I.2Синтез, понимание и проверка знаний

agentlans/deberta-v3-xsmall-zyda-2 — англоязычная модель, дообученная на подмножестве набора Zyphra/Zyda-2. Она основана на архитектуре DeBERTa-v3-xsmall и обучалась с целью masked language modeling; размер модели — 77,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для заполнения пропусков в тексте, классификации текста и получения текстовых эмбеддингов. В README приведены результаты оценки: loss 2,6347 и accuracy 0,5607. Модель можно использовать как основу для дальнейшего дообучения. Поддерживается только английский язык. Модель может ошибаться на специализированной терминологии, диалектах, сленге, коде и LaTeX; также она может наследовать смещения обучающих данных, поэтому её результаты требуют проверки, особенно в чувствительных сценариях. Лицензия — MIT.

Это дообученная автором tillacs языковая модель семейства Llama на базе unsloth/Llama-3.2-1B-bnb-4bit. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжение или создание текста. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 1,2 млрд параметров; заявленная длина контекста составляет 131072 токена. В карточке указаны английский язык и лицензия Apache-2.0. Для обучения использовались Unsloth и библиотека TRL.

NorskHelsenett разработала эту модель на базе Google EmbeddingGemma 300M, дообучив её на наборе норвежских триплетов для поиска по текстам о здоровье и медицинских услугах. Sentence Transformer преобразует предложения и абзацы в плотные векторы размерностью 768; близость текстов оценивается косинусным сходством. Модель принимает последовательности длиной до 2048 токенов и подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Модель предназначена прежде всего для норвежского языка и может применяться для поиска релевантной информации в медицинских и административных текстах, например в материалах о диагнозах, услугах и возмещении расходов. README приводит результаты оценки на тестах поиска и сходства, но они не гарантируют качество для других наборов данных и языков. Распространяется на условиях Gemma Terms of Use и Gemma Prohibited Use Policy; формат весов — Safetensors.

Finance-Llama-8B — дообученная Tarun7r языковая модель семейства Llama на базе unsloth/Meta-Llama-3.1-8B. Она предназначена для финансовых задач и диалогов: отвечает на вопросы, помогает рассуждать о финансах, распознаёт сущности и тональность, классифицирует темы и обрабатывает многошаговые беседы. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста. Указанная длина контекста — до 131 072 токенов. Обучение проводилось на наборе Finance-Instruct-500k, объединяющем более 500 тысяч инструкций и примеров из финансовых источников. В карточке заявлена многоязычная обработка, однако конкретный основной язык модели не установлен; метаданные карточки указывают английский. Модель может быть полезна для прототипирования финансовых помощников, анализа финансового текста и подготовки к CFA Level 1. Результаты экзамена в карточке описаны как приблизительные и не подтверждают точность в реальных финансовых сценариях. Модель выпущена по лицензии Apache-2.0; её создатели не гарантируют точность и надёжность ответов и отказываются от ответственности за финансовые последствия использования.

Foundation-Sec-8B-GGUF — англоязычная модель для генерации текста, основанная на Meta Llama 3.1 8B и представленная в формате GGUF. В карточке указано назначение для задач, связанных с безопасностью, однако подробная специализация и данные о разработчике явно не приведены. Модель создана с использованием llama.cpp, commit 19e899c, и распространяется по лицензии Apache-2.0. Ключевая особенность — ультранизкобитная квантизация с методом IQ-DynamicGate, адаптирующим точность по слоям для форматов 1–2 бита. Метод сохраняет более высокую точность при снижении требований к памяти: критические embedding- и output-слои используют Q5_K, а для других частей применяются IQ4_XS, IQ2_XXS и IQ3_S. Приведённые тесты для Llama-3-8B-Instruct с контекстом 2048 токенов показывают заметное снижение perplexity по сравнению со стандартной квантизацией, особенно для IQ1_M и IQ2_S, при увеличении размера файла примерно на 0,1–0,3 ГБ и сопоставимой скорости CPU-инференса. Модель предназначена для запуска в условиях ограниченной GPU-памяти, на CPU и edge-устройствах, а также для исследований ультранизкобитной квантизации. Основные ограничения — возможное снижение качества из-за 1–2-битной точности и зависимость производительности от аппаратной поддержки выбранного формата. README не указывает размер контекстного окна именно для этой модели, поэтому приведённые 2048 токенов относятся к описанному бенчмарку.

Gemmasutra-9B-v1.1 — чат-модель на архитектуре Gemma 2, представленная BeaverAI. Это дообученная версия Gemma с использованием современных методов; карточка указывает шаблон диалога Gemma с ролями user и assistant. Модель содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов, подходит для генерации ответов в чат-интерфейсах. Модель распространяется в формате Safetensors. В README не описаны конкретные сценарии дообучения, языки или результаты оценки качества. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах разработчика.

Grok 4.20 — модель для рассуждений, представленная SpaceXAI. В карточке заявлены высокая скорость, вызов инструментов в агентных сценариях, низкий уровень галлюцинаций и точное следование инструкциям. Этих сведений недостаточно, чтобы установить поддерживаемые задачи по входным данным, архитектуру, размер, модальности, языки или длину контекста. Метаданные каталога относят модель к задаче image-text-to-text, однако README не объясняет её работу с изображениями. Дата публикации на Hugging Face — 31 марта 2026 года; сведения о лицензии отсутствуют.

Hager290/hager-persona — дообученная Hager290 языковая модель семейства Qwen2 для генерации текста в диалоговом формате. Она основана на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit и использует архитектуру Qwen2ForCausalLM с плотной сетью; размер модели — 3,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалогов и генерации ответов на текстовые запросы. В карточке указано, что при обучении использовались Unsloth и библиотека TRL; заявленная цель ускорения обучения не является характеристикой скорости вывода. Поддержка интерфейса вызова инструментов указана в метаданных, однако подробности его применения не описаны. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Репозиторий использует формат Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализацию persona, обучающие данные, качество ответов или результаты оценки.

InfectaVec-v2 — разработанная Yesimm модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации; обучение включало перефразированные и найденные по параллельным текстам запросы между английским и корейским языками. Модель построена на XLM-RoBERTa с pooling по CLS-токену и нормализацией векторов. Она выдаёт эмбеддинги размерности 1024, сравниваемые косинусным сходством, и поддерживает последовательности до 8194 токенов согласно метаданным. README описывает обучение на данных об инфекционных заболеваниях и приводит результаты на тестовом наборе по инфекционным заболеваниям и медицинских бенчмарках. Модель распространяется по лицензии Apache-2.0. Её применение особенно обосновано для английских и корейских медицинских текстов; приведённые оценки относятся к конкретным тестам и не гарантируют качество на других корпусах.

Inkling-Small-mlx-3bit — 3-битная MLX-квантизация модели Inkling-Small, подготовленная сообществом mlx-community для компьютеров Apple Silicon. Это мультимодальная разреженная модель с архитектурой MoE: 264 млрд параметров всего, около 12 млрд активируются на токен, 42 слоя, маршрутизация к 6 из 256 экспертов и 2 общим экспертам. Она принимает изображения, аудио и текст, а генерирует текст; заявлены диалоги, работа с изображениями и аудио, программирование и агентные сценарии. В этой сборке эксперты квантизированы до 3 бит, а остальные перечисленные в README компоненты сохранены в 8-битном представлении. Размер файлов — около 120,9 ГБ; сборка рассчитана на запуск с размещением модели в памяти Mac с 128 ГБ, без выгрузки экспертов. Скорость на целевом оборудовании пока не измерена. Используются MLX и формат safetensors. Лицензия — Apache-2.0. Модель подходит для мультимодального диалога и анализа изображений или аудио с текстовым ответом. Практическое применение ограничено требованиями к памяти и платформе: MLX-сборка рассчитана на Apple Silicon, а на компьютере, близком к пределу памяти, генерация может завершаться из-за ограничений macOS. Экосистема MLX моложе llama.cpp; квантизация не использует калибровку типа i-quant.

mlx-community/InternVL3-38B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная сообществом mlx-community из models/InternVL3-38B в формат MLX с 4-битным представлением. Она предназначена для диалога по изображениям и задач визуального понимания, а также поддерживает генерацию текста. В метаданных указаны архитектура InternVLChatModel, плотная модель и мультиязычная поддержка. README сообщает о конвертации с помощью mlx-vlm версии 0.1.25; метаданные указывают библиотеку Transformers и лицензию Apache-2.0. Длина контекста и точное число параметров этой сборки в предоставленных данных не подтверждены.

InternVL3.5-4B-HF — мультимодальная модель семейства InternVL от OpenGVLab, представленная в формате Hugging Face Transformers. Это дообученная версия OpenGVLab/InternVL3_5-4B-MPO; архитектура — плотная модель InternVLForConditionalGeneration с поддержкой изображений и диалогового взаимодействия. Модель принимает изображения и текстовые запросы, а отвечает текстом на нескольких языках. Модель предназначена для диалогов по изображениям, визуального рассуждения и ответов на вопросы о содержимом изображений. В карточке семейства также заявлены распознавание текста на изображениях, анализ диаграмм и визуальных сцен, а для семейства в целом — взаимодействие с GUI и агентные сценарии. Эти сведения не подтверждают отдельные гарантии качества для версии на 4B параметров. В описании InternVL3.5 заявлены улучшения рассуждений с помощью двухэтапного Cascade RL и ускорение инференса семейства благодаря Visual Resolution Router и раздельному развертыванию визуальной и языковой частей. Чекпойнт распространяется в safetensors и работает через Transformers. Лицензия — Apache-2.0. Для обработки изображений требуются вычислительные ресурсы; детализация и качество ответов могут зависеть от разрешения изображения и сложности задачи.

InternVL-Chat-V1-2-Plus — мультимодальная большая языковая модель, разработанная OpenGVLab для диалогов с изображениями и генерации текста. Она объединяет визуальный энкодер InternViT-6B-448px-V1-2, MLP-проектор и языковую модель Nous-Hermes-2-Yi-34B; общее число параметров — 40 млрд. Модель рассчитана на работу с изображениями размером 448 × 448, которые кодируются в 256 визуальных токенов, а также поддерживает текстовые диалоги. Версия Plus использует тот же тип архитектуры, что и InternVL-Chat-V1-2, но дообучена на 12 млн примеров SFT. Её можно применять для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях и мультимодального чата. Репозиторий содержит веса Safetensors, модель запускается через Transformers с поддержкой пользовательского кода. Лицензия — MIT. Модель поддерживает интерфейс многораундового общения с несколькими изображениями и видео, однако авторы отмечают низкое качество этих сценариев из-за недостатка соответствующих обучающих данных. Также авторы предупреждают, что 4-битная квантизация BNB может заметно ухудшить понимание изображений и приводить к бессмысленным ответам.

kev-merged-0.8b — слитая мультимодальная модель на основе jaredpalmer/kev-0.8b и Qwen/Qwen3.5-0.8B-Base. Разработчик объединил адаптер kev-0.8b с базовой моделью, чтобы её можно было использовать без отдельного адаптера; скрипт слияния приложен в репозитории. Архитектура — плотная Qwen3.5ForConditionalGeneration; метаданные указывают интерфейс чата, вызов инструментов и работу с изображениями. Модель предназначена для диалоговых сценариев с текстом и изображениями. В карточке Hugging Face указана задача image-text-to-text и английский язык. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. Размер модели, длина контекста и конкретные ограничения качества в доступных данных не приведены.

mlx-community/Kimi-K2.7-Code-4bit — модель генерации текста в формате MLX, опубликованная сообществом mlx-community. README указывает, что модель предназначена для запуска с библиотекой mlx-lm и поддерживает стандартный сценарий диалоговой генерации с использованием шаблона чата, если он задан в токенизаторе. Из доступных данных известно, что модель представлена в 4-битном варианте квантования, что может снизить требования к памяти при локальном запуске в экосистеме MLX. Точные сведения об архитектуре, числе параметров, размере контекста, поддерживаемых языках и модальностях в README не указаны. По названию можно предположить ориентацию на задачи, связанные с кодом, однако это не подтверждено приведённым описанием. Лицензия и условия использования в README не указаны. Поэтому нельзя надёжно оценить специализированные возможности, ограничения качества или допустимые сценарии коммерческого применения.

Kyllene-57B-v1.0 — разговорная языковая модель, созданная TeeZee с помощью слияния SLERP моделей TeeZee/2xbagel-dpo-34b-v0.2 и TeeZee/2xNous-Capybara-34B. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 56,2 млрд параметров; заявленная длина контекста — 200 000 токенов. Модель предназначена для генерации текста в диалогах, следования инструкциям и ролевых сценариев; автор отмечает, что она создаёт как обычный, так и откровенный контент и переключается между ними. В карточке приведены результаты оценок на AI2 Reasoning Challenge и HellaSwag, но автор указывает, что для ролевого применения нужны дополнительные проверки. Модель распространяется в формате safetensors; лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

laguna-s-2.1-Q4_K_M-layers — пакет слоёв модели Laguna-S-2.1 в формате GGUF, подготовленный Mesh LLM на основе poolside/Laguna-S-2.1-GGUF. Он предназначен для распределённого инференса через Mesh LLM: слои можно разместить на нескольких машинах, чтобы запускать модель локально и обслуживать чат-запросы через совместимый с OpenAI API. Вариант Q4_K_M использует квантованные веса; README приводит результаты проверки на двух узлах для конкретного сценария генерации с повторяющимся текстом, но не подтверждает качество на других запросах, размерах контекста или конфигурациях. Карточка указывает лицензию openmdw-1.1. Пакет удобен для локального и распределённого обслуживания чата, однако сведения об архитектуре, поддерживаемых языках, размере модели и ограничениях исходной модели следует уточнять в карточке poolside/Laguna-S-2.1-GGUF. Описанные замеры не сертифицируют вызов инструментов, заполнение контекста до 256 тысяч токенов или другие варианты квантования.

justArmenian/legal_paraphrase — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-MiniLM-L3-v2 для преобразования предложений и абзацев в плотные векторы размерности 384. Архитектура основана на BERT: модель использует среднее объединение токенных представлений; сходство векторов рекомендуется оценивать косинусной мерой. В метаданных указаны 18,8 млн параметров и контекст до 512 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов. Модель адаптирована к юридическим текстам и предназначена для семантического сравнения, поиска похожих формулировок и парафразов, кластеризации и извлечения признаков для классификации. В примерах обучающих данных сопоставляются перефразированные фрагменты судебно-правового текста и семантически отличающиеся фрагменты. README не подтверждает поддержку других языков; примеры приведены на английском. Модель выдаёт векторы, а не готовые ответы или юридические заключения. Воспроизводимые результаты оценки и качество на конкретных юридических корпусах не описаны. Лицензия в предоставленных сведениях не указана.

Это компактная инструкционная языковая модель на архитектуре LFM2, созданная Experimental Machines на основе LiquidAI/LFM2.5-1.2B-Instruct. Авторы удалили направление отказов в residual stream с помощью heretic и объединили полученные веса; модель загружается как обычная Lfm2ForCausalLM. В репозитории находятся веса safetensors для Transformers, а не готовая скомпилированная модель ExecuTorch. Модель предназначена для диалоговой генерации текста и сценариев, где требуется отвечать на запросы с меньшим числом отказов. Сохраняются шаблон чата и токены вызова инструментов базовой модели. Размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Удаление отказов намеренное: базовое обучение безопасности снято, поэтому модель может отвечать на запросы, от которых базовая модель отказалась бы. Указанный в README экспорт ExecuTorch отозван, а готового экспорта в репозитории нет; для запуска нужны Transformers либо самостоятельная квантизация и экспорт. Результаты тестов старого экспорта не характеризуют непосредственно размещённые веса.

VVen/llama32-1b-lora-sft-lab10-model — языковая модель для генерации текста, опубликованная пользователем VVen на Hugging Face. По метаданным она предназначена для задачи text-generation, работает с библиотекой Transformers и связана с семейством Llama; название также указывает на применение LoRA и supervised fine-tuning, однако подробности дообучения в карточке не раскрыты. Модель содержит около 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Её можно использовать для генерации продолжений текста, диалоговых ответов и встраивания в приложения на базе Transformers. Сведения о разработчике, лицензии, языках, обучающих данных, методике оценки и целевых сценариях в README отсутствуют.

AIR-hl/Llama-3.2-1B-ultrachat200k — чат-модель семейства Llama, созданная дообучением Meta Llama 3.2 1B методом supervised fine-tuning. Разработчик дообучил её на наборе HuggingFaceH4/ultrachat_200k с использованием TRL; модель содержит 1,2 млрд параметров и распространяется в формате safetensors. Модель предназначена для генерации текста в диалогах: она принимает текстовые запросы и формирует ответы. Метаданные указывают контекст длиной до 131072 токенов и многоязычную основу. Указана лицензия llama3.2. В карточке приведены значения потерь на обучении, но нет оценок качества на тестовых наборах; небольшой размер модели может ограничивать качество сложных рассуждений и точность ответов.

CK0607/llama3.2-3B-CodeP — дообученная CK0607 модель генерации текста на архитектуре LlamaForCausalLM, основанная на unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для диалоговой генерации текста. Название репозитория указывает на ориентацию на программный код, однако README не описывает конкретные возможности в программировании или результаты обучения. Доступна по лицензии Apache-2.0.

Модель lovelyan/llama-3.2-Korean-Bllossom-3B-itsos — дообученная автором lovelyan разговорная модель семейства Llama 3.2 с 3,2 млрд параметров. Она основана на Bllossom/llama-3.2-Korean-Bllossom-3B и предназначена для генерации текста и диалогов. Для обучения использовались Unsloth и Hugging Face TRL. Модель принимает текст и выдаёт текст; метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Базовая модель рассчитана на корейский и английский языки. Распространяется по лицензии Apache-2.0. Карточка не описывает отдельную специализацию или результаты оценки качества этой версии.

ESarp/Llama-3-8B-AttackTree-DPO — дообученная ESarp модель семейства Llama для генерации текста и диалогов. Она основана на unsloth/llama-3-8b-instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Карточка указывает английский язык; лицензия — Apache-2.0. Модель подходит для диалоговой генерации текста. Карточка не описывает специальные возможности, связанные с названием AttackTree-DPO, поэтому их назначение и качество нельзя установить по доступным сведениям.

RLHFlow/Llama3-SFT-v2.0-epoch3 — контрольная точка supervised fine-tuning, подготовленная авторами проекта RLHFlow/Online-RLHF для исследования рабочего процесса RLHF. Модель основана на Meta Llama 3 8B и дообучена на датасете RLHFlow-SFT-Dataset-ver2 в течение трёх эпох; архитектура — плотная LlamaForCausalLM, размер — около 7,5 млрд параметров, формат весов — safetensors. Контекст составляет 8192 токена. Модель предназначена для генерации текста в диалоговом формате и служит SFT-этапом в конвейере RLHF. В README указаны глобальный размер пакета 128 и скорость обучения 2e-5. Карточка не сообщает поддерживаемые естественные языки или предметные области. Лицензия в предоставленных данных не указана.

Luna AI Llama2 Uncensored — диалоговая языковая модель на архитектуре Llama 2, дообученная Tap для Luna AI на более чем 40 тысячах длинных синтетических переписок между человеком и ИИ. Модель предназначена для генерации ответов в многоходовом чате и следует формату запросов Vicuna 1.1/OpenChat. Она содержит 6,6 млрд параметров, принимает текст и имеет контекст длиной 2048 токенов. Модель подходит для диалоговых ассистентов, свободного общения и генерации развёрнутых ответов. В README приведён результат 0,5512 по нормированной точности на ARC Challenge. Для использования указана лицензия CC BY-SA 4.0. Упомянуты сторонние варианты GPTQ для GPU и GGML для CPU; репозиторий модели содержит веса PyTorch.

M2-BERT — плотная BERT-подобная модель с архитектурой Monarch Mixer, разработанная Jon Saad-Falcon, Dan Fu и Simran Arora. Это предобученный чекпойнт примерно на 136,7 млн параметров с контекстом до 2048 токенов; он распространяется в формате PyTorch и подходит для задач заполнения пропусков в тексте и последующего дообучения для конкретных применений. Модель рассчитана на работу с последовательностями большой длины и может служить основой для классификации текста и других задач обработки текста после тонкой настройки. Авторы рекомендуют дообучить её перед применением. В README приведён пример загрузки через Transformers с AutoModelForMaskedLM и параметром trust_remote_code=True. Лицензия — Apache-2.0.

Это объединённая языковая модель на архитектуре Llama 3.1, созданная сообществом mergekit-community с помощью метода della_linear. В качестве базовой использована Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2; в объединение также вошли модели для ролевого общения, диалога и генерации ответов, включая версии ArliAI, Undi95, Solshine и TokyoTech. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, в том числе ролевых сценариев и ответов в стиле собеседника. Метаданные указывают поддержку чата и интерфейса вызова инструментов; основная задача — text-generation. В репозитории размещены веса в формате safetensors. Языковая поддержка в предоставленных сведениях не уточнена. Лицензия не указана в доступных данных.

Mistral-Nemo-MCAI-SFT-revision-only — дообученная модель pbevan11 на базе mistralai/Mistral-Nemo-Base-2407. Она предназначена для генерации текста в диалоговом формате и обучена на многоязычных наборах предпочтений и обратной связи, включая данные с ревизией ответов по конституционным принципам. Модель имеет плотную архитектуру MistralForCausalLM, 12,1 млрд параметров и контекст до 1 024 000 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Модель подходит для генерации ответов в диалогах и экспериментов с многоязычным следованием предпочтениям. В README приведено значение loss 1,1494 на наборе оценки, но не описаны методика оценки, языки, в которых качество проверялось, и ограничения модели.

maayans/modernbert-embed-large__ratio-broaden — модель текстовых эмбеддингов, созданная дообучением lightonai/modernbert-embed-large для операции BROADEN в наборе RATIO (Retrieval Across Typed Ideation Operations). Она предназначена для поиска научной формулировки, которая выражает запрос шире или на более общем уровне. Модель кодирует запросы и предложения-кандидаты, позволяя сравнивать их по смысловой близости; для корректной работы используются префиксы `search_query: ` и `search_document: ` соответственно. Модель основана на ModernBERT-large, содержит около 394,7 млн параметров, принимает текст с контекстом до 8192 токенов и формирует плотные эмбеддинги. Обучение выполнялось контрастивным методом на обучающей части RATIO для отношения broaden; карточка указывает английский язык. Модель распространяется по лицензии Apache 2.0. Она специализируется на поиске обобщённых формулировок научных запросов, поэтому её не следует считать универсальным эмбеддером для любых отношений или областей; доступные сведения не содержат результатов оценки качества.