I.14Автоматизация процессов и AI-агенты

timm/ViT-L-16-SigLIP2-384 — модель зрения и языка семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX Big Vision для использования в OpenCLIP. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без дообучения: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому варианту. Модель можно применять для категоризации изображений, поиска изображений по текстовому запросу и построения прототипов визуальной классификации. Репозиторий содержит веса PyTorch в формате safetensors; заявлена лицензия Apache-2.0. Карточка не приводит сведения о размере модели, длине контекста и конкретном перечне поддерживаемых языков, поэтому эти характеристики не уточняются. Указано обучение на WebLI и мультиязычное направление семейства SigLIP 2, но это не определяет точный список языков, доступных в этой версии.

w2v-bert-timit-demo — дообученная AbidGru модель распознавания речи на базе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2BertForCTC и предназначена для преобразования входящего аудио в текст. В репозитории указано 402,7 млн параметров; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Transformers. Набор данных для дообучения не описан, поэтому область применения, языковую поддержку и качество распознавания по имеющимся сведениям определить нельзя. Лицензия модели — MIT.

DewiBrynJones/whisper-large-v2-ft-cy-2607 — дообученная модель автоматического распознавания речи на базе Whisper large-v2 от OpenAI. Она принимает аудио и создаёт текстовую транскрипцию; дообучение проведено на наборе DewiBrynJones/preprocessed-whisper-btb-cv-cvad-wlga-ca-2607. Модель содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Модель подходит для транскрибации речи. Базовый Whisper large-v2 мультиязычен и также поддерживает перевод речи, однако карточка этой дообученной версии не подтверждает, какие языки или переводные сценарии сохраняются после дообучения. Подробные сведения об оценке качества и ограничениях в карточке отсутствуют.

Sekiraw/whisper-small-hyper-tuned-v2 — дообученная Sekiraw модель распознавания речи на основе openai/whisper-small. Она принимает аудио и предназначена для преобразования речи в текст; карточка сообщает о дообучении на неизвестном наборе данных и приводит результаты оценки: loss 0,2138 и WER 0,3859. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 153,1 млн параметров и опубликована в формате safetensors для Transformers. Карточка не описывает целевые языки, набор данных или специальные сценарии применения, поэтому качество распознавания в конкретных условиях по указанным оценкам определить нельзя. Лицензия — Apache-2.0.

Карточка модели powerwook/xlm-roberta-base-finetuned-panx-de на Hugging Face совпадает с карточкой creemur/xlm-roberta-base-finetuned-panx-de, поэтому описание составлено по ней. creemur/xlm-roberta-base-finetuned-panx-de — модель токеновой классификации на базе XLM-RoBERTa Base, дообученная для задачи PAN-X на немецком языке. Архитектура — плотная XLM-RoBERTa с головой классификации токенов; размер составляет 305,2 млн параметров, контекст — до 514 токенов. Модель принимает текст и присваивает метки его токенам, что подходит для извлечения сущностей в немецком тексте. В README указана оценка F1 0,8602 и loss 0,1426 на тестовой выборке. Датасет описан как неизвестный, поэтому состав меток и охват доменов по карточке установить нельзя. Модель распространяется по лицензии MIT.

cmhyo/xlm-roberta-base-finetuned-panx-de-fr — модель классификации токенов на базе XLM-RoBERTa Base, дообученная для задачи разметки последовательностей. Суффикс имени указывает на ориентированность на немецкий и французский языки; README сообщает о дообучении на датасете, название которого не приведено. В оценке на тестовом наборе указаны loss 0,1642 и F1 0,8610. Модель содержит 305,2 млн параметров, имеет контекст длиной до 514 токенов и распространяется в формате Safetensors. Лицензия — MIT.

XtremeDistil L6 H256 Uncased — компактная дистиллированная модель на архитектуре BERT, опубликованная Microsoft. Она предназначена для переноса знаний между задачами и может служить основой для классификации текста и извлечения признаков. В метаданных указаны 14,1 млн параметров, контекст до 512 токенов и поддержка английского языка; доступны веса PyTorch и TensorFlow. Модель подходит для классификации коротких текстов и как лёгкое представление текста в NLP-конвейерах, где важны компактность и скорость. В README приведены результаты семейства XtremeDistil на GLUE и SQuAD, но указанные там размер и конфигурация относятся к варианту L6 H384, поэтому их нельзя считать характеристиками этого чекпойнта. Лицензия — MIT.

YOLOv8 находит и выделяет рамками строки кхмерского печатного текста и математические формулы на страницах учебников и экзаменационных материалов MoEYS. Модель предназначена для первого этапа OCR: она сегментирует строки и формулы, чтобы затем передать полученные фрагменты распознавателю текста или формул. Также её можно применять для оцифровки учебных документов и извлечения заданий из фотографий и PDF. В README заявлены метрики mAP@50 96,78%, mAP@50–95 81,96%, полнота 93,33% и точность 94,89%. Доступна версия ONNX для запуска в разных средах; в метаданных указана лицензия MIT. Модель обнаруживает области документа, но сама не распознаёт их содержимое и не решает математические задачи.

AtheneX-V2-72B-instruct — языковая модель, созданная автором nitky слиянием нескольких предварительно обученных моделей через mergekit и метод Model Stock. В основе слияния указан Qwen2.5-72B; среди включённых моделей также есть Athene-V2-Agent, Athene-V2-Chat, EZO-Qwen2.5-72B-Instruct, EVA-Qwen2.5-72B-v0.1 и magnum-v4-72b. Модель предназначена для диалоговой генерации текста и сценариев с использованием интерфейса вызова инструментов. Она имеет плотную архитектуру Qwen2, содержит 71,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В карточке указаны английский и японский языки. README предлагает использовать заданный формат диалога и приводит пример японского RP-бенчмарка, но подробные результаты оценки не представлены. Модель распространяется под лицензией CC BY-NC-SA 4.0, которая предусматривает указание авторства, распространение производных работ на тех же условиях и ограничения на коммерческое использование. Для запуска требуется значительный объём вычислительных ресурсов из-за размера модели; качество и надёжность вызова инструментов зависят от используемого шаблона и окружения.

Auto-Fill-Qwen3-8B-Coding — специализированная языковая модель семейства Qwen3, разработанная для системы Auto-Fill и дообученная командой авторов проекта на базе Qwen/Qwen3-8B. Она получает таблицу с одной ячейкой, отмеченной как [MISSING], и генерирует правило на Python с pandas для заполнения значения, когда между столбцами есть программная зависимость: например, арифметическое соотношение, преобразование строки или поиск по таблице. Если общего правила для столбца нет, модель обучена возвращать пустой код. Это плотная авторегрессионная модель на 7,6 млрд параметров с контекстом до 40 960 токенов. Она предназначена для английских таблиц, сериализованных в формате Markdown, и обучена на 52 741 примере с проверкой исполнения и точности кода. В составе Auto-Fill она работает параллельно со специалистами по знаниям и рассуждениям; система калибрует уверенность и может воздержаться от ответа. Лицензия — Apache-2.0. Модель особенно подходит для восстановления пропусков, объяснимых зависимостями внутри таблицы. В одиночку она хуже справляется с пропусками, требующими внешних знаний; в тестировании на бенчмарке её средний Recall@Precision=0.9 составил 0,344, тогда как у полной системы Auto-Fill — 0,628. Сгенерированный код следует исполнять в изолированной среде. Обучение и оценка проводились на таблицах с одной пропущенной ячейкой и длиной до 40 960 токенов.

BaichuanMed-OCR-72B — мультимодальная модель компании Baichuan, дообученная на основе Qwen/Qwen2.5-VL-72B-Instruct на наборах изображений медицинских отчётов и связанных с ними вопросах и ответах. Она предназначена для распознавания текста на изображениях медицинских документов, извлечения ключевых сведений и ответов на вопросы по их содержимому; результаты можно выдавать в структурированном Markdown. Модель использует архитектуру Qwen2.5-VL с 71,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текст. В метаданных указаны языки en и zh и контекст до 128 000 токенов. В README приведено сравнение на закрытом медицинском наборе данных, но оно не позволяет оценить качество на других документах. Лицензия указана как other, поэтому условия её использования следует уточнить в карточке модели.

BaichuanMed-OCR-7B — мультимодальная модель компании Baichuan, дообученная на медицинских отчётах на основе Qwen/Qwen2.5-VL-7B-Instruct. Она принимает изображения медицинских документов и текстовые вопросы, распознаёт содержание отчёта и отвечает на вопросы по извлечённым данным; распознанную информацию может выдавать в структурированном Markdown. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и поддерживает контекст до 128 000 токенов. В опубликованном README приведён результат 83,5% на частном наборе медицинских отчётов; он не гарантирует такое же качество на других документах. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у разработчика.

MMG/bert-base-spanish-wwm-cased-finetuned-squad2-es — испаноязычная модель на архитектуре BERT, дообученная на наборе данных squad_es для ответов на вопросы по заданному тексту. Она принимает вопрос и контекст и извлекает из контекста ответ; подходит, например, для поиска фактов в испаноязычных документах. Модель содержит 137,1 млн параметров, использует регистрозависимую версию испанского BERT с whole-word masking и поддерживает контекст до 512 токенов. На оценочной выборке указаны exact match 62,53 и F1 69,33. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

KBLab/bert-base-swedish-lowermix-reallysimple-ner — модель для распознавания и классификации именованных сущностей в шведском тексте. Она основана на KB-BERT и дообучена на корпусе SUCX 3.0 NER с упрощёнными метками и данными, частично приведёнными к нижнему регистру. Для разметки использована схема без BIO-различения начала и продолжения сущности. Модель построена на архитектуре BERT, содержит около 151,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Она предназначена для извлечения именованных сущностей из шведских текстов. По карточке указаны форматы PyTorch и Safetensors. Сведения о лицензии отсутствуют в предоставленных материалах.

emrecan/bert-base-turkish-cased-allnli_tr — дообученная модель BERT для турецкого языка, созданная на основе dbmdz/bert-base-turkish-cased. Она предназначена для классификации текста с нулевым обучением и задач на основе NLI, например отнесения текста к пользовательским категориям по заданным меткам. Модель содержит 137,8 млн параметров, использует регрессионно-классификационную архитектуру BertForSequenceClassification и принимает текстовые последовательности длиной до 512 токенов. В карточке приведены результаты оценки: loss 0,5771 и accuracy 0,7978; описание набора данных и ограничения в README не раскрыты. Модель опубликована в формате PyTorch под лицензией MIT.

ken11/bert-japanese-ner — японская модель для извлечения именованных сущностей, разработанная компанией Stockmark. Она основана на предварительно обученной японской BERT-модели лаборатории Курохаси, Чу и Мураваки Киотского университета и дообучена на наборе ner-wikipedia-dataset от Stockmark. Модель использует архитектуру BERT с классификатором токенов, содержит 435,4 млн параметров и рассчитана на контекст до 512 токенов. Модель размечает японский текст сущностями в формате BILUO с метками из обучающего набора данных. Её можно применять для извлечения имён и других именованных сущностей из текстов на японском языке. Для работы требуется токенизатор исходной японской BERT-модели; он не входит в репозиторий. Лицензия — MIT.

Cheon Reranker 0.6B v1 — модель для переранжирования результатов поиска по юридическим и административным документам, разработанная на базе Qwen3-0.6B. Она оценивает и упорядочивает список найденных документов по релевантности запросу, в том числе в сценариях RAG. В метаданных указано около 507,9 млн параметров и контекст до 40 960 токенов; README описывает веса в формате fp32, а репозиторий содержит веса safetensors и реализацию для Transformers. Модель предназначена для поиска по корейским документам: карточка указывает корейский язык, а тестирование проводилось на корейской выборке AutoRAGRetrieval из MTEB, охватывающей финансы, государственный сектор, право и торговлю. Модель дообучена на Qwen/Qwen3-0.6B и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README сообщает о высоких результатах nDCG@10 на описанном тесте. Порядок кандидатов может влиять на оценки, поэтому их рекомендуется подавать в порядке первого этапа поиска; оценки предназначены для сравнения кандидатов в одном вызове и не являются вероятностями. Весам fp32 требуется больше памяти и времени, чем fp16/bf16-модели такого же размера. Данные и детали обучения, оптимизации и построения запросов не раскрыты.

openai/clip-vit-large-patch14-336 — модель семейства CLIP на архитектуре CLIPModel, доступная в форматах PyTorch и TensorFlow. Она предназначена для классификации изображений по текстовым описаниям без отдельного обучения на каждом наборе классов: пользователь задаёт варианты текста, а модель сопоставляет их с изображением. README утверждает, что модель обучена с нуля, но не сообщает обучающий датасет, результаты оценки или дополнительные сценарии применения. Метаданные не подтверждают базовую модель или производный вариант, поэтому происхождение чекпойнта определить нельзя. Лицензия, размер и длина контекста в предоставленных данных не указаны.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, разработанный agurung и обученный с помощью OpenRLHF и алгоритма GRPO. Обучение с подкреплением применялось напрямую к базовой инструкционной модели без отдельного SFT-этапа; указанный чекпойнт сохранён на глобальном шаге 4 и выбран как лучший в этом запуске по pass@8. Модель предназначена для генерации кода и решения задач программирования. Её обучали на задачах из набора cobalt-train, отобранных по низкой успешности базовой модели; вознаграждение зависело от прохождения тестов сгенерированной программой. Используются архитектура Qwen3 с 3,7 млрд параметров, библиотека Transformers и контекст до 262 144 токенов; максимальная длина новой генерации в описанном обучении составляла 4096 токенов. В карточке нет доступных метрик оценки на этом чекпойнте, поэтому преимущество по pass@8 относится только к сравнению внутри данного запуска. Модель поставляется в формате safetensors; условия лицензии в предоставленных данных не приведены.

Context Aware Splitter — модель на базе архитектуры Llama, предназначенная для контекстно-зависимого разбиения текста на фрагменты для систем Retrieval-Augmented Generation (RAG). Она учитывает смысл и контекст исходного текста, чтобы формировать части, которые можно читать независимо; целевой размер фрагментов задаётся количеством слов. В ответе модель также возвращает тему текста. README сообщает об обучении на 12,3 тыс. датских текстов объёмом 13,4 млн токенов; метаданные указывают 6,6 млрд параметров и контекстное окно 8192 токена. Модель принимает текст и генерирует текстовый ответ в формате, совместимом с инструкцией Alpaca. Она предназначена для подготовки текстовых корпусов к индексации и поиску с дополнением контекста. Указана лицензия Apache-2.0. Карточка README называет модель версией 1B, что расходится с размером 6,6B в метаданных; фактический размер требует проверки. Обучение описано для датских текстов, поэтому качество для других языков не подтверждено.

Модель Maltehb/danish-bert-botxo-ner-dane — датская версия BERT, дообученная Мальте Хёймарк-Бертельсеном для распознавания именованных сущностей на датском датасете DaNE. Базовый Danish BERT предварительно обучила компания Certainly, ранее известная как BotXO. Модель использует архитектуру BERT для классификации токенов, содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для извлечения именованных сущностей из датского текста, например, при разборе документов или подготовке текстовых данных для последующего анализа. Доступны веса PyTorch, TensorFlow и Flax; в карточке приведён пример загрузки через Transformers с классом AutoModelForTokenClassification. Лицензия — CC BY 4.0. Модель ориентирована на датский язык и конкретную задачу распознавания сущностей. Карточка не перечисляет поддерживаемые типы сущностей и не приводит метрики качества, поэтому качество на других языках, жанрах текста и схемах разметки не подтверждено.

tasksource/deberta-base-long-nli — англоязычная модель классификации на основе DeBERTa-v3-base, дообученная автором на задачах естественного логического вывода (NLI). Контекст увеличен до 1280 токенов; обучение продолжалось 250 тысяч шагов и включало длинные NLI-задачи, проверку фактов, логические рассуждения и другие наборы данных для понимания текста. Модель содержит 211,6 млн параметров и распространяется в формате Safetensors. Основное применение — классификация с нулевым числом примеров: модель сопоставляет текст с произвольными кандидатными метками через проверку логического следования. Также она подходит для задач NLI и дальнейшей тонкой настройки под классификацию, разметку токенов, оценивание ответов и тесты с выбором ответа. Автор приводит результаты проверок на нескольких наборах NLI и логического рассуждения. Модель принимает текст и выдаёт оценки классов или отношений следования. Она рассчитана на английский язык; качество на других языках в предоставленных данных не описано. Лицензия Apache-2.0 разрешает использование и модификацию с соблюдением её условий. Длинный контекст и обучение на разнообразных задачах NLI могут быть полезны для сложной классификации, но показатели из README относятся к отдельным тестам и не гарантируют качество на произвольных данных.

sanaullah7964/decentralized-ner-parsing-2026 — модель на базе DistilBERT-base-uncased, дообученная для токенной классификации и извлечения названий навыков из неструктурированного текста резюме и описаний вакансий. Она предназначена для систем подбора персонала и извлечения компетенций, включая запуск в браузере на CPU через ONNX Runtime Web. Модель работает с английским текстом; в метаданных указано контекстное окно 512 токенов, а README описывает обучение на окнах по 128 токенов с перекрытием 32 токена. Модель размечает токены тегами B-SKILL, I-SKILL и O. Она дообучена на датасете Mehyaar/Annotated_NER_PDF_Resumes; файлы доступны в форматах ONNX и safetensors, а README сообщает о квантованной ONNX-версии INT8. Лицензия — Apache-2.0. Заявленные метрики показывают высокий охват навыков, но точность извлечения ограничена: общий macro F1 составляет 0,5033, а F1 для B-SKILL и I-SKILL — 0,4110 и 0,2705 соответственно. Описанная в README фильтрация персональных данных относится к подготовке входных данных; карточка не подтверждает, что модель сама удаляет PII или обеспечивает беспристрастность при найме.

oddadmix/dialect-router-v0.1 — компактная модель на основе BERT, дообученная для определения арабского диалекта по тексту. Она классифицирует арабоязычные фразы по 11 кодам диалектов и языковых вариантов, используя энкодер Transformer с классификационной головой; размер модели — 12,4 млн параметров, максимальная длина входа — 512 токенов. Модель предназначена прежде всего для маршрутизации синтеза речи в Lahgtna: по диалекту выбираются соответствующая голосовая запись и языковой токен Chatterbox. Её также можно использовать для разметки арабских текстов в NLP-конвейерах, фильтрации контента и анализа наборов данных. Модель работает с арабским текстом и не предназначена для других языков. Короткие фрагменты, смешение арабского с другими языками и близкие географически диалекты могут приводить к ошибкам; полнота распознавания некоторых вариантов может быть ниже из-за смещения обучающего корпуса. Модель не следует использовать для определения личности или для высокорисковых решений без проверки человеком. Опубликована под лицензией MIT.

oddadmix/dialect-router-v0.2 — компактная модель классификации арабских диалектов, разработанная для маршрутизации запросов в конвейере Lahgtna. Это дообученная версия asafaya/bert-mini-arabic: энкодер BERT-mini с классификационной головой, около 12,4 млн параметров и контекстом до 512 токенов. Модель относит текст к одному из 15 классов: 13 арабским диалектам, современному литературному арабскому и английскому. Основной сценарий — определить диалект арабской реплики, чтобы выбрать голосовой образец и языковой токен для синтеза речи Chatterbox. Модель также подходит для определения диалектов в NLP-конвейерах, анализа датасетов и фильтрации контента. В README указаны accuracy 0,9359 и macro-F1 0,9052. Предсказания на коротких текстах короче пяти токенов ненадёжны. Смешение арабского с английским или французским может сбивать классификатор, а близкие географические диалекты — путаться; качество некоторых классов может быть ниже из-за смещения обучающего корпуса. Модель не предназначена для идентификации людей и высокорисковых решений без проверки человеком. Лицензия в предоставленных данных не указана.

OsaurusAI публикует вариант Google DiffusionGemma 26B-A4B-it, квантованный в MXFP4 для запуска в MLX на компьютерах Apple Silicon через Osaurus и движок vMLX. Это блочная диффузионная языковая модель, а не авторегрессионная: она генерирует текст блоками по 256 токенов, итеративно уточняя их. Архитектура включает 30 слоёв Gemma 4 с MoE, 128 экспертами и выбором 8 экспертов; всего 26 млрд параметров, из которых активно около 4 млрд. Модель предназначена для диалоговой генерации текста и анализа одиночных или нескольких изображений. Поддерживает интерфейс вызова инструментов в формате Gemma 4 и шаблон чата с каналом размышлений. Веса занимают около 15 ГБ; README приводит скорость около 37 токенов/с при 48 шагах и около 74 токенов/с при 16 шагах на M5 Max. В README не заявлены языки модели. Лицензия — Gemma. Качество и скорость зависят от числа шагов денойзинга: при значениях ниже 12 качество снижается. Очень короткие запросы при жадном денойзинге иногда приводят к пустому ответу; повторная попытка или переформулировка могут помочь. Параметры temperature и top_p, передаваемые через интерфейс, игнорируются: расписание денойзинга задаётся конфигурацией модели.

Это англоязычная модель вопросно-ответного поиска, созданная EricPeter дообучением distilbert-base-uncased на датасете SQuAD. Она извлекает ответ из предоставленного текста по заданному вопросу и подходит для поиска ответов в отрывках документов. Модель основана на архитектуре DistilBERT, имеет контекстное окно до 512 токенов и распространяется в формате PyTorch. Модель может использоваться для извлечения фактов из англоязычных статей, справочных материалов и других текстов. В README приведено значение loss 1.3453 на оценочной выборке, но подробности методики и качества не раскрыты. Лицензия — Apache-2.0.

cmarkea представила DistilCamemBERT-QA — франкоязычную модель CamemBERT, дообученную для поиска ответа на вопрос в предоставленном тексте. Она обучена на наборах FQuAD v1.0 и Piaf и принимает вопрос вместе с контекстом, после чего выделяет в нём фрагмент с ответом. Модель содержит 81,2 млн параметров; для инференса доступны форматы PyTorch, TensorFlow и ONNX. Родительская модель — cmarkea/distilcamembert-base, а заявленная длина контекста — 514 токенов. Модель предназначена для франкоязычных систем вопросов и ответов, включая извлечение сведений из документов. Авторы сообщают примерно о двукратном сокращении времени инференса по сравнению с CamemBERT-вариантом на использованной ими конфигурации, но их оценка также показывает более низкие результаты exact match и F1. Лицензия CC BY-NC-SA 3.0 требует атрибуции и ограничивает коммерческое использование; производные материалы должны распространяться на тех же условиях.

Distil Labs разработала эту модель на основе Qwen3-0.6B, дообучив её для преобразования вопросов на естественном языке в SQL-запросы с помощью дистилляции ответов DeepSeek-V3. Это компактная причинная языковая модель архитектуры Qwen3ForCausalLM с 507,9 млн параметров и контекстом до 40 960 токенов. Она принимает текстовые вопросы и схемы баз данных и генерирует SQL; карточка ориентирует её на английский язык и синтаксис SQLite. Модель подходит для текстовых интерфейсов к базам данных, помощников по SQL, разговорной аналитики и учебных инструментов. По описанию, она поддерживает базовые агрегаты и фильтрацию, JOIN, группировку, сортировку, подзапросы и UNION; автор приводит результаты сравнения с базовой моделью и учителем на своих оценках. Ограничения: модель оптимизирована для SQLite, лучше работает со схемами из одной-двух таблиц и может ошибаться на сложных вложенных подзапросах. Лицензия — Apache-2.0.

Это дообученная модель генерации текста на основе meta-llama/Llama-3.2-1B-Instruct, опубликованная пользователем Grogros. Она использует плотную архитектуру LlamaForCausalLM и содержит около 1,2 млрд параметров. Модель предназначена для диалоговой генерации текста; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Базовая модель поддерживает несколько языков, однако конкретные языки и специализация этого дообучения в карточке не описаны. Заявленная длина контекста составляет 131 072 токена. Карточка не приводит результатов оценки или описания обучающих данных, поэтому качество в отдельных задачах оценить нельзя. Лицензия — Llama 3.2; её условия следует учитывать при использовании и распространении модели.