I.1Поиск и навигация по информации

Карточка модели facebook/PE-Spatial-L14-448 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

Карточка модели facebook/PE-Spatial-T16-512 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

unicamp-dl/ptt5-v2-3b — португалоязычная предварительно обученная модель семейства T5, разработанная группой Unicamp-DL на основе контрольной точки Google T5-3B. Это продолжение предобучения исходной модели на португальском языке; чекпойнт также использовался при обучении MonoT5-реранкеров для португальского языка. Модель имеет архитектуру T5ForConditionalGeneration, около 385,2 млн параметров и контекст до 512 токенов. Модель предназначена для генерации текста и задач NLP в формате преобразования текста в текст, в том числе как основа для португальских реранкеров. Она принимает текст и генерирует текст. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; применимость к конкретной задаче следует проверять отдельно.

Babelscape/rebel-large — модель извлечения отношений, разработанная Pere-Lluís Huguet Cabot и Roberto Navigli и представленная в работе Findings of EMNLP 2021. Она преобразует задачу извлечения отношений в генерацию последовательности: по входному тексту модель выделяет триплеты «субъект — отношение — объект». Модель основана на BART, содержит 252,8 млн параметров и принимает контекст длиной до 1024 токенов. REBEL рассчитана на извлечение отношений более чем 200 типов и может применяться для пополнения или проверки баз знаний, фактчекинга и других задач информационного извлечения. Карточка связывает модель с датасетом Babelscape/rebel-dataset; язык модели — английский. Для интерпретации результата нужны специальные токены, разделяющие субъект, объект и тип отношения; виджет Hugging Face их не показывает. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует распространять адаптации на совместимых условиях.

tomaarsen разработал SpanMarker на базе энкодера bert-base-cased для распознавания именованных сущностей. Модель обучена на FewNERD, CoNLL2003 и OntoNotes v5 и предназначена для обнаружения организаций (ORG) в англоязычном тексте. Она принимает последовательности длиной до 256 токенов и распознаёт сущности длиной до 8 слов. Для класса ORG указаны precision 0,7958, recall 0,7936 и F1 0,7947. Модель можно применять для извлечения названий компаний, учреждений и других организаций из предложений и документов, а также дообучать на собственных данных. Лицензия — CC BY-SA 4.0.

Модель tomaarsen/span-marker-roberta-large-ontonotes5 — модель распознавания именованных сущностей на основе архитектуры SpanMarker и энкодера roberta-large. Она обучена на наборе данных OntoNotes 5 и предназначена для выделения в тексте сущностей и присвоения им меток. Для запуска используется библиотека span_marker; веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Модель подходит для извлечения имен людей, организаций, мест и других типов сущностей из текста. В карточке указан английский язык. Качество обработки может зависеть от токенизации: модель работает лучше, когда знаки препинания отделены от предшествующих слов.

Это модель CLIP с визуальным энкодером Vision Transformer (ViT-B/32), обученная на наборе данных LAION-400M. Она доступна для использования через open_clip и timm; вариант open_clip называется ViT-B-32-quickgelu. Модель сопоставляет изображения и текстовые описания, поэтому подходит для классификации изображений по текстовым меткам без дополнительного обучения и поиска изображений по смысловым запросам. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

raulgdp/xml-roberta-large-finetuned-ner — модель распознавания именованных сущностей, созданная дообучением FacebookAI/xlm-roberta-large-finetuned-conll03-english на наборе данных CoNLL-2002. Она использует архитектуру XLM-RoBERTa-large с классификацией токенов; размер составляет 658,7 млн параметров, контекст — до 514 токенов. В карточке приведены результаты на оценочной выборке: F1 0,8851, точность 0,8806, полнота 0,8897 и accuracy 0,9806. Модель предназначена для разметки токенов и извлечения именованных сущностей из текста. Лицензия и подробности о поддерживаемых языках в предоставленных данных не указаны.

Модель kamalkraj/bert-base-cased-ner-conll2003 — дообученная версия BERT base cased для распознавания именованных сущностей. Она выполняет токенную классификацию, размечая текстовые фрагменты как сущности; модель дообучена на наборе CoNLL-2003. Модель содержит 135,5 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. В README для оценочного набора CoNLL-2003 указаны F1 0,9482, точность 0,9438 и полнота 0,9525. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют полный перечень распознаваемых типов сущностей и подробные ограничения применения.

cahya/bert-base-indonesian-NER — модель для распознавания именованных сущностей в индонезийском тексте, опубликованная пользователем cahya на Hugging Face. Это дообученная модель BERT с классификацией токенов; её можно использовать через Transformers для разметки токенов. Модель содержит 137,8 млн параметров и принимает контекст длиной до 512 токенов. Модель предназначена для извлечения упоминаний сущностей из индонезийских текстов, например имён людей и географических названий. В карточке указана лицензия MIT. Доступные сведения не описывают набор меток и качество на конкретных данных, поэтому пригодность для отдельных типов сущностей и текстовых жанров следует оценивать на собственных примерах.

Модель serpapi/bert-base-local-results — классификатор текстовых фрагментов из карточек Google Local Listings, разработанный SerpApi на базе BERT с использованием библиотеки Hugging Face. Она присваивает фрагментам категории, такие как адрес, телефон, рейтинг, число отзывов, часы работы, описание, тип заведения и варианты услуг, чтобы помогать разбирать результаты локального поиска Google. Модель предназначена для извлечения и структурирования сведений о местных компаниях и заведениях, в том числе при обработке результатов SerpApi Google Local API и Google Local Pack API. Она принимает текст на английском языке и возвращает метку класса; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель умеет работать с короткими и неполными фрагментами, семантически похожими значениями и текстом с грамматическими ошибками; также может выдавать оценку уверенности. Лицензия — MIT. Модель не классифицирует название заведения и поле label, может путать некоторые категории, например часы работы, описание, отзывы, рейтинг и варианты услуг. Для отдельных неоднозначных или коротких фрагментов полезна проверка оценки уверенности и дополнительная обработка правилами. Модель рассчитана на английские объявления и не предназначена для объявлений на других языках.

dumitrescustefan/bert-base-romanian-ner — модель BERT для распознавания именованных сущностей, созданная дообучением bert-base-romanian-cased-v1. Она размечает румынский текст метками BIO2 и распознаёт 15 типов сущностей: людей, организации, географические объекты, даты и периоды, числа, суммы, события, произведения искусства и другие категории. Модель обучена на корпусе RONEC версии 2.0 и предназначена для извлечения сущностей из румынских текстов, например новостей или документов. Это BERT-модель с 151,6 млн параметров и контекстом до 512 токенов; веса доступны в форматах PyTorch и Safetensors. Для обработки длинных последовательностей и согласования меток с токенами README рекомендует пакет roner. Лицензия — MIT. Модель ориентирована на румынский язык; перед обработкой README рекомендует нормализовать cedilla-варианты букв ș и ț в текст с запятой снизу. При разбиении слов на несколько субтокенов нужно корректно объединять предсказанные метки.

fhswf/bert_de_ner — немецкая модель на архитектуре BERT, разработанная путём дообучения bert-base-german-dbmdz-cased для распознавания именованных сущностей. Она выполняет разметку токенов в тексте и предназначена для извлечения сущностей в немецкоязычных документах и текстах. Модель обучена на тренировочной части набора GermEval2014; на его тестовой части указаны precision 0,817, recall 0,842 и F1 0,829 для сущностей. Размер модели — 137,1 млн параметров, максимальная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая Safetensors. Лицензия — CC-BY-SA-4.0.

Модель nickprock/bert-italian-finetuned-ner — дообученная для распознавания именованных сущностей версия регистрозависимого BERT для итальянского языка, разработанная на основе dbmdz/bert-base-italian-cased. Она размечает токены в итальянском тексте и предназначена прежде всего для NER — извлечения упоминаний сущностей из предложений и документов. Модель содержит 137,1 млн параметров, использует архитектуру BertForTokenClassification и принимает текст с контекстом до 512 токенов. Для обучения использован датасет WikiANN. В карточке приведены результаты оценки: F1 0,949, точность 0,9438 и полнота 0,9542; показатели относятся к указанному evaluation set и не гарантируют такое же качество на других данных. Модель распространяется по лицензии MIT.

Chinese-CLIP ViT-H/14 — модель сопоставления изображений и текста, разработанная OFA-Sys. Она использует ViT-H/14 как визуальный энкодер и RoBERTa-wwm-large как текстовый энкодер; модель обучена на крупном наборе примерно из 200 млн китайских пар «изображение—текст». Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, вычисления эмбеддингов изображений и текста, оценки их сходства и поиска изображений по текстовому запросу. Модель подходит для китайскоязычного поиска по изображениям и классификации с произвольными текстовыми метками. В карточке также приведены результаты для задач поиска по тексту на MUGE, Flickr30K-CN и COCO-CN. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

clip-japanese-base-v2 — японская модель CLIP, разработанная LY Corporation для сопоставления изображений и текста. Это обновлённая версия line-corporation/clip-japanese-base: для обучения использовано около 2 млрд пар изображение–текст, а дистилляция применена для повышения качества. Модель содержит 196 млн параметров и объединяет визуальный кодировщик на основе Eva02-B Transformer с 12-слойным текстовым кодировщиком BERT. Текстовый кодировщик инициализирован весами rinna/japanese-clip-vit-b-16. Модель подходит для извлечения признаков изображений и текста, поиска изображений по японскому описанию и поиска текстов, соответствующих изображению. В README приведены результаты классификации ImageNet-1k и наборов Recruit и WAON, а также двунаправленного поиска по STAIR Captions. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. Оценки в README показывают, что улучшение относительно предыдущей версии зависит от задачи: например, retrieval R@1 у предыдущей версии выше.

sonoisa/clip-vit-b-32-japanese-v1 — японская версия CLIP для получения признаковых представлений текста и изображений. Автор адаптировал текстовый энкодер англоязычной CLIP-модели к японскому языку с помощью метода, описанного как разновидность дистилляции. В метаданных указаны архитектура BERT, 137,8 млн параметров, длина контекста 512 токенов и форматы PyTorch и safetensors. Модель предназначена для вычисления эмбеддингов текста и изображений, оценки их сходства, поиска изображений по текстовому запросу и мультимодальной классификации. Она ориентирована на японский язык; карточка демонстрирует сценарии мультимодального поиска и расчёта сходства. Репозиторий распространяется по лицензии CC BY-SA 4.0.

TroyDoesAI/Codestral-RAG-19B-Pruned — сокращённая по числу слоёв версия Codestral, опубликованная TroyDoesAI. Это плотная авторегрессионная модель семейства Mistral с 18,9 млрд параметров, предназначенная для генерации текста; в названии и описании акцент сделан на использовании в сценариях RAG и экономии памяти при размещении модели, в том числе с выгрузкой части вычислений в системную память. Для работы заявлено контекстное окно 32 768 токенов, а веса опубликованы в формате safetensors. Автор сообщает, что удалил четыре слоя из исходной модели на 22,2 млрд параметров и утверждает, что это не приводит к заметной потере качества. Независимые результаты оценки в карточке не приведены. Модель может подойти для локальных экспериментов с генерацией текста и ответами на запросы с контекстом, однако размер почти в 19 млрд параметров всё ещё требует значительных ресурсов. Лицензия в предоставленных данных не указана.

google/electra-small-discriminator — англоязычный текстовый энкодер семейства ELECTRA, разработанный Google. Модель с архитектурой ElectraForPreTraining содержит 20,4 млн параметров и принимает последовательности длиной до 512 токенов. Она предварительно обучена различать исходные токены и заменённые токены, сгенерированные другой нейросетью. Энкодер предназначен для тонкой настройки на задачах классификации текста, ответа на вопросы и разметки последовательностей, включая классификацию предложений, извлечение ответов и разбор текста на фрагменты. Для работы с весами доступны реализации PyTorch, TensorFlow и Flax. Лицензия Apache-2.0 разрешает использование на её условиях.

EVA-CLIP-8B — разработанная BAAI совместно с THU модель контрастивного сопоставления изображений и текста семейства CLIP. Она преобразует изображения и текст в векторы признаков, которые можно сравнивать для поиска соответствий и классификации без обучения на конкретных классах. Модель содержит 8,1 млрд параметров и распространяется в формате PyTorch; для обучения использовались данные LAION-2B и COYO-700M. Модель предназначена для извлечения визуальных и текстовых признаков, классификации изображений по текстовым описаниям и поиска изображений по запросу или текста по изображению. В README для варианта 8B приведены средние результаты на наборах классификации изображений и видео, а также оценка поиска соответствий; качество может отличаться при использовании весов Hugging Face от опубликованных PyTorch-результатов. Веса доступны по лицензии Apache-2.0. Из-за большого размера модели для загрузки и применения требуются значительные ресурсы; README указывает на возможность загрузки через DeepSpeed ZeRO-3 при ограниченной памяти CPU.

GODEL-v1_1-large-seq2seq — крупная предварительно обученная модель для целевых диалогов, разработанная Microsoft. Она построена на архитектуре Transformer encoder-decoder семейства T5 и предназначена для генерации ответов с учётом контекста беседы и внешней текстовой информации, например найденного документа. Модель можно дообучать на небольшом наборе диалогов под конкретную задачу. Версия 1.1 обучалась на 551 млн многоходовых диалогов Reddit и 5 млн диалогов с инструкциями и опорой на знания. Модель содержит 385,2 млн параметров, принимает и генерирует текст, поддерживает контекст до 512 токенов и рассчитана на диалоговые сценарии. В карточке указана лицензия MIT.

BAAI разработала IndustryCorpus2_Classifier для отнесения текстов к одной из 31 укрупнённой отраслевой категории, согласованной с классификацией отраслей национальной экономики Китая и адаптированной для китайского и английского языков. Модель построена на BGE-M3 с архитектурой XLM-RoBERTa и классификационной головой; она дообучена на 36 тысячах примеров, сформированных из предобучающих корпусов и открытых наборов классификации. Метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Модель предназначена для автоматической отраслевой разметки текстов и сортировки документов по категориям. В README сообщается о точности 86% на проверочной выборке; обучающие данные включали китайские и английские тексты в равных долях. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Показатели качества относятся к описанной проверочной выборке, поэтому качество на других корпусах может отличаться.

Карточка модели AISE-TUDelft/java-usage-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/java-deprecation-classifier, поэтому описание составлено по ней. AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

jina-embeddings-v5-text-nano-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI для задач классификации текста. Она входит в семейство jina-embeddings-v5-text и создана на основе jinaai/jina-embeddings-v5-text-nano с применением дистилляции и контрастивного обучения, ориентированного на конкретную задачу. Модель содержит 239 млн параметров, поддерживает последовательности длиной до 8192 токенов и формирует эмбеддинги размерностью 768. Используется pooling по последнему токену; доступны матрёшечные размерности 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером вектора и скоростью обработки. Модель предназначена прежде всего для классификации и может применяться в многоязычных сценариях анализа текста. Для работы доступны интеграции с sentence-transformers, vLLM и специальной веткой llama.cpp для формата GGUF; заявлена поддержка Transformers и Elastic Inference Service. Конкретный перечень языков и подробные результаты оценки в карточке не указаны. Модель распространяется по лицензии CC BY-NC 4.0, поэтому её использование ограничено некоммерческими целями.

Dingdust/LFM2.5-VL-3B-heretic — мультимодальная модель на основе LFM2.5-VL-3B от Liquid AI, ориентированная на локальный запуск и высокую скорость обработки изображений и текста. Это плотная модель класса LFM2-VL с языковой основой LFM2.5-2.6B и визуальным энкодером SigLIP2 NaFlex; веса представлены в формате Safetensors. В карточке указаны контекст 32 768 токенов и поддержка 17 языков: арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского, вьетнамского и других перечисленных языков. Модель предназначена для диалога по изображениям, распознавания текста на страницах с сохранением структуры, поиска объектов по текстовому запросу и локального перевода надписей, например меню и дорожных знаков. В README вариант heretic описан как abliteration-модификация исходной модели: в приведённом сравнении число отказов уменьшено со 100 из 100 до 5 из 100, при KL-дивергенции 0,0168. Модель рассчитана на быстрые одношаговые задачи и локальный инференс; автор README не рекомендует её для задач с интенсивными рассуждениями или сложного анализа чертежей. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели.

mimo-7b-gdn-hybrid-600M-OPD — экспериментальная гибридная языковая модель семейства MiMo, разработанная в рамках исследования по преобразованию моделей с полным вниманием в гибриды с Gated DeltaNet. Это снимок этапа OPD после обучения на 600 млн сгенерированных токенов; в README указана базовая модель MiMo-7B-RL-0530 от Xiaomi, а метаданные классифицируют модель как её дообучение. Архитектура — MiMo GDN для причинной генерации текста, с чередованием механизмов внимания по схеме uniform 1:4; размер — 7 млрд параметров, контекст — 65 536 токенов. Модель предназначена для диалоговой генерации и задач рассуждения, включая математику, а также для работы с длинным контекстом. В README приведены результаты на RULER-lite, AIME'24, AIME'25, MATH-500 и GSM8K; авторы отмечают улучшения на AIME, MATH и RULER относительно контрольного этапа, а снижение результата GSM8K связывают с возможным ограничением длины генерации и ожидают подтверждающий прогон. Для загрузки требуется поддержка пользовательской архитектуры mimo_gdn; стандартный AutoModelForCausalLM без её регистрации не подходит. Лицензия — MIT.

Ortix Seg LV Small — модель сегментации латышского текста на предложения, разработанная Baltrix в рамках выпуска Ortix. Она выявляет границы предложений в письменном латышском и предназначена для очистки документов, обработки корпусов и предварительной подготовки текста для поиска и других NLP-конвейеров. Это компактная модель token classification на базе DeBERTa-v2 с 53,5 млн параметров и контекстом 1024 токена. Вариант Small использует три слоя и рассчитан на меньшие затраты при выполнении; пакет ortix-seg применяет конфигурацию сегментации и правила постобработки для латышского языка. Модель дообучена на AiLab-IMCS-UL/lv-deberta-base и распространяется по лицензии Apache-2.0.

mlx-community/SmolVLM-Instruct-4bit — конверсия модели HuggingFaceTB/SmolVLM-Instruct в формат MLX с 4-битным представлением, выполненная сообществом mlx-community. Это компактная мультимодальная модель семейства Idefics3 для диалога по изображениям и текстовым запросам: она принимает изображение и текст, чтобы отвечать на вопросы о визуальном содержимом и помогать разбирать документы. Модель подходит для сценариев визуальных вопросов и ответов, описания изображений и извлечения сведений из документов. Карточка рекомендует запуск через mlx-vlm; исходная модель обучалась на наборах The Cauldron и Docmatix. Поддерживаемый язык, указанный в метаданных, — английский. Лицензия Apache-2.0.

Многоязычная модель Cardiff NLP для многометочной классификации тем публикаций в социальных сетях. Она основана на cardiffnlp/twitter-xlm-roberta-base — языковой модели XLM-RoBERTa, обученной на примерно 198 млн многоязычных твитов, и дообучена на наборах TweetTopic и X-Topic. Модель содержит около 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Модель определяет темы на английском, испанском, японском и греческом языках. Среди классов — искусство и культура, бизнес, повседневная жизнь, образование, новости, наука и технологии, спорт и путешествия; для одной публикации могут быть выбраны несколько тем. Лицензия — MIT. В результатах на X-Topic показатели Macro-F1 различаются по языкам: от 41,3 для греческого до 55,4 для английского; качество зависит от языка и тематики текста.

Это визуальный энкодер SigLIP 2 на архитектуре Vision Transformer (ViT) с патчами 16×16 и входным разрешением 384 пикселя, подготовленный для библиотеки timm. Он соответствует визуальной части мультимодальной модели SigLIP 2 и обучен на наборе данных WebLI. Модель предназначена для извлечения признаков и визуальных представлений изображений, которые можно использовать в поиске по изображениям, сопоставлении изображений с текстовыми представлениями и других задачах анализа изображений. Это только image encoder: карточка не описывает генерацию изображений или обработку текста самой моделью. Модель распространяется под лицензией Apache-2.0. Для запуска используется библиотека timm; веса доступны в форматах PyTorch и safetensors. Карточка не сообщает оценок качества или отдельных ограничений применения.