I.14Автоматизация процессов и AI-агенты

Модель erst/xlm-roberta-base-finetuned-nace разработана на основе xlm-roberta-base и дообучена для классификации описаний видов деятельности по кодам NACE Rev. 2. Это модель XLM-RoBERTa с архитектурой классификации последовательностей, содержащая 305,2 млн параметров и принимающая текст длиной до 514 токенов. Модель подходит для автоматической категоризации описаний деятельности компаний и подбора соответствующих кодов NACE. Для дообучения использованы 2,5 млн описаний норвежских и датских предприятий; часть данных автоматически переведена на английский, немецкий, испанский, французский, финский и польский языки. Формат весов — PyTorch, для запуска можно использовать Transformers. Карточка не сообщает отдельные метрики качества или ограничения по использованию предсказаний, поэтому результаты для конкретных языков и типов описаний следует проверять на целевых данных. Лицензия в предоставленных сведениях не указана.

Это модель XLM-RoBERTa-base, дообученная для классификации токенов. По названию репозитория она предназначена для задачи PAN-X на немецком языке; в README приведена оценка F1 0,8638 и loss 0,1386 на наборе оценки, но датасет и подробности разметки не описаны. Модель содержит 305,2 млн параметров, принимает текст и использует контекст до 514 токенов. Разработчик — владелец репозитория aoi-33; базовая модель создана FacebookAI. Лицензия — MIT.

Это модель XLM-RoBERTa-base, дообученная автором creemur для классификации токенов. По названию модели она предназначена для распознавания именованных сущностей на немецком и итальянском языках в рамках задачи PAN-X. Модель построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; базовая модель — FacebookAI/xlm-roberta-base. Максимальная длина контекста составляет 514 токенов. В README указаны результаты оценки: loss 0,2615 и F1 0,8317, но датасет и подробности оценки не раскрыты. Модель распространяется с лицензией MIT.

Это публичное зеркало модели Cohere Transcribe от Cohere и Cohere Labs, подготовленное для установки в настольное приложение Yap и локальной транскрибации речи. Модель предназначена для автоматического распознавания речи; базовая Cohere Transcribe — специализированная ASR-модель на 2 млрд параметров, поддерживающая 14 языков. Репозиторий зеркалирует CohereLabs/cohere-transcribe-03-2026 и содержит веса в формате Safetensors для использования с Transformers. Лицензия — Apache 2.0. Языки транскрибации и ограничения качества в карточке этого зеркала не перечислены.

Khaaaleed5/arabert-qa — дообученная модель для извлечения ответов на вопросы из арабского текста. Она основана на AraBERTv0.2-base и использует архитектуру BERT с головой предсказания начальной и конечной позиции ответа в контексте. Модель содержит 162,4 млн параметров, принимает вопрос и фрагмент текста на современном литературном арабском языке; длина контекста — до 512 токенов. Модель предназначена для поиска фактического ответа в предоставленном отрывке, в том числе как компонент арабской RAG-системы. Она может быть полезна для учебных демонстраций и исследований арабского NLP. Обучена на наборе данных abdoelsayed/ArabicaQA и распространяется по лицензии MIT. Модель извлекает ответ только из контекста: она не генерирует сведения, отсутствующие в тексте, и сама по себе не выполняет поиск по открытым источникам. Для медицинских, юридических и финансовых решений её ответы требуют проверки человеком.

facebook/bart-large-xsum — модель семейства BART, дообученная на датасете XSum для автоматического реферирования англоязычных текстов. Разработана Facebook; модель подходит для создания краткого пересказа исходного материала. Архитектура — плотная encoder-decoder модель BartForConditionalGeneration с 252,8 млн параметров и контекстом до 1024 токенов. В карточке заявлена метрика ROUGE выше 22 на XSum. Модель принимает текст и генерирует текстовую сводку. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT.

MayaGalvez/bert-base-multilingual-cased-finetuned-nli — модель классификации текстовых последовательностей на основе BERT, дообученная на наборе данных XNLI. Она предназначена для задач естественного логического вывода, например определения отношения между посылкой и гипотезой. В карточке указана точность 0,8157 на оценочной выборке. Модель содержит 205,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Поддерживает многоязычный сценарий благодаря базовой модели bert-base-multilingual-cased. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0.

AlexStamp/bert-finetuned-ner — модель BERT, разработанная AlexStamp и дообученная на датасете CoNLL-2003 для распознавания именованных сущностей в английских новостных текстах. Она выполняет токенную классификацию и размечает сущности в формате IOB2, включая людей, организации и географические объекты. Модель основана на google-bert/bert-base-cased, содержит 135,5 млн параметров и принимает текст с контекстным окном до 512 токенов. Регистр букв учитывается, поэтому правильное написание с заглавными буквами помогает распознаванию. Модель можно применять для извлечения сущностей из новостных статей и текстов, близких по стилю к обучающим данным. Модель обучена как портфолио-упражнение на английских новостных текстах Reuters и может хуже работать на других языках и в иных предметных областях; ошибки регистра также могут снижать качество. Распространяется по лицензии Apache-2.0.

Модель efeyol11/bert-turkish-sentiment разработана efeyol11 для классификации тональности турецких текстов. Это дообученная модель BERT с архитектурой BertForSequenceClassification и 137,8 млн параметров; она относит текст к одному из трёх классов: отрицательному, нейтральному или положительному. Модель рассчитана прежде всего на короткие и средние тексты, особенно заголовки новостей вместе с краткими аннотациями, а также может применяться для анализа комментариев и публикаций в соцсетях. Модель дообучена на savasy/bert-base-turkish-sentiment-cased с использованием winvoker/turkish-sentiment-analysis-dataset. В README указана длина обучения 128 токенов; метаданные сообщают о контексте до 512 токенов. В тестировании на указанном датасете заявлены accuracy 0,9728 и macro-F1 0,9535, однако эти результаты не гарантируют аналогичное качество на других данных. Модель не предназначена для аспектного анализа, длинные входы обрезаются, а сарказм, ирония и узкие новостные темы могут снижать надёжность. Возможны смещения обучающего корпуса и усиление ошибок при еженедельном дообучении на псевдоразметке. Лицензия — Apache 2.0.

XLMR-Council-Anonymizer — дообученная XLM-RoBERTa Large от разработчиков репозитория liaad для выявления персональных и других чувствительных данных в протоколах заседаний муниципалитетов Португалии. Модель выполняет токенную классификацию в формате NER и поддерживает автоматизацию последующей анонимизации документов. Модель обучена на 120 португалоязычных протоколах из шести муниципалитетов. Для снижения влияния дисбаланса классов применялась взвешенная функция потерь; заявлены 19 типов сущностей в BIO-разметке. Метаданные указывают 305,2 млн параметров, архитектуру XLMRobertaForTokenClassification и контекст до 514 токенов. README приводит другие значения — около 560 млн параметров и окно 512 токенов. На тестовой выборке указаны F1 72,67% macro и 83,51% micro; качество зависит от типа сущности. Модель предназначена прежде всего для административных протоколов Португалии и может хуже работать на других документах. Лицензия в метаданных обозначена как other; конкретные условия использования в доступных данных не раскрыты.

Это точная копия CLIP ViT-B/32 от OpenAI, опубликованная ANEForge для прямого запуска модели на Apple Neural Engine через библиотеку ANEForge. Веса побайтно совпадают с исходным репозиторием openai/clip-vit-base-patch32; архитектура — CLIP с визуальным энкодером ViT-B/32, формат весов — safetensors. Модель сопоставляет изображение с текстовыми метками и подходит для классификации изображений без дообучения: пользователь задаёт варианты описаний, а модель возвращает метку и оценку вероятности. Она принимает изображение и текстовые метки. Сведения о языках и размере контекста в предоставленных данных отсутствуют. Лицензионные условия следует смотреть в исходном репозитории OpenAI. Карточка ANEForge описывает способ загрузки и выполнения модели на Apple Neural Engine; качество и назначение модели соответствуют исходной CLIP ViT-B/32.

Adaptive Classifier — классификатор текста на основе answerdotai/ModernBERT-base, опубликованный под именем adaptive-classifier/content-moderation. Модель поддерживает непрерывное обучение и добавление новых классов; в текущей конфигурации у неё три класса: appropriate, inappropriate и spam. Представления имеют размерность 768, обучение описано на 15 примерах — по пять на класс. Модель предназначена для классификации текста по заданным категориям, в частности для предварительной модерации и обнаружения спама. Её можно использовать в сценариях, где требуется адаптировать набор классов по мере поступления новых размеченных примеров. Для обновления прототипов нужны примеры каждого класса: не менее трёх и не более 150 на класс; прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0. В карточке заявлена многоязычность, но конкретные языки и качество на них не приведены.

Decima Small — компактная многоязычная модель для классификации текста по заданным вариантам. Она разработана автором репозитория amyrmahdy на основе энкодера multilingual-e5-small с дополнительным скорером позднего взаимодействия. Модель кодирует описание ситуации и каждый вариант отдельно, затем оценивает варианты; доступны режимы выбора, проверки, ранжирования и оценки по порядковой шкале. Вход включает до 512 токенов описания ситуации и до 64 токенов на вариант. Варианты можно кэшировать, а их перестановка не меняет результат. Модель предназначена для маршрутизации обращений, выбора категории или ответа из предоставленного списка и других ограниченных решений по тексту. Карточка указывает поддержку 20 языков, включая русский, английский, арабский и персидский; доступны форматы ONNX и safetensors. Модель обучалась с использованием дистилляции решений Gemma-4-26B-A4B и размеченных наборов данных. Лицензия — Apache-2.0. К ограничениям относятся слабая работа со сложными многофакторными и фактическими вопросами, числовыми правилами и тонкими градациями тональности. Длинные входы обрезаются; возможны ошибки и различия качества между языками. Модель выбирает только из предложенных вариантов, поэтому вероятности следует использовать с порогом уверенности и эскалацией сомнительных случаев. Она не предназначена для открытой генерации, принятия значимых решений о людях без проверки человеком, медицинских, юридических или финансовых советов, а также для проверки безопасности вызовов инструментов.

sshleifer/distilbart-cnn-12-6 — англоязычная модель суммаризации текста на базе BART, представленная в семействе DistilBART. Вариант 12-6 использует 12 слоёв кодировщика и 6 слоёв декодировщика; размер модели по метаданным — 252,8 млн параметров. Она предназначена для сокращения документов и статей до краткого связного пересказа. Модель обучена для суммаризации на данных CNN/DailyMail; в карточке также приведены метрики для вариантов DistilBART, включая оценки ROUGE и времени вывода. Она принимает текст и генерирует текстовое резюме, поддерживает контекст до 1024 токенов и доступна в форматах PyTorch и Flax. Лицензия — Apache 2.0. Модель рассчитана на английский язык. Контекстное окно ограничивает длину обрабатываемого текста, а качество и скорость зависят от длины входа и выбранного варианта; приведённая таблица метрик относится к нескольким вариантам DistilBART и не даёт отдельной оценки именно для distilbart-cnn-12-6.

empire-content-distilbert — дообученная модель DistilBERT для классификации текстов, опубликованная пользователем WealthFromAI. Она основана на distilbert-base-uncased и реализована как DistilBertForSequenceClassification. Модель предназначена для присвоения тексту одной из категорий; конкретные категории и целевая область применения не описаны. В README приведены результаты оценки: accuracy 0,9814, macro F1 0,9817 и loss 0,0786. Эти показатели относятся к неуказанному набору данных, поэтому их нельзя считать гарантией качества на других текстах. Контекст модели — до 512 токенов; репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0.

SIRIS-Lab разработала эту модель на основе SPECTER2 (allenai/specter2_base) для многометочной классификации научных публикаций по 28 исследовательским панелям ERC. На вход подаются название и аннотация статьи; модель может также работать только с названием или только с аннотацией. Она выдаёт панели с вероятностями, рассчитанными независимо для каждой метки; порог по умолчанию — 0,5 и может настраиваться. Модель подходит для автоматической разметки публикаций и обогащения метаданных в научных репозиториях, базах исследовательских проектов и аналитических системах. В README для тестового набора указаны Micro F1 0,9386 и Micro ROC-AUC 0,9718; на отдельной оценке проектов ERC общая полнота составила 0,77. Модель использует архитектуру BERT, содержит 137,1 млн параметров и обрабатывает до 512 токенов. Лицензия — Apache-2.0. Классификация ограничена укрупнёнными категориями ERC: модель не учитывает явные иерархические связи между панелями, а дисбаланс классов может снижать полноту для редких категорий. Она не предназначена для определения узких специальностей, оценки качества исследований или принятия клинических, юридических и регуляторных решений; предсказания следует использовать как вспомогательные метаданные.

cea-list-ia разработала англоязычный классификатор ESG-тем для анализа текстов. Модель на архитектуре DistilBERT решает задачу классификации текста и размечает содержание по иерархии ESG: широким категориям Environmental, Social и Governance, 16 тематическим классам второго уровня и 119 детальным классам третьего уровня. Модель предназначена для категоризации корпоративных ESG-отчётов и выделения тем, связанных с климатом, загрязнением, биоразнообразием, ресурсами, правами человека, условиями труда и управлением. Она принимает текст и выдаёт метки классов. Контекст ограничен 512 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Карточка указывает английский язык; лицензия MIT разрешает использование на её условиях.

Yuu-Xie/fever-nli-modernbert-large — англоязычная модель Yuu-Xie для проверки фактических утверждений и задач естественного логического вывода. Она дообучена на наборе pietrolesci/nli_fever на базе энкодера ModernBERT-large и принимает пару «утверждение — свидетельство», после чего классифицирует их логическую связь. Модель выдаёт один из трёх классов: entailment (свидетельство подтверждает утверждение), contradiction (опровергает) или neutral (данных недостаточно для вывода). Её можно включать в конвейеры фактчекинга, проверять найденные предложения Википедии и решать общие задачи трёхклассового NLI. Архитектура — ModernBERT для классификации последовательностей, размер — около 394,7 млн параметров, длина контекста — до 8192 токенов. В README приведена точность 0,7683 на 19 998 примерах валидации. Модель предназначена для классификации англоязычных пар текста; качество зависит от релевантности и полноты переданных свидетельств, поэтому её вывод не заменяет проверку источников. Распространяется по лицензии Apache-2.0.

PaDaS-Lab/gdpr-privacy-policy-ner — модель семейства BERT для распознавания сущностей в текстах политик конфиденциальности. Она размечает токены по 33 классам, связанным с GDPR, включая оператора данных, обработчика данных и ответственного за защиту данных. Модель подходит для извлечения упоминаний ролей и других категорий GDPR из документов о конфиденциальности. Модель имеет 135,5 млн параметров и контекстное окно до 512 токенов. Она опубликована в форматах PyTorch, Safetensors и TensorFlow; лицензия — MIT. Данные не уточняют поддерживаемые языки и ограничения на качество разметки.

Shaleen123 разработал Gemma 4 12B SQL — дообученную для преобразования вопросов на естественном языке в SQL модель на базе google/gemma-4-12B-it. Она принимает схему базы данных в формате DDL и вопрос, а затем генерирует запрос; предназначена для интерфейсов запросов к реляционным данным, BI-инструментов, черновиков SQL для аналитиков и разработчиков, а также исследований и тестирования text-to-SQL. Модель использует плотную архитектуру Gemma4Unified, работает через Transformers и распространяется в формате safetensors. В метаданных указан английский язык; размер контекста не приведён. Карточка рекомендует проверять сгенерированные запросы человеком и явно задавать диалект SQL. Модель может выдумывать таблицы и столбцы, ошибаться при неоднозначных вопросах и сложных запросах, а также создавать дорогостоящий или разрушительный SQL. Оценочные результаты не приведены. Сведения о лицензии в предоставленных данных отсутствуют.

Многоязычный классификатор токсичности от TextDetox, созданный дообучением Glot500 на бинарной задаче классификации токсичности с использованием датасета textdetox/multilingual_toxicity_dataset. Модель построена на архитектуре XLM-RoBERTa для классификации последовательностей и содержит 421,3 млн параметров. Модель предназначена для определения токсичности текста на 15 языках. В README приведены оценки F1 для английского (0,9071), русского (0,9022) и украинского (0,9075); модель можно применять для фильтрации пользовательских сообщений и анализа текстовых корпусов. Максимальный контекст — 514 токенов. Весовые файлы доступны в формате Safetensors, для загрузки указана библиотека Transformers. Лицензия — OpenRAIL++; условия использования следует сверять с её текстом.

rakeshkiriyath/gpt2Medium_text_to_sql — дообученная на наборе b-mc2/sql-create-context модель GPT-2 Medium для преобразования запросов на естественном языке в SQL. Карточка демонстрирует SQL-запросы и приводит значения training loss и eval loss; метаданные указывают архитектуру GPT2LMHeadModel, формат PyTorch, контекст до 1024 токенов и английский язык. Модель подходит для генерации SQL по текстовым запросам, например для выборки и подсчёта данных в таблицах. Карточка описывает первый проект автора по дообучению LLM, поэтому качество и устойчивость результатов могут быть ограничены. Лицензия обозначена как other; конкретные условия использования следует сверить с лицензией репозитория и набора данных.

IceBERT-ner — модель для распознавания именованных сущностей в исландском тексте. Её разработчик дообучил vesteinn/IceBERT, модель семейства RoBERTa, на наборе данных mim_gold_ner. Модель содержит 151,6 млн параметров, принимает текст и выдаёт метки для его токенов; максимальная длина контекста — 514 токенов. На оценочной выборке модель показала F1 0,9396, точность 0,9352, полноту 0,9440 и accuracy 0,9920. Она подходит для автоматической разметки сущностей в исландских текстах; результаты могут отличаться на данных из других источников и жанров. Лицензия — GPL-3.0.

Модель sampathkethineedi/industry-classification разработана для отнесения описания бизнеса к одной из 62 отраслевых меток. Это классификатор текста на архитектуре DistilBERT, обученный на 7000 примерах описаний компаний в Индии. Модель принимает текст и возвращает отраслевую категорию; длина контекста составляет 512 токенов. Доступны версии для PyTorch и TensorFlow. Модель подходит для автоматической категоризации компаний по текстовым описаниям, например, при создании отраслевых каталогов или классификации бизнес-профилей. Обучающие данные охватывают только индийские компании, поэтому точность на описаниях бизнесов из других стран или отраслей может быть ниже. Лицензия в предоставленных данных не указана.

autotrust/JEV-Gemma4-26B-A4B — независимая модель с открытыми весами от AutoTrust AI, созданная на базе Gemma 4 26B A4B IT от Google DeepMind. В комплекте доступны два режима: исходная мультимодальная модель для генерации и рассуждений, а также System 1 с LoRA-адаптером и отдельной головой решений. Для System 1 основное назначение — классификация и оценивание вариантов: она выдаёт вероятности для трёх типов решений — «да/нет», выбора из 2–16 вариантов и оценки от 0 до 5. При большем числе вариантов они обрабатываются группами. Голова решений преобразует скрытое состояние последнего токена в 24 слота, маскирует неиспользуемые и применяет калибровочную температуру и softmax. Обучение System 1 использовало распределения ответов модели-учителя и размеченные данные. Модель подходит для ранжирования новостей и поисковой выдачи, классификации и выбора действий с учётом уверенности. Карточка сообщает о результате 58,05 в Decision Index 0.2.1; тестовые наборы некоторых задач пересекались с обучающими данными, поэтому часть оценок ограничена. Модель ориентирована прежде всего на английский язык. Среди ограничений указаны зависимость от ошибок учителя, снижение качества на длинных структурированных входах и результат ниже случайного уровня на экспертных вопросах HLE; `noul` и `score` поддерживают только канонические варианты ответа. В README рекомендована проверка уверенности перед автоматическими действиями и не рекомендуется применять System 1 для решений с высокими последствиями без такой проверки. Лицензия — Apache-2.0.

jjzha/jobbert_knowledge_extraction — модель на базе BERT для классификации токенов, предназначенная для извлечения знаний и навыков из текста вакансий. Она размечает фрагменты текста, связанные с hard skills; связанный endpoint jjzha/jobbert_skill_extraction предназначен для извлечения навыков, включая soft и прикладные навыки. Модель содержит 135,5 млн параметров, использует архитектуру BertForTokenClassification и принимает контекст длиной до 512 токенов. Модель подходит для автоматического выделения технических знаний и требований к квалификации в описаниях вакансий. Данные о лицензии и конкретных языках обучения или применения отсутствуют в предоставленных источниках.

KuBERT-Central-Kurdish-BERT-Model — модель на архитектуре BERT, разработанная AsoSoft для обработки центральнокурдского языка. Она предназначена для классификации текста без заранее заданного набора классов: пользователь задаёт варианты меток, а модель оценивает их соответствие тексту. Чекпойнт содержит около 95 млн параметров и поддерживает контекст до 512 токенов. Модель обучена на корпусе примерно из 296,5 млн токенов, собранном из материалов AsoSoft, текстов Арама Рафика и Мухаммада Азизи, а также корпуса OSCAR 2019. В README также указаны специализированный токенизатор для курдского языка и использование BERT. Это языковая модель общего назначения для центральнокурдских текстов; карточка не сообщает лицензию и не приводит оценок качества, поэтому их нельзя установить по доступным сведениям.

laya-ara-rag — модель Мохаммада Альхенизана для переранжирования коротких списков арабских текстовых фрагментов в системах поиска и RAG. Это дообученная версия convaiinnovations/laya-multilingual на архитектуре ModernBERT с 306,9 млн параметров и контекстом до 8192 токенов. Модель не генерирует текст и не предназначена для первичного поиска: она оценивает релевантность пары «запрос — фрагмент» и выбирает наиболее подходящие варианты из списка до 12 кандидатов. Обучение проводилось с использованием RLCD на данных MIRACL-ar, арабской части MASSIVE и внутренних логов поиска, которые не распространяются. В README приведены результаты на арабских задачах переранжирования, включая MIRACL-ar, Mr.TyDi-ar и MLQA-ar; показатели отражают выбор первого кандидата в коротком списке, а не стандартную метрику nDCG@10. Модель распространяется под лицензией Apache-2.0.

LibreOWLv2b16 — снимок весов OWLv2 base patch-16 ensemble, опубликованный в репозитории LibreYOLO. Параметры модели не изменялись: сохранены веса Google для google/owlv2-base-patch16-ensemble и файлы Hugging Face Transformers, необходимые обёртке LibreYOLO LibreOpenVocab. Модель обнаруживает объекты на изображениях по текстовым запросам. Пользователь может задать названия классов, например «person», «dog» и «car», и получить результаты обнаружения; открытый словарь позволяет искать классы, не заданные фиксированным набором меток. Репозиторий позиционирует её как компонент уровня LibreYOLO LibreOpenVocab. Использование весов распространяется по лицензии Apache 2.0. Для работы требуется обёртка LibreYOLO; README приводит пример вызова, но не сообщает численные оценки качества или ограничения по скорости и разрешению изображения.

Llama-3.2-3B-Instruct-heretic — модифицированная версия Meta Llama-3.2-3B-Instruct, опубликованная пользователем saidutta69. Модель обработана с помощью Heretic 1.4.0 методом directional ablation («abliteration»): целевые изменения внесены в веса attention output и MLP down-projections без дообучения. Заявленная цель — подавить поведение, связанное с отказами, сохранив знания и способность следовать инструкциям исходной модели. Модель предназначена для генерации текста, локальных AI-агентов, ролевых сценариев, исследовательской работы с механизмами alignment и отказов, а также задач, в которых базовая модель слишком часто отказывается отвечать. Это текстовая autoregressive-модель архитектуры Llama размером около 3,2 млрд параметров; доступны варианты GGUF для llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang, а также загрузка через Transformers. В README заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Контекстное окно не указано. К сильным сторонам относятся небольшой размер, пригодность для запуска на потребительских CPU и системах с малым объёмом VRAM, широкий набор квантизаций и существенно сниженная частота отказов по сравнению с исходной моделью: в заявленном тесте — 2 против 97 отказов из 100 при низком изменении распределения ответов. Ограничение заключается в намеренном отсутствии защитных механизмов: модель может выполнять запросы, которые исходная версия отклоняла, включая потенциально опасные, поэтому для публичных сервисов требуется внешняя модерация. Она также сохраняет фактические ограничения и предвзятости базовой модели. Модель распространяется по лицензии Llama 3.2 Community License, унаследованной от базовой модели Meta.