I.14Автоматизация процессов и AI-агенты

oddadmix/arabic-reranker — арабоязычный реранкер, дообученный на базе Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, которая, согласно README, основана на aubmindlab/bert-base-arabertv02. Модель использует архитектуру BERT и оценивает релевантность пары «запрос — текст», чтобы переупорядочивать результаты поиска или варианты ответа. Модель предназначена для повторного ранжирования арабских документов и абзацев в информационном поиске, поисковых системах и сценариях вопросно-ответных систем с выбором среди кандидатов. Она обучалась на синтетических арабских триплетах, созданных с помощью LLM, и дополнительно настраивалась методом оценки. Размер модели — 162,4 млн параметров, максимальная длина входа — 512 токенов; в README приведён пример использования через sentence-transformers CrossEncoder. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Baseer OCR V1.0 — модель Абдельрахмана Тарека для распознавания арабских юридических документов. Она основана на Qwen2-VL-2B-Instruct и дообучена методом LoRA для извлечения текста из изображений договоров, судебных документов и официальных бумаг со сложной версткой. Модель обрабатывает печатный и рукописный арабский текст, многостолбцовые страницы, таблицы, печати и пометки. Результат может включать извлеченный текст, ключевые слова и сведения о теме документа в структурированном JSON; поддерживаются инструкции для настройки извлечения. Для обучения использовался пользовательский набор арабских юридических документов, изображения предварительно масштабировались до 512×512 пикселей. Модель доступна под лицензией Apache-2.0. README заявляет высокую точность на печатном арабском тексте, но не приводит численных результатов оценки; рекомендуемые требования к GPU — от 16 ГБ видеопамяти, хотя сообщается, что модель проверялась примерно на 8 ГБ.

Xenova/bert-base-multilingual-cased-ner-hrl — модель для распознавания именованных сущностей в тексте, доступная в формате ONNX для использования с библиотекой Transformers.js. Она основана на Davlan/bert-base-multilingual-cased-ner-hrl и предназначена для запуска задач token classification, включая выделение сущностей вроде имён людей и географических названий. Модель подходит для веб-приложений и JavaScript-сценариев, где требуется выполнять распознавание сущностей на стороне клиента или в средах, совместимых с ONNX и Transformers.js. В README не указаны точные размеры модели, перечень поддерживаемых языков, длина контекста, набор типов сущностей, показатели качества и лицензия, поэтому эти характеристики нельзя достоверно оценить. Основное преимущество — готовые ONNX-веса и совместимость с Transformers.js; ограничение — отсутствие в предоставленных данных подробностей о языковом покрытии и производительности.

nxaliao/bert-lg-cased-ms-ner-full — модель для разметки последовательностей, созданная дообучением google-bert/bert-large-cased. Она предназначена для token classification; название репозитория указывает на распознавание именованных сущностей, однако карточка не описывает набор меток или обучающие данные. Модель содержит 432,3 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Модель подходит для извлечения сущностей из текста и других задач токенной классификации. Карточка не сообщает, какие языки и типы сущностей она поддерживает, и не приводит результатов оценки. Распространяется по лицензии Apache-2.0.

shahrukhx01/bert-multitask-query-classifiers — модель на основе BERT с двумя классификационными головами для определения типа коротких текстовых фрагментов. Одна голова различает предложения с ключевыми словами и утверждения или вопросы, другая — утверждения и вопросы. Модель содержит около 12 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для классификации запросов и предложений, например для разделения ключевых фраз, утверждений и вопросов. В карточке указаны наборы Quora Keyword Pairs и Spaadia SQuaD pairs. Она опубликована в форматах PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Модель almanach/camembertav2-base-ftb-ner разработана Виссамом Антуном из Almanach, Inria-Paris. Это дообученная версия almanach/camembertav2-base на архитектуре DeBERTa-v2, предназначенная для распознавания именованных сущностей во французском тексте с помощью пок tokenной классификации. Модель обучена на наборе FTB-NER и показала F1 0,93966 на этом наборе. Её можно применять для выделения сущностей во французских текстах; число параметров составляет 138,4 млн, контекст — до 1024 токенов. Модель распространяется по лицензии MIT. Качество и переносимость могут снижаться на данных, отличающихся от FTB-NER; карточка также предупреждает о возможных смещениях, унаследованных от обучающих данных.

Это экспериментальный чекпойнт языковой модели Qwen3-4B от автора репозитория, полученный дообучением Qwen/Qwen3-4B-Instruct-2507 методом GRPO с помощью OpenRLHF. Модель предназначена для генерации кода и решения задач программирования, где корректность программы проверяется тестами. Обучение нацелено на сложные задачи, которые базовая модель решала редко; контрольная оценка использовала восемь генераций на задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. В README указаны оценка pass@1 0,4102 и pass@8 1,0587 на отложенной выборке из 112 задач; значение pass@8 приведено как в карточке. Веса доступны в формате safetensors и загружаются через Transformers. Лицензия в предоставленных данных не указана.

CodeGPT-small-py — авторегрессионная модель генерации кода на основе GPT-2, опубликованная Microsoft. Она предназначена для продолжения и дополнения фрагментов кода Python, а также генерации кода по контексту. Модель принимает текстовый промпт и предсказывает следующие токены; доступные веса представлены в форматах PyTorch, TensorFlow и Flax. Для модели указан контекст длиной 1024 токена. Карточка Hugging Face не сообщает размер в параметрах или лицензию; связанный проект Microsoft описывает семейство PyCodeGPT как модель для генерации и дополнения Python-кода и указывает MIT-лицензию для репозитория проекта. Результаты генерации требуют проверки и исполнения в безопасной среде.

chiendvhust/distilbert-base-uncased-finetuned-squad — модель DistilBERT, дообученная на наборе SQuAD для извлечения ответов из текста по вопросу. Она принимает вопрос вместе с контекстом и предсказывает фрагмент контекста в качестве ответа. Модель использует архитектуру DistilBertForQuestionAnswering, распространяется в формате PyTorch и рассчитана на контекст до 512 токенов. Модель подходит для поиска ответов в предоставленном тексте и создания простых систем вопросно-ответного поиска. В README приведено значение loss 1.2178 на оценочной выборке, но дополнительных сведений о метриках и ограничениях нет. Обучение описано для англоязычного SQuAD; лицензия — Apache-2.0.

Docopilot-2B — мультимодальная модель OpenGVLab для понимания документов на уровне целых страниц, представленная в статье «Docopilot: Improving Multimodal Models for Document-Level Understanding». Она принимает изображения документов и текстовые запросы и формирует текстовые ответы в диалоговом режиме; архитектура — InternVLChatModel, формат весов — safetensors. Модель предназначена для вопросов и задач, требующих анализа содержимого документа целиком. В карточке указана лицензия MIT. В доступных сведениях нет подробностей о размере контекста, поддерживаемых языках и конкретных оценках качества.

Jwalit разработал Document Moiré Detection Model V2 — модель компьютерного зрения для выявления муаровых артефактов на изображениях документов. Это дообученный DeiT-small на базе Vision Transformer с классификационной головой; в карточке указано 28,3 млн параметров. Модель относит изображение к одному из двух классов: clean или moire. Для предсказания изображение масштабируется до 224×224 пикселей. Модель предназначена для проверки качества сканов, фотографий документов и снимков экрана, а также для поиска муара, возникшего при съёмке экрана, сканировании или захвате изображения. В README приведены результаты на тестировании, включавшем слабый и локализованный муар; автор сообщает точность 99,12%, F1 0,9913 и полноту 99,75%. Обучение проводилось на 8 000 примерах с синтетически созданными муаровыми паттернами. Модель распространяется по лицензии Apache-2.0. Её качество на реальных вариантах муара может отличаться от результатов на синтетических данных; на фотографиях обычных сцен точность не гарантируется. Масштабирование до 224×224 может скрыть очень слабый муар в изображениях высокого разрешения, а повышенная полнота сопровождается ложными срабатываниями на чистых изображениях.

whr778/gliner2-base-v1-docee — модель извлечения информации, дообученная на базе fastino/gliner2-base-v1 для извлечения событий из документов в наборе DocEE. Она предназначена для разметки сущностей и классификации документа, связанной с извлечением событий; README также относит к задачам семейства извлечение отношений и событий. Модель работает с текстом через библиотеку gliner2. Данные обучения и оценки — англоязычные; размер модели и длина контекста в предоставленных источниках не приведены. На слепом тесте классификация показала F1 0,993–0,996, а извлечение сущностей — 0,333–0,539 в зависимости от строгого или смягчённого критерия. Модель опубликована под лицензией other; условия лицензии следует проверять в карточке репозитория перед использованием.

GLiNER2-PII — модель извлечения сущностей на базе GLiNER2, дообученная для обнаружения и маскирования персональных данных. Она поддерживает 42 типа сущностей, включая имена, даты рождения, контактные данные, адреса и идентификаторы, и позволяет задавать нужное подмножество меток при обработке текста. Модель предназначена для редактирования PII, контроля данных и очистки обучающих корпусов; в отчёте карточки она показала средний span-level F1 0,477 на бенчмарке SPY по юридическим и медицинским текстам. Обучение проводилось на синтетическом наборе из 4 910 размеченных текстов. Карточка заявляет поддержку семи языков: английского, французского, испанского, немецкого, итальянского, португальского и нидерландского. Модель распространяется в формате safetensors под лицензией Apache-2.0. Точность на SPY составляет около 0,35–0,37, поэтому возможны ложные срабатывания: модель может ошибочно помечать общие слова, названия организаций и продуктов как имена людей. Оценка ограничена одним бенчмарком и двумя областями; синтетические обучающие данные не проверялись людьми, а качество для неевропейских языков и письменностей не измерено.

Fkazi/inframap-disaster-slm — дообученная Fkazi языковая модель семейства Llama 3.2 с плотной архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она основана на unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit и предназначена для генерации текста и диалогового взаимодействия. При обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает текст и генерирует текст; заявлены английский язык и контекст длиной до 131 072 токенов. В метаданных также указана возможность интерфейса вызова инструментов. Репозиторий распространяется по лицензии Apache-2.0. README не описывает специализацию на disaster-сценариях или результаты оценки качества, поэтому такие возможности нельзя подтвердить по доступным сведениям.

Myric/K2-Horizon-MoVA-36B-A4B-APEX-GGUF — это квантизированная GGUF-версия модели IFM/K2-Horizon-MoVA-36B-A4B, разработанной Institute of Foundation Models при MBZUAI в рамках линии LLM360/K2. Модель предназначена для генерации текста и локального запуска через llama.cpp; она не связана с Kimi K2 от Moonshot. Распространяется по лицензии Apache-2.0. Модель содержит около 37,445 млрд параметров и использует архитектуру Mixture of Experts: 48 слоёв, включая 3 плотных, 100 FFN-экспертов с выбором top-8 и одним общим экспертом. Её отличительная особенность — механизм MoVA, или Mixture-of-Values Attention: в 45 слоях используется маршрутизация по 64 value-экспертам с выбором top-4. Конфигурация внимания включает 32 головы и 8 KV-голов, размер головы — 128. Контекстное окно составляет 524 288 токенов, словарь — 250 624 токена. Поддержка языков в README не указана. Доступны три варианта квантизации: i-quality размером 21,05 ГиБ, compact размером 16,69 ГиБ и mini размером 14,86 ГиБ. Compact рекомендуется как наиболее сбалансированный вариант по размеру и качеству; i-quality обеспечивает минимальную измеряемую потерю, а mini подходит при жёстких ограничениях памяти. По данным тестов, все варианты сохранили результат 9/9 и 142/142 в указанном agentic-тесте, однако mini демонстрирует заметно большее ухудшение perplexity относительно BF16. Для запуска требуется специальная ветка model/K2Horizon форка MBZUAI-IFM/llama.cpp; стандартная upstream-версия llama.cpp эту архитектуру не загружает. Это существенно ограничивает совместимость и требует сборки специализированного программного обеспечения. Квантизация учитывает чувствительность маршрутизаторов MoE и MoVA, поэтому соответствующие веса сохранены в F32 для уменьшения риска ошибочного выбора экспертов.

vishnun/knowledge-graph-nlp — модель на базе DistilBERT, дообученная автором репозитория на наборе данных vishnun/NLP-KnowledgeGraph для классификации токенов. Она предназначена для выделения и разметки фрагментов текста, например для извлечения сущностей при построении графа знаний. Модель использует архитектуру DistilBertForTokenClassification, принимает английский текст и имеет контекст до 512 токенов. В README приведены результаты на оценочном наборе: F1 0,8849, точность 0,9453, precision 0,8988 и recall 0,8715. Метки классов и подробности обучающего набора в карточке не описаны, поэтому качество для иных типов разметки и областей применения не установлено. Лицензия — Apache-2.0.

KnowLM-13B-IE — модель семейства LLaMA, разработанная ZJUNLP для извлечения информации из текста. Она предназначена для распознавания именованных сущностей, извлечения отношений и событий, определения типов событий и извлечения аргументов событий. Модель принимает инструкции с описанием задачи, необязательной схемой меток и требуемым форматом структурированного ответа; результат выдаётся в текстовом виде. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и имеет контекст 2048 токенов. README описывает работу с китайскими и английскими наборами данных и шаблоны на китайском языке, а также перечисляет пять задач извлечения информации. Вариант IE обучен с отрицательной выборкой: он может возвращать NAN для отсутствующих отношений или типов, что полезно при извлечении по заданной схеме. По сравнению с KnowLM-13B-Zhixi практичность извлечения информации несколько выше, но общая применимость и способность к обобщению ниже. Для работы требуется форматировать входные данные в виде инструкции и входного текста, задавая схему и формат ответа. Лицензия в предоставленных данных не указана.

Kronumos — экспериментальная модель для автоматизированного поиска и исправления ошибок в коде, созданная Мухаммадом Науфалом Даффой. Карточка называет её базовым выпуском экосистемы автоматического ремонта программ; метаданные указывают дообучение Qwen2.5-Coder-7B-Instruct в 4-битной версии и архитектуру Qwen2 с 7,1 млрд параметров. Модель ориентирована на генерацию кода и сценарии автономного исправления ошибок, включая самовосстановление и работу с интерфейсом вызова инструментов. Заявлены контекст до 32 768 токенов и английский язык. Указаны Transformers и формат Safetensors; лицензия — Apache-2.0. README сообщает о более новых выпусках экосистемы, поэтому этот репозиторий представляет раннюю версию. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому практическую надёжность автоматических исправлений по этим данным оценить нельзя.

LayerSkip Code Llama 7B — модель Meta, представленная Facebook Research, полученная дальнейшим предобучением Code Llama 7B с применением LayerSkip. Она предназначена для генерации и автодополнения программного кода, а также для ускоренного вывода с помощью self-speculative decoding: ранние слои предлагают токены, а оставшиеся слои проверяют их. Модель работает с текстовым вводом и выдаёт текст, в том числе код; карточка указывает английский язык. В README приведён пример измерения на одной GPU NVIDIA A100: self-speculative decoding показал 50,38 токена в секунду против 38,67 при авторегрессионной генерации в указанной конфигурации. Эти результаты зависят от реализации и оборудования. Оптимизированные реализации повторно используют веса и KV-кэш ранних слоёв; вариант через стандартный Transformers описан как менее оптимальный по памяти. Обучающая реализация помечена как находящаяся в разработке. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

KRLabsOrg разработала LettuceDetect для выявления галлюцинаций в ответах итальянских RAG-систем. Модель находит в тексте ответа отдельные токены, которые не подтверждаются предоставленным контекстом; предсказания можно объединять в фрагменты для проверки источников и редактирования ответа. Это дообученная для классификации токенов модель EuroBERT-210M с архитектурой энкодера и 211,7 млн параметров. Она рассчитана на итальянский язык и обрабатывает контекст до 8192 токенов. В оценке на переведённом наборе RAGTruth-IT авторы сообщают F1 65,93%; модель показывает более высокую скорость по сравнению с вариантом на 610 млн параметров. Модель предназначена для вспомогательной проверки ответов и не гарантирует обнаружение всех неподтверждённых утверждений. Распространяется по лицензии MIT. Для загрузки README указывает на несовместимость использующегося удалённого кода EuroBERT с Transformers 5.x.

kavg/LiLT-RE-ZH — модель извлечения отношений между сущностями в документах, созданная дообучением nielsr/lilt-xlm-roberta-base на наборе данных XFUND. Она использует архитектуру LiLT с компонентом, похожим на RoBERTa, чтобы учитывать текст и его расположение на странице; число параметров — 305,2 млн, контекст — до 514 токенов. Модель предназначена для структурированного анализа документов, в частности для выявления связей между упомянутыми в них сущностями. На оценочной выборке XFUND модель показала precision 0,3911, recall 0,6703 и F1 0,4940. Эти результаты указывают на ограничения точности извлечения отношений; качество на других наборах данных и типах документов не установлено. Модель распространяется по лицензии MIT.

Xiaojian9992024/Llama3.1-8B-ExtraMix — объединённая авторами репозитория языковая модель на архитектуре Llama 3.1. Она создана методом TIES с помощью mergekit на основе Llama-3.1-8B-Instruct и объединяет её с Llama-3.1-8B, Dobby-Mini-Unhinged-Llama-3.1-8B и Fino1-8B. Модель содержит 7,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Объединение включает модели общего назначения и модель, ориентированную на финансовую тематику, но README не приводит оценок качества или конкретных гарантий для специализированных сценариев. Метаданные указывают английский язык как язык карточки. Условия лицензирования в предоставленных данных не описаны.

Модель KKHYA/llavaqwen3-1.7b-finetune-nm-mask-moe-sparse-1e-1k-2of4-C1-fixmag-trainw_20260812_181743 — дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она построена на архитектуре NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; доступны интерфейс чата и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов. Датасет дообучения и результаты оценки в карточке не описаны, поэтому качество на конкретных задачах не установлено. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и рассчитана на контекст до 40 960 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Датасет дообучения и результаты оценки в карточке не описаны; пригодность для конкретных сценариев требует самостоятельной проверки.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров, разработанная автором репозитория KKHYA. Модель предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и библиотеку Transformers, принимает текст и генерирует текст. Контекстное окно составляет до 40 960 токенов. Данные обучения и подробные оценки не описаны. Репозиторий содержит веса в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Языковая специализация модели не установлена по доступным сведениям.

zer0int/LongCLIP-GmP-ViT-L-14 — дообученная модель CLIP, созданная zer0int на основе BeichenZhang/LongCLIP-L. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения на этих классах. Модель также можно использовать как текстовый энкодер в рабочих процессах генерации изображений, включая Flux.1, SDXL и Stable Diffusion. Модель основана на архитектуре CLIP ViT-L/14 и использует формат safetensors. В README описан вариант интеграции, поддерживающий до 248 токенов текста; упрощённый способ загрузки обрезает текст до 77 токенов. Автор сообщает об улучшении точности на ImageNet/ObjectNet до 0,89 относительно примерно 0,81 у исходного LongCLIP, но это результат указанной оценки, а не гарантия для других данных. Для корректной загрузки в Transformers и интеграции с ComfyUI могут потребоваться специальные настройки или узлы. В карточке указана лицензия MIT для исходной модели OpenAI CLIP; отдельные условия лицензирования дообученной модели не уточнены.

LifeAi-dev/madlad400-10b-ct2-float32 — конвертированная в формат cTranslate2 версия многоязычной модели перевода MADLAD-400-10B-MT от Google. Она предназначена для перевода текста между множеством языков; в карточке указаны, среди прочих, английский, русский, испанский, французский, немецкий, китайский и японский. Модель основана на архитектуре text-to-text и распространяется для использования через библиотеку Transformers. Веса представлены в формате cTranslate2 с точностью float32. По лицензии Apache-2.0 модель можно использовать, изменять и распространять на её условиях. Карточка не сообщает длину контекста и конкретные ограничения качества.

MagpieTTS Multilingual 357M — многоязычная модель синтеза речи NVIDIA на архитектуре encoder–decoder Transformer, сгенерированной на основе текста. Карточка указывает 364 млн параметров; репозиторий содержит веса GGUF F16 и предназначен для работы с NeMo Speech. Модель преобразует текст в речь на арабском, немецком, английском, испанском, французском, хинди, итальянском, японском, корейском, португальском, вьетнамском и китайском языках. Для озвучивания доступны пять голосов: Aria, Jason, Leo, Sofia и John Van Stan. Модель подходит для голосовых агентов, озвучивания книг и другого контента, средств доступности, дубляжа и локализации, а также интерактивных приложений. Она предсказывает аудиокодек-токены и поддерживает пакетную и длинную генерацию; для произношения можно использовать пользовательские словари и G2P, в том числе при переключении между языками. Лицензия NVIDIA Open Model License допускает коммерческое использование на её условиях. В стандартном режиме модель генерирует до 20 секунд речи за раз. Для длинной генерации лучше подходят тексты с пунктуацией и заглавными буквами; требуется нормализация текста. Модель не предназначена для клонирования голоса по образцу и генерации речи на языках за пределами перечисленных двенадцати.

MagpieTTS Multilingual 357M — мультиязычная модель синтеза речи от NVIDIA для преобразования текста в естественную речь. В карточке указана версия v2607 и архитектура encoder–decoder Transformer на 364 млн параметров; репозиторий содержит веса GGUF F16 для NeMo. Модель поддерживает арабский, немецкий, английский, испанский, французский, хинди, итальянский, японский, корейский, португальский, вьетнамский и китайский языки, а также пять голосов с постоянной идентичностью между языками. Модель подходит для голосовых агентов, озвучивания книг и другого контента, доступности, дубляжа и локализации. Она предсказывает дискретные аудиокодовые токены, которые декодируются в аудио; доступны пакетная генерация и длинная озвучка с обработкой текста окнами. Для стандартной генерации указана длительность до 20 секунд за раз, а для длинных фрагментов качество зависит от пунктуации и заглавных букв. Поддерживаются нормализация текста и произношение через IPA и пользовательские словари. Нулевая клонизация голоса в этой версии удалена. Для работы необходима нормализация текста; генерация на языках вне списка не поддерживается. Модель выпущена по NVIDIA Open Model License и, согласно карточке, готова к коммерческому использованию при соблюдении условий лицензии.

somukandula/maskara-tiny — дообученная модель семейства BERT для классификации токенов. Она размечает в тексте фрагменты, соответствующие персональным данным: среди оценивавшихся категорий указаны имена, адреса, телефоны, электронная почта, IP-адреса, пароли, номера документов и платёжные реквизиты, включая Aadhaar, PAN и UPI ID. Модель может применяться для поиска и разметки чувствительных данных в текстах. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На приведённой в карточке оценке общий F1 составил 0,8172; результаты заметно различаются по категориям, а для кредитных карт, паролей, SSN и паспортов F1 равен 0. Данные обучения и языки не описаны, поэтому качество для конкретного языка и домена по карточке установить нельзя. Лицензия — MIT.