I.2Синтез, понимание и проверка знаний

SOLAR-10.7B-Instruct-v1.0 — диалоговая языковая модель компании Upstage, дообученная для одношаговых бесед на базе upstage/SOLAR-10.7B-v1.0. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Модель прошла инструкционное дообучение с учителем и оптимизацию предпочтений DPO на смесях наборов Alpaca-GPT4, OpenOrca, Orca DPO и UltraFeedback, а также данных, созданных с помощью Metamath. Подходит для диалоговых ответов, выполнения инструкций, объяснений и задач на рассуждение. В карточке заявлены результаты конкурентного качества для своего размера, но это заявление разработчика и оно не гарантирует качество в конкретном сценарии. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель ориентирована на одношаговые беседы; контекст ограничен 4096 токенами, поэтому она не предназначена для длительных многошаговых диалогов без специальной настройки.

CallComply/SOLAR-10.7B-Instruct-v1.0-128k — англоязычная диалоговая языковая модель, дообученная на базе upstage/SOLAR-10.7B-v1.0 для одношаговых инструкций и бесед. Она построена на плотной архитектуре семейства Llama с 10,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации ответов и выполнения инструкций в чат-сценариях. При дообучении использовались SFT и итеративная DPO на наборах Alpaca-GPT4, OpenOrca, Intel Orca DPO и UltraFeedback; карточка также описывает применение данных для математических задач. В метаданных указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

T3qm7xNeuralsirkrishna_Experiment31Experiment29 — объединённая автором карточки модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов, принимает текст и выдаёт текст. Максимальная длина контекста — 32 768 токенов. Модель объединяет automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment31Experiment29-7B. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T3Q-Merge-SOLAR12 — языковая модель, созданная Chihoon Lee и T3Q путём слияния двух моделей с помощью mergekit: davidkim205/komt-solar-10.7b-sft-v5 и LDCC/LDCC-SOLAR-10.7B. Модель предназначена для генерации текста и диалоговых сценариев на основе текстового запроса. Модель использует плотную архитектуру семейства Llama и содержит 10,7 млрд параметров. Максимальная длина контекста — 4096 токенов. В репозитории доступны веса в формате safetensors; слияние выполнено методом SLERP с настройками для слоёв self-attention и MLP. Модель поддерживает ввод и генерацию текста. Лицензия — Apache-2.0. Карточка не сообщает о специальных областях применения или подтверждённых ограничениях качества; результат генерации может зависеть от формулировки запроса и не должен считаться проверенным фактом.

valhalla/t5-base-qg-hl — модель семейства T5, разработанная Valhalla и дообученная для генерации вопросов с учётом заданного ответа. Она принимает текст, в котором целевой фрагмент выделен специальными маркерами, и формулирует вопрос, на который этот фрагмент будет ответом. Модель подходит для автоматического создания вопросов по учебным материалам, статьям и другим текстам, например для подготовки наборов вопросов и ответов. Модель содержит 123,7 млн параметров, использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. В карточке указан датасет SQuAD, формат весов — PyTorch, лицензия — MIT. Пример использования показывает генерацию одного вопроса по выделенному ответу; качество и применимость к текстам за пределами обучающих данных могут различаться.

vaibhavvanshu/t5-cnn-25k — дообученная модель T5-small для абстрактивного суммирования текста, созданная для приложения Text Summarizer. Она обучена на 25 тысячах примеров CNN/DailyMail и генерирует краткие пересказы документов и статей. Архитектура — T5 с 38,5 млн параметров; модель принимает текст длиной до 512 токенов и выдаёт текстовое резюме. Для длинных документов приложение применяет иерархическую обработку по фрагментам, но это функция приложения, а не отдельная возможность модели. Модель может пропускать важные сведения, ошибаться или галлюцинировать, поэтому результаты следует проверять. Распространяется по лицензии Apache-2.0.

T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder. Этот чекпойнт содержит энкодер на 270 млн и декодер на 270 млн параметров; он получен адаптацией предварительно обученной Gemma 3 с использованием подхода UL2. Модель принимает текст и изображения и генерирует текст. Семейство заявлено как мультиязычное: более 140 языков и контекст до 128 тысяч токенов; для этого размера в README приведены оценки на задачах понимания изображений и обработки длинного контекста. Модель предназначена для генерации и преобразования текста, ответов на вопросы по изображениям, суммаризации и рассуждений, а компактный размер позволяет рассматривать запуск на ноутбуках, настольных компьютерах или в облачной инфраструктуре. Чекпойнт отмечен как предварительно обученный; README также описывает исследовательское применение семейства. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать смещения обучающих данных. Лицензия — Gemma; применяйте модель с учётом её условий и самостоятельно оценивайте безопасность результатов.

T5Gemma — семейство компактных текстовых моделей Google на архитектуре encoder-decoder, полученных адаптацией предварительно обученных decoder-only моделей Gemma. Эта инструкция-тюнингованная версия имеет энкодер на 2 млрд и декодер на 2 млрд параметров и основана на google/t5gemma-2b-2b-ul2, адаптированной с использованием UL2. Модель принимает текст и генерирует текст; заявленная поддержка языка — английский. Модель предназначена для генерации текста по инструкциям: ответов на вопросы, суммаризации и рассуждений, а также для черновиков писем, сценариев, стихов и рекламных текстов. Компактный размер подходит для развертывания на настольных компьютерах, ноутбуках и собственной облачной инфраструктуре. В карточке не приведены длина контекста и результаты оценки качества. Модель может допускать фактические ошибки, отражать предвзятость данных обучения и испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия — Gemma; использование регулируется условиями лицензии и политикой допустимого использования моделей Gemma.

Google T5 Version 1.1 LM-Adapted Small — плотная encoder-decoder модель семейства T5 с 45,8 млн параметров, доступная в форматах PyTorch и TensorFlow. Она основана на T5 Version 1.1 Small и дополнительно обучена 100 тысяч шагов на языковой моделирующей задаче; предварительное обучение на C4 включало denoising и language modeling. Вариант использует активацию GEGLU, отключённый dropout при предварительном обучении и отдельные параметры для embedding и classifier слоёв. Модель предназначена для последующей адаптации к текстовым задачам и особенно подходит как основа для prompt tuning. Архитектура T5 представляет задачи обработки языка в формате «текст на входе — текст на выходе», поэтому её можно дообучать для генерации и преобразования текста. В README описаны преимущества адаптации для prompt tuning, но конкретные результаты на отдельных задачах не приведены. Модель выпущена Google под лицензией Apache-2.0. README рекомендует повторно включать dropout при fine-tuning; сведения о длине контекста в предоставленных источниках отсутствуют.

TriMistral-7B-SLERP — объединённая языковая модель на базе архитектуры Mistral, опубликованная Muhammad2003. Она создана с помощью mergekit и метода SLERP из HuggingFaceH4/zephyr-7b-beta, NousResearch/Hermes-2-Pro-Mistral-7B и instructlab/merlinite-7b-lab. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста, включая диалоговые сценарии; нативный контекст — до 32 768 токенов. Модель подходит для диалоговых ответов, инструкций, рассуждений и генерации текста общего назначения. В README приведены результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает о целевой языковой специализации или специализированной предметной области. Как и другие языковые модели, она может выдавать неверные или непроверенные ответы; качество зависит от запроса и сценария применения.

Tulu 1 Llama 2 70B — языковая модель-ассистент, разработанная Allen Institute for AI (AI2). Это дообученная на смеси публичных, синтетических и созданных людьми инструкций и диалогов версия Meta Llama 2 70B с плотной архитектурой Llama и 68,7 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции; основной язык — английский, длина контекста — 2048 токенов. Модель подходит для диалоговых помощников, ответов на вопросы и выполнения разнообразных текстовых инструкций. Для форматирования запросов используется шаблон с маркерами ролей, описанный в карточке модели. Модель не проходила выравнивание безопасности на этапе RLHF и не снабжена фильтрацией ответов, поэтому может выдавать проблемный контент. Лицензия — AI2 ImpACT Low-risk.

Vi-Qwen2-7B-RAG — модель AITeamVN, дообученная на базе Qwen/Qwen2-7B-Instruct для задач генерации с дополнением извлечёнными данными (RAG). Она рассчитана на работу с вьетнамскими документами и вопросами: извлекает полезную информацию из шумного контекста, отказывается отвечать, если в найденных материалах нет нужных сведений, объединяет факты из нескольких документов и определяет, содержит ли контекст ответ. Также подходит для обычного диалога и последовательных вопросов с учётом входного контекста. Модель имеет плотную архитектуру Qwen2ForCausalLM и 7,1 млрд параметров. В метаданных указан контекст до 32 768 токенов; README описывает RAG-сценарии с контекстом до 8 192 токенов. Доступны веса в формате safetensors. Карточка сообщает о точности около 99% для определения наличия ответа в контексте и приводит результат 56,04 на среднем показателе VMLU; это результаты авторской оценки, а не гарантия качества на других данных. Модель предназначена прежде всего для вьетнамского языка. Авторы предупреждают о возможных ошибках в вопросах политики и общественной жизни, а также о предвзятых или неподходящих ответах. Лицензия — Apache-2.0.

WangChanLion 7B — мультиязычная инструкция-следующая модель, разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand на базе SEA-LION 7B с архитектурой MPT. Модель дообучена методом QLoRA на примерно 500 тысячах примеров из открытых наборов данных; основное внимание уделено тайскому и английскому языкам. Модель предназначена для ответов на вопросы по тексту, чтения с пониманием, мозгового штурма и творческого письма. Её можно дообучать для других типичных сценариев следования инструкциям. Модель принимает текстовые инструкции и генерирует текст; размер базовой модели — 7 млрд параметров. Лицензия Apache-2.0 разрешает коммерческое использование. Разработчики отмечают ограничения в математике, рассуждениях и достоверности фактов, а также возможность нежелательных предубеждений и токсичных ответов. Для задач, где важны точность фактов или безопасный тон, результаты следует проверять и адаптировать под конкретный сценарий.

WestKunai-XS-7b — слитая с помощью mergekit языковая модель, созданная из seyf1elislam/WestKunai-Hermes-7b и seyf1elislam/KuTrix-7b. В README указан метод слияния SLERP; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы. README приводит результаты на тестах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag. Доступны веса в формате safetensors; автор также упоминает квантованные версии GGUF. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не уточняет поддерживаемые естественные языки и специальные возможности модели.

Wiederchat-7b-dpo — разговорная языковая модель на 7,1 млрд параметров, созданная mayflowergmbh как DPO-согласованное слияние трёх моделей с помощью LazyMergekit: mlabonne/OmniTruthyBeagle-7B-v0, mayflowergmbh/Wiedervereinigung-7b-dpo-laser и cognitivecomputations/openchat-3.5-0106-laser. Модель основана на архитектуре Mistral и предназначена для генерации текста в диалоге; заявленная длина контекста — 32 768 токенов. В README приведены результаты Mt-Bench-De: средняя оценка 7,61875, с более высокими оценками в категориях STEM и гуманитарных дисциплин, чем в математике и программировании. Это ориентиры из карточки, а не гарантия качества в конкретной задаче. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

Moritz Laurer дообучил мультиязычную модель XLM-V-base от Meta AI для вывода по естественному языку (NLI) и классификации без заранее заданных обучающих примеров. Модель сопоставляет premise и hypothesis, а в zero-shot-сценарии оценивает, насколько текст соответствует каждому из предложенных пользователем классов. Она основана на архитектуре XLM-RoBERTa и содержит около 805,7 млн параметров; словарь XLM-V включает 1 млн токенов. Контекст — до 514 токенов. Модель заявлена для 116 языков благодаря предварительному обучению на CC100 и переносит NLI между языками. Она дообучена на английском MNLI и профессионально переведённых данных XNLI для 15 языков. Средняя точность в приведённой оценке XNLI составляет 0,78; на других языках качество может быть ниже, а длинный текст ограничен окном контекста. Лицензия — MIT.

AIArchiveInfo/Yi-6B-Chat — побитово идентичная архивная копия Yi-6B-Chat от 01.AI, созданная AIArchive 18 сентября 2026 года. Согласно README, веса не обучались и не изменялись при копировании; исходную модель обучила с нуля команда 01.AI. Это плотная авторегрессионная языковая модель семейства Yi с архитектурой LlamaForCausalLM и 5,8 млрд параметров; она принимает текст и генерирует текст в диалоговом режиме, с контекстом до 4096 токенов. Модель предназначена для двуязычного общения на китайском и английском языках, ответов на вопросы, понимания текста, чтения с извлечением сведений и рассуждений здравого смысла. Её можно использовать для локального чат-бота и генерации текста; README также описывает варианты запуска через Transformers и llama.cpp. Лицензия — Apache-2.0. Указанные в README сравнительные результаты относятся к другим размерам семейства Yi и не подтверждают показатели именно версии 6B.

Yi-Ko-6B-instruct-v1.7 — корейская инструктивная языковая модель, созданная cocoirun. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 5,9 млрд параметров; она принимает текст и генерирует текст, используя контекст до 2048 токенов. Модель дообучена методом SFT с LoRA примерно на 110 тысячах примеров. В набор вошли материалы по истории, естественным наукам, математике, машинному чтению, анализу отзывов, общим знаниям, грамматике и ИТ, а также задания на суммаризацию и перевод между корейским и английским. Данные подготовлены разработчиком на основе Open-Orca-Ko, KoBEST и других источников; файлы обучающего набора закрыты. Модель подходит для диалоговых ответов на инструкции, вопросов по знаниям и текстам, краткого пересказа, анализа отзывов и перевода. Карточка не приводит результатов оценивания, поэтому качество на отдельных задачах не подтверждено. Контекст ограничен 2048 токенами. Лицензия — CC BY-SA 4.0.

0x Lite — диалоговая языковая модель Ozone AI, дообученная на базе Qwen/Qwen2.5-14B-Instruct. Это плотная модель архитектуры Qwen2 с 14 млрд параметров, предназначенная для генерации текста и общения; README также описывает применение для дополнения текста, суммаризации, перевода и создания контента. Модель принимает текст и выдаёт текст, поддерживает английский и китайский языки, использует формат Safetensors и рассчитана на контекст до 32 768 токенов. В карточке заявлены высокая скорость генерации и пригодность для чат-ботов, письма и учебных задач, однако сравнительные показатели качества и скорости не приведены. Модель распространяется по лицензии Apache-2.0. README содержит инструкцию загрузки через Transformers, но указанный там идентификатор репозитория отличается от идентификатора модели.

Apodex-1.0-mini — дообученная модель apodex для глубокого исследования с проверкой доказательств. Она создана на базе Qwen3.5-35B-A3B и предназначена для диалогов, многошагового поиска и ответов с использованием инструментов. Модель обучали в три этапа: SFT, agentic DPO и обучение с подкреплением на длинных агентных сценариях. Она поддерживает вызов функций и ориентирована на английский и китайский языки. Модель рассчитана на задачи, где важно собирать и проверять сведения перед формированием ответа. В составе Apodex-1.0-H она используется с командой специализированных агентов и глобальным проверяющим, однако этот режим требует внешней агентной инфраструктуры и не является свойством одиночного чекпойнта. В репозитории указаны веса Safetensors, библиотека Transformers и лицензия Apache-2.0. Карточка описывает характеристики семейства Apodex в целом, поэтому отдельные подробности реализации и качества варианта mini могут отличаться.

Baguettotron — компактная языковая модель PleIAs для генерации текста и решения задач с рассуждениями. Это плотная авторегрессионная модель семейства Llama с 320,9 млн параметров и 80 слоями; она обучена на 200 млрд токенов открытого синтетического набора PleIAs/SYNTH. Репозиторий содержит веса Safetensors для Transformers, а контекст модели составляет 4096 токенов. Модель предназначена для следования инструкциям, ответов на вопросы, извлечения и редактирования информации, простых математических задач, творческого письма и генерации с опорой на предоставленный контекст. Она обучена работать с английским, французским, немецким, итальянским, испанским и польским; README также упоминает более ограниченную поддержку латыни и нидерландского. Цепочки рассуждений формируются на английском. По заявлению разработчика, модель показывает сильные результаты среди моделей сопоставимого размера в ряде общих, математических и retrieval-бенчмарков. Baguettotron — небольшая модель, поэтому её возможности ограничены по сравнению с крупными языковыми моделями; заявленные результаты относятся к конкретным бенчмаркам и не гарантируют точность в каждом сценарии. Лицензия — Apache-2.0.

ontocord/Baguettotron-longsft_16k — дообученная командой Ontocord модель PleIAs/Baguettotron на наборе long_sft. Это плотная авторегрессионная языковая модель семейства Llama с 320,9 млн параметров, предназначенная для генерации текста в диалоговом формате. Она поддерживает контекст до 16 384 токенов и подходит для сценариев, где нужно учитывать более длинный контекст при ответах и продолжении текста. Модель представлена в формате safetensors и рассчитана на использование через Transformers. Карточка не приводит результатов оценки, подробного описания обучающих данных или специальных ограничений. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели и у правообладателя базовой модели.

Bald Eagle 7B — чат-модель на 7,1 млрд параметров, разработанная cookinai и дообученная на основе fblgit/UNA-TheBeagle-7b-v1. Авторы описывают её как попытку создать хорошо оптимизированную модель для диалога, используя высокоэффективные наборы данных в стиле Orca. Модель построена на плотной архитектуре Mistral и предназначена для генерации текста в чат-сценариях. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Модель выпущена по лицензии CC BY-NC-ND 4.0: использование требует соблюдения условий атрибуции, запрещены коммерческое использование и распространение производных версий. Карточка не сообщает о конкретных языках обучения или оценках качества.

AyoubChLin/bert-base-multilingual-cased-xnli-nli — мультиязычная модель на архитектуре BERT, дообученная на датасете facebook/xnli для трёхклассового вывода по текстовой паре. Она определяет, следует ли гипотеза из посылки, нейтральна ли она относительно посылки или противоречит ей. Модель содержит 205,1 млн параметров, принимает пары текстов и имеет контекст до 512 токенов; более длинные входы обрезаются. Модель подходит для классификации текстовых пар и zero-shot-классификации, когда метки можно сформулировать как гипотезы. Карточка указывает на мультиязычную поддержку, но качество следует проверять на целевом языке и в целевой предметной области. Результаты NLI не следует использовать как самостоятельное доказательство фактичности утверждений. Лицензия в предоставленных данных не указана.

sgugger/bert-finetuned-mrpc — модель BERT, дообученная на наборе GLUE MRPC для классификации пар предложений. Она определяет, выражают ли два предложения одно и то же значение; на оценочной части MRPC в карточке указаны accuracy 0,8603 и F1 0,9032. Модель содержит 135,5 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Модель основана на bert-base-cased и предназначена для английского языка. Подходит для обнаружения перефразирований и проверки семантического сходства коротких текстов. Распространяется по лицензии Apache-2.0. Показатели относятся к оценке на MRPC; качество на других данных может отличаться.

Pankaj8922/bert-medium-nli — модель классификации последовательностей на базе BERT-medium, дообученная для определения логического отношения между посылкой и гипотезой: следование, нейтральность или противоречие. Разработчик позиционирует её для zero-shot-классификации текстов: к тексту добавляют гипотезу вида «This text is about {label}.», а модель оценивает их отношение. Модель содержит 49,2 млн параметров, принимает текстовые пары и выдаёт оценки трёх классов. Контекст ограничен 512 токенами, основной язык карточки — английский. В обучении использована сбалансированная выборка Pankaj8922/nli-high-quality-balanced на основе MNLI, SNLI, FEVER-NLI и ANLI; в README указаны точность 0,8373 и macro F1 0,8372 на тестовой выборке. Компактный размер подходит для быстрого вывода и ограниченных ресурсов, но качество zero-shot-классификации на новых наборах меток ниже, чем у более крупных NLI-моделей. Лицензия — Apache-2.0.

CaPlatTessDolXaBoros-Yi-34B-200K-DARE-Ties-HighDensity — экспериментальная объединённая языковая модель на архитектуре Llama, опубликованная brucethemoose. Она создана с помощью экспериментального варианта DARE TIES из нескольких дообученных моделей семейства Yi и других 34B-моделей; в карточке указано 33,9 млрд параметров и контекст до 200 000 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на длинные запросы и работу с большими фрагментами текста. В README описан шаблон Orca-Vicuna и отмечена возможная поддержка форматов ChatML и Llama-chat. Автор сообщает о проверках perplexity и длинных контекстов, однако предупреждает, что улучшение метрик не гарантирует лучшего качества ответов. Рекомендуется настраивать параметры генерации с учётом поведения Yi; иногда модель выводит стоп-токен как текст. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Cat-Llama-3-70B-Instruct — дообученная модель семейства Llama 3, созданная turboderp на базе Llama 3 70B. Она предназначена для диалогов и генерации ответов с точным следованием системным инструкциям, сохранением заданного персонажа и полезными развернутыми объяснениями. Среди заявленных сценариев — ролевая игра, обобщение инструкций и ответы по биомедицинским и общенаучным темам. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. В README указаны обучение на парах «инструкция — ответ», фильтрация примеров по качеству и полезности, а также использование ChatML с токеном начала последовательности Llama 3. Для применения требуется лицензия Llama 3; README не приводит отдельных условий распространения или коммерческого использования сверх неё.

Cosmosis-3x34B — разговорная языковая модель Weyaxi, построенная на архитектуре Mixtral с разреженной экспертной структурой MoE. В репозитории указано 33,9 млрд параметров; модель распространяется в формате safetensors и рассчитана на генерацию текста и диалоговое взаимодействие. Метаданные указывают контекст длиной до 200 000 токенов. Модель подходит для ведения диалогов и генерации ответов на текстовые запросы. В README приведены варианты шаблонов запросов ChatML, Human Assistant, Alpaca и Vicuna, но автор не определяет предпочтительный шаблон и отсылает к шаблонам модели bagel-dpo-34b-v0.2. В README также приведены результаты оценки на бенчмарках, включая средний результат 75,39. Модель основана на объединении нескольких экспертных моделей; точная схема создания описана в конфигурации воспроизведения, однако доступный текст README её не раскрывает. Лицензия обозначена в метаданных как other, поэтому условия использования следует проверять в репозитории. Автор отмечает неопределённость с выбором шаблона промпта.

TwT-6/cr-model-v1 — диалоговая языковая модель семейства Qwen2, представленная в формате safetensors. В README она описана как модель для понимания и генерации текста, ответов на вопросы, рекомендаций и непринуждённого общения. Модель содержит 13,4 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Она предназначена для текстовых диалогов и других задач генерации текста. В README не приведены сведения о поддерживаемых языках и специальных предметных областях, поэтому модель можно описать только как универсальную. Лицензия — CC BY 4.0. Карточка не сообщает о конкретных ограничениях качества или безопасности; ответы модели могут требовать проверки.