I.2Синтез, понимание и проверка знаний

Карточка модели longtermrisk/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-old-bird-names-v2-inoculation-prompting-rerun-e9d315a-20260809 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-second-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Llama-3.1-DeepHermes-R1-Reasoning-8B-DarkIdol-Instruct-1.2-Uncensored-GGUF — языковая модель для генерации текста, разработанная DavidAU на основе Llama 3.1 и базовой модели DeepHermes-R1-Reasoning-8B-DarkIdol-Instruct-1.2-Uncensored. Модель объединяет возможности рассуждения DeepHermes с дообучением DarkIdol и распространяется в формате GGUF. Модель предназначена для общего использования, решения задач и головоломок, мозгового штурма, творческого письма, генерации сюжетов и сцен, ролевого взаимодействия и других текстовых сценариев. В описании заявлены uncensored-поведение, поддержка ненормативной лексики, NSFW- и хоррор-контента, а также возможность рассуждений при любых значениях temperature. Поддерживается английский язык. Заявлены архитектура семейства Llama 3.1, размер 8B параметров и контекстное окно до 128k токенов. Для работы требуется шаблон Llama 3 Instruct либо стандартный Jinja Autoloaded Template, встроенный в квантизированные файлы. Сильными сторонами являются сочетание reasoning и творческой генерации, большой контекст и отсутствие ограничений на содержательную тематику. Ограничения включают отсутствие заявленных результатов бенчмарков, сведений о точных требованиях к оборудованию и гарантии качества ответов; модель может генерировать потенциально неприемлемый или чувствительный контент. Лицензия — Apache-2.0.

sandbox-ai/Llama-3.1-Tango-8b-f16 — дообученная модель семейства Llama 3.1, разработанная sandbox-ai на основе unsloth/meta-llama-3.1-8b-bnb-4bit. Это плотный трансформер с архитектурой LlamaForCausalLM примерно на 7,5 млрд параметров, предназначенный для генерации текста. В карточке приведены результаты оценки на задачах вопросов и ответов, классификации тональности и других языковых тестах, в том числе на испанском, каталанском и баскском языках. Модель принимает текст и генерирует текст; заявленная длина контекста — до 131 072 токенов, а README указывает максимальный объём вывода 4 000 токенов. Для запуска через Transformers в карточке рекомендованы две или более видеокарты NVIDIA Ampere или новее с 80 ГБ памяти каждая. Метаданные указывают лицензию Llama 3.1, тогда как README указывает Apache-2.0, поэтому условия распространения следует проверить по исходным условиям базовой модели и файлам репозитория.

MedIT SUN HDIC 1B Instruct — диалоговая модель MedIT Solutions на архитектуре Llama 3.2. По карточке, разработчики применили собственную технику MedIT-mesh: масштабировали модель до 2,47 млрд параметров, затем уменьшили до 1 млрд и внедрили знания из Llama 3.1 8B Instruct. Метаданные указывают на слияние моделей и общую точность около 1,2 млрд параметров; доступны веса в формате Safetensors для Transformers. Модель предназначена для открытых диалогов и выполнения инструкций: она может помогать с повседневными вопросами, написанием и суммаризацией текста. Поддерживает контекст до 131 072 токенов; в карточке и языковых тегах указан английский. Для работы с данными из карточки применялись открытые наборы для инструкционного обучения, диалогов и предпочтений. Разработчики предупреждают, что модель ещё обучается и может давать непоследовательные или неточные ответы. Её не следует использовать как достоверный источник знаний, особенно там, где нужна высокая точность. Указана лицензия Llama 3.2.

Llama-3-8B-Instruct-Portuguese-v0.4 — языковая модель на архитектуре Llama, представленная пользователем adalbertojunior. Она предназначена для генерации текста и диалоговых сценариев на португальском языке. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, а её контекст составляет 8192 токена. В метаданных указан обучающий набор adalbertojunior/openHermes_portuguese. Модель опубликована в формате safetensors и помечена лицензией из метаданных?

Карточка модели Abzu/llama-7b-hf на Hugging Face совпадает с карточкой baffo32/decapoda-research-llama-7B-hf, поэтому описание составлено по ней. baffo32/decapoda-research-llama-7B-hf — конвертированная версия базовой модели LLaMA 7B, подготовленная для работы с Transformers и Hugging Face. Исходную модель разработала команда FAIR в Meta AI. Это авторегрессионная плотная языковая модель на архитектуре Transformer с примерно 6,6 млрд параметров; репозиторий содержит веса PyTorch. Модель предназначена для генерации текста и исследований языковых моделей. Её можно использовать как основу для экспериментов с ответами на вопросы, пониманием прочитанного и естественного языка. В обучающих данных преобладает английский, но в описании указаны также 20 языков, включая русский. Это базовая модель без обучения с обратной связью от человека: она может выдавать ошибочную, токсичную или предвзятую информацию и не предназначена для непосредственного применения в важных решениях без дополнительной оценки и мер снижения рисков. Лицензия специальная, некоммерческая; перед использованием следует ознакомиться с файлом LICENSE.

llm-jp-3.1-1.8b — плотная трансформерная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Версия 1.8B содержит около 1,7 млрд параметров и рассчитана на контекст до 4096 токенов. Веса представлены в формате Safetensors для Transformers. Модель предназначена для генерации текста и выполнения инструкций на японском и английском языках. Она прошла дополнительное непрерывное обучение на инструкциях, а затем supervised fine-tuning и выравнивание методом Direct Preference Optimization. Подходит для диалога, ответов на вопросы и создания текстов; данные README также описывают оценку качества на японском и английском языках. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного соответствия намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

LongLLaMA-3Bv1.1 — базовая, не настроенная на следование инструкциям языковая модель размером 3,3 млрд параметров, разработанная командой LongLLaMA на основе OpenLLaMA-3Bv2. Модель дообучена методом Focused Transformer (FoT): три слоя внимания используют кэш памяти, чтобы расширять обрабатываемый контекст. В обычной реализации контекст ограничен 2048 токенами; с механизмом памяти авторы показывают экстраполяцию до 256 тыс. токенов на задаче поиска ключевой фразы. Модель предназначена для генерации продолжений текста и экспериментов с длинным контекстом, включая извлечение сведений из протяжённых входных текстов. В README также отмечены результаты на классификации вопросов TREC и ответах на вопросы WebQS. Это базовая модель, поэтому для диалога и выполнения инструкций может потребоваться дополнительная настройка. Веса распространяются по лицензии Apache 2.0.

ConvexAI Luminex-34B-v0.1 — текстовая генеративная модель на архитектуре Llama, содержащая 33,9 млрд параметров. По карточке модели, это Smaug-34B с применённым методом LaserRMT; метаданные также связывают её с дообученной моделью jondurbin/bagel-34b-v0.2, поэтому точное происхождение весов описано неоднозначно. Модель предназначена для генерации текста и диалогового взаимодействия; заявленное окно контекста составляет 200 000 токенов. В README приведены результаты на португальском Open LLM Leaderboard: среднее значение 72,76, а также оценки для ENEM Challenge и BLUEX без изображений. Это указывает на оценивание модели на португальских учебных и языковых задачах, но не гарантирует качество в других сценариях. Весы доступны в форматах PyTorch и safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория.

M7Yamshadowexperiment28_Experiment26Yam — объединённая языковая модель, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26Yam-7B. Модель построена на архитектуре Mistral с плотной структурой и содержит 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает контекст длиной до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не описывает специальные сценарии применения, языки или результаты оценки качества.

M7Yamshadowexperiment28_Strangemerges_32T3qm7xp — слитая текстовая модель семейства Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32T3qm7xp-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат Safetensors; контекст — до 32 768 токенов. Модель предназначена для генерации текста. Её можно применять для продолжения заданного текста и создания ответов на текстовые запросы. Карточка не описывает специализацию по предметной области или конкретные качества модели. Лицензия — Apache-2.0. Сведения о языках и ограничениях в карточке не приведены.

Magnum v3 9B CustomGemma2 — текстовая генеративная модель Anthracite, созданная полным дообучением Google Gemma 2 9B. Она рассчитана на диалоги и генерацию прозы с целью приблизить качество письма к Claude 3 Sonnet и Opus. Модель поддерживает системные инструкции через формат CustomGemma2 и использует архитектуру Gemma2ForCausalLM с 9 млрд параметров и контекстом до 8192 токенов. Модель подходит для интерактивного письма и ролевых диалогов, ответов на запросы и других сценариев генерации текста. В README приведены оценки на отдельных бенчмарках, но они не гарантируют качество для конкретных задач. Модель распространяется под лицензией Gemma; применяются её условия использования.

mBARThez — франкоязычная модель типа BART для последовательностей «текст — текст», опубликованная Moussa Kamal Eddine и соавторами. Это адаптация мультиязычной mBART: дополнительное предобучение на 66 ГБ французского текста учит модель восстанавливать предложения с искажёнными фрагментами. По метаданным, модель содержит 204,2 млн параметров, использует архитектуру mBART и имеет контекст длиной 1024 токена. Модель предназначена для генеративных задач на французском языке, в частности для реферирования с абстрактивным пересказом; также README сообщает об улучшении результатов на дискриминативных и генеративных задачах. Для задач заполнения пропусков метаданные задают тег fill-mask. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Результаты для конкретных задач и подробности ограничений в карточке не приведены.

Nithiwat выпустил mDeBERTa-v3-base_claimbuster — модель на архитектуре DeBERTa-v2, дообученную на наборе данных ClaimBuster. Она предназначена для классификации текстовых утверждений и выявления высказываний, пригодных для проверки фактов. Модель содержит 306 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт результат классификации. В карточке заявлена точность 83%. Модель обучена на англоязычных данных ClaimBuster; лицензия — MIT. Результаты следует учитывать в контексте датасета и метрики из карточки: она сама по себе не гарантирует корректность фактчекинга.

Buseak/md_mt5_0109_v7 — дообученная модель семейства mT5, созданная на основе Buseak/md_mt5_0109_v6. Она содержит 157,4 млн параметров и использует архитектуру MT5ForConditionalGeneration для преобразования текста в текст. В карточке приведены результаты оценки: loss 0,0600, BLEU 0,6466 и средняя длина генерации 18,94 токена. Модель предназначена для задач генерации текста по текстовому входу. Данные о конкретном сценарии применения, обучающем наборе, поддерживаемых языках и ограничениях не раскрыты. Распространяется под лицензией Apache-2.0.

BattlescarZa/medibuddy-llm-9B — диалоговая языковая модель, разработанная BattlescarZa на основе VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, дообученная для генерации текста; карточка указывает использование Unsloth и Hugging Face TRL при обучении. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых текстовых сценариев. Базовая модель рассчитана на немецкий и английский языки, однако карточка этой производной модели не описывает отдельную медицинскую специализацию или подтверждённые медицинские возможности. Лицензия — Apache-2.0.

Карточка модели mergekit-community/mergekit-slerp-aywerbb на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gpprpds, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gpprpds — языковая модель для генерации текста, созданная сообществом слиянием Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta методом SLERP через mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на английском языке. Слияние сочетает компоненты двух предварительно обученных моделей; репозиторий содержит веса Safetensors. Поддержка русского языка или специализированных прикладных областей в карточке не заявлена. Лицензия в предоставленных данных не указана.

Карточка модели mergekit-community/mergekit-slerp-fmitxcg на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gpprpds, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gpprpds — языковая модель для генерации текста, созданная сообществом слиянием Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta методом SLERP через mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на английском языке. Слияние сочетает компоненты двух предварительно обученных моделей; репозиторий содержит веса Safetensors. Поддержка русского языка или специализированных прикладных областей в карточке не заявлена. Лицензия в предоставленных данных не указана.

mergekit-community/mergekit-slerp-gpprpds — языковая модель для генерации текста, созданная сообществом слиянием Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta методом SLERP через mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на английском языке. Слияние сочетает компоненты двух предварительно обученных моделей; репозиторий содержит веса Safetensors. Поддержка русского языка или специализированных прикладных областей в карточке не заявлена. Лицензия в предоставленных данных не указана.

Карточка модели mergekit-community/mergekit-slerp-jovftfd на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gpprpds, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gpprpds — языковая модель для генерации текста, созданная сообществом слиянием Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta методом SLERP через mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на английском языке. Слияние сочетает компоненты двух предварительно обученных моделей; репозиторий содержит веса Safetensors. Поддержка русского языка или специализированных прикладных областей в карточке не заявлена. Лицензия в предоставленных данных не указана.

openbmb/MiniCPM3-4B-GGUF — это набор файлов модели MiniCPM3-4B в формате GGUF, разработанной командой OpenBMB. Репозиторий содержит варианты minicpm3-4b-fp16.gguf и minicpm3-4b-q4_k_m.gguf. Модель предназначена для локального запуска в совместимой с GGUF инфраструктуре; конкретные сценарии применения, архитектура, размер контекста и поддерживаемые модальности в представленном README не указаны. Известно, что заявлены английский и китайский языки, а базовой моделью является openbmb/MiniCPM3-4B. Варианты FP16 и Q4_K_M различаются способом хранения и уровнем квантования, что может влиять на требования к памяти и качество работы. Лицензия и ограничения использования в README не указаны. Для подробностей по применению предлагается обратиться к репозиторию OpenBMB/MiniCPM.

MiniLMv2-L6-H384-distilled-from-BERT-Large — компактная encoder-only Transformer-модель семейства BERT, опубликованная пользователем nreimers (Nils Reimers) на Hugging Face и обученная методом MiniLMv2 с дистилляцией знаний из BERT-Large. Модель предназначена прежде всего для задач понимания естественного языка и запуска masked-language modeling: восстановления замаскированных токенов, а также последующей донастройки для классификации, извлечения ответов и других NLU-задач. Архитектура включает 6 Transformer-слоёв, размер скрытого состояния 384 и 12 attention heads; объём модели составляет примерно 23 млн параметров, размер файла весов — около 46,4 МБ. Это текстовая, англоязычная BERT-подобная модель с контекстом до 512 токенов и словарём BERT. В карточке Hugging Face она классифицирована как Fill-Mask и поддерживает Transformers и PyTorch. Сильные стороны модели — существенно меньший размер и более быстрая инференсная обработка по сравнению с BERT-Large при сохранении полезных представлений для широкого спектра NLU-задач; в исследовании MiniLMv2 дистилляция основана на переносе отношений multi-head self-attention. Ограничения: модель не является генеративной, не предназначена для диалога или свободной генерации текста, имеет ограничение длины входа и требует task-specific fine-tuning для прикладных задач. Лицензия непосредственно в доступной карточке модели не указана.

MiniMax-M2.5-JANG_4M-CRACK — созданная Jinho Jang производная модели MiniMaxAI/MiniMax-M2.5, предназначенная для диалоговой генерации текста и рассуждений. Это MoE-модель семейства MiniMax M2 с заявленными в README 230 млрд параметров, 256 экспертами и примерно 10 млрд активных параметров на токен; метаданные репозитория указывают 2,9 млрд параметров. В README описан профиль квантования JANG_4M со смешанной точностью 8 бит для attention и 4 бита для экспертов, а также удаление отказов CRACK на уровне весов. Заявленная длина контекста — 196 608 токенов. Модель поддерживает английский, китайский и корейский языки, чат и интерфейс вызова инструментов. Модель рассчитана на запуск на Apple Silicon через MLX; README указывает поддержку формата JANG в MLX Studio и пакете jang-tools. Подходит для диалоговых помощников, многошаговых рассуждений и сценариев, где нужны ответы без стандартных отказов безопасности. Лицензия в метаданных — Apache-2.0. Заявления README о результатах тестов и сохранении качества не подтверждены независимыми данными.

Mistral-7B-v0.1-arabic — дообученная модель на архитектуре Mistral для генерации текста и ответов на инструкции в формате диалога. Её разработал Mohamad Alhajar, используя supervised fine-tuning с заморозкой части параметров и набор данных alpaca-gpt4-ar. В README указан базовый чекпойнт mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и выдаёт текст. Она рассчитана прежде всего на арабский язык; метаданные также указывают английский. Контекстное окно — до 32 768 токенов. Для запросов используется шаблон с секциями Instruction и Response. Модель предназначена для диалоговых ответов на инструкции и генерации текста. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. README содержит несоответствие в названии модели: текст карточки называет другую модель, поэтому точные настройки обучения следует трактовать с осторожностью.

gywy 发布了 Mistral-7B-v0.1-chinese，这是基于 Mistral 架构的 7.2B 参数文本生成模型。模型扩充了中文词表，并据 README 介绍增强了逻辑推理和常识理解能力。 Модель предназначена для генерации текста на китайском языке, включая ответы на вопросы и задачи, требующие рассуждений или общих знаний. Метаданные указывают на архитектуру MistralForCausalLM, формат PyTorch и контекст длиной до 32 768 токенов. Лицензия в предоставленных данных не указана.

dealignai публикует для Apple Silicon вариант Mistral Small 4 с поддержкой диалогов и изображений. Это производная от mistralai/Mistral-Small-4-119B-2603 модель с архитектурой Mistral 3 и классом Mistral3ForConditionalGeneration; базовая модель имеет 119 млрд параметров и MoE-архитектуру с примерно 8 млрд активных параметров, MLA и 128 экспертами. Вариант CRACK прошёл вмешательство в веса, удаляющее отказы по соображениям безопасности, а веса представлены в смешанно-точном формате JANG_2L: 8-, 6- и 2-битные компоненты, около 37 ГБ. Для запуска нужны MLX Studio или пакет jang-tools с MLX; формат несовместим с GGUF-приложениями. Модель предназначена для диалогов, рассуждений и анализа изображений, а также может использовать интерфейс вызова инструментов. В README приведены результаты тестов HarmBench и MMLU, однако они не гарантируют качество или безопасность ответов в реальных сценариях; автор также отмечает снижение точности из-за низкой точности квантования. Модель ориентирована на английский язык. Лицензия — Apache-2.0.