I.14Автоматизация процессов и AI-агенты

Python-Code-13B — полноразмерная дообученная модель для генерации кода, созданная ajibawa-2023 на базе Llama 2 от Meta. Она обучена на более чем 23 тысячах наборов кода с двумя диалогами в каждом; данные в формате Vicuna/ShareGPT содержат код и подробные объяснения. Модель предназначена для генерации Python-кода и пояснения к нему в формате диалога. Это плотная авторегрессионная архитектура Llama с 12,9 млрд параметров и контекстом 4096 токенов; основные данные и назначение ориентированы на английский язык. Для весов указана лицензия CC-BY-NC-ND-4.0, ограничивающая коммерческое использование и распространение производных версий.

Модель q25sftrphardlam1 — готовый для инференса чекпойнт дообучения Qwen2.5-3B, подготовленный проектом RL-Forgetting-Experiments-3 для генерации кода. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, основанная на Qwen/Qwen2.5-3B и обученная на данных qwen3b_code_sft_data_s300. В README указаны упорядоченная подача данных, стратегия replay hard и коэффициент replay 1,0; чекпойнт зафиксирован на шаге оптимизатора 102. Модель подходит для генерации кода и диалоговых сценариев с программированием. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. Репозиторий использует Transformers и формат весов safetensors. Лицензия в предоставленных данных не указана.

HarithSami дообучил эту плотную языковую модель на основе unsloth/qwen2.5-7b-instruct. Она предназначена для генерации текста и диалогового общения; метаданные также указывают интерфейс для вызова инструментов. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README указано, что для обучения использовались Unsloth и библиотека TRL от Hugging Face. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Данные описания не уточняют, на каких именно данных выполнялось дообучение и насколько хорошо модель справляется с конкретными задачами или языками.

Agnuxo/Qwen2-7B-Instruct_CODE_Python_Spanish_English_Asistant-16bit — локальная чат-модель для генерации кода, представленная Francisco Angulo de Lafuente в рамках экосистемы P2PCLAW. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. В README заявлена помощь с Python, JavaScript, TypeScript, Rust, Go и C++, а также с научными вычислениями и библиотеками NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Модель предназначена для диалоговой генерации кода и помощи при разработке, в том числе локально через Ollama или Transformers. Карточка заявляет поддержку английского и испанского языков. Лицензия — Apache-2.0. README также содержит указание перенаправлять запросы на написание научных статей в P2PCLAW; качество кода, языковое покрытие за пределами заявленных языков и результаты независимой оценки в предоставленных данных не подтверждены.

yeeun2/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, дообученная на базе NotoriousH2/Qwen3-0.6B-JSON-SFT с использованием Unsloth и библиотеки TRL. В карточке указано около 507,9 млн параметров и контекст до 40 960 токенов. Модель предназначена для генерации текста в формате JSON; базовая модель настроена на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний. Подходит для структурирования таких протоколов и создания JSON-выводов на основе текстовых запросов. Метаданные отмечают разговорный режим и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык, а назначение базовой модели связано с корейскими протоколами. Распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; результаты извлечения следует проверять на соответствие исходному протоколу и требуемой JSON-схеме.

TeichAI/Qwen3-14B-GPT-5.2-High-Reasoning-Distill — плотная авторегрессионная языковая модель семейства Qwen3 на 14 млрд параметров, дообученная TeichAI на базе unsloth/Qwen3-14B. Модель предназначена для генерации текста и диалогового взаимодействия; карточка также указывает интерфейс вызова инструментов. Длина контекста составляет 40 960 токенов. Модель обучена на наборе TeichAI/gpt-5.2-high-reasoning-250x с использованием Unsloth и библиотеки TRL от Hugging Face. Она может применяться для диалоговых ответов и генерации текста с рассуждениями. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных результатов тестирования.

dnotitia/Qwen3-1.7B — версия Qwen3, подготовленная Dnotitia для более удобного обучения. Веса совпадают с официальной моделью Qwen3, а шаблон чата вынесен в отдельный файл и дополнен тегами TRL для режима assistant_only_loss. Это плотная причинная языковая модель с 1,7 млрд параметров на архитектуре Qwen3ForCausalLM, рассчитанная на генерацию текста и диалог. Модель подходит для прототипирования диалоговых помощников, генерации и продолжения текста, а также экспериментов с дообучением. Семейство Qwen3 поддерживает переключение между режимами рассуждения и обычного ответа, работу с инструментами и более чем 100 языками; эти возможности описаны для семейства в целом. Метаданные указывают контекст до 40 960 токенов, тогда как README приводит 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. README предупреждает о возможных бесконечных повторах и рекомендует при их появлении настроить параметры генерации, в частности presence_penalty=1.5.

Qwen3.6-27B-V1.1-FF711-Darker-Hero-GAIN-H2.0 — дообученная Дэвидом AU мультимодальная модель семейства Qwen3.5 с плотной архитектурой на 27 млрд параметров, основанная на Qwen/Qwen3.6-27B. Карточка описывает метод GAIN, также называемый COLD FUSION: динамическая настройка обучения на уровне отдельных примеров. Модель предназначена для диалогов, рассуждений, программирования, творческого письма и работы с изображениями; метаданные указывают поддержку vision и интерфейс вызова инструментов. Автор заявляет о сокращённых блоках рассуждений, следовании инструкциям и сохранении производительности при низкой точности, однако приведённые в README сравнения и показатели являются заявлениями автора. В примерах упоминается режим без фильтрации и контент NSFW; модель может выдавать ненормативную лексику и материалы для взрослой аудитории. Карточка также сообщает о снижении частоты отказов. Указана лицензия Apache-2.0. В метаданных перечислены английский и китайский языки; других языков карточка не подтверждает.

Это производная мультимодальная модель семейства Qwen, созданная Nickyang на основе Qwen/Qwen3.6-35B-A3B методом RAZOR — прореживанием экспертов без градиентного дообучения. В каждом MoE-слое оставлено 128 из 256 маршрутизируемых экспертов. Размер модели составляет 19,4 млрд параметров (19 млрд без модуля многотокенного предсказания), при этом на токен активируется около 3 млрд параметров. Веса представлены в bfloat16 и формате safetensors; для запуска нужна сборка Transformers со встроенной реализацией qwen3_5_moe. Модель предназначена для генерации текста и диалогов, а также может использовать интерфейс вызова инструментов. Базовая модель Qwen поддерживает анализ изображений, однако README этой производной описывает прореживание экспертных весов и не уточняет сохранение мультимодальных возможностей. Лицензия — Apache 2.0. Прореживание уменьшает объём хранимых экспертных весов, сохраняя почти неизменной вычислительную нагрузку на токен. Оно является потерным: ответы могут отличаться по разнообразию, форматированию и поведению при завершении, даже если точность на отдельных задачах в основном сохраняется. Поведение на областях, слабо представленных в конечном калибровочном наборе, не охарактеризовано; перед развёртыванием следует оценить модель на целевых данных.

Khazar AI выпустила Qwen3.8-27B-Fable-5-Coding-Distilled — дообученную плотную мультимодальную модель семейства Qwen3.5 с примерно 27 млрд параметров, основанную на Qwen/Qwen3.8-27B. Модель обучена на 195 млн токенов дистиллированных трасс рассуждений по разработке ПО и отладке; доступны веса в формате safetensors. Указана лицензия Apache 2.0. Модель предназначена для помощников по программированию, которые анализируют состояние проекта перед предложением изменений. Её целевые сценарии — отладка, поиск первопричин ошибок, проверка кода и рефакторинг с учётом существующих ограничений. Карточка подчёркивает интерфейс вызова инструментов и поддержку зрения; языком карточки указан английский. Ограничения: модель может галлюцинировать при работе с незнакомыми кодовыми базами и сама не предоставляет песочницу для исполнения кода. Качество общего диалога и задач вне программирования отдельно не оценивалось; поведение на таких запросах следует проверять.

Qwen3-Reranker-8B-GGUF-llama_cpp — это GGUF-версия модели Qwen3-Reranker-8B, разработанной командой Qwen и конвертированной пользователем Voodisss для запуска через llama.cpp. Модель предназначена для переранжирования текстов: она оценивает релевантность документов поисковому запросу и помогает сортировать результаты в системах поиска, Retrieval-Augmented Generation и других сценариях работы с текстовыми коллекциями. Модель относится к классу text-ranking и использует специализированный классификатор с метками yes/no для вычисления оценки релевантности. Доступны варианты F16 размером около 14,10 ГБ и Q8_0 размером около 7,49 ГБ; квантованный вариант требует меньше памяти, но может иметь небольшие потери качества. В README языки и точный встроенный размер контекста не указаны; в примере конфигурации llama-server используется ctx-size 32768. Сильная сторона этой сборки — корректная поддержка специфичных для reranker тензоров, метаданных pooling типа RANK и шаблона rerank-чата, благодаря чему она работает с llama.cpp и возвращает содержательные оценки релевантности. Модель следует использовать через endpoint /v1/rerank, а не /v1/embeddings: endpoint эмбеддингов для reranker-моделей возвращает нулевые значения. Для запуска требуется llama.cpp с настройками reranking, pooling rank и embedding. Модель распространяется по лицензии Apache 2.0.

Qwen3-VL-Reranker-2B-8bit — мультимодальная модель ранжирования от mlx-community, преобразованная в формат MLX из Qwen/Qwen3-VL-Reranker-2B. Она предназначена для оценки релевантности и упорядочивания результатов поиска; семейство Qwen3-VL также поддерживает работу с визуальным содержимым. Модель основана на Qwen/Qwen3-VL-2B-Instruct и использует плотную архитектуру Qwen3-VL с классом Qwen3VLForConditionalGeneration. В репозитории указаны веса SafeTensors и библиотека Transformers. Лицензия — Apache 2.0. README не сообщает конкретные сведения о контекстном окне и поддерживаемых языках.

Qwen3-VL-Reranker-2B-nvfp4 — мультимодальная модель переранжирования из сообщества mlx-community, преобразованная из Qwen/Qwen3-VL-Reranker-2B в формат MLX с помощью mlx-lm 0.1.0. Она предназначена для переоценки и сортировки результатов поиска по релевантности запросу; исходное семейство Qwen3-VL также поддерживает анализ изображений и видео, однако карточка этой версии подтверждает только задачу переранжирования. Модель основана на Qwen/Qwen3-VL-2B-Instruct и использует архитектуру Qwen3-VL с плотной генеративной основой. Репозиторий содержит веса safetensors; обозначение nvfp4 в названии указывает на вариант с пониженной точностью. Лицензия — Apache 2.0.

Qwen3-VL-Reranker-8B — мультимодальная модель-реранкер семейства Qwen от Qwen, дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она принимает пару «запрос — документ» и оценивает их релевантность, чтобы пересортировать результаты первичного поиска. Запрос и документ могут содержать текст, изображения, скриншоты, видео или их сочетания. Модель построена на плотной архитектуре Qwen3-VLForConditionalGeneration и содержит 8 млрд параметров. Заявлены контекст до 32 тыс. токенов и поддержка более 30 языков. Реранкер рассчитан на второй этап мультимодального поиска, включая поиск по изображениям, видео и визуальным документам; для первоначального отбора кандидатов его можно сочетать с моделью эмбеддингов Qwen3-VL-Embedding. Репозиторий использует формат safetensors и библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. README рекомендует задавать инструкции под конкретный сценарий и отмечает, что на мультиязычных сценариях инструкции предпочтительно формулировать по-английски. Описанные в карточке высокие результаты основаны на бенчмарках разработчиков; реальное качество зависит от данных и настройки поискового конвейера.

Qwen-Qwen2.5-1.5B-llamafied — версия модели Qwen2.5-1.5B, созданная llamafy и преобразованная в формат Llama для совместимости с программами, поддерживающими этот формат. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров для генерации текста и диалогов; она работает через библиотеку Transformers и принимает текст, выдавая текст. Модель рассчитана на контекст до 4096 токенов и поддерживает английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель подходит для чат-ботов и генерации текста, а интерфейс также отмечен как поддерживающий вызов инструментов. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не указана.

Ourse/R4L-v0.1 — компактная языковая модель на архитектуре Qwen2, созданная слиянием двух моделей методом SLERP с помощью mergekit: bunnycore/Qwen2.5-1.5B-Matrix и unsloth/Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая структурированные ответы и взаимодействие через интерфейс вызова инструментов. Карточка не описывает отдельную специализацию или набор языков, поэтому она подходит как компактная модель общего назначения на базе Qwen2.5. Лицензия в предоставленных данных не указана. Качество и ограничения по конкретным задачам не охарактеризованы; результаты следует проверять для целевого применения.

RenderRank-2B — модель переранжирования пар «запрос — документ», разработанная nlpai-lab на основе Qwen3-VL-Reranker-2B. Модель получает текстовый запрос и документ, оценивает их релевантность и возвращает оценку, по которой можно упорядочить результаты поиска. Параметры документа можно передать как текст, автоматически отрисовать в изображения или предоставить в виде готовых изображений страниц. Визуальное представление текста сжимает последовательность входных токенов и помогает вместить больше содержимого документа в доступный контекст. Поддерживаются многостраничные документы: страницы обрабатываются по порядку и получают общую оценку. Модель содержит 2 млрд параметров, использует архитектуру Qwen3-VL и распространяется в формате safetensors; для работы доступны интерфейсы Transformers и Sentence Transformers. В README приведены результаты оценки на наборах BEIR и длинных документах, однако они сами по себе не гарантируют качество на конкретной коллекции. Описание и обучающие данные ориентированы на английский язык; качество для других языков не подтверждено. Лицензия — Apache-2.0.

Англоязычный кросс-энкодер kwondw/reranker-ModernBERT-base-gooaq-bce-50k разработан на базе answerdotai/ModernBERT-base и дообучен на данных GooAQ с помощью Sentence Transformers. Модель совместно анализирует пару текстов и выдаёт оценку релевантности, подходящую для повторного ранжирования результатов поиска и семантического поиска. Модель содержит 149 млн параметров, использует архитектуру ModernBertForSequenceClassification и обрабатывает текстовые входы с контекстом до 8192 токенов. В карточке приведены результаты оценки на GooAQ и наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; показатели различаются между наборами, поэтому качество зависит от данных и сценария применения. Лицензия — Apache-2.0. Это кросс-энкодер, который оценивает пары текстов; его можно применять для ранжирования уже отобранных кандидатов, но карточка не заявляет генерацию текста.

Модель tomaarsen/reranker-ModernBERT-large-gooaq-bce разработана на базе answerdotai/ModernBERT-large и дообучена автором tomaarsen как Cross Encoder с библиотекой Sentence Transformers. Она оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, например, для выбора наиболее подходящих ответов на вопрос. Модель содержит 394,7 млн параметров, принимает последовательности длиной до 8192 токенов и обучена для английского языка на 578 402 примерах с вопросами, ответами и бинарными метками. В README приведены результаты оценки на GooAQ и наборах NanoBEIR; качество зависит от данных и сценария применения. Лицензия — Apache-2.0.

i1j/reranker-ndcgloss2pp — дообученный на базе BAAI/bge-reranker-v2-m3 текстовый Cross Encoder, опубликованный автором репозитория i1j. Модель построена на архитектуре XLM-RoBERTa и использует библиотеку Sentence Transformers; её размер — 658,7 млн параметров, максимальная длина последовательности — 8192 токена. Модель принимает пары текстов и выдаёт оценку их релевантности. Её предназначение — переранжирование результатов поиска и семантический поиск, в том числе уточнение порядка найденных фрагментов относительно запроса. Модель поддерживает текстовую модальность; в карточке не указаны специальные ограничения по языкам. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не приведена.

SegeeMak/resume-ner-xlm — модель для распознавания именованных сущностей в резюме, дообученная на базе FacebookAI/xlm-roberta-base. Она использует архитектуру XLM-RoBERTa для классификации токенов и содержит 305,2 млн параметров; максимальная длина контекста составляет 514 токенов. По метрикам оценки модель выделяет сведения о сертификатах, языках, профессиональных навыках, мягких навыках и технических навыках. В README приведены общая точность F1 0,8201, precision 0,8220 и recall 0,8182. Модель предназначена для извлечения структурированных данных из резюме, например навыков и языков кандидата. Данные обучения и их языковой состав в карточке не описаны, поэтому поддержку конкретных языков по этим сведениям установить нельзя. Модель распространяется по лицензии MIT.

Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

RT-DETR-L_wireless_table_cell_det_onnx — модель PaddlePaddle для обнаружения ячеек в таблицах на изображениях. Она предназначена для модуля распознавания таблиц: находит области отдельных ячеек и формирует ограничивающие рамки, которые затем могут использоваться в последующих этапах анализа структуры и содержимого таблицы. Разработчик — команда PaddlePaddle; модель интегрируется с PaddleOCR и поддерживает запуск через ONNX Runtime. Модель основана на RT-DETR-L, имеет размер около 124 МБ и предназначена для обработки изображений. В README указаны языки en и zh, однако для самого обнаружения ячеек языковая поддержка напрямую не характеризуется. Заявленная Top-1 accuracy составляет 82,7%; время инференса — 35 мс в обычном режиме и 10,45 мс в высокопроизводительном режиме на GPU, а на CPU — 495,51 мс. Эти показатели относятся к совместному тестированию с RT-DETR-L_wired_table_cell_det. Модель подходит для автоматического выделения ячеек в изображениях таблиц перед их распознаванием. Ограничения включают отсутствие в README сведений о размере контекста, точном наборе данных, поддерживаемых форматах изображений и качестве на отдельных типах таблиц. Модель распространяется по лицензии Apache-2.0.

sat-12l — многоязычная модель сегментации текста на предложения из проекта Segment any Text, разработанная для wtpsplit. Она относит токены к классам для определения границ предложений и предназначена для разбиения сплошного текста на предложения в системах обработки документов и текста. Модель использует архитектуру XLM для классификации токенов и содержит 12 слоёв трансформера, около 305,2 млн параметров и контекст длиной 514 токенов. Доступны веса PyTorch и ONNX. Метаданные указывают поддержку многих языков, включая английский, немецкий, французский, испанский, арабский, китайский?

sat-12l-sm — модель семейства Segment Any Text для сегментации текста на предложения, разработанная для использования с библиотекой wtpsplit. Она определяет границы предложений на уровне токенов и построена на архитектуре XLM с 12 слоями Transformer; размер модели — 305,2 млн параметров, контекст — 514 токенов. В карточке заявлено качество уровня state of the art. Метаданные указывают поддержку множества языков, включая английский, арабский, китайский и другие; лицензия — MIT.

SauerkrautLM-ColLFM2-450M-v0.1 — компактная модель визуального поиска по документам от VAGO Solutions. Это дообученная версия LiquidAI/LFM2-VL-450M с архитектурой ColLFM2 и 450 млн параметров, предназначенная для сопоставления текстовых запросов со страницами документов по их визуальному содержимому. Модель преобразует запросы и изображения документов в многовекторные представления для поиска с поздним взаимодействием. Такой подход помогает учитывать структуру страниц, таблицы, графики и формы без отдельного этапа OCR. В карточке приведены результаты на наборах ViDoRe и MTEB, включая многоязычные задания. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. Для загрузки авторы предлагают пакет sauerkrautlm-colpali и примеры использования с sentence-transformers. В репозитории указана лицензия other; её конкретные условия следует проверить перед использованием. Модель рассчитана на поиск релевантных страниц по текстовым запросам, а не на генерацию ответов или текста.

SauerkrautLM-EuroColBERT — многоязычная модель поиска по тексту от VAGOsolutions, построенная на EuroBERT-210m и архитектуре ColBERT с поздним взаимодействием токенов. Модель дообучена на 5,4 млрд английских токенов с дистилляцией знаний от моделей-реранкеров. Она создаёт многовекторные представления и сопоставляет запросы с документами с помощью MaxSim, что подходит для точного поиска и ранжирования кандидатов. Модель содержит 211,7 млн параметров, использует PyLate и принимает документы длиной до 8192 токенов; для запросов в README указано ограничение 256 токенов. Она ориентирована на семь европейских языков: немецкий, английский, испанский, французский, итальянский, нидерландский и португальский. Подходит для корпоративного поиска, поиска товаров, библиотечных каталогов, баз поддержки и научной литературы. Лицензия — Apache 2.0.

inkoziev/sbert_synonymy — русскоязычная модель Sentence-Transformers от inkoziev для оценки синонимичности коротких фраз и предложений. Она основана на cointegrated/rubert-tiny2 и содержит около 29 млн параметров; модель использует архитектуру BERT и принимает текстовые фразы для получения векторов размерностью 312. Косинусное сходство между векторами служит оценкой близости по смыслу. Модель подходит для поиска перефразировок и семантически близких высказываний, например в диалоговых системах и при сопоставлении фактов. Она рассчитана преимущественно на короткие фразы длиной до 10–15 слов, быстро работает даже на CPU и поддерживает контекст до 2048 токенов. Обучающие данные частично доступны в датасете inkoziev/paraphrases. Лицензия — Unlicense.

SDLM-3B-D8 — диффузионная языковая модель семейства SDLM, разработанная OpenGVLab на основе Qwen2.5-3B. Это дообученная модель с плотной архитектурой Qwen2, примерно 3,1 млрд параметров и контекстом до 32 768 токенов; она доступна в формате Safetensors и рассчитана на генерацию текста и диалоговое использование на английском языке. Модель применяет последовательное блочное маскирование и декодирование по самому длинному уверенному префиксу, чтобы предсказывать несколько токенов за шаг. В отчёте авторов заявлены примерно двукратное ускорение относительно сопоставимых авторегрессионных моделей при близком качестве и до пятикратного ускорения относительно других диффузионных языковых моделей; скорость можно настраивать порогом уверенности. Обучение включает математические, кодовые, научные, табличные и общие диалоговые данные, что делает модель пригодной для генерации ответов, решения задач и написания кода. Лицензия — Apache-2.0.

Socrates-Qwen2.5-14B-SFT — дообученная SocratesFT модель на базе Qwen2.5-14B-Instruct, представленная в формате safetensors для библиотеки Transformers. Она предназначена для генерации текста и диалогов; карточка связывает её с набором данных SocSci210. Модель имеет плотную архитектуру Qwen2 и 14 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Метаданные указывают на поддержку следования инструкциям и интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0.