I.3Извлечение и структурирование данных

Shankarblr/bert-based-MovieQA — англоязычная модель для ответов на вопросы о фильмах, созданная дообучением DistilBERT. Она использует экстрактивный подход: находит ответ в переданном контексте, содержащем сведения о названии фильма, жанре, годе выхода, бюджете, сборах или описании. Модель обучена на пользовательском наборе данных, сформированном из IMDB movie data в формате, близком к SQuAD, и предназначена для поиска фактов в текстовом представлении данных о фильмах. Модель подходит для чат-ботов, извлечения атрибутов и поиска по каталогам фильмов, если нужные сведения уже включены в контекст. Архитектура — DistilBERT для вопросно-ответных задач, формат весов — safetensors; максимальная длина контекста составляет 512 токенов. Лицензия — MIT. Ответы ограничены предоставленным контекстом и доменом обучающих примеров; модель не предназначена для генерации сведений, отсутствующих в контексте.

Koichi Yasuoka разработал эту модель на основе BERT для разметки частей речи в текстах на тайском языке. Она дообучена на текстах тайской Википедии и присваивает каждому слову тег UPOS из универсального набора частей речи; архитектура — BertForTokenClassification, размер — 119,8 млн параметров, максимальная длина контекста — 512 токенов. Модель подходит для автоматической POS-разметки тайских текстов и подготовки данных для языкового анализа, включая сценарии синтаксического разбора. Она принимает текст и выдаёт метки для токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

BERTweet.BR — языковая модель семейства RoBERTa, разработанная авторами карточки модели для работы с португалоязычными твитами. Модель обучена с нуля по процедуре предварительного обучения RoBERTa на корпусе примерно из 100 миллионов твитов объёмом около 9 ГБ. Она содержит 162,4 млн параметров и принимает последовательности длиной до 130 токенов. Модель предназначена для восстановления скрытых токенов в тексте и получения контекстных представлений португалоязычных публикаций в социальных сетях. Токенизатор нормализует твиты, включая обработку упоминаний, URL и эмодзи. Весовые файлы доступны в формате PyTorch; лицензия — Apache-2.0. Карточка демонстрирует извлечение скрытых представлений, но не приводит оценки качества и не описывает специализированную настройку для отдельных задач.

ByT5 Leetspeak Decoder — модель преобразования текста на основе архитектуры ByT5, предназначенная для декодирования leetspeak, интернет-сленга и визуально изменённых написаний в обычный текст. Автор карточки указывает базовую модель google/byt5-base и описывает обучение с curriculum learning и adversarial filtering для различения цифр, заменяющих буквы, и чисел с буквальным значением. Модель ориентирована на нормализацию и восстановление читаемого текста: например, она преобразует «1t5 2 l8 4 2 people» в «It is too late for 2 people», сохраняя число людей как количество. В карточке заявлены результаты на задачах декодирования leetspeak и смешанного контекста чисел, однако текущая версия V3 помечена как неисправная; автор рекомендует использовать ветку V2-legacy. Репозиторий содержит веса в формате safetensors, модель насчитывает около 595,1 млн параметров и распространяется по лицензии MIT.

CHATUtterance-en — модель семейства BERT для сегментации высказываний, выпущенная проектом TalkBank. Это производная BERT-модель с архитектурой BertForTokenClassification, содержащая 136,7 млн параметров и обрабатывающая последовательности длиной до 512 токенов. Модель размечает токены для определения границ высказываний в транскриптах речи. Она обучена на примерах сегментации и диаризации высказываний из корпуса Michigan Corpus of Academic Spoken English. Модель можно использовать как классификатор токенов в Transformers или вместе с пакетом TalkBank Batchalign в режиме transcribe для более полного анализа. Модель предназначена для англоязычных транскриптов. В доступных сведениях не указаны лицензия и конкретные ограничения качества; условия использования следует сверить с карточкой репозитория.

Distil-PII-Llama-3.2-1B-Instruct — компактная языковая модель Distil Labs GmbH, дообученная на базе meta-llama/Llama-3.2-1B-Instruct для редактирования персональных данных с учётом заданной политики. Она принимает текст с инструкцией и контекстом и выдаёт один JSON-объект с очищенным текстом и перечнем найденных сущностей. Модель рассчитана на локальную обработку переписок службы поддержки, логов, заявок и стенограмм: она удаляет идентифицирующие сведения, стараясь сохранять операционно полезные части, например последние цифры идентификаторов и номера заказов. Модель имеет плотную архитектуру LlamaForCausalLM и 1,2 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка описывает обучение на компактной спецификации политики и примерно двадцати примерах с акцентом на строгую JSON-схему, минимальные правки текста и корректное выделение сущностей. В оценке по детерминированной рубрике, проводившейся с помощью языковой модели, указан результат 0,82 ± 0,03. Модель предназначена для английского языка; обобщение на другие языки не гарантируется. Она может пропускать новые форматы данных или избыточно скрывать обычные слова, а также не рассчитана на незнакомые доменные идентификаторы и юридические или комплаенс-консультации. Для использования применяются условия Llama 3.2 Community License Agreement.

DZAIR — разработанная авторами карточки с нуля энкодерная модель для понимания алжирского дариджа. Она обучена на разножанровых текстовых источниках и рассчитана на арабское письмо, латинскую запись Arabizi и переключение на французский. Модель содержит 105,3 млн параметров, использует 12 дискриминаторных слоёв с шириной 768, группированное внимание и SwiGLU; длина контекста — 512 токенов. Доступные веса сохранены в формате safetensors, библиотека загрузки — Transformers. Модель предназначена для классификации тональности, эмоций, тем и диалектных вариантов, а также для вычисления представлений текста, поиска сходства, кластеризации и извлечения релевантных текстов. В описанных авторами тестах она превзошла DziriBERT на тональности форумов и Arabizi, но немного уступила на Twitter; на диагностическом тесте с замороженными весами результат был ниже DziriBERT. Лицензия — Apache-2.0. Авторы рекомендуют исследовательское применение: модель не предназначена для генерации, перевода, других языков и диалектов или принятия решений о людях; предобучение на социальных сетях могло включать оскорбительную лексику, а смещения, токсичность и фактическая точность не оценивались.

Employee Micro-SLM — компактная авторская причинная языковая модель на 15,3 млн параметров, разработанная для чтения документов и суммирования сведений о сотрудниках. Она принимает произвольные данные в формате JSON, XML или обычного текста в контексте запроса и предназначена для извлечения фактов и подготовки кратких сводок на их основе. Модель построена с нуля как декодерный Transformer: 6 слоёв, скрытый размер 384, 6 голов внимания, блок SwiGLU и нормализация RMSNorm. Используются RoPE и байтовый BPE-токенизатор со словарём из 2 960 элементов и обработкой любых символов Unicode. Максимальная длина последовательности — 512 токенов; доступны веса PyTorch и заявлена поддержка инференса на CPU и GPU. В карточке заявлены ответы, строго основанные на переданном документе, однако эта гарантия не подтверждена независимыми данными. Небольшой контекст ограничивает размер обрабатываемых документов, а основное назначение модели — сценарии с данными о сотрудниках на английском языке. Лицензия — MIT.

EUUkraine — дообученный бинарный классификатор на базе jhu-clsp/mmBERT-base, разработанный для определения, посвящено ли предложение из парламентской речи Европейскому союзу. Модель обучена на вручную размеченных парламентских выступлениях, включая данные Верховной рады Украины и других европейских парламентов; она относит предложения к классам «о ЕС» и «не о ЕС». Архитектура — ModernBERT для классификации последовательностей, размер — 306,9 млн параметров, максимальный контекст по метаданным — 8192 токена. В обучении использовалась длина последовательности 320 токенов. Модель предназначена для исследований парламентской риторики и анализа упоминаний ЕС в корпусах выступлений. Многоязычная база позволяет работать с речами разных европейских парламентов, однако качество для конкретного языка или парламента зависит от охвата обучающих данных и схемы разметки. Предварительные оценки распространённости тем желательно калибровать на выборке, отражающей реальные базовые частоты. Лицензия — MIT.

Wiebke дообучила DistilBERT на основе distilbert/distilbert-base-german-cased для классификации текста. Модель предназначена для отнесения немецкоязычных текстов к классам; конкретные классы и область применения в карточке не раскрыты. Архитектура — DistilBertForSequenceClassification, формат весов — safetensors, библиотека — Transformers. Контекст составляет 512 токенов. В README указаны Accuracy 0,9298 и F1 0,9296 на оценочном наборе, однако его состав и данные обучения не описаны. Модель распространяется по лицензии Apache-2.0.

Модель создана Матаном Бен-Чорином и Май Фластер под руководством доктора Орена Мишали как выпускной проект Техниона. Это дообученная версия avichr/heBERT на наборе Hebrew_Squad_v1 — автоматически переведённом на иврит наборе SQuAD для ответов на вопросы по заданному контексту. Модель использует архитектуру BERT и предназначена для извлечения ответа из предоставленного текста по вопросу на иврите. Контекст ограничен 512 токенами. В README указаны результаты на Hebrew_Squad_v1: Exact Match 42,6 и F1 55,9. Репозиторий содержит веса PyTorch и насчитывает 136,7 млн параметров по метаданным. Лицензия в доступных данных не приведена.

Llama2-7b-Finance — языковая модель Collin Heenan, дообученная на финансовом датасете AdiOO7/llama-2-finance. Это плотная трансформерная модель семейства Llama с 6,6 млрд параметров, предназначенная для генерации финансовых текстов и ответов на вопросы о финансовых терминах и процессах. Контекст модели составляет 4096 токенов; основной язык карточки — английский. Модель может помогать составлять финансовые отчёты и сводки, анализировать тональность финансовых новостей и извлекать сведения из документов. Карточка также указывает на возможное применение для ответов на финансовые вопросы. Модель распространяется по лицензии MIT. Её ответы могут отражать смещения обучающих данных, а точность за пределами финансовой тематики может быть ниже.

Модель bababababooey/llama-3.2-11b-vision-instruct-stheno-abliterated — экспериментальная версия Llama 3.2 11B Vision Instruct, созданная заменой языковой части на v000000/L3-8B-Stheno-v3.2-abliterated. Она принимает изображения и текст и генерирует текстовые ответы для визуальных вопросов, описания изображений, рассуждений по изображению и диалога с картинками. Архитектура основана на Mllama с vision-адаптером и перекрёстным вниманием; в README для исходной модели указаны 11 млрд параметров и контекст 128 тыс. токенов. Карточка описывает семейство Meta Llama 3.2 Vision, но отмечает, что в этой копии языковая модель была заменена. Поддерживаемые языки исходной модели для текстовых задач: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский; для задач с изображениями заявлен только английский. Модель распространяется по лицензии Llama 3.2 Community License, которая допускает коммерческое и исследовательское использование при соблюдении её условий. Замена языковой части обозначена как тест; качество и совместимость этой сборки не подтверждены в карточке.

Llama-3-SEC-Base — языковая модель Arcee AI для генерации текста и анализа документов Комиссии по ценным бумагам и биржам США (SEC). Она построена на Meta-Llama-3-70B-Instruct и представляет собой промежуточный контрольный снимок: модель прошла непрерывное предобучение на финансовых данных и была объединена с базовой моделью методом TIES. Обучение проводилось с использованием Megatron-Core; в описании указано, что на момент выпуска чекпойнт обработал 20 млрд токенов, а обучение на полном наборе данных ещё продолжалось. Модель рассчитана на работу с английскими SEC-отчётами и сценарии вроде инвестиционного анализа, оценки рисков, проверки нормативного соответствия, а также изучения корпоративного управления и рыночных тенденций. Это плотная авторегрессионная модель архитектуры Llama с 69,5 млрд параметров и контекстом 8192 токена; она принимает текст и генерирует текст. Несмотря на шаблон чата Llama 3, эта версия не прошла дополнительное supervised fine-tuning для диалогов. Доступна по лицензии Llama 3, допускающей коммерческое и некоммерческое использование с соблюдением её условий.

MBZUAI/LLaVA-Meta-Llama-3-8B-Instruct-FT — мультимодальная модель LLaVA v1.5, дообученная с языковой моделью Meta-Llama-3-8B-Instruct. В обучении сначала настраивали проектор между зрительной и языковой частями, затем дообучили все параметры, кроме визуального энкодера CLIP. В карточке указаны наборы LCS-558K для предварительного обучения и LLaVA-Instruct-665K для дообучения. Модель предназначена для диалогового понимания изображений и ответов на вопросы по их содержимому. Репозиторий содержит около 7,5 млрд параметров в формате safetensors; контекст — до 8192 токенов. Метаданные Hugging Face указывают задачу text-generation, а архитектура LLaVA и описание README подтверждают работу с изображениями. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

Raychanan/Longformer_Conflict — модель классификации последовательностей на архитектуре Longformer, представленная в формате PyTorch. По метаданным, она содержит 151,8 млн параметров и рассчитана на контекст до 4098 токенов. README приводит параметры обучения: скорость обучения 5e-5, пять эпох и размер пакета 1 для обучения и оценки, что указывает на дообучение модели для классификации текста. Данные не сообщают, какие именно классы или предметная область использовались при обучении. Модель подходит для отнесения текстов к заданным классам, в том числе для классификации длинных документов. Конкретные поддерживаемые языки и специализация не описаны. Условия лицензии в предоставленных данных отсутствуют.

mesolitica/malaysian-debertav2-base — базовая модель DeBERTaV2, предварительно обученная разработчиком Mesolitica на текстах на малайском языке. Модель содержит 137,8 млн параметров и рассчитана на контекст до 4096 токенов; в репозитории указаны веса в формате safetensors. Это базовый чекпойнт для задач понимания малайского текста и последующего дообучения под конкретные сценарии, например классификацию или извлечение информации. README указывает на предварительное обучение с маскированием токенов и длину контекста 512 для этого режима. Конкретные показатели качества и готовые прикладные задачи не приведены. Лицензия в предоставленных данных не указана.

UMCU/MedRoBERTa.nl_Experiencer — медицинская модель на архитектуре RoBERTa, разработанная командой MedRoBERTa.nl и дообученная Брамом ван Эсом для распознавания того, к кому относится упомянутое в тексте клиническое состояние или событие (experiencer detection). Модель предназначена для нидерландских клинических текстов и использует контекстные окна до 64 токенов вокруг размечаемого понятия. Базовую модель MedRoBERTa.nl предварительно обучали с нуля на почти 10 миллионах обезличенных записей из электронных медицинских карт больниц Амстердамских университетских медицинских центров. Для дообучения использован корпус Erasmus Dutch Clinical Corpus с синтетическим увеличением доли редких классов. Это модель RoBERTa для классификации токенов объёмом 153,2 млн параметров; максимальный контекст составляет 514 токенов. Для доступа к медицинским классификаторам авторы предлагают связаться с ними; упоминается интеграция в библиотеку clinlp. Лицензия — GPL-3.0. Модель подходит для извлечения сведений о пациенте и других участниках клинических записей, например, чтобы отличать анамнез самого пациента от семейного анамнеза. Она специализирована на нидерландском медицинском тексте; качество на других языках и вне клинического домена не заявлено.

mr_resnest101e_finetuned_OS_6inch_2nd_ed_railspace_and_building — модель классификации изображений на основе ResNeSt-101e, дообученная на картах OS 2nd edition размером 6 дюймов с данными MapReader 2022. Это воспроизведение модели из статьи MapReader 2021 года, предназначенное для анализа карт и распознавания наличия железнодорожных участков и зданий. Модель относит изображения к одному из четырёх классов: отсутствие целевых объектов, railspace, building или сочетание railspace и building. Модель создана для задач MapReader по классификации фрагментов карт. Репозиторий распространяет веса PyTorch; лицензия — Apache-2.0. Карточка не сообщает метрики качества или подробные сведения о размере входного изображения и условиях обучения.

lusxvr/nanoVLM-230M-8k — мультимодальная модель семейства nanoVLM для обработки изображений и текста. Репозиторий использует библиотеку nanoVLM и формат весов safetensors; карточка помечает модель как vision-language и research. Лицензия — MIT. Модель предназначена для сценариев image-text-to-text: пользователь передаёт изображение и текстовый запрос, а модель формирует текстовый ответ. README показывает загрузку через библиотеку nanoVLM, но пример ссылается на репозиторий с суффиксом «-2», поэтому идентификатор загрузки в примере не совпадает с карточкой lusxvr/nanoVLM-230M-8k. В предоставленных данных нет сведений о размере параметров, длине контекста, поддерживаемых языках, качестве и конкретных ограничениях применения.

OLM RoBERTa October 2022 — англоязычная модель семейства RoBERTa, созданная в рамках проекта OLM. Это плотная трансформерная модель с архитектурой RobertaForMaskedLM и примерно 151,8 млн параметров; она обучена на очищенных снимках Common Crawl и Wikipedia за октябрь 2022 года. Длина контекста составляет 514 токенов. Модель предназначена для восстановления скрытых токенов в тексте и как основа для дообучения под классификацию последовательностей, разметку токенов и ответы на вопросы. Авторы сообщают, что она обновляет знания по сравнению с исходными BERT и RoBERTa и показывает сопоставимые результаты на ряде стандартных тестов; результаты на GLUE различаются в зависимости от задачи. Доступны веса в форматах PyTorch и TensorFlow. Лицензия в предоставленных данных не указана. Модель ориентирована на английский язык и не является готовой специализированной системой для классификации или ответов на вопросы: для этих сценариев требуется дообучение.

CewEhao/OPD-TV-Qwen3-VL-8B — мультимодальная модель для временной локализации событий в видео, созданная дообучением Qwen3-VL-8B-Instruct. Она принимает видео и текстовый запрос и формирует текстовый ответ с временными границами искомого события. Модель выпущена как основной чекпойнт для оценки метода OPD-TV, который переносит привилегированные временные свидетельства от учителя к модели-ученику при обучении; во время вывода используется только исходный визуальный вход ученика. В README приведены результаты на Charades-STA, ActivityNet Captions и QVHighlights. Описанный протокол оценки использует равномерную выборку 2 кадра в секунду, предел 768 кадров и до 64 генерируемых токенов. Для запуска указаны Transformers и vLLM с параметром --trust-remote-code. Модель распространяется по лицензии Apache-2.0.

OpenJEV E4B 1.0 — модель для классификации с выбором из заданного набора вариантов, разработанная командой OpenJEV на базе Gemma 4 E4B Instruct. На вход подаются текстовое состояние, вопрос и два или более вариантов; модель возвращает вероятность для каждого варианта напрямую, без генерации текста. Подходит для классификации тональности, тем, намерений и проверки следования из текста. Модель использует плотную архитектуру и обучалась на текстовых данных. В экспериментальном режиме можно подавать изображения и аудио, сохраняя энкодеры Gemma, однако адаптер, обновления основной модели и классификационная голова обучались только на тексте. Публичная поставка включает адаптер, обновления выбранных слоёв и голову принятия решений; для загрузки требуется базовая модель google/gemma-4-E4B-it. Лицензия — Apache-2.0. Оценки на опубликованных тестах показывают неоднородные результаты: улучшения на некоторых задачах с вариантами ответа и небольшое либо отсутствующее преимущество на других. Авторы отмечают чувствительность к порядку вариантов и то, что тесты не позволяют отделить вклад отдельных компонентов модели. Мультимодальный режим экспериментальный и проверялся только на небольших синтетических примерах.

OpenMed-NER-ProteinDetect-TinyMed-82M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная для классификации токенов модель на архитектуре RoBERTa, основанная на distilroberta-base; в метаданных указано 95,2 млн параметров и контекст до 514 токенов. Модель принимает токенизированный текст и возвращает метки BIO для белков, белковых комплексов, семейств и вариантов белков и связанных сущностей. Модель предназначена для извлечения белковых сущностей из научной литературы и биомедицинских текстов, например для анализа взаимодействий белков, поиска сведений по молекулярной биологии и построения биомедицинских баз знаний. В README приведены результаты на корпусе FSU: F1 0,94, точность 0,93 и полнота 0,95; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-DNA-XLarge-770M — модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе JNLPBA, содержащем аннотации белков, ДНК, РНК, клеточных линий и типов клеток. Модель принимает текст и возвращает найденные сущности с метками; благодаря zero-shot подходу можно задавать собственные типы сущностей без отдельного дообучения. Модель предназначена для извлечения молекулярно-биологических сущностей из научных публикаций и других биомедицинских текстов, например для курирования путей, анализа молекулярных взаимодействий и обработки омных данных. В README приведён результат F1 0,8106 на тестовой выборке JNLPBA; также заявлена совместимость с экосистемой Hugging Face Transformers. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Качество распознавания пользовательских и редких типов сущностей может зависеть от выбранного порога и требует проверки на конкретном наборе данных. Описанные результаты относятся к JNLPBA и не подтверждают одинаковую точность на произвольных клинических текстах; README также содержит более широкие заявления о возможностях, чем перечисленные в нём пять типов обучающих сущностей.

Fatih Burak Karagöz разработал Ottoman-NER Latin — модель распознавания именованных сущностей в исторических османских текстах, записанных латинской транслитерацией. Это BERT-модель для классификации токенов, дообученная на основе dbmdz/bert-base-turkish-cased на специально размеченном наборе данных в формате CoNLL. Модель выделяет имена людей (PER), географические названия (LOC) и организации (ORG). Она предназначена для исторической обработки текстов и проектов цифровой гуманитаристики; размер модели — 137,8 млн параметров, максимальная длина контекста — 512 токенов. В README приведены метрики на тестировании: precision 89,4%, recall 87,1% и F1 88,2%; они не гарантируют такое же качество на других корпусах. Лицензия — MIT.

gechim/phobert-base-v2-finetuned — дообученная модель классификации последовательностей на основе PhoBERT-base-v2, вьетнамского RoBERTa-энкодера. Модель содержит 162,4 млн параметров, принимает текст и выдаёт метки классов. Максимальный указанный контекст — 258 токенов. Модель предназначена для классификации текстов на вьетнамском языке. На тестовой выборке указаны accuracy 0,9593 и F1 0,9594; набор данных и конкретная схема меток не описаны. Лицензия в предоставленных данных не указана.

pretrain1 — модель классификации текста на базе BERT, дообученная авторами репозитория fcx-kilig на неизвестном датасете. Она предназначена для отнесения текста к классам и может использоваться в задачах, где требуется классификация последовательностей. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification, принимает текст и имеет контекст до 512 токенов. В README приведены результаты на оценочной выборке: accuracy 0,7783 и loss 1,0888. Названия классов и состав выборки не раскрыты, поэтому эти оценки не позволяют определить качество для конкретной прикладной задачи. Базовая модель — bert-base-uncased; лицензия — Apache-2.0.

QA_SYNTHETIC_DATA_ONLY_16_AUG — модель XLM-RoBERTa, разработчик которой не раскрыт в карточке. Это дообученная версия xlm-roberta-base для задачи question-answering: она отвечает на вопросы по предоставленному контексту. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa и распространяется в формате PyTorch. Длина контекста составляет 514 токенов. Карточка сообщает о дообучении на неизвестном наборе данных и приводит значение loss 0,0000 на оценочном наборе, но не описывает методику оценки или реальные сценарии применения. Модель выпущена под лицензией MIT. Языковые характеристики, кроме многоязычной основы XLM-RoBERTa, и практические ограничения отдельно не описаны.

MMOPD/Qwen3-4B-OT3-finance — дообученная командой MMOPD модель семейства Qwen3 для ответов на финансовые вопросы и вычислений по финансовым отчётам. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров, рассчитанная на генерацию текста; она принимает текстовые запросы и выдаёт текстовые ответы. Контекст составляет до 32 768 токенов. Модель дообучена методом GRPO на вопросах FinQA и TAT-QA с вознаграждением за совпадение числового ответа; в README указана точность 74,6% на FinQA. Модель подходит для ответов на вопросы по финансовой отчётности и решения задач с числовыми данными. README рекомендует использовать шаблон чата Qwen3, включать режим thinking и генерировать сэмплированием. Указаны результаты общих и профильных бенчмарков, однако по ним модель уступает исходной версии OT3-2ep на части общих оценок. Модель распространяется под лицензией Apache-2.0.