I.14Автоматизация процессов и AI-агенты

Llama JoyCaption Alpha Two — визуально-языковая модель семейства LLaVA, разработанная проектом JoyCaption для автоматического описания изображений. Она предназначена прежде всего для создания подробных текстовых подписей к изображениям и подготовки описаний для обучения и дообучения диффузионных моделей. В README модель заявлена как открытая и ориентированная на широкий спектр визуальных стилей и тем; пример запуска через vLLM ограничивает длину последовательности 4096 токенами. Модель объединяет SigLIP SO400M Patch14 384 и Llama 3.1 8B Instruct. Она принимает изображения и текстовые запросы и генерирует текстовые описания. Карточка заявляет охват как обычного, так и откровенного контента. Доступны веса в формате safetensors; README указывает на GitHub как источник инструкций по запуску, но не называет лицензию, поэтому условия использования весов по этим данным определить нельзя. Модель рассчитана на автоматизацию аннотирования изображений и может применяться для разных стилей, включая цифровое искусство, фотореализм и аниме. README предупреждает, что запуск через vLLM может требовать настройки параметров памяти и режима выполнения. Заявления о качестве относительно GPT-4o приведены разработчиком и не сопровождаются здесь независимыми результатами оценки.

zeromodels/metaclip2_mt5_worldwide_s16_224 — конверсия MetaCLIP 2 от Meta в формате Keras 3, подготовленная проектом zeromodels. Это модель с архитектурой CLIP и двумя энкодерами, предназначенная для классификации изображений по текстовым описаниям без обучения на целевых метках: она сопоставляет изображение с предложенными пользователем классами и оценивает соответствие каждого описания. Вариант worldwide обучен на многоязычных данных; текстовый энкодер использует SentencePiece, а промпты можно задавать на разных языках без отдельного мультиязычного чекпойнта. Модель поддерживает zero-shot классификацию изображений. Реализация Keras 3 работает с бэкендами TensorFlow, PyTorch и JAX; в репозитории представлены веса TensorFlow. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях. Для работы нужно подавать изображение и текстовые описания классов; качество зависит от формулировок промптов и языка. README не приводит подробных результатов оценки или ограничений по размеру изображения.

Migician — мультимодальная модель You Li и соавторов для локализации объектов и других свободно сформулированных запросов сразу по нескольким изображениям. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и использует плотную архитектуру Qwen2-VL с 7,1 млрд параметров. Модель принимает изображения и текстовые инструкции, а координаты областей выдаёт в текстовом формате; контекст составляет до 32 768 токенов. Модель предназначена прежде всего для многокадрового визуального grounding: например, чтобы найти упомянутый объект на одном или нескольких изображениях и вернуть его координаты. Авторы также сообщают о конкурентных результатах на тестах общего понимания нескольких изображений. Веса доступны в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0.

Ministral-3B-PII-Preview — языковая модель на 3,3 млрд параметров от OpenMed для обнаружения персональных данных в неструктурированном тексте. Она извлекает найденные сущности и возвращает их в виде структурированного JSON-массива с типами; для текста без персональных данных модель может вернуть пустой массив. Модель построена на архитектуре Mistral 3 и используется через библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена для извлечения персональных данных в сценариях проверки документов, клинических текстов и поддержки процессов конфиденциальности и соответствия требованиям. README сообщает о поддержке 20 языков в тестах, хотя обучающие данные были только на английском. На англоязычном тесте из 1 000 примеров все ответы были валидным JSON; многоязычная оценка показала более слабые результаты на сыром выводе для ряда языков, включая русский, а идеальные показатели после обработки достигались с отдельным детерминированным постпроцессингом. Модель принимает только текст; извлечение персональных данных из изображений не поддерживается, несмотря на тег image-text-to-text в метаданных. Она специализирована на PII, поэтому не предназначена для общего NER или обычного диалога. Возможны пропуски сущностей и неверные метки, особенно при узкоспециальной лексике и нестандартных форматах; для комплаенса её следует применять как часть более широкой системы, а не как единственную проверку.

HIT-TMG/Mixtral_13B_Chat_RAG-Reader — двуязычная модель с генерацией текста на основе поиска по документам (RAG), представленная HIT-TMG. Она предназначена для чтения документов и ответов на вопросы по предоставленным материалам на китайском и английском языках. Модель формирует ответы с цитатами и должна отказываться отвечать, если в документах нет нужной информации. Модель построена на архитектуре Mixtral MoE с классом MixtralForCausalLM; в метаданных указано 7,1 млрд параметров и контекст 32 768 токенов. Для работы ей передают документы и вопрос в диалоговом шаблоне RAG. Репозиторий содержит веса в формате safetensors и обучающий набор HIT-TMG/TruthReader_RAG_train. Лицензия — Apache-2.0.

WizardCoder-SCoT-1B-V1.0 — языковая модель для генерации кода, созданная группой 1 проекта ML4SE в TU Delft. Это дообученная версия WizardCoder-1B-V1.0 на наборе примерно из 1200 примеров Evol-Instruct, дополненных структурированными инструкциями Chain-of-Thought (S-CoT). Архитектура — GPTBigCode с плотной causal language model; формат весов — PyTorch, размер — около 1 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации программного кода по текстовым инструкциям и экспериментов с влиянием S-CoT на решение задач программирования. В README приведено сравнение на HumanEval и MBPP: результаты pass@1 ниже, чем у исходной WizardCoder-1B-V1.0 на обычных версиях этих тестов, поэтому качество следует оценивать на целевых задачах. Лицензия в предоставленных данных не указана.

facebook/mms-tts-rus — модель синтеза русской речи из текста, разработанная Meta в рамках проекта Massively Multilingual Speech (MMS). Она предназначена для преобразования русскоязычной последовательности текста в речевую аудиоволну и подходит для озвучивания текстов и создания речевого вывода в приложениях. Для каждого языка MMS обучается отдельный чекпойнт. Модель использует архитектуру VITS и содержит текстовый энкодер на основе Transformer, flow-модуль, декодер, построенный по принципу HiFi-GAN, и стохастический предиктор длительности. Веса содержат 3,5 млн параметров и доступны в форматах PyTorch и Safetensors; модель поддерживается библиотекой Transformers версии 4.33 и выше. Из-за стохастического предиктора одинаковый текст может звучать по-разному; для повторяемого результата требуется фиксированный seed. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

ModernBERT-base-finetuned-squad — англоязычная модель семейства ModernBERT, дообученная разработчиком на наборе данных SQuAD для извлечения ответов из текста. Это encoder-only модель с архитектурой ModernBertForQuestionAnswering, содержащая 149 млн параметров; заявленная длина контекста — до 8192 токенов. Модель подходит для систем вопросно-ответного поиска, где на вход подаются вопрос и текстовый фрагмент, а на выходе извлекается ответ из этого фрагмента. В README заявлено преимущество над bert-base-uncased на той же задаче и наборе данных, но приведены только результаты базовой модели, поэтому количественно оценить это преимущество по карточке нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она обучалась на SQuAD, поэтому её применимость к другим языкам, предметным областям и форматам вопросов может быть ограничена; результаты на независимых данных в карточке не приведены.

Inabia-AI/modernBERT-large-claim-agent_v4 — дообученный классификатор на базе двунаправленного энкодера answerdotai/ModernBERT-large. Модель предназначена для классификации текстов; название указывает на сценарий проверки утверждений, однако карточка не описывает конкретные метки или формат входных данных. Модель содержит 394,7 млн параметров, построена на архитектуре ModernBERT и поддерживает контекст до 8192 токенов. В README приведены результаты оценки: accuracy 0,8931, precision 0,8293, recall 0,8 и F1 0,8144. Базовая модель описана как англоязычная; отдельные языковые возможности этой версии не уточнены. Лицензия — Apache-2.0.

Jaywhisker/msc_thesis_nuextract3_stage2_best_food — дообученная версия NuExtract3, созданная для извлечения POI, связанных с едой. Модель предназначена для преобразования входного текста или документов в структурированные данные о таких точках интереса. Обучение проходило в два этапа: сначала на 6092 слабомаркированных примерах, затем на 500 вручную размеченных примерах; лучший результат второго этапа для категории еды был на шаге 500. Модель содержит 3,4 млрд параметров, использует архитектуру Qwen3.5 и поддерживает контекст до 262144 токенов. В карточке указаны safetensors и лицензия базовой модели NuExtract3 не приведена в предоставленных данных.

multilingual-cpv-sector-classifier — модель MKaan, дообученная на базе bert-base-multilingual-cased для классификации описаний закупок. Она относит текст к одному из 45 секторов, представленных описаниями кодов Общего словаря закупок ЕС (CPV), например строительству, здравоохранению, ИТ, транспорту и финансовым услугам. Модель использует архитектуру BERT для классификации последовательностей, содержит 205,1 млн параметров и принимает входные тексты длиной до 512 токенов. Модель предназначена для автоматической категоризации объявлений о присуждённых государственных контрактах и сортировки закупок по секторам. В карточке заявлена поддержка 104 языков mBERT, однако оценка проводилась на 22 европейских языках; на тестовой выборке указан F1 0,686. Данные охватывают описания закупок ЕС за 2011–2018 годы, поэтому качество на других типах документов и за пределами этой предметной области может отличаться. Модель распространяется по лицензии Apache-2.0.

Den4ikAI/nonsense_gibberish_detector — русскоязычная модель классификации текста от Den4ikAI, построенная на архитектуре BERT и обученная распознавать три категории: нормальный текст, текст с ошибками в склонениях или несвязным набором слов, а также бессмысленный набор символов или слов. Её можно применять для первичной проверки качества пользовательского текста и выявления бессвязных или искажённых сообщений. Модель содержит 140,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В карточке указан датасет Den4ikAI/gibberish_dataset. Модель распространяется по лицензии Apache-2.0. Оценки точности и подробные сведения о том, как она обобщает за пределами обучающих данных, в предоставленной карточке не описаны.

OpenMed-PII-Italian-SuperClinical-Small-44M-v1 — модель OpenMed для обнаружения и классификации персональных и других чувствительных данных в итальянском тексте. Это дообученная на задаче разметки токенов модель на архитектуре DeBERTa V2; метаданные указывают 155 млн параметров, а README называет размер 44 млн. Контекст модели составляет 512 токенов. Модель размечает 54 типа сущностей, включая имена, адреса, контактные данные, финансовые идентификаторы и медицинские записи. Она предназначена для выявления PII в клинических заметках и документах, подготовки наборов данных к исследованиям и поддержки процессов деидентификации. README сообщает о micro F1 0,9559 на итальянской части AI4Privacy, но не приводит подробностей протокола оценки. Модель принимает текст и выдаёт метки токенов в формате BIO. Она обучена на итальянском подмножестве AI4Privacy PII Masking 400k и опубликована под лицензией Apache 2.0. Результаты могут зависеть от предметной области; модель может пропускать чувствительные данные, поэтому для критичных сценариев требуется проверка человеком.

OpenMed-PII-SnowflakeMed-Large-568M-v1 — модель OpenMed для выявления и классификации персональных и медицинских идентификаторов в тексте. Это дообученная модель токенной классификации на архитектуре XLM-RoBERTa, основанная на Snowflake/snowflake-arctic-embed-l-v2.0. В метаданных указано 658,7 млн параметров и контекст до 8194 токенов; модель распространяется в формате Safetensors и использует библиотеку Transformers. Модель предназначена для поиска 54 типов чувствительных данных, включая имена, адреса, номера медицинских записей, финансовые идентификаторы и контактные данные. Её можно применять для предварительной деидентификации клинических заметок и документов, подготовки наборов данных к исследованиям и аудита текстовых коллекций. В README приведён результат micro F1 0,9594 на тестовой выборке NVIDIA Nemotron-PII. Модель ориентирована прежде всего на английский текст. Возможны пропуски чувствительных данных, а качество зависит от категории и контекста; README рекомендует использовать её как вспомогательный инструмент с проверкой результатов человеком. Лицензия — Apache-2.0.

OpenMed-PII-Spanish-BiomedBERT-Base-110M-v1 — модель OpenMed для обнаружения и классификации персональных и чувствительных данных в испанском тексте. Это дообученная модель BERT для токенной классификации на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract. По карточке, модель распознаёт 54 типа сущностей, включая имена, адреса, контакты, финансовые идентификаторы и медицинские номера. В метаданных указано 136,7 млн параметров и контекст до 512 токенов; модель работает с текстом и выдаёт метки сущностей с привязкой к токенам. Модель предназначена для поиска и обезличивания PII в клинических записях, медицинских документах и других текстовых коллекциях на испанском языке, а также для подготовки данных к исследованиям и аудита документов. На испанской части датасета AI4Privacy в карточке приведена оценка Micro F1 0,8567. Для лучшего результата README рекомендует предварительно удалять диакритические знаки; смещения сущностей при этом сохраняются для сопоставления с исходным текстом. Модель может пропускать чувствительные данные, а качество зависит от контекста и терминологии, поэтому критические результаты требуют проверки человеком. Она оптимизирована для испанского и может хуже работать на других языках. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-sk-fr — модель машинного перевода из семейства Marian, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст со словацкого языка на французский и предназначена для автоматического перевода предложений и текстовых материалов в пакетных или прикладных сценариях. Модель основана на архитектуре Transformer, содержит 55,1 млн параметров, использует нормализацию и токенизацию SentencePiece; родная длина контекста — 512 токенов. Для набора JW300.sk.fr в карточке приведены результаты BLEU 29,4 и chr-F 0,508. Модель принимает текст на словацком и выдаёт французский перевод. Распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала эту модель машинного перевода в рамках проекта OPUS-MT. Она переводит текст с английского языка на арабский; обучена на данных OPUS с использованием Marian NMT и доступна в формате Transformers. Архитектура — MarianMT, размер — 163,4 млн параметров, максимальная длина контекста — 1024 токена. Модель предназначена для перевода предложений и текстовых фрагментов; в карточке приведены результаты на тестовых наборах Tatoeba, FLORES-101 и TICO-19. Лицензия — CC BY 4.0.

Ortix Seg LV Base — модель Baltrix из выпуска Ortix для выделения границ предложений в письменном латышском тексте. Она предназначена для очистки документов, обработки корпусов и подготовки текста к поиску и другим языковым конвейерам. Модель использует архитектуру DeBERTa V2 для классификации токенов; вариант Base содержит 6 слоёв. По метаданным, в модели 81,8 млн параметров, контекст составляет 1024 токена. Для применения предусмотрен пакет ortix-seg, который использует конфигурацию сегментации и правила постобработки для латышского языка. Модель дообучена на базе AiLab-IMCS-UL/lv-deberta-base и распространяется по лицензии Apache-2.0. Она рассчитана на сегментацию латышского текста; качество на других языках и задачах не заявлено.

google/pegasus-xsum — англоязычная модель Pegasus для генерации кратких пересказов, основанная на архитектуре кодировщика-декодировщика и разработанная Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu; карточку поддерживает @sshleifer. Модель содержит 366,8 млн параметров, принимает текст и выдаёт текст. Её основная специализация — абстрактная суммаризация, в частности создание короткого пересказа по исходному тексту; в материалах карточки приведены результаты на XSum, CNN/DailyMail и других наборах данных. При предобучении использовались C4 и HugeNews, смешанные и стохастически выбранные предложения-заполнители, а также изменённый SentencePiece-токенизатор с поддержкой символа новой строки. Заявленная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Карточка не сообщает об ограничениях помимо длины контекста. Лицензия в предоставленных данных не указана.

PIXIE-Splade-v1.5 — двуязычный разреженный энкодер для поиска, разработанный TelePIX Co., Ltd. Модель дообучена для задач поиска на корейском и английском языках и показывает сильные результаты в аэрокосмической тематике, а также на ряде общих наборов данных для поиска. Модель построена на ModernBERT с архитектурой ModernBertForMaskedLM и SPLADE-пулингом: она преобразует текст в разреженные векторы размерности 50 000, пригодные для индексации в Lucene или Elasticsearch. Веса токенов можно анализировать, чтобы понять, какие термины повлияли на совпадение. README указывает максимальную длину последовательности 5 632 токена; метаданные каталога сообщают нативное контекстное окно 16 384 токена. Модель предназначена для поиска по документам, технических вопросов и ответов и гибридного поиска в сочетании с плотными энкодерами. В README приведены оценки nDCG@10 на корейских, английских и аэрокосмических наборах данных, но они не гарантируют аналогичного качества на других корпусах. Для применения требуется поисковая система с поддержкой разреженных векторов или совместимая схема индексации. Лицензия — Apache-2.0.

radlab/polish-qa-v2 — польскоязычная модель извлечения ответов на вопросы, разработанная radlab.dev. Она находит в предоставленном контексте наиболее подходящий фрагмент текста и возвращает его как ответ; модель дообучена для задачи question-answering на базе sdadas/polish-roberta-large-v2 с использованием датасета clarin-pl/poquad. Модель основана на RoBERTa, содержит 533,7 млн параметров и принимает текст вопроса вместе с контекстом. Максимальная длина контекста составляет около 512 токенов. Она подходит для поиска ответов в польских текстах, но возвращает извлечённый фрагмент, а не формулирует развёрнутый ответ; для длинных документов контекст потребуется разбивать. Лицензия — CC BY 4.0.

polish-reranker-large-ranknet — польская модель для переранжирования результатов поиска, разработанная на основе Polish RoBERTa и обученная с функцией потерь RankNet. Она оценивает релевантность документов запросу и упорядочивает их, используя попарное сравнение документов. Обучение проводилось на 1,4 млн запросов и 10 млн документов: польской части MS MARCO, переведённом на польский ELI5 и наборе польских медицинских вопросов и ответов. Для разметки релевантности использовалась модель unicamp-dl/mt5-13b-mmarco-100k; базовая модель выступала учеником в дистилляции. Модель предназначена для второго этапа информационного поиска: она принимает запрос и найденные документы и выдаёт оценки или ранжированный список. В тесте Polish Information Retrieval Benchmark достигла NDCG@10 62,65; авторы сообщают, что она быстрее и компактнее модели-учителя. Это модель RoBERTa для классификации последовательностей с 533,7 млн параметров, контекстом 514 токенов и форматом safetensors; доступна через Sentence-Transformers и Transformers. Лицензия — Apache-2.0.

recogna-nlp/ptt5-base-summ-xlsum — это дообученная Recogna-NLP модель PTT5 для абстрактного суммирования текстов на бразильском португальском. Она построена на архитектуре T5 и дообучена на XL-Sum; по метаданным содержит 123,8 млн параметров и рассчитана на контекст до 512 токенов. Модель генерирует краткое изложение исходного текста и предназначена, например, для сокращения новостных и других португалоязычных материалов. Модель принимает текст и выдаёт текстовое резюме. Карточка указывает на обучение на XL-Sum; метаданные также называют этот датасет. Лицензия CC BY-NC-SA 4.0 требует атрибуции, запрещает коммерческое использование и обязывает распространять производные работы на тех же условиях.

py314-pylingual-v4-segmenter — модель семейства RoBERTa, разработанная syssec-utd и дообученная на основе syssec-utd/py314-pylingual-v4-mlm для классификации токенов. Она предназначена для сегментации текста на уровне токенов; обучение проводилось на наборе syssec-utd/segmentation-py314-pylingual-v4-tokenized. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 514 токенов и опубликована в формате safetensors для библиотеки Transformers. На указанной в карточке оценочной выборке приведены precision 0,9949, recall 0,9972, F1 0,9961 и accuracy 0,9992. Лицензия и конкретная схема сегментации в предоставленных данных не описаны.

Модель veronica320/QA-for-Event-Extraction — компонент системы извлечения событий, представленной в статье ACL 2021 «Zero-shot Event Extraction via Transfer Learning: Challenges and Insights». Это модель вопросно-ответного типа на архитектуре RoBERTa-large с 454,1 млн параметров, дообученная на QAMR. Она принимает вопрос и текстовый контекст и извлекает из контекста ответ, например участника события, о котором спрашивает пользователь. Модель предназначена для использования отдельно через Transformers AutoModelForQuestionAnswering или как часть системы извлечения событий из статьи. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

QAmembert-large — модель CATIE-AQ на базе CamemBERT Large, дообученная для ответов на вопросы по контексту на французском языке. Она извлекает ответ из предоставленного текста и рассчитана также на распознавание случаев, когда в контексте нет ответа. Модель обучали на объединённом наборе frenchQA из четырёх французских наборов данных: в обучении использовано более 221 тысяч пар контекста и вопроса с ответом, а для тестирования — 6 376 примеров. Модель имеет архитектуру CamemBERT для вопросно-ответных систем, содержит 435,4 млн параметров и поддерживает контекст длиной до 514 токенов. В README приведены оценки на французских наборах FQuaD, qwant/squadfr и frenchQA. Лицензия — MIT. Результаты относятся к указанным наборам данных; качество на других областях и длинных контекстах может отличаться.

quinex-context-v0-783M — модель Jülich Systems Analysis, дообученная на базе FLAN-T5 Large для извлечения контекста измерений количественных величин из текста. Она использует архитектуру T5 encoder-decoder и многошаговые вопросы и ответы, чтобы определить измеряемое свойство, сущность, временные и пространственные рамки, источник, метод и другие условия измерения. Модель предназначена для работы вместе с отдельными моделями идентификации количественных величин и может применяться к научным и техническим текстам. В карточке приведены результаты оценки на тестовом наборе, включая F1 88,29 для общего извлечения и оценки на статьях из нескольких научных областей. Метаданные указывают 385,2 млн параметров, контекст до 512 токенов, поддержку английского языка и формат Safetensors. В README указано другое число параметров — 783 млн. Лицензия Apache-2.0.

Карточка модели jaeyong2/Qwen2.5-7B-Instruct-Ja-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

Это четырёхбитная версия Qwen2.5-VL-3B-Instruct-abliterated, преобразованная сообществом mlx-community в формат MLX из huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated с помощью mlx-vlm 0.1.13. В основе лежит дообученная Qwen/Qwen2.5-VL-3B-Instruct — компактная плотная мультимодальная модель Alibaba с 3,1 млрд параметров и контекстом до 128 000 токенов. Модель предназначена для диалогового анализа изображений и видео с ответами на естественном языке; также поддерживает интерфейс вызова инструментов. Формат MLX и 4-битное представление рассчитаны на запуск на устройствах Apple с MLX. Метаданные указывают английский язык. Лицензия в предоставленных данных не указана.

dinhxuanhuy/Qwen3-0.6B-PhoMT-250K — дообученная языковая модель семейства Qwen3, разработанная dinhxuanhuy на базе unsloth/qwen3-0.6b-unsloth-bnb-4bit. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст для генерации текста; метаданные также отмечают поддержку диалогового режима и интерфейса вызова инструментов. Длина контекста составляет 40 960 токенов. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой TRL, но не описывает целевую задачу, обучающие данные или специализированные сценарии применения. Модель распространяется по лицензии Apache-2.0. Английский указан среди языков карточки; назначение для конкретного языка или домена не заявлено.