I.14Автоматизация процессов и AI-агенты

Это модель классификации текста на основе mDeBERTa v3 base от Microsoft, дообученная автором репозитория на наборе FaQUaD-NLI для португальского языка. Она оценивает, подходит ли предложенный ответ к заданному вопросу: класс 0 означает, что ответ не подходит, класс 1 — что подходит. Модель может использоваться для проверки ответов в системах вопросов и ответов и оценки качества ответов на португальском языке. Модель содержит около 306 млн параметров, построена на архитектуре DeBERTa v2 и принимает текст с контекстом до 512 токенов. Репозиторий содержит веса PyTorch. README указывает на пригодность для португальского языка; лицензия в предоставленных данных не указана.

Soulfate24/MiniCPM5-1B-ASHQ1-Remix-GGUF — квантованная в формате GGUF версия MiniCPM5-1B, подготовленная в рамках набора ASHQ1-Remix. В карточке набора описана активационно-ориентированная квантализация с параметрами, основанными на измерениях, и проверкой нескольких уровней квантализации для разных семейств моделей. Модель предназначена для генерации текста и диалогового использования. Базовая MiniCPM5-1B рассчитана на локальных помощников, вызов инструментов и рассуждения; метаданные указывают поддержку английского и китайского языков. Формат GGUF подходит для запуска совместимым локальным ПО. Лицензия — Apache-2.0. README не приводит точные характеристики квантования, размер модели или результаты оценки именно этой сборки. Для базовой модели заявлен контекст до 131 072 токенов, но карточка не подтверждает, что этот предел сохранён в данной GGUF-сборке.

MoritzLaurer/MiniLM-L6-mnli — англоязычная модель классификации последовательностей на базе MiniLM-L6 от Microsoft, дообученная на датасете MultiNLI для распознавания отношений между посылкой и гипотезой. Она подходит для классификации текста по заданным категориям методом zero-shot: категории можно задавать естественно-языковыми описаниями без отдельного обучения на этих метках. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и обрабатывает входы длиной до 512 токенов. В README указана точность 0,814 на тестовой выборке MultiNLI matched. Компактность обеспечивает высокую скорость, но точность несколько ниже, чем у более крупных моделей. Для развёртывания доступна версия в формате PyTorch; лицензия в предоставленных данных не указана.

Moondream2-streaming — компактная плотная визуально-языковая модель семейства Moondream, опубликованная ThomasSimonini. Она предназначена для эффективного запуска на периферийных устройствах и отвечает на текстовые вопросы по изображениям, в том числе помогает читать документы и считать объекты. В карточке приведены результаты на VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE; репозиторий содержит варианты safetensors и GGUF F16. Модель принимает изображение вместе с текстовым запросом и выдаёт текстовый ответ. Для использования указан стек Transformers и einops. Версия модели обновляется, поэтому для воспроизводимости README рекомендует закреплять конкретный релиз. Лицензия — Apache-2.0.

NanoAgent — компактная языковая модель с 134,5 млн параметров, разработанная quwsarohi на базе HuggingFaceTB/SmolLM2-135M-Instruct. Это дообученная плотная модель семейства Llama для генерации текста, диалогов, следования инструкциям и лёгких агентных задач, включая вызов инструментов с JSON-аргументами и обработку полученных от инструментов сведений. Модель рассчитана на контекст до 8192 токенов и может работать на устройствах с ограниченными ресурсами; в README отдельно описан запуск на CPU и через MLX. Модель дообучена методом supervised fine-tuning на наборах данных для следования инструкциям, математических задач, диалогов и вызова функций. В опубликованных оценках она превосходит базовую модель по нескольким тестам следования инструкциям, но точность BFCL для вызова инструментов составляет 28,99%, поэтому результаты работы агента следует проверять. Модель ориентирована на английский язык. Репозиторий распространяется по лицензии Apache 2.0; для обучающих данных сохраняются отдельные условия лицензий исходных наборов.

NlpHUST разработала эту модель для распознавания именованных сущностей во вьетнамском тексте. Это дообученная на наборе VLSP 2018 модель NlpHUST/electra-base-vn на базе ELECTRA с 160,9 млн параметров и контекстом до 512 токенов; веса доступны в форматах PyTorch и Safetensors. Модель размечает сущности типов «персона», «место», «организация» и «прочее», её можно применять через pipeline NER в Transformers. На оценочной выборке VLSP 2018 общий F1 составил 0,9214, а точность — 0,9907. F1 для персон составил 0,9664, мест — 0,9365, организаций — 0,8833; для категории «прочее» результат ниже — 0,6218. Модель лицензирована по MIT. Ограничения качества за пределами указанной выборки и домена в карточке не описаны.

darck-12 разработала SetFit-модель для классификации коротких текстов на арабском и английском языках. Она присваивает сообщениям одну из четырёх категорий: новости, исторические или научные факты, медицинская информация и неличные публикации. Модель предназначена для сортировки коротких постов и сообщений, в том числе текстов на египетском разговорном арабском, литературном арабском и английском, написанных в формальном или повседневном стиле. Основа модели — sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с классификационной головой LogisticRegression; модель дообучена методом SetFit. Она содержит 124,3 млн параметров, принимает текстовые данные с контекстом до 512 токенов согласно метаданным, а в README указана максимальная длина последовательности 128 токенов. На независимом тесте из 80 примеров автор сообщает точность 0,90 и macro F1 0,8958; полнота для класса исторических и научных фактов составила 0,60. Данные обучения синтетические и небольшие, поэтому результаты на реальных сообщениях могут отличаться. Лицензия в предоставленных данных не указана.

OpenMed-PII-EuroMed-Large-210M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в тексте. Это дообученный энкодер EuroBERT-210m с архитектурой EuroBertForTokenClassification и 211,7 млн параметров; модель размечает токены по типам сущностей, охватывая 54 категории, включая имена, адреса, контактные данные, идентификаторы и медицинские сведения. Контекст — до 8192 токенов. Модель предназначена для поиска и удаления персональных данных в клинических записях и документах, предварительной очистки наборов данных и аудита текстовых коллекций. В README приведены результаты на тестовой выборке NVIDIA Nemotron-PII: micro F1 0,960, точность 0,9681 и полнота 0,9521. Авторы указывают, что система служит вспомогательным инструментом: пропуски возможны, качество зависит от предметной области, а для критичных случаев нужна проверка человеком. Основной язык обучения — английский. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-bg-en — модель машинного перевода на архитектуре Marian Transformer, разработанная проектом OPUS и опубликованная организацией Helsinki-NLP. Она переводит текст с болгарского языка на английский; обучение основано на корпусе OPUS, а предобработка включает нормализацию и SentencePiece. Модель содержит 56,8 млн параметров и рассчитана на контекст до 512 токенов. Модель подходит для перевода отдельных фраз и текстов с болгарского на английский, включая материалы для многоязычных приложений и локализации. В README приведены результаты теста Tatoeba.bg.en: BLEU 59,4 и chr-F 0,727. Доступны веса в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-itc — модель машинного перевода из проекта OPUS-MT на архитектуре Transformer Marian, разработанная Helsinki-NLP. Она переводит текст с английского на набор италийских и родственных языков, включая итальянский, испанский, французский, португальский, каталонский и румынский. Для выбора языка перевода перед текстом требуется специальный токен вида >>id<< с допустимым кодом целевого языка. Модель содержит 54,4 млн параметров, использует SentencePiece с обработкой нормализацией и рассчитана на контекст до 512 токенов. В метаданных указана поддержка английского и ряда языков назначения; README описывает также региональные языки и варианты. Доступны веса PyTorch и TensorFlow. Для контрольных наборов README приводит BLEU 38,0 и chrF2 0,588 в целом, однако качество зависит от языковой пары и домена текста. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-tc-bible-big-gem-deu_eng_fra_por_spa — модель машинного перевода проекта OPUS-MT, разработанного группой Language Technology Research Group Хельсинкского университета. Это модель MarianMT на базе архитектуры Transformer-big, содержащая 150,7 млн параметров и принимающая текст для перевода с германских языков на немецкий, английский, французский, португальский или испанский. Для выбора целевого языка используются специальные метки; доступные языки-источники перечислены в карточке модели. Модель подходит для перевода текстов между германскими языками и пятью целевыми языками, в том числе для пакетного перевода и интеграции в приложения на Transformers. Контекст ограничен 1024 токенами. Веса доступны в форматах PyTorch и Safetensors; модель преобразована из Marian NMT для Transformers. Лицензия Apache-2.0. Карточка указывает на обучение на данных OPUS, но не описывает специализацию именно на библейских текстах и не приводит оценки качества. Перевод может быть неточным, особенно для редких языков и текстов вне обучающих данных.

phibert-finetuned-ner — модель Girinlp для распознавания именованных сущностей и другой разметки токенов. Это дообученная версия dmis-lab/biobert-v1.1 на наборе данных, название которого в карточке не приведено. Модель построена на архитектуре BERT и содержит 135,5 млн параметров; она принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Формат весов — PyTorch. Модель предназначена для задач разметки последовательностей, в частности NER. На указанном в карточке наборе оценки она получила F1 0,9226, precision 0,9238, recall 0,9213 и accuracy 0,9950. Карточка не уточняет языки, набор меток и область применения, поэтому результаты нельзя уверенно переносить на другие данные. Лицензия в предоставленных сведениях не указана.

google/pix2struct-widget-captioning-base — модель Google семейства Pix2Struct для понимания визуального содержимого. Это архитектура «визуальный энкодер — текстовый декодер», предобученная на парах изображение–текст; Pix2Struct учится разбирать замаскированные снимки веб-страниц в упрощённый HTML, а затем адаптируется к задачам визуального языка. Вариант widget-captioning предназначен для создания подписей к элементам интерфейса и ответов на вопросы о визуальном содержимом. Модель принимает изображение, при необходимости вместе с текстовым вопросом, и генерирует текст. В метаданных указана поддержка английского, французского, румынского и немецкого языков, а также отмечен общий многоязычный режим. Модель распространяется по лицензии Apache-2.0. README ссылается на инструкцию запуска для pix2struct-textcaps-base.

Pix2Text-MFD-1.5 — модель обнаружения математических формул на изображениях из проекта Pix2Text, разработанного Breezedeus. Она предназначена для поиска областей с формулами в документах и других изображениях, в том числе как этап системы распознавания математических выражений. Для использования требуется библиотека pix2text версии 1.1.4 или новее. Модель опубликована в формате ONNX и распространяется по лицензии MIT. Данных о размере модели, поддерживаемых языках и длине контекста в предоставленных материалах нет; эти характеристики не относятся к описанному сценарию обнаружения формул.

henry202/prism-performance-rm-downscaled-creativity — дообученная с помощью TRL модель на базе meta-llama/Llama-3.2-1B-Instruct. Она предназначена для оценки текста и выдачи скалярной оценки качества или предпочтительности, например для сравнения ответов и применения в контурах обучения с наградой. Модель построена на плотной архитектуре LlamaForSequenceClassification, содержит 1,2 млрд параметров, принимает текст и возвращает оценку. Контекстная длина составляет до 131 072 токенов; базовая модель поддерживает несколько языков. Модель распространяется в формате safetensors по лицензии базовой модели Llama 3.2 — Community License от Meta, условия которой следует проверить перед использованием.

544jc/qwen25_1_5b_gson_unsloth — дообученная автором 544jc языковая модель семейства Qwen2.5, созданная на основе unsloth/Qwen2.5-1.5B-Instruct-bnb-4bit. Это плотная авторегрессионная модель Qwen2ForCausalLM с 1,5 млрд параметров и контекстом до 32 768 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Поддерживаемый язык, указанный в карточке и тегах, — английский. Модель распространяется в формате safetensors по лицензии Apache-2.0.

QwenAmann-4B-dse — мультимодальная модель на 4 млрд параметров, разработанная авторами из Racine.ai и TW3 Partners для поиска по технической документации. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct методом Document Screenshot Embedding и формирует эмбеддинги документов и запросов для семантического поиска и сопоставления по релевантности. Модель принимает изображения страниц документов и учитывает текст, схемы, графики, таблицы и их расположение. Предварительно извлекать текст не требуется. Обучение проводилось на датасете racineai/OGC_MEGA_2: README сообщает о 1,44 млн примеров из более чем 35 языков и 15 технических областей; стабильные результаты отмечены на пяти языках. В метаданных перечислены английский, французский, русский, арабский, немецкий, испанский и итальянский. Модель предназначена для мультиязычного поиска по техническим документам, инженерным архивам и системам поддержки. Она распространяется под лицензией Apache 2.0. README заявляет о сопоставимой с Jina Embeddings v4 производительности, но не приводит деталей протокола оценки; указанное в README число языков с устойчивыми результатами и метаданные о языках карточки различаются.

ReAG-Critic — компонент фильтрации текстовых фрагментов в мультимодальном конвейере ReAG для ответов на вопросы по изображениям с использованием внешних знаний. Модель разработана aimagelab на основе Qwen2.5-VL и принимает изображение, вопрос и найденный текстовый фрагмент, оценивая его релевантность для ответа. Для оценки сравниваются вероятности следующих токенов «Yes» и «No»; порог по умолчанию — 0,1, его можно настраивать. Модель предназначена для отсева нерелевантных результатов поиска перед передачей оставшихся фрагментов генератору ReAG. Она ориентирована на knowledge-based visual question answering и использовалась в экспериментах на Encyclopedic-VQA и InfoSeek. Архитектура — плотная Qwen2.5-VL, объём — 3,1 млрд параметров, контекст — до 128 000 токенов. Репозиторий распространяет веса в формате Safetensors; лицензия — Apache-2.0.

ReflectionCoder-DS-6.7B — диалоговая модель для генерации кода, разработанная авторами проекта ReflectionCoder. Подход ReflectionCoder использует последовательности рефлексии, построенные с учётом обратной связи компилятора, чтобы улучшить однократную генерацию кода. Модель основана на плотной архитектуре Llama и содержит около 6,6 млрд параметров; поддерживает контекст до 16 384 токенов и распространяется в формате Safetensors. Модель предназначена для генерации кода по запросу, в том числе в сценариях, где нужно получить решение за один проход. В README приведены результаты на HumanEval и MBPP для варианта DS-6.7B, однако конкретные языки программирования и результаты для других наборов задач не описаны. В метаданных указан английский язык карточки. Лицензия репозитория — Apache-2.0. README обозначает вариант DS как основанный на DeepSeek, но точный идентификатор базовой модели не приведён. Качество результата зависит от формулировки запроса; README не описывает ограничения по языкам программирования или безопасному выполнению сгенерированного кода.

Rosetta-7B-Think — двуязычная модель рассуждений от PoSTMEDIA на основе плотной авторегрессионной архитектуры Rosetta. Она содержит 7,1 млрд параметров и дообучена на Rosetta-7B-Base методом supervised fine-tuning на длинных трассах рассуждений. Модель генерирует трассу рассуждений перед итоговым ответом и поддерживает контекст до 65 536 токенов. Модель предназначена для диалоговой генерации ответов и пошаговых рассуждений на корейском и английском языках, в том числе для математических задач, понимания корейского текста, программирования и научных вопросов. В описанных разработчиком тестах она показала результаты на HRM8K, HAE-RAE, AIME24, AIME25 и GSM8K; сравнительные показатели получены по внутреннему протоколу разработчика. Длинные трассы рассуждений увеличивают задержку и расход токенов, а убедительные рассуждения могут содержать фактические ошибки. Модель оптимизирована для корейского и английского; качество на других языках не гарантируется. Хотя контекстное окно достигает 65 536 токенов, разработчик рекомендует проверять качество на длине свыше 32 768 токенов. Лицензия Apache-2.0 допускает коммерческое использование.

Ruri-Reranker-Small — японская модель-переранжировщик на основе Sentence Transformers и архитектуры DistilBERT, разработанная cl-nagoya. Она дообучена на базе cl-nagoya/ruri-pt-small и предназначена для повторного ранжирования результатов поиска: модель оценивает релевантность пары запроса и документа, чтобы поднять наиболее подходящие результаты выше. Размер модели — около 68 млн параметров; максимальная длина последовательности — 512 токенов. Модель рассчитана на японский язык и показывает результаты в бенчмарках JQaRA, JaCWIR и MIRACL. Лицензия Apache 2.0. Модель специализируется на ранжировании японского текста; качество для других языков не подтверждено. В README приведены сравнительные результаты на бенчмарках, но они не гарантируют аналогичную точность на других наборах данных.

Ruri-v3 Reranker — японская модель для переоценки релевантности текстовых пар, разработанная cl-nagoya на базе ModernBERT-Ja и дообученная от cl-nagoya/ruri-v3-pt-310m. Она предназначена для ранжирования и отбора документов-кандидатов, например в поисковых системах и RAG-пайплайнах. Модель построена на архитектуре ModernBERT и содержит 314,6 млн параметров. Она обрабатывает последовательности длиной до 8192 токенов; README также отмечает словарь на 100 тысяч токенов, FlashAttention и токенизатор SentencePiece. В карточке приведены высокие результаты на японских наборах оценки поиска JQaRA, JaCWIR и MIRACL. Модель рассчитана на японский язык и принимает текстовые пары, выдавая оценки релевантности для ранжирования. Она доступна в формате safetensors и распространяется по лицензии Apache 2.0. Для использования указан стек sentence-transformers; качество на других языках и за пределами сценариев ранжирования в карточке не описано.

Rahvusarhiiv разработал ru_summariser — русскоязычную модель суммаризации на архитектуре T5, дообученную с полными параметрами от RussianNLP/FRED-T5-Summarizer. Модель содержит 870,1 млн параметров и предназначена для краткого изложения новостей, энциклопедических и общих информационных текстов, в том числе в пакетной и офлайн-обработке. Для управления длиной в запрос добавляют префикс summary_length: medium; рекомендуемый максимум входа — 768 токенов, генерации — 96 новых токенов. В обучении использовались русскоязычные пары «текст — резюме», преимущественно из новостных источников, а также данные общего характера. В описанной авторами оценке модель превзошла базовую FRED-T5 по некоторым метрикам суммаризации, но результаты основаны на ограниченных выборках и автоматическом оценивании. Модель может ошибаться в фактах, именах, числах и датах; длинные тексты чувствительны к выбору фрагментов, а длина резюме не гарантируется. Лицензия указана как other; перед использованием следует проверить применимые условия исходных наборов данных и репозитория.

aabbdev/RWKV7-1.5B-SMI-20260822 — дообученная модель семейства RWKV-7 с 1,5 млрд параметров, созданная для State Model Interface (SMI). Она сохраняет архитектуру базовой модели и добавляет десять структурных токенов для сериализации сообщений. Модель предназначена для генерации текста в формате диалога с поддержкой SMI; для корректной работы структуру сообщений следует формировать совместимым компилятором, а не вставлять маркеры в недоверенный текст. Дообучение выполнено на смеси диалоговых, многоязычных, агентных, математических и программных данных. В README приведено сравнение с базовой моделью на закрытом наборе тестов: результат улучшился в основных случаях, но на многошаговых сценариях итог зависел от этапа обучения. Модель загружается через Transformers и распространяется под лицензией Apache-2.0. Структурные маркеры SMI не являются полноценной песочницей и не делают безопасным автоматическое выполнение сгенерированных вызовов инструментов. Опубликованные оценки не подтверждают общую фактическую точность, безопасность, качество на разных языках или пригодность для эксплуатации. Также не поддержан откат рекуррентного кеша при assisted/speculative decoding; оптимизированный runtime имеет ограничения по оборудованию, типу данных и форме входа.

Seed-2.0-Lite — мультимодальная модель ByteDance, представленная как экономичная модель для корпоративных задач. Её позиционируют как универсальный вариант для производственных сценариев, где важны низкая задержка, мультимодальные возможности и работа с агентами. Каталог относит модель к задаче image-text-to-text, то есть к обработке изображений и текста с выдачей текстового ответа. Карточка также заявляет мультимодальные и агентные возможности, но не приводит сведений об архитектуре, размере, поддерживаемых языках, длине контекста или конкретных функциях агента. Условия лицензии в предоставленных данных не описаны.

sbcBI/sentiment_analysis_model — модель классификации английских текстов по тональности, созданная дообучением bert-base-uncased. В метаданных архитектура указана как DistilBertForSequenceClassification семейства DistilBERT; доступный формат весов — PyTorch, максимальный контекст — 512 токенов. README описывает обучение на размеченном наборе данных, который обозначен в метаданных как Confidential. Модель предназначена для определения тональности текста и уже настроена на эту задачу; автор README не рекомендует использовать её для дальнейшего дообучения под другие задачи. Подходит для классификации англоязычных отзывов, комментариев и коротких сообщений. Лицензия — Apache-2.0.

nahiar/sentiment-analysis-v2 — модель классификации тональности текстов из социальных сетей, разработанная на основе XLM-RoBERTa-Base. Она определяет положительную, нейтральную или отрицательную тональность и предназначена для публикаций и комментариев на индонезийском и английском языках, в том числе в Twitter/X, Instagram, TikTok, Facebook и на форумах. Модель содержит 305,2 млн параметров, использует архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. Доступна в формате safetensors и запускается через библиотеку Transformers. В README сообщаются accuracy 0,8527, macro F1 0,8525 и weighted F1 0,8525 на отложенной валидационной выборке со сбалансированным распределением тональности. Модель можно применять для анализа тональности публикаций, фильтрации комментариев и контроля качества контента. Она дообучена на FacebookAI/xlm-roberta-base и распространяется по лицензии Apache-2.0. Качество может снижаться на очень коротких или неоднозначных сообщениях; модель не оптимизирована для формальных текстов и может быть подвержена смещениям. README называет задачу классификацией по трём классам, хотя в перечне ограничений ошибочно указано «Binary classification».

Это англоязычная модель SetFit для бинарной классификации тональности текста, созданная с помощью библиотеки SetFit и обученная на наборе SST-2. Она использует дообученный энкодер предложений sentence-transformers/all-MiniLM-L6-v2 и классификатор LogisticRegression, обученный на векторных представлениях текста. Модель различает положительные и отрицательные отзывы и подходит для быстрой классификации коротких англоязычных текстов. Обучение выполнено в режиме few-shot: для классификатора использовано по 32 примера каждого класса. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. На тесте SST-2 указана точность 0,7513. Лицензия — Apache-2.0.

Veritone/siglip2-so400m-patch16-384-text — текстовая башня SigLIP 2 So400m, подготовленная Google и опубликованная Veritone как отдельная копия текстового компонента модели. Она кодирует текстовые запросы в общее пространство эмбеддингов с соответствующей моделью зрения Veritone/siglip2-so400m-patch16-384-vision, чтобы выполнять поиск по изображениям и классификацию изображений по текстовым меткам. Раздельная загрузка башен позволяет использовать только нужный компонент при поиске и экономить память и время загрузки. Модель предназначена для zero-shot-классификации изображений и поиска соответствий между изображениями и текстом; её текстовые эмбеддинги также подходят как компонент мультимодальных систем. Архитектура — SigLIP 2 So400m, библиотека Transformers, веса в формате safetensors. Контекст ограничен 64 токенами. Модель распространяется по лицензии Apache-2.0. Для сопоставления с изображениями требуется совместимая башня зрения; сама эта копия содержит только текстовую башню и не принимает изображения.

unsloth/SmolLM2-360M-Instruct — компактная инструктивная языковая модель, опубликованная Unsloth на основе HuggingFaceTB/SmolLM2-360M-Instruct. Это плотная авторегрессионная модель семейства Llama с 361,8 млн параметров, предназначенная для генерации текста и диалогов. Карточка Unsloth описывает её в контексте дообучения и упоминает шаблоны ShareGPT ChatML и Vicuna; семейство SmolLM2 также рассчитано на запуск на устройствах с ограниченными ресурсами. Модель принимает текст и генерирует текст. Для инструктивной версии семейства заявлены следование инструкциям, переписывание и суммаризация текста, а также вызов функций. Метаданные указывают поддержку английского языка и контекст длиной до 8192 токенов. Репозиторий использует формат safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Это производная модель, отмеченная в метаданных как дообучение HuggingFaceTB/SmolLM2-360M-Instruct. README ссылается на исходную карточку Hugging Face и содержит сведения о семействе, поэтому отдельные качества и возможности именно этой версии Unsloth могут зависеть от конкретного чекпойнта; русскоязычная поддержка не подтверждена.