I.14Автоматизация процессов и AI-агенты

ehristoforu/ultraset-1.5b-instruct — дообученная разговорная языковая модель на архитектуре Qwen2 с 1,5 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Модель дообучена на базе unsloth/qwen2.5-1.5b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате Safetensors; лицензия — Apache 2.0. Карточка не описывает состав обучающих данных, результаты оценки качества или конкретные ограничения применения.

Unified Audio Schema (UAS-Audio) — аудиоязыковая модель, разработанная авторами проекта Unified Audio Schema на базе Qwen2.5-7B и обученная с использованием их схемы супервизии. Она принимает текст и аудио и может выдавать текст и аудио, поддерживая чередование модальностей. Модель предназначена для диалогов с текстовым или речевым вводом, распознавания речи, описания аудиособытий и синтеза речи. Подход разделяет обучение на транскрипцию, паралингвистические характеристики и нелингвистические события, чтобы модель учитывала содержание речи и другие особенности аудио. Авторы сообщают о результатах на бенчмарках понимания аудио, ASR и TTS. Для восстановления звуковой волны из сгенерированных аудиотокенов требуется декодер StableToken. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия её использования следует сверить с карточкой репозитория.

Vela Hazard — модель классификации текста, разработанная проектом LLM Semantic Router. Она присваивает тексту 12 независимых оценок риска по категориям безопасности; к одному тексту могут относиться несколько категорий. Модель построена на архитектуре ModernBERT и содержит 306,9 млн параметров. Максимальная входная длина — 32 768 токенов с учётом специальных токенов. Модель предназначена для выявления рисков в пользовательских запросах и текстах, в том числе самоповреждения, языка ненависти, специализированных советов, нарушений приватности и дезинформации. Оценки вычисляются через sigmoid независимо для каждой категории, а не через softmax. Для длинных текстов README рекомендует обрабатывать окнами по 2 048 токенов с шагом 1 023 токена, объединять результаты максимумом по каждой категории и применять пороги из operating_point.json. В оценке на 57 запросах по пяти общим категориям риска модель показала macro F1 96,73% и точность 98,25%; авторы отмечают, что это сравнение не оценивает обнаружение всех 12 категорий, отклонение безопасных запросов или точность на длинном контексте. Модель является дообучением llm-semantic-router/Vela-1.0-Encoder-307M, доступна в форматах ONNX и safetensors и распространяется по лицензии Apache-2.0.

VibeVoice ASR Streaming 1.5B GGUF — это сборка модели автоматического распознавания речи Microsoft VibeVoice ASR Streaming 1.5B, подготовленная в формате GGUF для работы с audio.cpp. Модель предназначена для офлайн-транскрибации аудио и потокового распознавания речи в реальном времени, включая серверные сценарии. Указана поддержка английского, китайского, испанского, португальского, немецкого, японского, корейского, французского, русского и итальянского языков. Модель содержит около 1,5 млрд параметров и поддерживает потоковый режим ASR. Доступны варианты BF16, Q8_0 и Q4_K с различным соотношением качества и размера: примерно 5,64 ГБ, 3,34 ГБ и 2,12 ГБ соответственно. Для потоковой обработки требуется монофонический PCM-аудиосигнал с частотой 16 кГц и 16-битным знаковым форматом. В README также заявлена поддержка транскрибации с атрибуцией говорящих, однако подробности этой функции не приведены. Сильными сторонами являются нативная интеграция с audio.cpp, автономный формат GGUF и наличие нескольких вариантов квантования. На небольшом наборе из четырёх фрагментов LibriSpeech указанный WER составил 4,35% для BF16, 5,80% для Q8_0 и 7,25% для Q4_K при CUDA; результаты зависят от backend и размера тестовой выборки, поэтому не характеризуют качество во всех сценариях. Модель распространяется по лицензии MIT.

nguyenvulebinh/vi-mrc-large — модель для извлечения ответов из текста на основе XLM-RoBERTa, разработанная Binh Nguyen. Она дообучена для многоязычного поиска фрагмента ответа по вопросу и контексту, прежде всего на вьетнамском языке; английский также поддерживается. Обучение включало Squad 2.0, mailong25, VLSP MRC 2021 и MultiLingual Question Answering. Модель использует архитектуру XLM-RoBERTa для ответов на вопросы и содержит 658,7 млн параметров. Максимальная длина контекста — 514 токенов. В описанном автором эксперименте модель заняла первое место в задаче VLSP MRC 2021; README приводит метрики EM и F1 для публичного и закрытого тестовых наборов. Для более точного инференса автор предлагает вариант, который объединяет представления подслов в представления слов суммированием; стандартный интерфейс Hugging Face этот приём не использует. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она предназначена для извлечения ответов из предоставленного контекста, а не для генерации свободных ответов; качество английской версии отдельно не оценено в карточке.

timm/ViT-gopt-16-SigLIP2-384 — модель компьютерного зрения и языка из семейства SigLIP 2, обученная на наборе WebLI. Это контрастивный энкодер изображений и текста, предназначенный для классификации изображений по текстовым описаниям без дообучения. Модель преобразована из исходных контрольных точек JAX проекта Big Vision для использования в библиотеке OpenCLIP. Модель подходит для сопоставления изображения с набором текстовых меток и выбора наиболее подходящей, а также для мультиязычных сценариев понимания связи между изображениями и текстом. В репозитории доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Размер модели, поддерживаемые языки и ограничения качества в предоставленных данных не описаны.

kenpath/voice-svara-tts-v1-fft-v0.5 — плотная языковая модель семейства Llama с 3,3 млрд параметров, опубликованная Kenpath Technologies на Hugging Face. Несмотря на упоминание TTS в названии, карточка и метаданные описывают её как разговорную модель для генерации текста; подтверждений синтеза речи нет. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и имеет заявленную длину контекста 131 072 токена. Карточка создана автоматически и не сообщает языки, данные обучения, ограничения или лицензию; поэтому эти характеристики нельзя надёжно определить по доступным сведениям.

Whisper Base French — модель распознавания речи, созданная дообучением openai/whisper-base на французской части набора Mozilla Common Voice 16.0. Она принимает аудио и преобразует речь в текст, поэтому подходит для транскрибации французских записей и голосовых сообщений. Архитектура — WhisperForConditionalGeneration, число параметров — 51,7 млн. На оценочной выборке указаны loss 0,5654 и WER 27,6510; это значение WER следует учитывать при выборе модели для задач, где важна точность транскрипции. Модель распространяется по лицензии Apache-2.0.

facebook/wmt19-de-en — портированная в формат Transformers модель перевода Facebook FAIR, основанная на трансформере FairseqMachineTranslation (FSMT) и обученная для перевода с немецкого на английский. Она предназначена для перевода текстов, в том числе новостных, и может использоваться через библиотеку Transformers для генерации перевода по входной последовательности. Модель содержит 100,7 млн параметров, принимает текст и выдаёт текст; для немецкого и английского указана длина контекста 1024 токена. Веса перенесены из оригинального выпуска fairseq без изменений. В опубликованной оценке результат портированной версии немного ниже результата fairseq: в Transformers не поддерживаются ансамбль из четырёх чекпойнтов и переранжирование. Также модель может некорректно обрабатывать повторяющиеся фрагменты и обрезать содержимое. Лицензия — Apache-2.0.

XLM-RoBERTa base, дообученная командой TNER для распознавания именованных сущностей (NER) в арабском варианте набора PAN-X. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации токенов и принимает текст; максимальная длина контекста — 514 токенов. Модель предназначена для выделения и разметки сущностей в арабском тексте, например имён людей, организаций и географических названий. Для загрузки токенизатора в README приведён идентификатор asahi417/tner-xlm-roberta-base-panx-dataset-ar. Лицензия в предоставленных данных не указана.

XLM-RoBERTa-capitalization-punctuation — модель на основе XLM-RoBERTa, дообученная для восстановления пунктуации и заглавных букв во вьетнамском тексте. Она предназначена для обработки обычного текста без пунктуации и в нижнем регистре, например расшифровок распознавания речи, а также для дальнейшего дообучения на текстах конкретной области. Модель предсказывает знаки точки, запятой, двоеточия и вопроса, а также восстанавливает обычное и сложное написание заглавных букв, например в названии YouTube. Для дообучения использован набор OSCAR-2109; README также сообщает о 5,6 млн текстовых примеров на вьетнамском языке. На 10 000 отложенных текстовых примерах приведены метрики по отдельным меткам, включая F1 0,82 для точки и 0,88 для сложного написания заглавных букв. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

Это дообученная версия FacebookAI/xlm-roberta-large от khadija69 для классификации токенов. Модель размечает последовательность текста по токенам; обозначение BIES в названии может указывать на схему меток, но README не описывает её назначение и классы.

theophilusowiti/AfrimBert-QA-int8-qat — модель BERT для извлечения ответов на вопросы из текста, созданная на основе amidblue/AfrimBert-QA. Она предназначена для сценариев question answering, где вопрос и текстовый контекст подаются вместе, а модель выбирает ответ из контекста. Модель содержит 205,1 млн параметров и поддерживает контекст длиной до 512 токенов; она обучена для африканских языков и английского. Это вариант с quantization-aware training: веса адаптированы к симметричной поканальной сетке int8, а активации используют динамическое int8-квантование по токенам. Репозиторий содержит стандартный checkpoint для AutoModelForQuestionAnswering и отдельные целочисленные веса с метаданными масштаба. При загрузке квантованные веса деквантуются на лету; для ускорения вычислений нужен совместимый backend. Лицензия в предоставленных данных не указана.

AnyAudio-Judge-7B — модель оценки аудио, созданная cucl2 на базе Qwen2.5-Omni-7B. Она проверяет пункты рубрики «да/нет», каждый из которых описывает проверяемый признак аудиоподписи, и выдаёт краткое свидетельство из аудио. Модель дообучена методом полного supervised fine-tuning на 105 тысячах примеров «аудио, инструкция, рубрика, цепочка рассуждений» в течение одной эпохи. Модель предназначена для рубричной оценки аудиоподписей и более эффективного запуска по сравнению с вариантом AnyAudio-Judge-30B. Для формирования рубрики в примере README используется отдельный вызов внешней языковой модели. Метаданные указывают аудиовход, архитектуру Qwen2.5-Omni и формат safetensors; заявленные языки карточки — английский и китайский. Лицензия — Apache-2.0. Оценка ограничена заданными бинарными критериями и опирается на короткие текстовые свидетельства; качество оценки зависит от рубрики и аудио. Семейство Qwen2.5-Omni поддерживает и другие модальности, но для этой модели явно указана возможность аудиовхода.

rss9051/autotrein-BERT-iiLEX-dgs-0004 — дообученная модель классификации текстовых последовательностей, созданная с помощью AutoTrain на основе rss9051/autotrein-BERT-iiLEX-dgs-0003. Она использует архитектуру BERT и содержит 136,1 млн параметров; максимальная длина входной последовательности — 512 токенов. Модель предназначена для отнесения текста к меткам классов. В карточке приведены метрики валидации: точность 0,661 и макроусреднённая F1-мера 0,576. Названия классов, обучающий набор данных и конкретная предметная область не указаны, поэтому пригодность для отдельного сценария следует проверять на собственных данных. Файлы модели представлены в формате safetensors; лицензия в предоставленных данных не указана.

A.X VE — визуальный энкодер на базе Vision Transformer, разработанный SK Telecom в рамках южнокорейского проекта суверенной базовой модели ИИ. Модель обучена с нуля как визуальная часть будущей мультимодальной модели A.X VLM: при обучении замороженный внутренний языковой декодер генерировал текст по визуальным токенам, а энкодер оптимизировался по цели предсказания следующего токена. Энкодер преобразует изображения в признаки отдельных патчей и предназначен для использования как визуальный модуль VLM вместе с языковой моделью. В README указаны 413 млн параметров и архитектура ViT: 27 слоёв, скрытый размер 1152, 16 голов внимания и патчи 16 × 16. Обучение включало задачи описания изображений, распознавания текста и документов, разбора содержимого и привязки объектов к областям изображения. Веса представлены в формате Safetensors, основная точность — bf16. Модель ориентирована на извлечение визуальных признаков, включая признаки, полезные для OCR, понимания документов и пространственной привязки. Она не генерирует текст самостоятельно: для решения пользовательских задач требуется языковой модуль. Признаки согласованы с пространством эмбеддингов декодера, использованного при обучении, поэтому при подключении другого языкового модуля может понадобиться дополнительная адаптация. Лицензия — Apache 2.0.

yale-nlp/bart-large-finetuned-qtsumm — модель на архитектуре BART, разработанная командой Yale NLP: она инициализирована весами facebook/bart-large и дообучена на наборе QTSumm. Модель предназначена для суммаризации табличных данных с учётом пользовательского вопроса: она формирует краткое текстовое резюме, релевантное заданному запросу. Модель содержит 252,8 млн параметров, работает с текстовым вводом и выдаёт текст. Максимальная длина контекста — 1024 токена; в карточке указан английский язык. Репозиторий содержит веса PyTorch, лицензия — MIT. README отсылает к GitHub-репозиторию за подробностями использования.

Модель fabriceyhc/bert-base-uncased-ag_news — версия BERT base uncased, дообученная для классификации новостных текстов на наборе AG News. Она принимает текст и относит его к одному из классов новостей; модель предназначена для категоризации новостных статей и сообщений. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов. В README указаны точность 0,9375 и loss 0,3284 на оценочной выборке. Модель работает с текстом на английском языке, что следует из uncased-варианта базового BERT и англоязычного набора AG News. Вес опубликован в формате PyTorch по лицензии Apache-2.0. Результаты оценки относятся к указанному набору данных; качество на других типах текстов и в других предметных областях этими данными не подтверждено.

Tgratzi/bert-tma-tuned-v2.1.2 — модель классификации текстов, дообученная разработчиком на основе BERT Base Uncased от Google. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для присвоения тексту категорий; конкретные категории и целевой сценарий в карточке не раскрыты. В README приведены результаты на оценочном наборе: accuracy 0,9767, макро-F1 0,9621 и loss 0,0911. Датасет и методика оценки не описаны, поэтому эти показатели нельзя напрямую переносить на другие данные. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-base-en-v1.5 для построения эмбеддингов текстов, связанных с товарами Shopify. Архитектура основана на BERT с CLS-пулингом и нормализацией; модель содержит 136,7 млн параметров и преобразует предложения и абзацы в векторы размерности 768. Максимальная длина последовательности — 512 токенов, сходство можно оценивать косинусной мерой. Модель подходит для семантического поиска и сравнения текстов о товарах, поиска перефразировок, кластеризации и классификации текстов. В описанной оценке на наборе bge-shopify-eval достигнута точность cosine_accuracy 0,9012; обучающий набор состоял из 729 примеров и использовал TripletLoss. Эта оценка относится к указанному набору и не гарантирует аналогичного качества на других данных. Лицензия в предоставленных сведениях не указана.

Это модель распознавания именованных сущностей на испанском языке, разработанная Лаурой Валеро и Кристианом Валенсией в рамках курса Taller PLN магистратуры Univalle. Она обучена на CoNLL-2002 для разметки токенов и использует архитектуру BiLSTM с выходным слоем CRF, символьную CharCNN и 300-мерные испанские эмбеддинги FastText. На тестовой части CoNLL-2002 модель показала F1 0,8059, точность 0,8057 и полноту 0,8061. Для использования требуется доверие к пользовательскому коду репозитория (`trust_remote_code=True`). Модель распространяется по лицензии CC BY-NC-SA 4.0.

cmarkea/bloomz-560m-nli — модель классификации текстов на основе BloomZ-560m, дообученная командой cmarkea на задаче распознавания текстового следования (NLI) от Bloomz-560m-chat-dpo. Она определяет, противоречит ли гипотеза посылке, следует ли из неё или нейтральна к ней; этот подход также позволяет классифицировать тексты по произвольным меткам без отдельного обучения, сопоставляя текст с формулировками гипотез для каждого класса. Модель содержит около 659,6 млн параметров и предназначена для задач классификации, в том числе анализа тональности и тематической категоризации. В обучении использовались пары посылок и гипотез на английском и французском языках, включая комбинации языков. В README приведены результаты на NLI и французских отзывах, но они уступают ряду специализированных моделей в указанных сравнениях. Модель опубликована в форматах PyTorch и Safetensors под лицензией BigScience BLOOM RAIL 1.0; следует учитывать её условия использования и ограничения.

Case-law block tagger — модель токеновой классификации от Free Law Project для разметки структуры мнений судов США. Она принимает OCR-текст одного дела в минимальном HTML-представлении и выделяет символьные фрагменты с именами сторон, номером дела, судом, адвокатами, судьями, датами, историей дела, резолютивной частью, автором и заголовками. Обычный текст мнения относится к метке O; модель выдаёт BIO-метки и не генерирует текст. Модель построена на ModernBERT-large с 394,7 млн параметров и дообучена на CaseLawModernBERT-large, предварительно обученной на корпусе судебных мнений США. Контекст составляет 8192 токена. Обучение проводилось на OCR-материалах американских судебных репортёров с разметкой человеком и проверкой человеком; на отложенном тестовом наборе строгая span-F1 составила 0,937. Модель рассчитана на структурирование сканов судебных сборников, а также цифровых текстов, сериализованных в ожидаемом формате. Модель поддерживает английский язык и особенно хорошо извлекает поля судебной «шапки». Её точность снижается на незнакомых форматах репортёров и строках с судьями, а классы otherdate и disposition имеют более слабые результаты. Ввод следует ограничивать одним делом, не более 8 тысяч токенов, удалять сноски и сохранять каноническую HTML-сериализацию; цитаты модель не размечает. Лицензия — Apache-2.0.

CLIP ViT-B/16 — мультимодальная модель сопоставления изображений и текста, обученная Mehdi Cherti с помощью OpenCLIP на англоязычной подвыборке LAION-2B из LAION-5B. Репозиторий распространяет веса в форматах PyTorch и safetensors; в карточке указана лицензия MIT. Модель предназначена для классификации изображений по произвольным текстовым меткам без дополнительного обучения, а также для поиска изображений по тексту и поиска текстов по изображению. Её можно применять в исследованиях и как основу для дальнейшей адаптации задач компьютерного зрения. В README указана точность zero-shot top-1 70,2% на ImageNet-1k. Модель рассчитана на англоязычные запросы: она не обучалась и не оценивалась целенаправленно на других языках. Авторы не рекомендуют развёртывание и неконтролируемое применение без тщательной проверки на конкретной таксономии; распознавание лиц и наблюдение отнесены к недопустимым сценариям. Обучающие данные собраны из интернета без полной фильтрации и могут содержать вредоносный или неприятный контент.

alexandrainst/da-sentiment-base — модель DaNLP для определения тональности датских текстов. Она представляет собой BERT, дообученный на предварительно обученной датской модели BERT от BotXO, и классифицирует текст как положительный, нейтральный или отрицательный. Модель предназначена для классификации коротких текстов, в том числе сообщений в социальных сетях; при обучении использовались наборы Twitter Sentiment и EuroParl sentiment 2. Модель имеет около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Доступны версии для PyTorch, TensorFlow и Safetensors. Лицензия в README указана как CC BY-SA 4.0, а в метаданных Hugging Face — Apache 2.0; сведения о лицензии расходятся, поэтому условия использования следует сверить с репозиторием. Карточка предупреждает о возможных стереотипных и вредных предсказаниях, а также не рекомендует применять модель для создания враждебной или отчуждающей среды.

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

Dnoya10/dicoding_genAI_expert_collab_grpo_4 — дообученная языковая модель семейства Qwen2 с архитектурой плотной авторегрессионной сети. Разработчик — Dnoya10; модель дообучена на Dnoya10/dicoding_genAI_expert_collab_eks1 с использованием Unsloth и библиотеки TRL. В репозитории указаны веса Safetensors, размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и ведения беседы на английском языке. Интерфейс поддерживает вызов инструментов, но карточка не описывает специальные предметные области или конкретные сценарии применения. Лицензия — Apache-2.0.

RedHatAI/diffusiongemma-26B-A4B-it-FP8-dynamic — это динамически квантованная в FP8 версия модели google/diffusiongemma-26B-A4B-it, подготовленная Red Hat AI. Модель предназначена для задач генерации текста и сценариев image-text-to-text, включая работу через vLLM. Она использует формат compressed-tensors; веса и активации линейных слоёв квантованы в FP8. Общее число параметров составляет около 25,8 млрд, из них примерно 22,8 млрд приходятся на экспертные параметры и 3 млрд — на неэкспертные. В README также упоминаются vision tower и поддержка режима рассуждений, однако точный список языков и размер контекстного окна не указан. Ключевое преимущество модели — снижение требований к памяти и вычислительным ресурсам по сравнению с неквантованной версией при сохранении близкого качества. По результатам оценки на одной GPU B200 восстановление качества составило от 93,7% до 102,5% на указанных тестах; на AIME 2025, GPQA Diamond, IFEval, GSM8K и MMLU результаты в целом близки к исходной модели. Для запуска рекомендуется vLLM 0.24.0 с включённым V2 model runner и специальными параметрами diffusion sampler; модель валидирована в RHOAI 3.5 и RHAIIS 3.5. Ограничения включают возможную потерю качества из-за FP8-квантизации, зависимость от совместимых версий vLLM и Transformers, а также необходимость использования параметра trust-remote-code. В README не приведены подробные сведения о языковой поддержке, контекстном окне, требованиях к GPU помимо результатов на B200 и ограничениях применения. Модель распространяется по лицензии Apache-2.0.

Mariah64 разработала эту модель как дообученную версию DistilBERT base uncased для извлечения ответов на вопросы. Модель принимает вопрос вместе с текстовым контекстом и предназначена для поиска в нём фрагмента, отвечающего на вопрос; карточка указывает задачу question answering и архитектуру DistilBertForQuestionAnswering. Модель основана на distilbert/distilbert-base-uncased, имеет контекстное окно до 512 токенов и опубликована в формате TensorFlow. В карточке приведены результаты одного прохода обучения и оценки на валидационном наборе, но сам набор данных не назван; точность логитов начала и конца ответа на валидации составляет соответственно 0,6556 и 0,6892. Указана лицензия Apache-2.0. Языковая специализация и подробные сведения о назначении и обучающих данных в README отсутствуют; исходная модель uncased рассчитана на английский текст.

Модель postbot/distilgpt2-emailgen-V2 разработана Postbot и представляет собой дообученную версию distilgpt2 для продолжения и генерации электронных писем по началу текста или короткой подсказке. Она использует архитектуру GPT-2 и рассчитана на контекст до 1024 токенов. Модель можно применять через библиотеку Transformers для автоматического составления черновиков писем и продолжения уже начатого сообщения. Для дообучения использован набор postbot/multi-emails-100k; в метаданных также указан датасет AESLC. В README приведён результат оценки Loss 1,9126. Репозиторий содержит веса в форматах PyTorch, Safetensors и ONNX. Модель распространяется по лицензии Apache-2.0. Карточка не описывает поддерживаемые языки и конкретные ограничения качества. Генерируемый текст следует проверять на точность, уместность тона и соответствие контексту перед отправкой.