I.14Автоматизация процессов и AI-агенты

Модель swardiantara/bert-tiny-snli-k1-adaptive-cosine — компактный Sentence Transformer, дообученный на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT с усреднением токенных представлений; в метаданных указано 4,4 млн параметров и поддержка контекстного окна до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги. В README описано обучение на 549 370 примерах пар предложений с использованием OrdinalProxyContrastiveLoss; примеры данных и базовая модель указывают на английский язык. Подходит для компактных систем семантического поиска и ранжирования по сходству. Лицензия в предоставленных данных не указана.

onnx-community/bge-small-en-v1.5-ONNX — модель для создания векторных представлений текста (эмбеддингов), разработанная сообществом onnx-community на основе BAAI/bge-small-en-v1.5. Она распространяется с весами в формате ONNX и предназначена для использования в JavaScript-библиотеке Transformers.js, включая браузерные и другие web-ориентированные сценарии. Модель поддерживает задачу извлечения признаков текста и формирует эмбеддинги размерностью 384. В примерах используется pooling по CLS-токену и нормализация векторов. Модель подходит для семантического поиска и retrieval-сценариев: тексты документов и поисковые запросы преобразуются в эмбеддинги, после чего сравниваются, например, по косинусной близости. Для запросов рекомендуется добавлять инструкцию «Represent this sentence for searching relevant passages:». README не указывает архитектуру, максимальную длину контекста, перечень поддерживаемых языков, размер модели или точные ограничения качества. К сильным сторонам относятся компактный формат ONNX, совместимость с Transformers.js и возможность выполнять вычисление эмбеддингов в JavaScript-среде. Ограничения включают отсутствие в README сведений о лицензии, языковой поддержке и характеристиках производительности; по базовому идентификатору и приведённым примерам модель ориентирована на англоязычные тексты. Условия лицензирования в предоставленных данных не указаны.

BAAI/BGE-VL-v1.5-zs — мультимодальная модель эмбеддингов для поиска по изображениям и тексту, разработанная командой BAAI в рамках семейства BGE-VL. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf и использует архитектуру LLaVA-NeXT с плотным представлением; для работы применяются Sentence Transformers и веса Safetensors. Модель принимает текст, изображения или их сочетание и формирует эмбеддинги для мультимодального поиска и сравнения сходства. В README указано, что изображения для этой модели следует приводить к размеру 512×512; инструкции в запросе можно использовать для представления входа как поискового запроса, а без них — как кандидата. Модель предназначена для поиска изображений по текстовому описанию, поиска по сочетанию изображения и текстового уточнения, а также для универсального мультимодального извлечения и сопоставления. В README семейство BGE-VL показывает сильные результаты в zero-shot-поиске с составными запросами по изображениям и на бенчмарке MMEB. Указанная лицензия — MIT. Карточка описывает результаты семейства и не приводит отдельные оценки именно этой версии; для корректной работы с изображениями требуется учитывать рекомендованный размер 512×512.

Hemg/biology-english-pancasila-2 — модель Sentence Transformers на базе BERT для преобразования предложений и абзацев в плотные векторы размерностью 384. Её можно использовать для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. По метаданным, она содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. Название указывает на тематику биологии и английский язык, однако README и метаданные не подтверждают специализацию или набор языков обучения. Для использования требуется библиотека sentence-transformers. Лицензия в предоставленных данных не указана.

bruphin-zeta — объединённая методом SLERP языковая модель от nbeerbower, созданная с помощью mergekit на основе bruphin-epsilon и Dolphin 2.6 Mistral 7B DPO Laser. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов, а конфигурация указывает на совместимость с шаблоном ChatML. Модель может использоваться для диалоговых ассистентов и генерации ответов с длинным контекстом. Карточка не приводит отдельных результатов оценки или перечня языков. Лицензия — Apache-2.0.

Byrne-Embed — компактная модель для построения эмбеддингов предложений, разработанная автором репозитория Quazim0t0. Она преобразует текст в нормированные векторы размерности 768, пригодные для сравнения косинусного сходства, поиска, кластеризации и ранжирования. Модель содержит 85 млн параметров и использует декодер SpikeWhale с усреднением последнего скрытого состояния и обучаемой проекционной головой. Модель предназначена для семантического поиска и анализа сходства английских текстов. В README приведены результаты оценки на англоязычном наборе MTEB и сравнение геометрии эмбеддингов с EmbeddingGemma-300M. Для загрузки используется Transformers с пользовательской архитектурой; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка сосредоточена на английском языке, а качество для других языков не проверено. В README также отмечена слабая сторона в поиске перефразировок по финансам и экономике; для загрузки требуется код пользовательской архитектуры.

CodeLlama-70b-Python-hf — разработанная Meta генеративная модель для синтеза и понимания кода, специализированная на Python. Это авторегрессионный трансформер семейства Llama с плотной архитектурой и 68,7 млрд параметров; репозиторий содержит веса в форматах PyTorch и safetensors. Модель принимает текст и генерирует текст, поддерживает контекст длиной 4096 токенов. Модель подходит для автодополнения кода, генерации фрагментов Python и помощи в разборе программного кода. Она не предназначена для диалогового режима или следования инструкциям; заявленная область использования — английский язык и языки программирования. Карточка указывает, что это неофициальный репозиторий Code Llama. Использование регулируется лицензией Meta Llama 2.

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

Azma-AI/deberta-base-multi-label-classifier — модель DeBERTa-v3-base, дообученная с многозадачным обучением на 600 задачах классификации и понимания языка. Она предназначена для классификации текста по заданным категориям без отдельного обучения на этих категориях, а также для задач определения языкового следования и дальнейшей адаптации под новые задачи. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и принимает текст длиной до 512 токенов. В README отмечена высокая точность zero-shot-проверки на ряде задач; также заявлена совместимость с tasksource-adapters. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

DeepSeek-R1-Distill-Qwen-14B-Q4_K_M-GGUF — это квантованная версия модели DeepSeek-R1-Distill-Qwen-14B, разработанной организацией deepseek-ai и опубликованной в формате GGUF пользователем Andrew Webby из RolePlai. Модель предназначена для генерации текста, диалоговых сценариев, ролевого общения, а также задач программирования и математики; она может использоваться в приложениях на базе llama.cpp. Модель основана на архитектуре Qwen, имеет размер 14 млрд параметров и поддерживает текстовый ввод и вывод. Квантование Q4_K_M уменьшает требования к памяти по сравнению с полной версией, что делает модель более подходящей для локального запуска, однако может снижать точность по сравнению с исходными весами. В README не указаны поддерживаемые языки, размер контекстного окна, точные требования к оборудованию, результаты тестирования и ограничения качества. Файл модели имеет формат GGUF, не использует imatrix и не разделён на части. Лицензия и условия использования в предоставленных данных не указаны.

NVIDIA DeepSeek-R1-NVFP4 — версия DeepSeek R1, квантованная NVIDIA с помощью TensorRT Model Optimizer. Это авторегрессионная трансформерная языковая модель семейства DeepSeek V3 с 37,6 млрд параметров, предназначенная для генерации текста и диалогов. По метаданным, базовая модель — deepseek-ai/DeepSeek-R1; в README указаны FP4-квантизация весов и активаций линейных операторов в блоках трансформера, формат safetensors и контекст до 128 тыс. токенов в README и 163 840 токенов в метаданных. Модель принимает текст и выдаёт текст. Для запуска предназначена связка TensorRT-LLM на Linux и оборудовании NVIDIA Blackwell; в README для приведённого сценария развёртывания указаны восемь GPU B200 и сборка TensorRT-LLM из исходников. По заявлению README, квантизация уменьшает размер весов и требования к памяти GPU примерно в 1,6 раза. Репозиторий указывает лицензию MIT и возможность коммерческого и некоммерческого использования; README уточняет, что модель разработана не NVIDIA, а построена для требований стороннего проекта.

DeepSeek-V4-Flash-MXFP4-GGUF — конверсия официальных весов DeepSeek-V4-Flash в формат GGUF, подготовленная для локального запуска и тестирования. Модель построена на архитектуре Mixture-of-Experts и поддерживает диалоговую генерацию текста; файлы сохраняют маршрутизируемые экспертные веса в MXFP4, а плотные веса и тензоры — в исходных типах FP8, BF16 и F32 либо в варианте совместимости с F16 и Q8_0. Репозиторий содержит два файла размером около 156 и 158 ГБ. Для запуска требуются runtime с поддержкой архитектуры DeepSeek V4 и соответствующих типов тензоров; README указывает на V4-совместимую ветку llama.cpp. Вариант Q8Compat проверен короткими тестами на фактический ответ, JSON, структуру вызова инструмента и генерацию кода. Файлы конверсии помечены как находящиеся в разработке и проходят валидацию, поэтому совместимость и корректность ещё ограничены. Лицензия — MIT.

Distil-Large-v3.5 — англоязычная модель распознавания речи из семейства Distil-Whisper, созданная в совместной работе Бофэном Хуаном, Эсташем Ле Бианом, Стивеном Чжэном и Вайбхавом Шриваставом. Это дистиллированная версия OpenAI Whisper-Large-v3 с архитектурой Whisper encoder-decoder; в метаданных указано 905,2 млн параметров. Модель предназначена для преобразования речи в текст, включая короткие аудиозаписи и длинные записи с последовательной или разбитой на фрагменты обработкой. Авторы сообщают об обучении на 98 тысячах часов разнообразных публичных данных, использовании teacher-модели с расширенным графиком обучения и аугментации SpecAugment. По оценкам авторов, модель примерно в 1,5 раза быстрее Whisper-Large-v3-Turbo и показывает хорошие результаты на коротких записях; также её можно использовать как черновую модель для speculative decoding с Whisper-Large-v3. Модель рассчитана на английскую речь. Она поддерживается библиотекой Transformers версии 4.39 и новее, веса опубликованы в формате safetensors. Лицензия — MIT. Результаты зависят от типа аудио: на приведённой авторами оценке ошибка распознавания длинных записей выше, чем коротких; заявленные метрики основаны на нормализованном тексте и конкретных тестовых наборах.

Dolphin3.0-R1-Mistral-24B-Patched — текстовая генеративная модель от AIOpsInSpace, созданная на базе cognitivecomputations/Dolphin3.0-Mistral-24B. Модель объединяет дообучение Dolphin 3.0 с паттернами рассуждений DeepSeek-R1 и предназначена для локального запуска, генерации текста и решения задач, требующих пошагового рассуждения. Заявлена поддержка формата reasoning trace с тегами <think> и исправления, повышающие стабильность работы локальных бэкендов и предотвращающие зависания токенизатора. Модель представляет собой плотную архитектуру Mistral с 24 млрд параметров. В карточке указана английская локализация; другие языки и размер контекстного окна не описаны. Среди заявленных особенностей — отсутствие ограничений на тематику ответов и совместимость с GGUF, однако конкретные варианты квантования, требования к оборудованию и результаты бенчмарков не приведены. Сильными сторонами модели являются сочетание относительно компактного для такого уровня reasoning-движка размера, открытой основы Mistral, ориентированности на локальное выполнение и поддержка явного формата рассуждений. Ограничениями остаются отсутствие подтверждённых количественных оценок качества, неполные сведения о контексте и аппаратных требованиях, а также потенциальные риски использования модели без встроенных ограничений безопасности. Указанная лицензия — Apache-2.0.

chungimungi/ettin-glint-kd — текстовый многовекторный энкодер на архитектуре ModernBERT, обученный с помощью библиотеки Sentence Transformers. Модель преобразует текст в последовательность векторов размерности 128 на уровне токенов и сопоставляет запросы с документами методом позднего взаимодействия MaxSim. Модель предназначена для семантического поиска, где важно учитывать соответствия между отдельными частями запроса и документа. Максимальная длина последовательности в README — 300 токенов для документа и 32 токена для запроса; метаданные указывают контекст до 7999 токенов. Модель содержит 16,8 млн параметров и распространяется в формате safetensors. README сообщает об обучении на наборе parquet из примерно 1 046 009 примеров с запросами, документами и оценками. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

Experiment26Neuralsirkrishna_Experiment26Strangemerges_30 — объединённая автором репозитория модель на архитектуре Mistral с 7,1 млрд параметров. Веса объединены из automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment26Strangemerges_30-7B. Модель предназначена для генерации текста и диалогов. Она принимает текст и может обрабатывать контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Experiment28M7_Experiment26Neuralarjuna — объединённая модель семейства Mistral, созданная слиянием automerger/Experiment28M7-7B и automerger/Experiment26Neuralarjuna-7B. Она предназначена для генерации текста и диалогов, например для ответов на запросы и создания черновиков. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст длиной до 32 768 токенов. В репозитории представлены веса в формате safetensors. Лицензия — Apache-2.0.

MaziyarPanahi/Experiment28T3q_Inex16Calme — объединённая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана слиянием automerger/Experiment28T3q-7B и automerger/Inex16Calme-7B. Модель предназначена для генерации текста и принимает текстовые запросы. Контекстное окно составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

FG-CLIP Large — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых признаков. Обучение проходит в два этапа: сначала модель сопоставляет изображения с подписями на глобальном уровне, затем уточняет соответствие с помощью описаний отдельных областей изображения, включая положительные и отрицательные описания. В карточке указана архитектура CLIP и класс FGCLIPModel; веса доступны в формате safetensors. Примеры использования в README показывают загрузку через Transformers и применение для поиска по изображениям и визуализации плотных признаков. Модель подходит для поиска и сопоставления изображений и текста с учётом деталей сцены, а также для классификации изображений по текстовым описаниям без отдельного обучения классификатора. Поддерживаемый в метаданных язык — английский. Лицензия Apache-2.0.

Fun-ASR-MLT-Nano-2512 — мультиязычная модель распознавания речи из семейства Fun-ASR, разработанного командой FunASR. Чекпойнт содержит около 800 млн параметров и обучен на сотнях тысяч часов многоязычной речи. Он предназначен для преобразования аудио в текст на 31 языке, с особым вниманием к языкам Восточной и Юго-Восточной Азии. Модель поддерживает управление языком распознавания; интерфейс FunASR также предоставляет настройку горячих слов и обратную текстовую нормализацию (ITN). В README приведены результаты для семейства Fun-ASR, но они не относятся непосредственно к этому чекпойнту. Возврат временных меток, диаризация говорящих и обучение модели отмечены как пока не поддерживаемые функции. Для запуска используется библиотека FunASR. Модель распространяется по лицензии Apache-2.0.

ModernBERTić-large — энкодер на архитектуре ModernBERT-large, разработанный Permitt для боснийского, хорватского, черногорского и сербского языков. Модель содержит 395 млн параметров и принимает последовательности длиной до 8192 токенов. Она обучена предсказывать замаскированные токены и подходит для классификации последовательностей и токенов, понимания длинных документов, а также как основа для дообучения ретриверов и реранкеров. Архитектура включает 28 слоёв, скрытый размер 1024 и 16 голов внимания. Используются RoPE, чередование локального внимания с окном 256 токенов и полного внимания, а также FlashAttention 2. Модель обучена на корпусе из 66 млрд токенов BCMS-текста; заявлены результаты уровня state of the art на SuperGLUE-SR и применение в производственных функциях платформы Recrewty. Лицензия — Apache-2.0. Токенизатор рассчитан на латинскую графику: кириллический текст рекомендуется предварительно транслитерировать. В обучающих данных преобладают хорватский и сербский языки, а код, разговорный чат и узкоспециальные научные тексты представлены слабее. Это энкодер, который не генерирует связный текст.

GATE-AraBert-v0 — арабская модель эмбеддингов предложений на базе Sentence Transformers, разработанная Omartificial-Intelligence-Space. Она дообучена в многозадачном режиме на AllNLI и наборах STS для представления арабских текстов в виде векторов и оценки их семантического сходства. Модель использует архитектуру BERT, содержит 162,4 млн параметров и выдаёт эмбеддинги размерностью 768; максимальная длина входной последовательности — 512 токенов. Для сравнения векторов применяется косинусное сходство. Модель подходит для семантического поиска, поиска похожих предложений и ранжирования текстов по смысловой близости. В README приведены результаты оценки сходства на sts-dev и sts-test. Репозиторий распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

ZeroXClem/Gemma3-4B-Arceus-Servant — мультимодальная модель для диалогов, созданная ZeroXClem путём слияния нескольких моделей семейства Gemma 3 методом MODEL STOCK. В состав вошли Gemma3-Callous-Calla-4B, Meteor_4B_V.1, scout-4b, gemma-3-4b-it-claude, Gemma3-Code-Reasoning-4B и gemma-3-4b-it-abliterated. Модель основана на архитектуре Gemma 3 4B с 34 слоями и использует формат safetensors; README также указывает точность bfloat16. Модель предназначена для диалогов, ответов на вопросы по изображениям, генерации текста, программирования и творческого письма. В карточке заявлены рассуждения с учётом ограничений и высокая точность следования инструкциям. Эти качества описаны разработчиком, но независимые результаты оценки не приведены. Лицензия — Apache-2.0. Среди ограничений: заявленная в README ослабленная система отказов означает, что модель может охотнее отвечать на запросы, от которых другие модели отказываются; перед применением в чувствительных сценариях ответы следует проверять.

GerColBERT — модель поиска по немецким текстам на основе ColBERT, разработанная для эффективного ранжирования документов с помощью позднего взаимодействия между многовекторными представлениями запроса и документа. Она дообучена на deepset/gbert-base на немецком наборе samheym/ger-dpr-collection; в обучении использовались 10% случайно выбранных троек из итогового набора и внутрибатчевые негативные примеры. Модель использует архитектуру BERT, векторную длину 128 и контекст до 512 токенов; максимальная длина документа при обучении составляла 256 токенов. Модель предназначена для семантического поиска и извлечения документов, в том числе с индексированием через PyLate и Sentence Transformers. Для хранения весов используется safetensors. В карточке не приведены результаты количественной оценки качества или сведения о лицензии, поэтому качество на конкретных корпусах и условия использования следует проверять отдельно.

Карточка модели ImranzamanML/German_Semantic_V3b_Optimised на Hugging Face совпадает с карточкой aari1995/German_Semantic_V3b, поэтому описание составлено по ней. German_Semantic_V3b — немецкоязычная модель эмбеддингов, разработанная Аароном Чиббом. Это дообученная версия aari1995/gbert-large-2 на архитектуре JinaBertModel, предназначенная для получения векторных представлений предложений и сравнения их семантической близости. Модель содержит 434,5 млн параметров и принимает последовательности длиной до 8192 токенов. Модель рассчитана на немецкий язык и особенно учитывает культурный контекст Германии. Она устойчива к небольшим опечаткам и различиям в регистре. Поддерживаются Matryoshka-эмбеддинги размером от 1024 до 64 измерений: уменьшение размерности снижает требования к хранению, но может немного ухудшить качество. По README, V3b ориентирована на высокую производительность, однако её знания ограничены периодом примерно до 2020 года. Лицензия — Apache 2.0.

GRM-2.6-Air-Opus — компактная текстовая модель OrionLLM, дообученная на базе LiquidAI/LFM2.5-1.2B-Thinking на трассах рассуждений в стиле Claude Opus. Она предназначена для генерации ответов с более структурированным рассуждением и решения сложных задач при ограниченных ресурсах, включая локальное и встроенное развёртывание. Модель относится к семейству LFM2, использует плотную архитектуру Lfm2ForCausalLM и содержит около 1,5 млрд параметров; нативная длина контекста — 128 000 токенов. Поддерживается диалоговый режим. README сообщает об обновлении шаблона чата для совместимости с вызовом инструментов. Модель рассчитана на лёгкое развёртывание и предлагает компактный вариант рассуждающей модели. Заявления об улучшении решения сложных задач приведены разработчиком; численные результаты бенчмарков в доступной карточке отсутствуют. Информация о лицензии в предоставленных данных отсутствует.

h2oai/h2ogpt-4096-llama2-13b — клонированная H2O.ai версия Meta Llama 2 13B, созданная для генерации текста и использования в составе h2oGPT. Модель можно дообучать с помощью открытого ПО h2oGPT и H2O LLM Studio. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров. Она принимает текст, генерирует текст и поддерживает контекст до 4096 токенов. В карточке указана поддержка английского языка; репозиторий содержит веса PyTorch и Safetensors. Модель подходит для генерации ответов и диалоговых сценариев, в том числе для чата с документами через приложение h2oGPT. Лицензия репозитория — Llama 2; условия использования определяются лицензией Meta Llama 2.

danieleV9H/hubert-base-libri-clean-ft100h-v3 — англоязычная модель распознавания речи, созданная дообучением facebook/hubert-base-ls960 на наборе LibriSpeech ASR. Она принимает аудио и выдаёт текстовую расшифровку; архитектура — HuBERT с CTC-головой, размер — 113,3 млн параметров. На указанном в карточке наборе оценки модель достигла WER 0,1332 и loss 0,1120. Модель подходит для транскрибации английской речи, особенно аудиокниг и записей, похожих на LibriSpeech. Доступна под лицензией Apache-2.0.

ING Triomphant M2 SLERP — языковая модель, созданная MatthieuJ путём слияния arcee-ai/Clown-DPO-Extended и MatthieuJ/ING_Triomphant_M1_SLERP методом SLERP с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Контекстное окно составляет до 32 768 токенов; веса представлены в формате safetensors с типом данных bfloat16. Модель подходит для ведения диалогов, генерации ответов и продолжения текста. В README приведена конфигурация слияния, в которой для слоёв внимания и MLP заданы разные коэффициенты смешивания исходных моделей. Модель распространяется по лицензии Apache 2.0.

InstructYi-6BDolly15K — авторегрессионная языковая модель на 5,8 млрд параметров, дообученная HenryJJ на базе Yi-6B с помощью LoRA. В обучении использовались наборы Databricks Dolly 15K и CodeAlpaca 20K; модель обучалась следовать инструкциям и лучше справляться с задачами программирования. Для запросов применяется шаблон [INST] с инструкцией и, при необходимости, контекстом. Модель предназначена для генерации ответов на инструкции и помощи с кодом на английском языке. Репозиторий содержит веса Safetensors; контекст модели по метаданным составляет 4096 токенов. README сообщает о тренировке на окне 2048 токенов. Модель распространяется по лицензии Apache-2.0.