I.2Синтез, понимание и проверка знаний

allenai/aspire-sentence-embedder — модель Allen Institute for AI для оценки сходства предложений и поиска научных документов. Она основана на SciBERT и кодирует предложение одним вектором, извлечённым из токена CLS. Модель содержит 137,1 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Модель обучена на 4,3 млн пар контекстных предложений, ссылающихся на одни и те же научные работы, с контрастивным обучением. Она предназначена прежде всего для поиска семантически близких предложений и информационного поиска по научным аннотациям; для ранжирования документов можно сравнивать предложения запросов и кандидатов. Около половины обучающих данных относятся к биомедицине, поэтому модель может лучше работать в этой области. Обучающие данные — на английском языке. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Дообучение может потребоваться для классификации или переноса на задачи и области за пределами научного текста.

Average_Normie_l3_v0_8B — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом Model Stock. В объединение вошли cgato/L3-TheSpice-8b-v0.1.3 и Sao10K/L3-Solana-8B-v1, а базой послужила ResplendentAI/Kei_Llama3_8B. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и чат-общение с контекстом до 8192 токенов. Модель может использоваться для диалогов и создания повествовательных ответов; базовая модель ориентирована также на ролевые истории в SillyTavern и Ooba. Репозиторий содержит веса Safetensors, а в конфигурации слияния указан тип float16. Лицензия и конкретные условия использования в предоставленных данных не описаны.

efworktrial/axiom-content-finetuned — дообученная разговорная языковая модель, разработанная efworktrial на базе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit. Это плотная модель семейства Llama для генерации текста и диалогов; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Поддерживается интерфейс вызова инструментов. Модель предназначена для генерации ответов и ведения диалога на английском языке. Она обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Доступна по лицензии Apache-2.0. README не раскрывает состав обучающих данных, конкретные улучшения после дообучения или результаты оценки качества.

Beetle-FineWeb3-24B/beetle-monolingual-fineweb3-rus — модель генерации текста из семейства Beetle-FineWeb3, предназначенная для русскоязычной генерации текста. Идентификатор модели указывает на моноязычную ориентацию на русский язык, а метаданные относят модель к задаче text-generation и библиотеке Transformers.

cahya/bert-base-indonesian-1.5G — BERT-base-модель, предварительно обученная на индонезийской Википедии и индонезийских газетах с помощью задачи masked language modeling. Модель без учета регистра, использует токенизацию WordPiece со словарем размером 32 000 токенов; содержит 137,8 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для заполнения пропусков в индонезийском тексте и получения контекстных представлений для последующих задач, например классификации текста. Поддерживает формат ввода пар предложений с маркерами [CLS] и [SEP]. Для использования доступны версии в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT.

BGE base Financial Matryoshka — англоязычная модель эмбеддингов на базе Sentence Transformers, дообученная revtestuser на финансовых текстовых парах от BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска ответов и сведений в финансовых и регуляторных документах, поиска похожих фрагментов, кластеризации и отбора текстов для последующей классификации. В README приведены результаты информационного поиска на нескольких размерностях векторов, но они относятся к указанным там наборам оценки. Модель принимает текст и выдаёт векторы; лицензия — Apache-2.0.

Elron/bleurt-large-512 — версия BLEURT в формате PyTorch, созданная на основе оригинальных моделей BLEURT из работы Google Research «BLEURT: Learning Robust Metrics for Text Generation». Это модель семейства BERT с архитектурой BertForSequenceClassification и примерно 433,9 млн параметров; она принимает текстовые входы и выдаёт оценку для задачи классификации текста. Максимальная длина контекста — 512 токенов. Модель предназначена для оценки качества текстовой генерации, в частности для автоматического сопоставления сгенерированного текста с эталоном. Её можно подключить через Transformers как AutoModelForSequenceClassification вместе с токенизатором. В README не указаны лицензия и поддерживаемые языки, поэтому условия использования по этим параметрам уточнить нельзя. Карточка описывает PyTorch-представление BLEURT; отдельные сведения о дообучении этой версии не приведены.

MaziyarPanahi/calme-3.2-baguette-3b — чат-модель, разработанная MaziyarPanahi на основе Qwen/Qwen2.5-3B и дообученная для общих задач на французском и английском языках. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, контекстом до 32 768 токенов и поддержкой шаблона ChatML. Модель предназначена для диалогов и генерации текста в общих сценариях на французском и английском языках. В карточке приведены результаты Open LLM Leaderboard: среднее значение 22,14, IFEval — 63,38 и BBH — 25,87; этих оценок недостаточно для вывода о качестве во всех задачах. Автор предупреждает, что небольшой размер модели может снижать качество на некоторых запросах и повышать чувствительность к гиперпараметрам. Рекомендуются меры контроля и проверка человеком при использовании. Лицензия указана как other, без конкретных условий в предоставленных данных.

yagosys/cloudinit-embedding-v4 — модель Sentence Transformer, дообученная разработчиком на базе sentence-transformers/all-MiniLM-L6-v2 для создания плотных векторных представлений предложений и абзацев. Энкодер на архитектуре BERT содержит около 25,9 млн параметров; README описывает усреднение токенных представлений с последующей нормализацией, размер вектора 384 и косинусную меру сходства. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В README указано обучение на 37 парах примеров с оценками сходства и функцией CosineSimilarityLoss, поэтому качество может быть ограниченным для задач, выходящих за рамки этих данных и близких формулировок. Базовая модель ориентирована на английский язык; лицензия в предоставленных источниках не указана.

Comma v0.1-2T-GGUF — общеязыковая базовая модель, конвертированная сообществом из common-pile/comma-v0.1-2t в формат GGUF для llama.cpp и Ollama. Модель построена на архитектуре Llama 3 и содержит 7 млрд параметров; исходную версию обучали на 2 трлн токенов датасета Common Pile v0.1, состоящего из открыто лицензированных текстов и материалов общественного достояния. Модель предназначена для продолжения и генерации текста, в том числе для задач, связанных со знаниями и кодом, а также как основа для дальнейшего дообучения. Это базовая модель без настройки на выполнение инструкций: она не рассчитана на чатовый формат без дополнительного дообучения. Репозиторий содержит файл GGUF в формате F16 без квантизации, размером около 14 ГБ. Для поддержки уникального формата токенизатора Comma при конвертации потребовалась модификация llama.cpp. Лицензия — Apache 2.0.

Cozum-4B — языковая модель с 4 млрд параметров, разработанная Yigit-Karaman на архитектуре Qwen и дообученная методом supervised fine-tuning. Модель предназначена для общения и следования инструкциям с учётом турецкого языка и культурного контекста, а также для решения математических задач.

DeepSeek-V4-Flash-0731 Abliterated (Native FP8) — экспериментальная производная модель, опубликованная apetersson на основе DeepSeek-V4-Flash-0731 от DeepSeek. Это не дообученная и не самостоятельно квантизированная модель: в исходный посттренированный чекпойнт внесена targeted model-surgery правка, направленная на ослабление отказов. Модель предназначена для генерации текста и агентских сценариев, где требуется более свободное следование инструкциям, однако она не заявляется как универсально «без цензуры». Архитектура и формат сообщений унаследованы от исходной модели; в карточке также указана MoE-архитектура и заявлен контекст до одного миллиона токенов. Изменения выполнены методом rank-1 projection редактирования направлений отказа в attention residual writers: обработаны слои 10–42 основной модели и соответствующие проекции трёх DSpark-стадий, всего 36 тензоров. Чекпойнт сохраняет исходное смешанное представление FP8/BF16/F32 с тремя итерациями FP8-реквантизации. Рекомендуемые параметры сэмплирования: temperature 1.0 и top_p 0.95 для агентских сценариев, top_p 1.0 в остальных случаях. Структурная проверка пройдена для 48 шардов и 72 317 индексированных тензоров, а предварительные тесты показали ожидаемое изменение поведения отказов. При этом полный поведенческий тест проводился не на данном FP8-чекпойнте, а на его квантизированной MLX-производной, поэтому результаты нельзя напрямую считать показателями этой версии. Ограничения включают экспериментальный характер переноса метода на новый чекпойнт, возможное влияние abliteration на способности и стиль ответов, а также отсутствие подтверждённых общих capability-бенчмарков и официальной оценки StrongREJECT. Языки модели в карточке не указаны. Модель распространяется по лицензии MIT.

inferencerlabs/DeepSeek-V4-Flash-MLX-Q2.8-INF — квантизированная версия модели DeepSeek-V4-Flash, разработанная inferencerlabs на базе исходной модели DeepSeek. Сборка предназначена для генерации текста и запуска локального вывода на системах Apple с использованием библиотеки MLX и модифицированного варианта MLX. Модель сжата методом Q2.8-INF — data-agnostic подходом, настроенным на общую точность при ограничении памяти до 128 ГиБ. В README указано, что на M3 Ultra с 512 ГиБ памяти и приложением Inferencer скорость текстового вывода составляла около 30 токенов в секунду при последовательности длиной примерно 2000 токенов; потребление памяти достигало около 95,49 ГиБ. Ключевое преимущество сборки — возможность запуска в пределах 128 ГиБ RAM при сохранении связности ответов. Из-за сильного уровня сжатия общая точность модели снижена. README не содержит достоверных сведений об архитектуре, количестве параметров, поддерживаемых языках, максимальном контексте и мультимодальных возможностях. Лицензия также не указана, поэтому условия распространения и коммерческого использования необходимо уточнять отдельно для данной сборки и базовой модели.

badokorach выпустил дообученную модель DistilBERT для поиска ответа на вопрос в предоставленном тексте. Она основана на distilbert/distilbert-base-cased-distilled-squad и предназначена для сценариев вопросно-ответного поиска, например извлечения ответа из фрагмента документа. Модель использует плотную архитектуру DistilBERT, принимает текст и рассчитана на контекст до 512 токенов. В карточке указаны результаты обучения на неизвестном наборе данных: train loss 0,8057, validation loss 0,0 за 14 эпох. Данные о качестве на конкретных задачах и целевых языках не приведены. Модель распространяется в формате TensorFlow по лицензии Apache-2.0.

cmarkea представила DistilCamemBERT-QA — франкоязычную модель CamemBERT, дообученную для поиска ответа на вопрос в предоставленном тексте. Она обучена на наборах FQuAD v1.0 и Piaf и принимает вопрос вместе с контекстом, после чего выделяет в нём фрагмент с ответом. Модель содержит 81,2 млн параметров; для инференса доступны форматы PyTorch, TensorFlow и ONNX. Родительская модель — cmarkea/distilcamembert-base, а заявленная длина контекста — 514 токенов. Модель предназначена для франкоязычных систем вопросов и ответов, включая извлечение сведений из документов. Авторы сообщают примерно о двукратном сокращении времени инференса по сравнению с CamemBERT-вариантом на использованной ими конфигурации, но их оценка также показывает более низкие результаты exact match и F1. Лицензия CC BY-NC-SA 3.0 требует атрибуции и ограничивает коммерческое использование; производные материалы должны распространяться на тех же условиях.

eibrahim/do-xrepo-model-3 — дообученная языковая модель семейства Qwen3 для генерации текста и диалогового общения. В README она описана как версия для корпоративных задач; архитектура в метаданных — плотная причинная модель Qwen3ForCausalLM с 6,6 млрд параметров, контекстом до 32 768 токенов и форматом safetensors. Указаны английский и китайский языки, интерфейс чата и лицензия Apache-2.0. Модель подходит для генерации ответов и диалогов в корпоративных сценариях. README приводит пример загрузки через Transformers, однако идентификатор в примере отличается от репозитория этой модели. Карточка не уточняет состав корпоративных задач, данные дообучения и сравнительные показатели качества.

hyt1912/electra-small-discriminator-finetuned-squad — компактная модель семейства ELECTRA, дообученная для извлечения ответов на вопросы из текста. Она принимает вопрос и контекст и предназначена для сценариев, где ответ можно найти непосредственно в предоставленном фрагменте текста. Модель содержит 20,4 млн параметров, поддерживает контекст длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. В README указана оценка Loss 1,0458 на наборе оценки, но подробности о данных и методике оценки не приведены. Модель распространяется по лицензии Apache-2.0. Языки и специализированные области применения в доступных сведениях не определены.

EOPSA-Qwen3-4B — дообученная версия языковой модели Qwen3-4B, представленная как контрольная точка выравнивания безопасности по методу Efficient On-Policy Self-Distilled Safety Alignment. Модель разработана автором репозитория neuqrui; в основе — плотная архитектура Qwen3ForCausalLM примерно на 3,7 млрд параметров, веса сохранены в формате safetensors. Она предназначена для диалоговой генерации текста с акцентом на безопасное поведение; заявленный контекст составляет до 40 960 токенов. Модель можно применять в чат-ботах и системах, которым требуется генерировать ответы с учётом выравнивания безопасности. Карточка не приводит подробностей обучения, языкового покрытия или результатов оценки безопасности. Базовая модель Qwen3-4B поддерживает многоязычные задачи, но конкретный набор языков этой контрольной точки не уточнён. Лицензия — Apache-2.0.

FinMatcha-3B-Instruct — диалоговая языковая модель, разработанная на основе Llama 3.2 3B Instruct и дообученная для работы преимущественно с индонезийским языком. Модель содержит около 3,2 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 131 072 токенов. Для дообучения применён набор NekoFi/alpaca-gpt4-indonesia-cleaned; доступны веса в формате safetensors. Модель предназначена для генерации текста, диалогов и выполнения инструкций на индонезийском и английском языках, включая формальную и разговорную речь и двуязычные сценарии. Указанная лицензия — Apache-2.0. По опубликованным результатам Open LLM Leaderboard, средняя оценка составляет 23,81, а IFEval (0-shot) — 75,48. Основной язык модели — индонезийский; качество на задачах, не связанных с индонезийским, может быть ниже. Возможны культурные и контекстные смещения, характерные для языковых моделей.

Карточка модели hetzerdj/FnFLlama-3.1-8B3 на Hugging Face совпадает с карточкой hetzerdj/FnFLlama-3.1-8B1, поэтому описание составлено по ней. hetzerdj/FnFLlama-3.1-8B1 — языковая модель семейства Llama, разработанная hetzerdj и дообученная на базе unsloth/Meta-Llama-3.1-8B-bnb-4bit. Это плотная авторегрессионная модель с 7,5 млрд параметров для генерации текста и диалогового взаимодействия. Заявленная длина контекста — 131 072 токена; модель распространяется в формате safetensors. Модель подходит для генерации ответов в чате и других сценариев, где требуется продолжать или создавать текст на английском языке. В README указано, что при обучении использовались Unsloth и библиотека TRL. Лицензия — Apache-2.0. Специализация дообучения и оценки качества в карточке не описаны.

Gemma-IT-Expanded-Unfrozen-Layers — текстовая генеративная модель семейства Gemma, созданная на основе google/gemma-7b-it. Разработчик применил mergekit и метод passthrough: в блоки модели добавлены слои с обнулёнными параметрами o_proj и down_proj. Итоговый чекпойнт содержит 10 млрд параметров, использует плотную архитектуру GemmaForCausalLM и формат safetensors; контекст — до 8192 токенов. Модель предназначена для генерации текста и последующего дообучения. В README указано, что она сама не проходила fine-tuning; при дообучении предлагается обучать только добавленные слои, оставляя остальные замороженными. Поддержка языков отдельно не описана. Лицензия — Apache-2.0.

Sabeerali/Gemma-2B-Mal — дообученная модель генерации текста, разработанная Sabeerali на базе unsloth/gemma-2-2b-bnb-4bit. Это плотная авторегрессионная модель семейства Gemma 2 с 2,7 млрд параметров и контекстом до 8192 токенов. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; модель предназначена для генерации текста. Поддерживаемый язык по метаданным — английский. Модель распространяется по лицензии Apache-2.0.

mlx-community/gemma-3-12b-it-8bit — 8-битная версия Gemma 3 12B IT, подготовленная сообществом mlx-community для запуска в формате MLX. В README указано, что модель преобразована из google/gemma-3-12b-it с помощью mlx-vlm 0.1.18. Метаданные описывают архитектуру Gemma 3 как плотную модель для генерации текста и обработки изображений; указаны возможности диалога и vision, а основная задача — image-text-to-text. Модель подходит для диалогов и ответов на вопросы по изображениям, а также для генерации текста с визуальным контекстом. Она основана на Gemma 3 12B IT и связана в метаданных с google/gemma-3-12b-pt. Лицензия — gemma; условия использования следует сверять с лицензией Google Gemma. README не приводит дополнительных сведений о контекстном окне, поддерживаемых языках или ограничениях качества.

HPLT/gpt-7b-nordic-prerelease — предварительный чекпойнт языковой модели Viking 7B, созданной в сотрудничестве группы TurkuNLP Университета Турку, SiloGen и HPLT. Это плотный авторегрессионный трансформер семейства LLaMA с 7 млрд параметров, обучавшийся на корпусе из финского, английского, шведского, датского, норвежского и исландского языков, а также кода. Размер контекста составляет 4096 токенов. Модель предназначена для генерации текста, понимания и создания кода, а также базового перевода между поддерживаемыми языками. Она ориентирована на языки Северной Европы, в том числе на финский и скандинавские языки, и может применяться для экспериментов с генеративными моделями для языков с ограниченными ресурсами. Это незавершённый исследовательский чекпойнт: предобучение на момент выпуска не было завершено, а инструкции и чат-вариант планировались к выпуску отдельно. Качество ответов может быть нестабильным, поэтому результаты следует проверять. Весовые файлы опубликованы в формате Safetensors; лицензия — Apache 2.0.

GreenNode разработала GreenNode-Embedding-Large-VN-V1 — модель Sentence Transformer на базе XLM-RoBERTa для получения плотных векторных представлений вьетнамских предложений и абзацев. Она кодирует входной текст в векторы размерностью 1024, нормализованные для сравнения по косинусному сходству; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, в том числе таблиц и документов на вьетнамском языке. Её можно применять для поиска подходящих фрагментов в коллекциях документов, сопоставления похожих формулировок, кластеризации и классификации текста. В README приведены результаты сравнений на наборах для поиска по таблицам, юридическим текстам и вопросам по вьетнамским материалам; эти показатели относятся к указанным тестовым наборам. Модель распространяется под лицензией CC BY 4.0. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество на других языках и типах данных в предоставленных материалах не описано.

Heretical-Qwen3.5-0.8B — дообученная версия Qwen3.5-0.8B-Base от автора репозитория, созданная с помощью настроенной версии Heretic. Это компактная плотная мультимодальная модель с 0,8 млрд параметров: гибридная архитектура Gated DeltaNet и Softmax Attention объединена с визуальным энкодером. Модель принимает текст и изображения и предназначена для диалогов и задач понимания изображений; контекст составляет 262 144 токена. В README сообщается о снижении частоты отказов в тесте автора до 5 из 100 при KL-дивергенции 0,0224 относительно исходной модели. Небольшой размер подходит для прототипирования, разработки и дальнейшей настройки под конкретные задачи. Карточка также заявляет поддержку 201 языка и диалекта, но не приводит таблицу языков именно этой версии. Модель распространяется в формате Safetensors для Transformers; лицензия — Apache-2.0.

Huihui-gemma-3n-E2B-it-abliterated-i1-GGUF — GGUF-квантизированная версия модели Huihui-gemma-3n-E2B-it-abliterated, разработанной Huihui-ai и подготовленной квантизатором mradermacher. Модель основана на Gemma 3n E2B и предназначена для локального запуска в форматах GGUF. В README она обозначена как мультимодальная vision-модель с поддержкой сценариев audio-text-to-text, video-text-to-text, автоматического распознавания речи и автоматического перевода речи. Указан английский язык; точный размер контекста, архитектурные детали и полный набор поддерживаемых языков не приведены. Доступно множество вариантов квантизации объёмом примерно от 2,0 до 3,8 ГБ, включая IQ- и Q-форматы. Это позволяет выбирать компромисс между размером, скоростью и качеством, однако низкобитные варианты могут заметно уступать по качеству, а для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель имеет пометку abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной модели. Для использования требуется принять лицензию Google Gemma на Hugging Face; конкретные дополнительные условия лицензии в README не раскрыты.

IceBlendedLatteRP-7b — объединённая модель языковой модели Mistral, созданная автором репозитория с помощью mergekit методом task arithmetic. В качестве основы использована Mistroll-7B-v2.2, в объединение также включена IceCaffeLatteRP-7b. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров. Модель предназначена для генерации текста в диалоговом режиме; контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия CC-BY-NC-4.0 ограничивает использование некоммерческими целями.

InternVL3-2B-Instruct — мультимодальная модель с открытыми весами от OpenGVLab, версия supervised fine-tuning семейства InternVL3 без этапа MPO. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на базе Qwen2.5-1.5B. Модель принимает текст и изображения, включая несколько изображений в одном запросе, и предназначена для диалога и ответов на вопросы по визуальному содержимому. Сценарии применения включают понимание изображений и видео, мультимодальные рассуждения, работу с научными диаграммами, GUI и 3D-сценами, а также использование инструментов. Динамическое разбиение изображений на тайлы 448×448 и Variable Visual Position Encoding помогают обрабатывать изображения разного размера и длинные мультимодальные последовательности. Карточка заявляет многоязычную поддержку; точный список языков и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0. Это SFT-версия без MPO; README рекомендует обычную версию InternVL3-2B тем, кто не уверен, какую выбрать. Как и другие мультимодальные модели, качество ответов зависит от изображения, запроса и выбранного контекста; обработка нескольких изображений увеличивает число входных токенов.

OpenGVLab InternVL3.5-GPT-OSS-20B-A4B-Preview-HF — мультимодальная модель семейства InternVL3.5, объединяющая языковую модель OpenAI gpt-oss-20b и визуальный энкодер OpenGVLab InternViT-300M-448px-V2_5. Она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для диалога по изображениям, визуального анализа и рассуждений по мультимодальным данным; в README также описаны возможности семейства в задачах распознавания текста на изображениях, понимания видео и взаимодействия с графическим интерфейсом, но их наличие именно у этой версии не подтверждено. InternVL3.5 использует каскадное обучение с подкреплением для улучшения рассуждений и маршрутизатор разрешения визуальных токенов для более эффективной обработки изображений. Для развертывания описана схема DvD, разделяющая обработку зрения и языка между вычислительными узлами. Репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель опубликована под лицензией Apache-2.0. В карточке нет сведений о числе параметров именно этого варианта и длине контекста; обозначение GPT-OSS-20B в названии относится к базовой языковой модели, а A4B Preview указывает на предварительную версию.