I.3Извлечение и структурирование данных

OpenMed разработала privacy-filter-nemotron — модель токенной классификации для выявления и типизации персональных данных в тексте. Это полное дообучение openai/privacy-filter на наборе nvidia/Nemotron-PII. Модель использует архитектуру MoE и разметку BIOES: 55 категорий PII представлены 221 классом токенов. В метаданных указаны 145,4 млн параметров и контекст до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Модель предназначена для извлечения фрагментов с персональными данными и передачи их в конвейеры маскирования или деидентификации. В тестировании на отложенной выборке из Nemotron-PII заявлены macro B-F1 0,9533 и точность токенов 0,9910; для декодирования границ авторы рекомендуют Viterbi. Лицензия — Apache-2.0. Обучающие данные преимущественно англоязычные, поэтому качество для других языков не гарантируется. Категории вроде профессии, языка, пола и политических взглядов менее надёжны, чем формально записываемые идентификаторы; синтетические данные также могут отличаться от реальных медицинских, юридических и веб-текстов. Для важных сценариев нужна проверка на данных целевого домена и дополнительный контроль результатов.

Qwen2-VL-72B — базовая предварительно обученная мультимодальная модель семейства Qwen2-VL, разработанная командой Qwen. Она содержит 71,5 млрд параметров и предназначена для понимания изображений и видео по текстовым запросам, включая визуальные вопросы и ответы, диалог по содержимому видео, анализ документов и создание описаний. Модель не проходила настройку инструкциями, поэтому для диалоговых сценариев может потребоваться дополнительная настройка. Архитектура — плотная Qwen2-VL с классом Qwen2VLForConditionalGeneration. Она обрабатывает изображения произвольного разрешения с динамическим числом визуальных токенов и использует M-ROPE для позиционной информации текста, изображений и видео. Видеосценарии включают анализ роликов длительностью более 20 минут. Контекст — до 32 768 токенов. Модель понимает текст на изображениях на английском, китайском и ряде других языков, включая европейские языки, японский, корейский, арабский и вьетнамский. Модель подходит для визуального анализа и мультимодальных сценариев, однако заявленные высокие результаты приведены в карточке без подробностей об условиях оценки. Для запуска потребуется значительный объём вычислительных ресурсов из-за размера модели. Лицензия указана как other; конкретные условия использования следует проверить в репозитории модели.

Qwen2-VL-7B-Instruct — мультимодальная модель компании Qwen с архитектурой Qwen2-VL и 7,1 млрд параметров. Это версия, дообученная для выполнения инструкций на основе Qwen/Qwen2-VL-7B; она принимает текст и изображения, а также анализирует видео по визуальным кадрам. Модель поддерживает динамическое разрешение изображений и использует M-ROPE для представления текстовых, двумерных визуальных и трёхмерных видеопозиций. Контекст — 32 768 токенов. Модель предназначена для диалога по изображениям и видео, визуального анализа и ответов на вопросы о содержимом, включая разбор документов и графиков. В README отмечена поддержка чтения текста на изображениях на многих языках, включая европейские языки, японский, корейский, арабский и вьетнамский; метаданные также указывают английский язык карточки. Модель не обрабатывает аудио в видео; её ограничения включают устаревание знаний об изображениях после июня 2023 года, неточный подсчёт объектов, слабое пространственное рассуждение и трудности со сложными многошаговыми инструкциями. Лицензия — Apache-2.0.

Qwen3.5-27B — мультимодальная модель семейства Qwen, опубликованная Unsloth в формате Hugging Face Transformers. Это дообученная версия Qwen/Qwen3.5-27B для диалогов и задач, где нужно совместно анализировать текст и изображения. Модель имеет 27 млрд параметров, причинную языковую архитектуру с визуальным энкодером и сочетает Gated Delta Networks с разреженной архитектурой Mixture-of-Experts. Контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Модель подходит для ответов на вопросы по изображениям, визуального анализа, рассуждений, программирования и агентных сценариев с вызовом инструментов. В README заявлена поддержка 201 языка и диалекта. Для запуска доступны веса в формате safetensors, совместимые с Transformers и рядом движков инференса; лицензия — Apache-2.0. Большой размер требует значительных вычислительных ресурсов; при длинном контексте возможен дефицит видеопамяти. Режим рассуждений включён по умолчанию, а скорость и пропускная способность зависят от движка и его версии.

AMAImedia выпустила эту модель в рамках платформы автоматизации многоязычного дубляжа NOESIS; исходную модель создала команда OBLITERATUS. Это дообученная версия Qwen3.8-27B с плотной архитектурой Qwen3_5ForConditionalGeneration, поддержкой чата и изображений. В репозитории указаны формат safetensors и лицензия Apache-2.0. Модель предназначена для диалогов, ответов на вопросы, генерации кода и работы с изображениями. README описывает изменение поведения отказов с помощью удаления направлений отказа из весов и сообщает о результатах внутренних тестов на MMLU и задачах генерации кода. Метаданные перечисляют поддержку многих языков, включая русский, английский, китайский, вьетнамский и японский. README рекомендует температуру 0 и repetition_penalty 1.15 для обычной генерации; при агентном использовании советует температуру 0.1–0.3 и короткие ответы на ход. По данным README, в сравнении с исходной моделью V3 показывает снижение MMLU на 2,1 процентного пункта, а при генерации возможны повторы без настройки repetition_penalty. Модель описана как намеренно менее склонная к отказам на ограниченные запросы, поэтому её ответы требуют самостоятельной проверки.

Qwen3-VL-2B-Thinking — компактная мультимодальная модель семейства Qwen3-VL, представленная в репозитории Unsloth как дообученная версия Qwen/Qwen3-VL-2B-Thinking. Модель построена на плотной архитектуре Qwen3VLForConditionalGeneration и предназначена для диалоговой работы с текстом и изображениями, визуальных рассуждений и анализа видео. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Модель подходит для распознавания объектов и текста на изображениях, ответов на вопросы по визуальному содержимому, анализа пространственных отношений, STEM-задач и понимания видеособытий с временными отметками. Карточка базовой модели заявляет контекст 256K токенов с возможностью расширения до 1M и поддержку OCR на 32 языках; эти характеристики описывают семейство Qwen3-VL и не подтверждены отдельными измерениями именно этой копии. В карточке также упомянуты сценарии визуального управления интерфейсами и генерации кода интерфейсов по изображениям или видео. Модель ориентирована на мультимодальные запросы с изображениями и текстом; описание семейства также указывает на анализ видео. Основные заявленные сильные стороны — визуальное восприятие, OCR, пространственное понимание и рассуждения. Качество отдельных задач в README не приведено, поэтому его следует проверять на целевых данных. Лицензия репозитория — Apache-2.0.

Qwen3-VL-30B-A3B-Thinking-GGUF — мультимодальная vision-language модель из серии Qwen3-VL, разработанная командой Qwen и представленная в формате GGUF проектом Unsloth. Модель предназначена для генерации текста на основе текстовых и визуальных входных данных, включая анализ изображений и видео, визуальное рассуждение, OCR, понимание пространственных отношений, решение задач STEM и математики, а также взаимодействие с графическими интерфейсами и инструментами. Модель использует MoE-архитектуру и относится к reasoning-ориентированной версии Thinking; заявленный размер — 30B параметров при 3B активных параметрах. Поддерживаются текст, изображения и видео. Контекст составляет 256K токенов с возможностью расширения до 1M. Среди архитектурных особенностей указаны Interleaved-MRoPE для временного и пространственного позиционирования, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — мультимодальное понимание, визуальное и пространственное рассуждение, обработка длинного контекста и видео, распознавание текста в сложных условиях, а также генерация Draw.io, HTML, CSS и JavaScript по изображениям или видео. Ограничения, требования к ресурсам, точные показатели производительности и конкретные параметры GGUF-квантизации в README не указаны. Модель распространяется по лицензии Apache-2.0; в репозитории Unsloth также отмечены исправления chat template.

n0kovo/Qwen3-VL-32B-Instruct-heretic-v2 — версия Qwen3-VL-32B-Instruct, обработанная методом abliteration: по приведённому сравнению модель реже отказывает в ответе, сохраняя близость к исходному поведению с KL-дивергенцией 0,1565. Это плотная мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration, предназначенная для диалогов по тексту и изображениям. Модель подходит для визуальных вопросов и ответов, распознавания текста на изображениях, анализа сцен и пространственных отношений, а также понимания видео и генерации текста. В README для исходной модели указаны контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках; метаданные этой копии не подтверждают, что все эти характеристики сохранены без изменений. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

knowledgator/Qwen-encoder-0.5B — текстовая модель Knowledgator на архитектуре Qwen2 с 494 млн параметров. Это двунаправленная версия Qwen2-0.5B, преобразованная в текстовый энкодер по подходу LLM2Vec: с двунаправленным вниманием, masked token prediction и контрастивным обучением на данных Wikipedia. Модель предназначена для извлечения контекстных представлений текста и адаптации к задачам классификации, ответов на вопросы и разметки токенов, включая распознавание именованных сущностей. Модель работает с текстом, использует библиотеку Transformers и поддерживает контекст до 131 072 токенов. В карточке указаны английский язык и датасет Wikipedia. Указанная лицензия — Apache-2.0. README содержит примеры адаптации и дообучения под конкретные дискриминативные задачи; результатов оценки качества для отдельных задач в предоставленных материалах нет.

Marscen/roberta-base-squad2-finetuned-squad2 — модель RobertaForQuestionAnswering на базе RoBERTa с 151,8 млн параметров, дообученная на датасете SQuAD v2. Она предназначена для извлечения ответа на вопрос из предоставленного текста, включая возможность не находить ответ, если его нет в контексте. При оценке на тестовой выборке указано значение Loss 0,8815. Модель принимает вопрос и текстовый контекст и выдаёт текстовый ответ; максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия — CC BY 4.0.

SauerkrautLM-ColQwen3-8b-v0.1 — мультимодальная модель VAGOsolutions для поиска по визуальным документам. Она дообучена на базе Qwen/Qwen3-VL-8B и формирует многовекторные представления размерностью 128 для позднего взаимодействия в стиле ColBERT. Модель принимает изображения документов и текстовые запросы, учитывает их визуальную структуру, включая таблицы, формы и диаграммы, и предназначена для извлечения релевантных страниц без отдельного этапа OCR. Модель содержит 8 млрд параметров, поддерживает до 1540 визуальных токенов на изображение и обучалась для работы на английском, немецком, французском, испанском, итальянском и португальском языках. В README указаны результаты на наборах ViDoRe и MTEB; лицензия — Apache-2.0. Заявленные показатели относятся к оценкам автора и могут отличаться на других данных и в иных условиях.

SenOCR-Vi — модель распознавания текста и элементов документов, разработанная VietAlpha Lab на базе PaddleOCR-VL-1.6 и дообученная для вьетнамских документов. Она предназначена для OCR печатных страниц, фотографий документов, архивных материалов и учебников, а также для встраивания в конвейеры загрузки и разбора документов. Модель использует архитектуру PaddleOCR-VL с условной генерацией; в README указано около 0,959 млрд параметров, тогда как метаданные каталога приводят 318,2 млн. Контекст составляет 131 072 токена. Через Transformers доступно распознавание по элементам, а в конвейере PaddleOCR-VL — разбор страниц. Основной язык оптимизации — вьетнамский; также приведены результаты для английского и упрощённого китайского. На указанной в README выборке из 160 страниц модель получила 86,7% по распознаванию вьетнамского текста и 82,83 по составной оценке документов. Лицензия Apache 2.0 разрешает коммерческое использование, модификацию и распространение. Качество распознавания структурированных элементов ниже, чем обычного текста; сложные таблицы, формулы, плотная многоколоночная верстка и сильно повреждённые изображения остаются трудными случаями.

deepset/tinyroberta-squad2 — компактная модель deepset для извлечения ответов на вопросы из текста. Это дистиллированная версия deepset/roberta-base-squad2 на архитектуре RoBERTa с 95,2 млн параметров; контекст составляет до 514 токенов. Модель обучена для extractive question answering на SQuAD 2.0 и рассчитана на английский язык. Модель находит ответный фрагмент в предоставленном тексте и подходит для поиска ответов в документах, например в конвейере Haystack. По данным карточки, её качество сопоставимо с базовой моделью, а скорость работы примерно вдвое выше. Дистилляция выполнена в два этапа по подходу TinyBERT: промежуточная дистилляция RoBERTa, затем обучение под задачу QA с учителями deepset/roberta-base-squad2 и deepset/roberta-large-squad2. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0. Модель предназначена для извлечения ответа из заданного контекста, а не для свободной генерации; качество и охват языков за пределами английского не подтверждены карточкой.

trocr-barbados-fold1 — дообученная MusaNyaks модель Microsoft TrOCR base handwritten для распознавания рукописного текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображения с текстом в текстовую последовательность. В README указана оценка Loss 0.8971 на тестовой выборке; набор данных не описан. Модель подходит для распознавания рукописных записей в сценариях, соответствующих обучающим данным, однако их состав и качество модели в конкретных условиях по карточке оценить нельзя. Репозиторий распространяется по лицензии MIT.

MusaNyaks/trocr-barbados-fold2 — дообученная модель Microsoft TrOCR base handwritten для преобразования изображений рукописного текста в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания рукописных строк; в README указано значение loss 0,9111 на наборе оценки. Данные обучения, целевой язык и подробные сценарии применения в карточке не описаны. Модель распространяется в формате safetensors по лицензии MIT.

kazars24 выпустил русскоязычную дообученную версию TrOCR base для распознавания рукописного текста на изображениях. Модель предназначена для OCR рукописных строк и фрагментов текста на русском языке. Это encoder-decoder архитектура Vision Transformer: BEiT-инициализированный визуальный энкодер разбивает изображение на патчи 16×16, а декодер на основе Transformer авторегрессионно генерирует текст. Модель дообучена на Cyrillic Handwriting Dataset, содержащем русские рукописные фрагменты; в README указаны CER 0,048542 и validation loss 0,120961. Модель основана на microsoft/trocr-base-handwritten и распространяется в формате safetensors для библиотеки Transformers. Подходит для распознавания рукописных строк и фрагментов; качество может зависеть от разборчивости почерка и отличий изображений от обучающих данных. Сведения о лицензии в предоставленных материалах отсутствуют.

TrOCR-Ru — модель распознавания текста на изображениях, созданная дообучением microsoft/trocr-base-handwritten на синтетических наборах данных от nastyboget. Она использует архитектуру Vision Encoder-Decoder и предназначена для OCR рукописного текста, в том числе кириллицы. Модель обучалась на наборах stackmix_hkr_large, stackmix_cyrillic_large и synthetic_cyrillic_large. В карточке приведены результаты на HKR и Cyrillic: точность составляет примерно 64–72%, CER — 6,6–9,3%, WER — 21,6–33,2% в зависимости от тестового набора. Поддерживаются русский и английский языки; модель принимает изображение и выдаёт распознанный текст. Модель распространяется под лицензией Apache-2.0. Метрики показывают ошибки распознавания, поэтому результаты на реальных документах и почерках, отличающихся от обучающих данных, могут быть хуже.

TrOCR large handwritten — модель распознавания рукописного текста, разработанная Microsoft и дообученная на наборе IAM. Она предназначена для OCR отдельных строк текста на изображениях. Модель использует архитектуру encoder-decoder: Transformer на основе изображений кодирует визуальные патчи размером 16×16, а текстовый Transformer авторегрессионно генерирует распознанные токены. Визуальный энкодер инициализирован весами BEiT, текстовый декодер — RoBERTa. Модель выпущена в формате PyTorch. Подходит для преобразования изображений рукописных строк в текст. Карточка не приводит показатели качества и не описывает обработку целых страниц или смешанных печатных и рукописных документов. Лицензия в предоставленных данных не указана.

Модель harisali9211/trocr-large-printed-e13b_tesseract_MICR_ocr_with_character — дообученная версия microsoft/trocr-large-printed для распознавания текста на изображениях. Она использует архитектуру vision-encoder-decoder и предназначена для сценариев OCR; название указывает на обработку печатных символов и MICR, однако README не раскрывает подробностей датасета и целевых форматов документов. В оценке на неизвестном наборе данных указаны Loss 0,1742 и CER 0,0032. Модель принимает изображение и выдаёт текст. Она основана на крупной TrOCR-модели, предназначенной для распознавания печатного текста на изображениях строк. Карточка не сообщает о поддерживаемых языках или ограничениях применения. Лицензия в предоставленных данных не указана.

Whisper-NER — модель семейства Whisper, представленная авторами работы «WhisperNER: Unified Open Named Entity and Speech Recognition». Она совместно преобразует речь в текст и распознаёт в нём именованные сущности открытого типа, то есть может выделять разные типы сущностей, заданные во время использования. Модель предназначена как базовая для последующей настройки под конкретные наборы данных и сценарии распознавания речи с извлечением сущностей. Модель содержит около 905,2 млн параметров, принимает аудио и выдаёт транскрипцию с распознанными сущностями. В метаданных указан английский язык, а лицензия репозитория — MIT. Карточка не приводит метрики качества и подробностей о поддерживаемых аудиоформатах; для повышения качества на прикладных данных авторы рекомендуют дообучение.

deepset/xlm-roberta-base-squad2-distilled — многоязычная модель для извлекающего ответа на вопросы, разработанная deepset с помощью дистилляции в Haystack. Учитель модели — deepset/xlm-roberta-large-squad2; обучение и оценка проводились на SQuAD 2.0. Модель содержит 305,2 млн параметров, построена на архитектуре XLM-RoBERTa и принимает контекст длиной до 514 токенов. Модель находит ответ на вопрос непосредственно во входном тексте и подходит для поиска ответов в документах, в том числе в конвейерах Haystack. Она поддерживает несколько языков, но карточка не перечисляет их по отдельности. Лицензия — MIT. Оценка в карточке приведена для SQuAD 2.0; качество на других языках и типах текстов может отличаться.

Это модель ALBERT XXLarge V2, дообученная Марком Фебловицем из IBM Research для ответов на вопросы по тексту в формате SQuAD 2.0. Она предназначена для открытых вопросов и задач понимания прочитанного: на вход получает вопрос и контекст, а на выходе определяет ответ в контексте или отсутствие ответа. Модель основана на архитектуре ALBERT и содержит около 3,3 млрд параметров. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Язык обучения и лицензия в карточке не уточнены.

Cohere Labs Aya Vision 32B — мультимодальная модель с открытыми весами на 32 млрд параметров для работы с изображениями и текстом. Она принимает изображения и текст, а в ответ генерирует текст. Модель предназначена для распознавания текста на изображениях, создания подписей, визуальных рассуждений, суммаризации и ответов на вопросы по изображениям; также поддерживает сценарии с текстовым вводом и генерацией кода. Архитектура сочетает языковую модель Aya Expanse 32B с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Контекст составляет 16K токенов. Для обработки изображения используется до 12 фрагментов и миниатюра; разрешение фрагмента — 364×364 пикселя. Модель обучена работать с 23 языками, включая русский, английский, китайский, японский, арабский и хинди. Модель разработана Cohere Labs и опубликована как исследовательский релиз с открытыми весами. Для её запуска используется библиотека Transformers. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование; также требуется соблюдать Acceptable Use Policy Cohere Labs.

deepset разработала англоязычную модель для извлечения ответов на вопросы из текста. Это дообученная для extractive QA версия bert-base-uncased, обученная и оценённая на SQuAD 2.0. Модель выбирает ответный фрагмент из предоставленного контекста и подходит для систем поиска ответов по документам, в том числе построенных на Haystack. Модель использует архитектуру BERT с 136,7 млн параметров и принимает текст с контекстом длиной до 512 токенов. Она может отвечать на вопросы, для которых в контексте нет ответа, что соответствует постановке SQuAD 2.0. Выпускается в форматах PyTorch и safetensors. Лицензия — CC BY 4.0.

Это англоязычная модель BERT-base uncased для ответов на вопросы по заданному текстовому контексту, дообученная на SQuAD 1.1 и созданная с помощью библиотеки nn_pruning. В модели 136,7 млн параметров; она не различает регистр букв и поддерживает контекст длиной до 512 токенов. Структурное прореживание сократило линейные слои до 26% исходных весов, а общее число весов — до 42%. По оценке README, на тестировании модель работала в 2,44 раза быстрее исходной; точность составила 87,71 F1 и 80,03 EM против 88,5 F1 и 80,8 EM у исходной модели. Доступны веса PyTorch и TensorFlow. Модель предназначена для извлечения ответов из контекста, например в системах поиска и справочных интерфейсах. Лицензия — MIT.

joonion/bert-finetuned-squad — модель DistilBERT, дообученная на неизвестном наборе данных на основе distilbert/distilbert-base-cased-distilled-squad. Она предназначена для ответов на вопросы по переданному текстовому фрагменту: модель получает вопрос и контекст и извлекает из контекста ответ. Архитектура — DistilBertForQuestionAnswering; максимальная длина контекста составляет 512 токенов. Модель работает с текстом и распространяется в формате safetensors. Карточка не приводит подробностей о дополнительном наборе данных, оценке качества или специальных сценариях применения. Лицензия — Apache-2.0.

MTalha056/bert-finetuned-squad — модель на архитектуре BERT для ответов на вопросы, разработанная на основе bert-base-cased и дообученная на неизвестном наборе данных. Она предназначена для извлечения ответа из текста по заданному вопросу. Модель содержит 135,5 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Карточка модели не описывает обучающие данные, качество и ограничения; язык модели по имеющимся сведениям определить нельзя.

Chitrapathak-2 — мультимодальная OCR-модель от Krutrim AI Labs для распознавания печатного текста в документах на индийских языках и английском. Это дообученная версия Nanonets-OCR2-3B с архитектурой Qwen2.5-VL: визуальный энкодер обрабатывает изображение, а декодер на 3,1 млрд параметров формирует текст. Модель доступна через Transformers и vLLM, поддерживает контекст до 128 000 токенов. Модель предназначена для извлечения текста со страниц книг, PDF и сканов. Она рассчитана на хинди, санскрит, бенгальский, телугу, тамильский, маратхи, каннада, малаялам, одия, панджаби и английский; особенно сильные результаты заявлены для телугу. Модель сохраняет структуру многоколоночных страниц и плотных абзацев, но её назначение ограничено OCR: она возвращает транскрипцию и не предназначена для более широкого анализа документов. Качество может снижаться на рукописном, зашумлённом или низкокачественном изображении, редких письменностях, формах и сложных страницах указателей. Лицензия в метаданных указана как other; конкретные условия следует сверить с карточкой модели.

CogVLM2 Chinese Chat — мультимодальная чат-модель компании Zhipu AI на архитектуре CogVLM2 с языковой основой Meta-Llama-3-8B-Instruct. Она принимает изображения и текст и генерирует текстовые ответы на вопросы о содержимом изображений, включая документы, диаграммы и сцены. Поддерживает китайский и английский языки, изображения с разрешением до 1344 × 1344 пикселей и контекст до 8192 токенов. Модель предназначена для визуальных вопросов и ответов, чтения текста на изображениях и анализа документов без внешних OCR-инструментов. README сообщает об улучшениях на бенчмарках TextVQA и DocVQA относительно предыдущего поколения CogVLM. В метаданных размер указан как 8,3 млрд параметров, тогда как README описывает семейство как модель на 19B; точный размер этой версии поэтому представлен источниками неоднозначно. Модель опубликована в формате safetensors. Лицензия указана как «other»; конкретные условия использования следует сверять с условиями репозитория и базовой модели.

Damysus-2.7B-Chat — англоязычная диалоговая модель Prince Canuma, дообученная на базе Microsoft Phi-2 для следования инструкциям. Это плотный Transformer для генерации текста с 3,5 млрд параметров по метаданным и контекстом до 2048 токенов. Модель рассчитана на ответы на вопросы, извлечение данных, структурированные ответы, включая JSON, и объяснения; её также можно использовать как компонент RAG для синтеза ответов, суммаризации и переформулирования запросов. Модель обучали на данных SlimOrca и наборах TinyOrca; автор сообщает, что лучшие результаты получил при дообучении на 200 примерах. Репозиторий содержит веса Safetensors, для работы предусмотрена библиотека Transformers. Лицензия — MIT. Модель в первую очередь рассчитана на стандартный английский; сленг и другие языки могут обрабатываться хуже. Ответы и фрагменты кода могут быть фактически неверными, а знания о программировании в основном связаны с Python и распространёнными библиотеками, поэтому результаты следует проверять.