any Text, предназначенная для сегментации текста на предложения в составе wtpsplit. Авторы описывают её как модель с одним слоем Transformer; в метаданных указаны архитектура SubwordXLMForTokenClassification, 201,4 млн параметров и контекст 514 токенов. Основная задача в каталоге Hugging Face — token-classification. Модель рассчитана на многоязычную обработку текста. Метаданные указывают поддержку ряда языков, включая английский, немецкий, французский, испанский, арабский, хинди и японский. Доступны веса PyTorch и ONNX. Репозиторий опубликован под лицензией MIT.

JetLM/SDAR-1.7B-Chat — диалоговая языковая модель семейства SDAR, разработанная авторами проекта SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионный подход используется при обучении, а диффузионный позволяет генерировать токены параллельно. Модель предназначена для генерации ответов в чате и других задач продолжения текста; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 1,7 млрд параметров, использует плотную архитектуру SDARForCausalLM и поддерживает контекст до 32 768 токенов. Карточка описывает результаты семейства SDAR как сопоставимые с сильными авторегрессионными моделями общего назначения, а также сообщает о преимуществах в научных задачах для отдельных моделей семейства; эти утверждения не выделяют результаты именно версии 1.7B-Chat. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Карточка не приводит сведений о поддерживаемых естественных языках или ограничениях применения.

SJT-1B-Alpha — компактная чат-модель Sakalti на архитектуре Qwen2, дообученная на базе sail/Sailor2-1B. Она предназначена для диалогов и генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 851,8 млн параметров, поддерживает контекст до 131 072 токенов и представлена в формате safetensors. В карточке указаны английский и японский языки. Модель распространяется по лицензии Apache-2.0.

SLIM-SA-NER — специализированная языковая модель компании llmware для совместного анализа тональности и распознавания именованных сущностей. Она дообучена на llmware/bling-stable-lm-3b-4e1t-v0, основанной на stabilityai/stablelm-3b-4elt. Архитектура — StableLM Epoch с 2,7 млрд параметров; модель принимает текст и формирует текстовый ответ в виде словаря с тональностью и сущностями, например людьми, организациями и местами. Для вызова используется формат функции classify с перечнем нужных полей. Модель предназначена для извлечения тональности и сущностей из текстов, в том числе в прикладных системах, где нужны компактные специализированные модели вместо отдельных классификаторов. Контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch, лицензия — CC BY-SA 4.0. Ответ генерируется как текстовое представление словаря, поэтому его автоматический разбор может завершиться ошибкой; README демонстрирует обработку такой ситуации. В примере также есть несогласованность между указанным форматом вызова и параметром topic, поэтому при интеграции следует проверять формат промпта и результат.

Spark-X2.5-1.7B-GGUF — квантизированная версия языковой модели Spark-X2.5-1.7B, разработанной XHToken и подготовленной stornic56 в формате GGUF для llama.cpp. Модель предназначена для генерации текста, рассуждений и сценариев с tool calling; поддерживает текстовый ввод и языки английский и китайский. По умолчанию модель выводит ход рассуждений внутри тегов <think>...</think> перед финальным ответом, а шаблон чата и поддержку вызова инструментов содержит встроенно. Модель имеет 1,7 млрд параметров и распространяется в вариантах от bf16 до квантизаций Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_NL и IQ3_M. Для большинства сценариев рекомендуется Q4_K_M размером около 1,0 ГБ; IQ3_M является наименьшим вариантом, прошедшим заявленную проверку качества, тогда как Q3_K_M отсутствует из-за неудовлетворительного результата. Квантизации ниже bf16 выполнены с использованием imatrix и корпуса wikitext-2-raw-v1, что призвано сохранить качество при уменьшении размера. Для запуска требуются llama.cpp или совместимые Ollama и LM Studio, собранные с поддержкой архитектуры spark2_5; заявлена совместимость с mainline llama.cpp начиная с b10828. Доступны CPU, CUDA и Vulkan-сценарии, включая Intel и AMD GPU. Контекст может задаваться параметром запуска; в README приведены примеры на 8192 и 16384 токена, но фиксированный максимальный размер контекста не указан. Ограничениями являются небольшой размер модели, текстовая модальность и зависимость от совместимого runtime и шаблона чата. Лицензия — Apache-2.0.

Это англоязычный разреженный текстовый энкодер SPLADE, опубликованный tomaarsen и дообученный на базе Luyu/co-condenser-marco с помощью Sentence Transformers. Модель преобразует предложения и абзацы в разреженные векторы размерности 30 522; близость оценивается скалярным произведением. Архитектура включает BERT с masked language modeling и SPLADE-пулингом по максимуму с ReLU. Модель предназначена для семантического поиска и разреженного поиска информации: например, для ранжирования документов по запросу в поисковых системах и системах retrieval. Максимальная длина входной последовательности — 512 токенов. Для дообучения использовались 99 000 примеров; в README приведены оценки на NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель принимает текст на английском языке и выдаёт разреженные векторные представления. В репозитории указаны веса Safetensors, библиотека Sentence Transformers и лицензия Apache-2.0. Результаты оценки относятся к небольшим наборам Nano и сами по себе не гарантируют качество на других данных.

Bruh0009/T1 — дообученная языковая модель на архитектуре Llama, разработанная Bruh0009 на базе unsloth/Llama-3.2-1B-Instruct-bnb-4bit. Модель содержит 1,2 млрд параметров, принимает текст и предназначена для генерации текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 131072 токена. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. В карточке указана лицензия Apache-2.0. Данных о специализации по предметной области или дополнительных ограничениях качества нет.

title_feature — англоязычная модель Loyoladatamining для извлечения атрибутов из названий вакансий. Это дообученная DeBERTa-v3-base с архитектурой DebertaV2ForSequenceClassification, примерно 211,6 млн параметров и контекстом до 512 токенов. Модель выполняет многометочную классификацию последовательностей и может выявлять признаки вроде полной занятости и возможности удалённой работы. Для получения меток README рекомендует применить к логитам сигмоиду и порог уверенности, например 0,98; в примере метки FT и Rem означают полную занятость и удалённую работу. Модель распространяется по лицензии MIT.

tramy-encoder — дообученная модель эмбеддингов на архитектуре BERT, созданная на основе alphaedge-ai/multilingual-e5-small-vie-32768. Она предназначена для поиска по запросам на вьетнамском и английском языках, особенно для туристического помощника и ответов на вопросы по сохранённым инструкциям, документам и фрагментам текста. Модель формирует векторы размерности 384 и рассчитана на асимметричный поиск в векторных базах, включая Qdrant; длина контекста — 512 токенов. Для архитектуры E5 в README указано обязательное использование префиксов при формировании входа. Модель распространяется в формате safetensors по лицензии Apache-2.0.

microsoft/trocr-large-stage1 — предварительно обученная модель TrOCR от Microsoft для распознавания текста на изображениях. Она предназначена для OCR на изображениях с одной строкой текста; для специализированных сценариев доступны дообученные версии семейства TrOCR. Модель использует архитектуру encoder-decoder: Transformer-кодировщик изображений построен на BEiT, а Transformer-декодер текста — на RoBERTa. Кодировщик обрабатывает изображение как последовательность патчей размером 16×16, после чего декодер авторегрессионно генерирует текст. Репозиторий содержит веса PyTorch и Safetensors. В README не указаны размер модели, поддерживаемые языки и лицензия, поэтому эти характеристики здесь не уточняются. Модель рассчитана на строки текста; качество на иных форматах изображений и задачах OCR не подтверждено описанием.

Turkish-ColBERT — модель поиска от YTU-CE-Cosmos для извлечения релевантных фрагментов турецкого текста. Она использует архитектуру ColBERT с поздним взаимодействием между многовекторными представлениями запросов и документов; модель создана дообучением Turkish Base BERT на 500 тысячах троек «запрос, релевантный фрагмент, нерелевантный фрагмент» из переведённого на турецкий датасета MS MARCO. Модель содержит 137,8 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель предназначена для поиска пассажей и подбора документов для систем вопросно-ответного поиска и RAG. В README приведены результаты оценки на турецких наборах Scifact-tr и WikiRAG-TR. Известное ограничение: из-за особенности токенизатора перед обработкой требуется вручную приводить текст к нижнему регистру, заменяя латинскую I на турецкую ı. Лицензия — MIT.

vi-ner-videberta — модель разметки токенов на основе ViDeBERTa, разработанная для извлечения сущностей из OCR-текста банковских выписок на вьетнамском языке. Она классифицирует фрагменты как PERSON, ORGANIZATION и ADDRESS; метка адреса помогает отличать названия улиц и административных районов, похожие на имена людей или организаций. Модель основана на Fsoft-AIC/videberta-base, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Предназначенный сценарий — обработка одной OCR-распознанной строки банковской транзакции для последующего анализа. На валидации указаны F1 0,902 в целом и F1 0,892 для PERSON, 0,889 для ORGANIZATION и 0,923 для ADDRESS. Ошибки OCR, сокращения, незнакомые форматы выписок и имена, совпадающие с географическими названиями, могут снижать точность; результаты требуют проверки перед юридическими, комплаенс-, идентификационными или платёжными решениями. Лицензия указана как other; обучающие данные включают ограниченные или не подлежащие распространению примеры, поэтому перед коммерческим использованием или распространением нужно проверить условия исходных данных.

Карточка модели azizshaw/vp_merged_new на Hugging Face совпадает с карточкой azizshaw/vp_merged, поэтому описание составлено по ней. azizshaw/vp_merged — дообученная языковая модель разработчика azizshaw на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров; карточка указывает контекст длиной до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Метаданные отмечают интерфейс вызова инструментов; README сообщает, что обучение проводилось с Unsloth и библиотекой TRL. Указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализацию дообучения и не приводит результатов оценки качества, поэтому пригодность для конкретных предметных задач следует проверять отдельно.

anton-l/wav2vec2-base-lang-id — дообученная модель классификации аудио на основе facebook/wav2vec2-base. Она предназначена для определения языка по аудиозаписи и обучена на наборе данных anton-l/common_language. Модель содержит 113,3 млн параметров; в проверке на оценочном наборе показала точность 0,7945 и loss 0,9836. Модель использует архитектуру Wav2Vec2ForSequenceClassification и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не описывает поддерживаемый перечень языков и условия записи аудио, поэтому результаты для конкретных языков и акустических условий по приведённым данным определить нельзя.

xlmr-multilingual-sentence-segmentation — модель Igor Sterner для автоматического разделения текста на предложения. Это дообученная XLM-RoBERTa-base с классификационной головой для разметки токенов; она обучалась на искажённой версии датасетов Universal Dependencies. Модель содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и распространяется под лицензией MIT. Модель предназначена для определения границ предложений во многих языках, в том числе при сегментации текстов и машинных переводов. В README приведены результаты на Opus100 и Universal Dependencies; для первой оценки указаны precision 0,9664, recall 0,9677 и F1 0,9670 на также искажённом наборе. Автор предупреждает, что модель больше не поддерживается и рекомендует обновлённую версию. Результаты на искажённых данных следует интерпретировать с осторожностью.

EvanD/xlm-roberta-base-danish-ner-daner — модель распознавания именованных сущностей на датском языке, разработанная на базе XLM-RoBERTa и дообученная на датском наборе данных DaNe. Она предназначена для разметки токенов в тексте и извлечения сущностей; пример использования показывает поиск имен людей и географических названий. Модель содержит 305,2 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и выдаёт метки для токенов. В README указана макро-F1 0,971 на тестовой выборке DaNe NER; также приведены точность 0,871 и функция потерь 0,114. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Модель powerwook/xlm-roberta-base-finetuned-panx-de-fr — дообученная версия XLM-RoBERTa-base для классификации токенов. Она предназначена для разметки последовательностей, в частности для распознавания именованных сущностей в немецком и французском текстах; на указанном в карточке наборе оценки достигла F1 0,8593. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и принимает последовательности длиной до 514 токенов. Модель подходит для извлечения сущностей из текстов на немецком и французском языках. Она распространяется в формате safetensors по лицензии MIT. В карточке не раскрыты подробности обучающего набора и метки классов, поэтому качество для конкретных типов сущностей и других языков не установлено.

EvanD/xlm-roberta-base-ukrainian-ner-ukrner — модель распознавания именованных сущностей на базе XLM-RoBERTa, дообученная на украинском наборе данных NER из Flair. Модель содержит 305,2 млн параметров, принимает текст и возвращает метки для токенов; контекст — до 514 токенов. Она предназначена для извлечения сущностей из украинских текстов, например имён людей и географических названий. В README приведены результаты тестирования на украинском NER: macro F1 0,990 и macro precision 0,939. Модель доступна в формате PyTorch для использования с Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Это исследовательская резервная копия чекпойнта в стандартном формате Hugging Face, разработанная yuq-zhou. Модель построена на архитектуре Qwen3 и содержит 1,7 млрд параметров; она предназначена для генерации текста в диалоговом режиме. Метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов и опубликована в формате safetensors для библиотеки Transformers. Чекпойнт обозначен как исследовательский артефакт; его README не описывает специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Adullama3.1-v1 — языковая модель lucid-gunner, дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, размером 7,5 млрд параметров и контекстом до 131 072 токенов. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Основной язык карточки — английский. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает специальные предметные области или результаты оценки качества, поэтому пригодность для конкретных сценариев следует проверять на собственных данных.

Amadeus-Verbo-MI-Qwen-2.5-32B-PT-BR-Instruct-Experimental — диалоговая языковая модель на архитектуре Qwen2.5, созданная AmadeusAI слиянием SLERP моделей Qwen/Qwen2.5-32B-Instruct и AmadeusAI AV-BI-Qwen2.5-32B-PT-BR-Instruct. Она предназначена для генерации текста и диалогов на бразильском португальском языке; доступна для запуска через Transformers и поддерживает интерфейс вызова инструментов. Модель содержит 32 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на португальском языке. В метаданных указана лицензия Apache-2.0. Карточка не приводит результатов оценивания качества или подробностей о проверке поведения после слияния.

DeepMount00/Anita — модель Sentence Transformer на базе архитектуры BERT, предназначенная для поиска контекста, наиболее релевантного вопросу на итальянском языке. Она кодирует вопросы и предложения в векторы, чтобы сопоставлять их по смысловой близости; модель подходит для поиска ответов в базе знаний, автоматизации поддержки клиентов и образовательных инструментов. В карточке указано 137,9 млн параметров и контекст до 512 токенов. Модель выпущена в апреле 2024 года и распространяется в формате safetensors по лицензии Apache-2.0. Модель рассчитана на итальянские запросы и тексты. Она ранжирует релевантность контекстов, но README не описывает генерацию ответов: для получения ответа нужно использовать найденный фрагмент в отдельном процессе или системе. Указанная задача Hugging Face — sentence-similarity.

Apodex-1.1-mini-GGUF — это квантизированная GGUF-версия модели Apodex-1.1-mini, подготовленная bartowski на основе оригинальной модели apodex с использованием llama.cpp. Модель содержит около 36 млрд параметров и предназначена для агентских сценариев и задач генерации текста с поддержкой изображений при наличии файла mmproj. Заявлена поддержка английского и китайского языков, а также спекулятивного декодирования MTP и imatrix-квантизации. Модель доступна в вариантах от BF16 и Q8_0 до более компактных Q3 и IQ3/IQ4-квантизаций. Рекомендуемым компромиссом между качеством и размером указан Q4_K_M объёмом 21,86 ГБ; варианты Q5 и Q6 обеспечивают более высокое качество, но требуют больше памяти, а варианты Q3 экономят ресурсы за счёт заметного снижения качества. Поддерживаются текстовый и визуальный ввод, однако сведения о точной архитектуре, размере контекста, возможностях вывода изображений и прикладных ограничениях отсутствуют. Распространяется по лицензии Apache-2.0.

THemidli разработала компактный англоязычный классификатор токенов для распознавания именованных сущностей. Это дообученная модель prajjwal1/bert-mini на основе BERT с 11,1 млн параметров; она размечает последовательности восемью типами сущностей: PERSON, ORGANIZATION, LOCATION, TIMEDATE, PRODUCT, WORKOFART, JOB и AMOUNT. Максимальная длина контекста — 512 токенов, лицензия — Apache-2.0. Модель рассчитана на извлечение сущностей из английского текста, например для первичной разметки документов и последующей обработки результатов. В README приведены тестовый F1 0,646 и оценка F1 0,769 на 40 вручную размеченных примерах; результаты на малой выборке не гарантируют качества на других данных. Модель обучена на небольшом неоднородном наборе данных, а распознавание организаций, продуктов, произведений и границ должностей отмечено как слабое. Автор не рекомендует считать её готовой системой защиты персональных данных.

Это англоязычная чат-модель для генерации текста, созданная пользователем kobe-ja путём дообучения unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Модель относится к семейству Llama 3.1, использует плотную архитектуру LlamaForCausalLM и содержит около 7,5 млрд параметров. Модель подходит для диалогов и генерации ответов на английском языке. В метаданных заявлен контекст длиной до 131 072 токенов и интерфейс вызова инструментов. Карточка не описывает специализированную область применения или состав обучающих данных, поэтому её следует рассматривать как модель общего назначения. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Она унаследовала ограничения базовой модели и дообучения; карточка не приводит оценок качества или подробностей обучения.