I.3Извлечение и структурирование данных

Карточка модели nttruong1007/qb-pixtral-12b на Hugging Face совпадает с карточкой mistral-experimental/pixtral-12b, поэтому описание составлено по ней. mistral-experimental/pixtral-12b — совместимый с Transformers чекпойнт Pixtral для диалога по изображениям. Карточка описывает работу с историей чата и изображениями, передаваемыми в порядке их появления в сообщениях. Модель предназначена для вопросов и ответов по изображениям и других сценариев, где текстовый запрос сопровождается визуальным входом. В метаданных модель отнесена к архитектуре LlavaForConditionalGeneration семейства LLaVA, с плотной архитектурой и возможностями чата и обработки изображений. Репозиторий содержит веса в формате safetensors; для использования README указывает на необходимость Transformers из исходного кода либо версии 4.45 или новее. Лицензия — Apache-2.0. В карточке нет сведений о языках, размере параметров и длине контекста.

EZCon/Qwen2.5-VL-3B-Instruct-abliterated-mlx — версия в формате MLX, созданная конвертацией модели huihui-ai/Qwen2.5-VL-3B-Instruct-abliterated. Это плотная мультимодальная модель семейства Qwen2.5-VL с 3,1 млрд параметров, предназначенная для диалоговой работы с текстом и изображениями. Репозиторий использует библиотеку MLX и хранит веса в формате safetensors; заявленная длина контекста — 128 000 токенов. README рекомендует для запуска библиотеку mlx-vlm версии 0.6.17 или новее. Модель подходит для вопросов об изображениях и генерации текстовых ответов в диалоге. По метаданным, исходная модель была дообучена и помечена как abliterated; подробности обучения и ограничения следует уточнять в карточке исходной модели. Язык карточки и языковой тег — английский. Условия лицензии в предоставленных данных не приведены.

yeopeter1031 разработал эту модель как полноразмерное SFT-дообучение Qwen3.5-0.8B-Base без LoRA и адаптеров. Это плотная языковая модель на 581,4 млн параметров; опубликованный чекпойнт соответствует шагу 3400 из 4656, примерно 73% обучения. Для неё указано контекстное окно до 262 144 токенов. Модель обучалась на данных AI Hub 88 для извлечения информации из корейских административных документов и создания вики-статей. В README сообщается, что на тестах вне домена, включая учебные материалы по структурам данных, сохранялась основная структура ответа. Это специализированный чекпойнт, не предназначенный для общего диалога; при вне-доменных запросах у небольшой модели иногда наблюдались галлюцинации с примесью китайских токенов. Для эксплуатации рекомендуется постобработка вывода. Лицензия — Apache 2.0, унаследованная от базовой модели. Метрики финального журнала обучения: eval loss 0,0698 и точность токенов 97,75%; они приведены для чекпойнта и сами по себе не гарантируют качество на других данных.

Qwen3.5-35B-A3B-bf16 — мультимодальная модель семейства Qwen, преобразованная сообществом mlx-community из Qwen/Qwen3.5-35B-A3B в формат MLX с использованием mlx-vlm 0.3.12. Модель предназначена для работы с изображениями и текстовыми запросами через библиотеку Transformers и инструменты MLX. Основной сценарий использования — анализ изображений и генерация текстовых ответов по визуальному содержимому, например описание изображений и ответы на вопросы о них. В названии указана MoE-архитектура Qwen3.5 с конфигурацией 35B-A3B и представлением bf16, однако в доступных данных нет подробностей о размере контекста, поддерживаемых языках и точном устройстве архитектуры. Модель ориентирована на запуск в экосистеме MLX; для генерации рекомендуется пакет mlx-vlm. Ограничения, качество на отдельных типах изображений и дополнительные требования к ресурсам в предоставленной карточке не описаны. Распространяется по лицензии Apache-2.0.

FutureMa разработала эту мультимодальную модель на основе Qwen3.5-35B-A3B для распознавания математических формул на изображениях и преобразования рукописных выражений в LaTeX. Это модель зрения и языка с архитектурой Mixture of Experts: 35 млрд параметров всего, около 3 млрд активных; для адаптации применён LoRA. Модель рассчитана на распознавание рукописных формул, уравнений и математической записи в образовательных и исследовательских сценариях. Обучение проводилось на 2 000 примерах из поднабора human_handwrite датасета linxy/LaTeX_OCR. Модель поддерживает английский и китайский языки. Она не оптимизирована для общего описания изображений и распознавания нематематического почерка; из-за небольшого обучающего набора может хуже справляться с необычными стилями письма и сложной нотацией. Для инференса рекомендуется около 30 ГБ видеопамяти или больше. Указана лицензия Qwen License.

Koichi Yasuoka разработал модель на базе RoBERTa для разметки частей речи в текстах на тайском языке. Она предварительно обучена на тайской Википедии и дообучена для присвоения каждому слову метки UPOS — универсальной системы обозначений частей речи. Модель предназначена для автоматической морфологической разметки и может использоваться в конвейерах анализа тайского текста. Модель работает с текстом, токенизированным на слоговом уровне, и выдаёт метки токенов. В карточке также заявлен разбор зависимостей, однако приведённый пример демонстрирует только предсказание UPOS. Основа — KoichiYasuoka/roberta-base-thai-syllable; формат весов PyTorch, лицензия Apache-2.0. Ограничение: обучающие данные происходят из тайской Википедии, поэтому качество на других жанрах и доменах может отличаться.

RelBERT на базе RoBERTa-large, дообученный для представления семантических отношений между словами. Модель разработана для задач понимания отношений: решения аналогий, классификации лексических отношений и сопоставления отношений. Её можно использовать через библиотеку RelBERT для получения векторных представлений текста. Модель содержит 454,1 млн параметров, использует архитектуру RoBERTa и принимает последовательности длиной до 514 токенов. В карточке указана оценка на наборах SAT, BATS, U2, U4, Google, BLESS, CogALexV, EVALution, K&H+N и ROOT09. Модель дообучена на relbert/semeval2012_relational_similarity; в репозитории указаны веса PyTorch. Лицензия в доступных данных не приведена.

CMB-ClimateModernBERT/S_CX_LRD — англоязычная модель-энкодер ModernBERT-Base, разработанная авторами семейства ClimateModernBERT для задач обработки климатических текстов. Это masked language model с 149 млн параметров и контекстом до 8192 токенов; она предсказывает пропущенные токены и может служить основой для дообучения под классификацию, многометочную разметку и поиск по климатическим документам. Модель прошла продолженное предобучение на синтетических климатических текстах, созданных языковой моделью на основе тематических фрагментов. В оценке на девяти климатических NLP-бенчмарках она показала средний F1 74,5 по протоколу авторов. Разработчики отмечают пользу синтетических данных для задач, основанных на таксономиях и фреймворках, и возможное снижение качества при анализе тонких смысловых различий и обязательств. Для общего применения авторы рекомендуют объединённую модель Merge_Soup_LRD. Модель предназначена для исследований и прикладной настройки в климатическом NLP, включая анализ корпоративной отчётности, политических документов, научной литературы и новостей. Она не является диалоговой или инструкционной моделью и не гарантирует достоверность климатических утверждений. Лицензия в доступных данных не указана.

Это дообученная модель mDeBERTa-v3-base для выявления позиции автора комментария по отношению к заданной политической стороне. Она сравнивает текст комментария с гипотезами о согласии, несогласии или отсутствии позиции и выбирает класс с наибольшей оценкой entailment. Модель предназначена прежде всего для итальянских комментариев Instagram к публикациям итальянских политиков, в частности по темам общественной безопасности и проблем юга Италии. Модель основана на MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7 и содержит около 306 млн параметров; максимальный контекст — 512 токенов. Обучение проведено на 400 вручную размеченных примерах, сформировавших 1050 пар «посылка—гипотеза». В тесте на 100 примерах указаны accuracy 0,70 и Macro-F1 0,66. Лицензия — MIT. Результаты относятся к ограниченной выборке и тематике обучения, поэтому качество на других площадках, темах и формулировках может отличаться.

URNOVA-95M — компактная модель-энкодер для урду, разработанная ProximaAI с нуля на архитектуре ModernBERT. Она обучена на корпусе урду, созданном на основе HPLT 3.0, и содержит около 94,7 млн параметров. Модель поддерживает контекст до 8192 токенов и предназначена для восстановления замаскированных токенов, извлечения контекстных представлений и признаков для последующей настройки задач NLP на урду. Модель подходит для классификации предложений и документов, исследования семантического сходства и лингвистического анализа длинных текстов. В карточке приведена оценка на UrBLiMP, однако предпочтение грамматически корректных предложений не является полной оценкой понимания языка или эффективности на прикладных задачах. Контекст в 8192 токена не гарантирует надёжную обработку каждой длинной последовательности; результаты могут хуже переноситься на романизированный урду, смешанную речь, диалекты и специализированные области. Веса распространяются по лицензии Apache-2.0.

Это модель-оценщик на базе RoBERTa, дообученная на наборе Wikidata SimpleQuestions для выбора релевантных отношений в графе знаний. Она предназначена для сценариев поиска ответа на простой вопрос по Wikidata: оценивать отношения-кандидаты, найденные при извлечении подграфа, и помогать выбрать подходящее для вопроса отношение. В репозитории указаны архитектура RoBERTa для masked language modeling, 151,8 млн параметров и контекст до 514 токенов; доступны веса PyTorch и safetensors. Модель разработана drt и распространяется по лицензии MIT. Метаданные Hugging Face помечают её задачей fill-mask, однако README описывает специализированное ранжирование отношений; отдельный pipeline-тег text-ranking не заявлен. Она обучена на конкретном наборе вопросов Wikidata, поэтому область применения ограничена выбором отношений для вопросов этого типа; сведения о языках в карточке не приведены.

Yemberzal — модель автоматического распознавания кашмирской речи, разработанная как полный fine-tune ARTPARK-IISc/SraVaani-1.0. Это контрольная точка эпохи 28, предназначенная для распознавания речи в рабочем процессе сбора данных. Модель построена на архитектуре NVIDIA NeMo EncDecHybridRNNTCTCBPEModel; основной способ декодирования — TDT/RNN-T, также доступно диагностическое декодирование CTC. При дообучении использовано 45 часов данных IndicVoices-R на кашмирском языке. На официальном тестовом разделе IndicVoices-R для кашмирского языка, после фильтрации длительности записей и удаления дубликатов, WER составил 38,13%, а CER — 12,74% на 403 записях. Эти результаты указывают на необходимость проверки распознанных транскрипций, особенно имён собственных, переключения языков, коротких фрагментов и речи с шумом. Контрольная точка предназначена для указанного исследовательского и рабочего процесса сбора данных; перед распространением или коммерческим применением следует проверить условия базовой модели и обучающих данных.

Модель разработала и опубликовала Elena Álvarez Mellado. Это дообученная версия BETO на корпусе COALAS для выявления в испанских новостных текстах неассимилированных заимствований, преимущественно из английского языка. Модель размечает заимствования метками ENG и OTHER, используя BIO-разметку для словосочетаний из нескольких токенов; архитектура — BERT для классификации токенов, размер — 137,1 млн параметров, контекст — до 512 токенов. Модель предназначена для анализа употребления англицизмов и других заимствований в испанской прессе. На тестовой выборке COALAS общий F1 составил 83,13; для английских заимствований — 84,59, а для заимствований из других языков — 18,18, поэтому выявление категории OTHER существенно менее надёжно. Обучение проводилось на корпусе испанской новостной письменной речи, включающем европейский вариант испанского. Лицензия — CC BY-SA 4.0.

Модель ulisesbravo/autotrain-p3-7h82s-lsn5g — дообученная BERT для классификации последовательностей текста, созданная с помощью AutoTrain. Она предназначена для отнесения текста к заданным классам; по описанию базовой модели, её применение связано с португалоязычными решениями бразильских судов. Модель содержит 136,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В README приведены метрики валидации: accuracy 0,749, а также macro F1 около 0,749. Эти результаты характеризуют только указанную проверочную выборку. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Gurveer05 разработал BLIP, дообучив модель blip-image-captioning-base на наборе RSICD для создания подписей к изображениям дистанционного зондирования. Модель принимает изображение и генерирует текстовое описание его содержания; её можно применять для автоматического описания спутниковых и аэрофотоснимков. Обучение проводилось пять эпох с AdamW и планировщиком ReduceLROnPlateau. Модель построена на архитектуре BLIP и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. В карточке не приведены оценки качества и подробности о поддерживаемых языках; качество описаний может зависеть от типа и содержания снимка.

Salesforce BLIP VQA CapFilt Large — модель для ответов на вопросы об изображениях, основанная на архитектуре BLIP с визуальным энкодером ViT-Large. Она использует совместное обучение языкового и визуального компонентов; в описании BLIP указано применение фильтрации шумных пар изображение–текст и генерации синтетических подписей при подготовке данных. Модель предназначена для visual question answering: она принимает изображение и вопрос на естественном языке и формирует текстовый ответ. В README также приведены примеры условной и безусловной генерации подписей к изображениям. Модель подходит для вопросов о содержимом изображений, а также для генерации описаний изображений. Карточка ссылается на широкую оценку BLIP в задачах понимания и генерации изображений, но конкретные показатели именно этого чекпойнта не приведены. Доступны веса PyTorch и TensorFlow. Лицензия — BSD 3-Clause; README отмечает исследовательское назначение выпуска и рекомендует отдельно оценивать точность, безопасность и справедливость перед применением.

Finance Sentiment ZH — модель bards.ai для определения тональности китайских финансовых новостей. Она дообучена на основе google-bert/bert-base-chinese на переведённой версии Financial PhraseBank в течение 10 эпох и предсказывает одну из трёх меток: положительная, отрицательная или нейтральная. Модель использует архитектуру BERT с классификационной головой, содержит 129,5 млн параметров и обрабатывает текст с контекстом до 512 токенов. В карточке указаны macro F1 0,966, точность 0,963 и полнота 0,969; результаты приведены для оценки на RTX 3090. Модель подходит для анализа тональности финансовых новостей на китайском языке. Доступна по лицензии Apache-2.0.

Kelex83 дообучил DETR с backbone ResNet-50 DC5 от Facebook для обнаружения предметов одежды и аксессуаров на изображениях. Модель принимает изображение и предсказывает категории объектов и их расположение в виде рамок. Репозиторий использует библиотеку Transformers и формат весов safetensors. Модель предназначена для автоматической разметки фотографий одежды, поиска предметов гардероба и анализа изображений в задачах моды и электронной торговли. В опубликованной оценке общая mAP составляет 0,0137; результаты заметно различаются по категориям, поэтому качество обнаружения ограничено. Указанная лицензия — Apache-2.0.

flaird-modernbert-large-attention-multitask — модель классификации последовательностей на архитектуре FlairD, дообученная на неизвестном наборе данных. В карточке приведены результаты оценки: ROC-AUC 1,0, F1 0,997 и другие метрики, однако назначение классов и условия оценки не описаны. Модель предназначена для задачи text-classification и принимает текст, выдавая классификационные оценки или метки. Репозиторий использует Transformers и формат весов safetensors. Базовая модель, языки, размер и лицензия в доступных данных не установлены. Практическую надёжность результатов трудно оценить без сведений о данных и методике проверки.

GIT-base-VQAv2 — модель семейства GenerativeImage2Text (GIT), разработанная Microsoft и дообученная на наборе VQAv2 для ответов на вопросы по изображениям. Она использует декодер Transformer, который получает визуальные токены изображения от CLIP и текстовые токены, а затем генерирует ответ по одному токену. Размер модели — 80,1 млн параметров; нативный контекст — 1024 токена. Модель предназначена прежде всего для визуального вопросно-ответного поиска: пользователь задаёт вопрос о содержимом изображения, модель отвечает текстом. Архитектура GIT также подходит для описания изображений и видео и генерации текстовых меток классов, однако этот чекпойнт специально дообучен на VQAv2. Модель поддерживает английский язык. README отмечает, что она обучалась на парах изображение–текст, а этот вариант дообучен на VQAv2. Доступны веса PyTorch и Safetensors. Лицензия — MIT. Качество зависит от изображения и формулировки вопроса; результаты оценки в карточке не приведены.

InternViT-6B-448px-V1-0 — визуальная foundation-модель и backbone для извлечения признаков изображений, разработанная OpenGVLab. Она используется как зрительный компонент мультимодальных языковых моделей, в том числе InternVL-Chat-V1-1. Модель построена на архитектуре InternViT и содержит 48 блоков; README указывает 5,903 млн параметров, а метаданные — 7,9 млрд. Обрабатывает изображения размером 448 × 448 пикселей. Авторы отмечают улучшения распознавания текста на изображениях и поддержки китайских диалогов; при построении мультимодальной языковой модели рекомендуют брать признаки с четвертого блока с конца. Модель обучалась на наборах LAION, COYO, Conceptual Captions, Wukong и OCR-данных. README предупреждает, что серия InternViT V2.5 лучше подходит для построения мультимодальных языковых моделей, чем для традиционных задач компьютерного зрения. Лицензия — MIT.

Pile of Law BERT large model 2 — англоязычная модель семейства BERT Large, опубликованная проектом Pile of Law. Она предварительно обучена на юридических и административных текстах на английском языке с целью masked language modeling по RoBERTa-подобному pretraining objective. Модель содержит 435,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для восстановления замаскированных слов в юридических текстах и как основа для дообучения под прикладные юридические задачи. Обучающий корпус Pile of Law включает судебные решения и документы, правовые анализы, публикации госорганов, контракты, законы и нормативные акты. В карточке отмечены возможные смещения предсказаний, в том числе связанные с расовыми характеристиками; также указаны ограничения на использование, связанные с авторскими правами обучающего корпуса. Данные корпуса распространяются по лицензии CC BY-NC-SA 4.0.

LiBERTa Large — модель семейства BERT, разработанная Николой Халтиуком под руководством Александра Смывиньского-Поля в AGH University of Krakow. Она предварительно обучена с нуля исключительно на украинском языке и предназначена для заполнения пропусков в тексте. Модель представлена на конференции UNLP @ LREC-COLING 2024; для токенизации используется код из репозитория Goader/ukr-lm. Модель содержит 435,4 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В оценках на задачах NER, WikiANN, разметки частей речи и классификации новостных текстов она показала конкурентные результаты среди крупных украинских языковых моделей. Доступна под лицензией CC BY 4.0.

nruigrok/local_politics — дообученная модель классификации текста на базе GroNLP/bert-base-dutch-cased. Это BERT для последовательной классификации с 136,3 млн параметров и контекстом до 512 токенов. По названию репозитория модель предназначена для классификации текстов о местной политике; README сообщает F1 0,9017 и loss 0,4758 на тестовой выборке, но не описывает классы и набор данных. Лицензия в доступных сведениях не указана.

Mengzi-BERT L6-H768 — разработанная Langboat китайская дистиллированная версия Mengzi-BERT-Large на архитектуре BERT с 72,8 млн параметров. Модель предназначена для работы с китайским текстом; в карточке указаны результаты оценки на девяти китайских задачах, включая классификацию, понимание и ответы на вопросы. В метаданных задана задача fill-mask. Модель опубликована в формате PyTorch, поддерживает контекст до 512 токенов и распространяется по лицензии Apache-2.0. Дистилляция уменьшила модель относительно Mengzi-BERT-Large; конкретные ограничения качества или сценарии, где она превосходит базовую модель, в карточке не заявлены.

CMB-ClimateModernBERT/Merge_Soup_CX — англоязычная encoder-only модель ModernBERT-Base, дообученная на климатических текстах методом continued pretraining и представленная как merge-soup чекпойнт. Она предназначена для заполнения пропусков в тексте и как основа для дообучения под климатическую классификацию, многометочную разметку и поиск по научным публикациям, новостям, политическим документам и корпоративной отчётности. Модель содержит 149 млн параметров, работает с текстом и поддерживает контекст до 8192 токенов. Обучение использовало академические материалы, климатический веб-текст и синтетические данные. В описанной авторами оценке модель получила средний F1 74,2 на девяти климатических NLP-бенчмарках; результаты усреднены по трём запускам дообучения. Это masked language model, а не система, следующая инструкциям, и её выходы не дают калибрированных гарантий фактической точности. Модель ограничена английским языком, а преимущества состава обучающего корпуса проверены в климатическом NLP и не обобщаются автоматически на другие области. Лицензия в предоставленных сведениях не указана.

Ornith-1.5-35B-A3B-Abliterated-GGUF — мультимодальная GGUF-версия неофициального производного варианта Ornith-1.5-35B-A3B, разработанного Ornith AI. PocketAI Model Lab выполнила редактирование направления отказов, конвертацию в GGUF и валидацию. Модель предназначена для локальных исследований и оценки влияния подавления отказов и квантизации на поведение моделей, а также для текстового и визуального вывода через llama.cpp. Модель использует архитектуру Qwen 3.5 MoE; заявленный размер — 35B параметров при 3B активных параметров. Поддерживается английский язык и обработка изображений с помощью отдельного vision projector. Доступны варианты BF16, Q8_0 и Q4_K_M; размер языковых файлов составляет примерно 64,61, 34,37 и 19,71 GiB соответственно. Проектор занимает 0,84 GiB. Нативная MTP-голова для speculative decoding не включена. Для Q4_K_M подтверждена сквозная проверка работы с изображениями; отдельное тестирование зрения для Q8_0 и BF16 не проводилось. Главная особенность модели — намеренное подавление выученного поведения отказа. Это может повысить склонность к выдаче вредного, незаконного, оскорбительного, обманного или опасно ошибочного содержания и не означает улучшения качества, истинности или безопасности. Квантизация вносит измеримый дрейф: средний KL-дивергенс относительно BF16 составил 0,01359 для Q8_0 и 0,07280 для Q4_K_M, а совпадение наиболее вероятного токена — 96,26% и 90,64%. Модель распространяется под лицензией MIT с сохранением атрибуции исходной модели; применять её следует с дополнительными ограничениями и оценкой рисков.

slm-125m-legal-sft-v2 — компактная языковая модель с архитектурой Llama, разработанная Abhishek AI и дообученная методом SFT на базе abhishekai/slm-125m-legal-base. Она предназначена для ответов на вопросы по предоставленным юридическим и финансовым отрывкам и может использоваться как генеративный компонент конвейера с поиском документов. Модель содержит 125,8 млн параметров, принимает текст и имеет контекст 1024 токена. Карточка описывает формат чата с системным сообщением и пользовательским запросом, за которым следуют контекст и отрывок. Модель обучалась на англоязычных примерах; лицензия — Apache-2.0. Автор сообщает, что версия v2 не показала измеримого улучшения относительно v1: разница оценок составила +0,09 из 10, а доверительный интервал включал ноль. По описанным испытаниям около 4,3% ответов повторяются; без предоставленного отрывка модель может уверенно выдумывать сведения, ненадёжна в арифметике и способна придумывать судебные цитаты. Это демонстрационная модель для чтения и ответа по контексту, а не источник юридических или финансовых рекомендаций.

TimeLens2-8B-SFT — мультимодальная модель для временной локализации событий в видео, разработанная MCG-NJU. Она принимает видео и текстовый запрос и возвращает временные интервалы, в которых присутствуют запрошенные визуальные свидетельства. Модель предназначена прежде всего для генерации примеров для следующего этапа обучения TimeLens2 методом GRPO, а также для воспроизведения и изучения конвейера обучения temporal grounding. Это контрольная точка supervised fine-tuning на базе Qwen/Qwen3-VL-8B-Instruct с длинноконтекстным обучением на временной локализации. При обучении использовался контекст до 100 тысяч токенов; визуальный энкодер был заморожен. Данные включали TimeLens2-93K, TimeLens-100K и обучающую часть Ego4D-NLQ-v2. Чекпойнт является промежуточным SFT-этапом, а не финальной оптимизированной методом GRPO версией из статьи. Модель распространяется по лицензии Apache-2.0.

TinyShell LFM2.5 — компактная языковая модель, дообученная автором tharunpranavsakthivel на LiquidAI/LFM2.5-230M для преобразования инструкций на естественном языке в структурированный JSON формата TinyShell ShellIntent. Она принимает текст и выбирает одно из высокоуровневых решений: compile, clarify или unsupported. Модель имеет плотную авторегрессионную архитектуру LFM2 и содержит 221,2 млн параметров; нативный контекст — до 128 000 токенов. Карточка указывает английский язык и поддержку диалогового режима. На отложенной выборке достигнуты 99% успешного разбора JSON, 96% соответствия схеме и 37,5% точного совпадения IR. Модель корректно завершала генерацию после первого JSON-объекта в исходной конфигурации вывода. Это пилотное дообучение на 1 600 примерах с одной обучающей инициализацией; строгое совпадение IR заметно ниже метрик синтаксической и схемной корректности. Вывод следует считать недоверенным: его нужно проверять по схеме и пропускать через безопасный детерминированный компилятор. Производная модель распространяется по лицензии LFM Open License v1.0.