I.3Извлечение и структурирование данных

PeytonT/abstract-repo-planning — дообученная модель классификации на базе encoder-архитектуры BERT, предназначенная для построения планов реализации по описаниям научных статей на уровне аннотаций. Она входит в исследовательскую систему Repository Library для индексации, поиска и анализа связей между научными публикациями и репозиториями кода. Модель использует базовую SciBERT allenai/scibert_scivocab_uncased, содержит 137,1 млн параметров и принимает текст длиной до 512 токенов. Обучающие данные сформированы из метаданных arXiv и данных о репозиториях и фрагментах кода; заявленные метрики эксперимента — accuracy и macro-F1. Модель рассчитана на классификацию и планирование по научным аннотациям, а качество следует проверять в целевом сценарии. Это полноразмерное дообучение, опубликованное в формате safetensors и доступное через Transformers. Лицензия в предоставленных сведениях не указана.

Calcu_Disease_Similarity — англоязычная модель эмбеддингов на базе BERT, разработанная автором репозитория Baiming123 и дообученная на sentence-transformers/multi-qa-MiniLM-L6-cos-v1. Она кодирует названия заболеваний в векторы для оценки семантического сходства; архитектура Sentence-Transformers использует усреднение токенов и нормализацию. Размер модели — 25,9 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для сопоставления названий заболеваний и анализа связей в сетях регуляции miRNA и генов. В README также заявлен F1 0,88 при различении функциональных взаимодействий miRNA–мишень, подтверждённых лабораторными анализами, и взаимодействий, предсказанных по последовательности. Это значение относится к описанной задаче и не гарантирует качество на других данных. Лицензия в предоставленных сведениях не указана.

CustomInLawBERT — англоязычная модель BERT для юридических текстов Индии, разработанная исследователями Департамента компьютерных наук и технологий Индийского технологического института в Кхарагпуре. Модель продолжает обучение LEGAL-BERT-SC на корпусе примерно из 5,4 млн документов Верховного суда Индии и высших судов штатов за 1950–2019 годы. Она использует адаптированный для индийской юридической терминологии токенизатор и архитектуру BERT с 12 слоями, размером скрытого представления 768 и 12 головами внимания; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Основная задача модели — предсказание замаскированных токенов. Её представления текста также можно использовать как основу для дообучения на классификацию и разметку юридических документов, например для определения применимых статей закона, сегментации частей судебного решения и прогнозирования исхода дела. Модель ориентирована на английские документы индийского права; результаты на других языках и правовых системах не подтверждены. Лицензия — MIT.

CycleGRPO-4B — мультимодальная модель XinNUS для генерации описаний изображений и сегментационных масок. Она дообучена на базе zhouyik/Qwen3-VL-4B-SAMTok методом обучения с подкреплением: модель учится согласовывать описание области изображения с возможностью найти эту область обратно. На этапе RL используются оценка пересечения масок и регуляризаторы без эталонных описаний. Модель построена на архитектуре Qwen3-VL-4B и принимает изображения и текстовые запросы, выдавая текст с чередующимися специальными токенами масок для соответствующих частей описания. Обычный текст можно генерировать через Transformers; для преобразования токенов масок в сегментационные маски требуется декодер VQ-SAM2 из репозитория CycleGRPO. Модель подходит для описания объектов и областей на изображении с привязкой к их маскам, а также для визуального заземления текстовых описаний. Карточка не сообщает контекстное окно и перечень поддерживаемых языков. Распространяется по лицензии Apache-2.0.

Это модель классификации японского текста на основе DeBERTa V2, опубликованная YoichiTakenaka. Чекпойнт дообучен для определения эмоции Disgust (отвращение); README описывает семейство из восьми отдельных моделей, по одной на Joy, Sadness, Anticipation, Surprise, Anger, Fear, Disgust и Trust. На вход подаются отдельные тексты или их списки, на выходе — метка наличия эмоции и оценка уверенности для положительного класса. Модель предназначена для анализа эмоциональной окраски японских текстов. Архитектура — DebertaV2ForSequenceClassification, размер — 451,8 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Модель ориентирована на японский язык и не описана как многоязычная. Лицензия — CC BY-SA 4.0. README указывает, что для этого пакета существуют восемь моделей эмоций; этот конкретный чекпойнт отвечает за Disgust. Ограничения: оценки относятся к одной эмоции и не заменяют более широкую интерпретацию эмоционального состояния; результаты для иных языков и за пределами контекстного окна не подтверждены.

John7767/distilbert-base-uncased-distilled-clinc — дообученная модель классификации последовательностей на базе DistilBERT от John7767. В карточке указаны результаты на тестовой выборке: accuracy 0,9281 и loss 0,1113; описание назначения, обучающего набора и ограничений автором не раскрыто. Модель использует архитектуру DistilBertForSequenceClassification, принимает текстовые последовательности и присваивает им классы. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Название указывает на CLINC, однако README отмечает датасет как неизвестный, поэтому назначение для конкретной предметной области нельзя подтвердить.

finbert-indonesia-finansial — модель классификации текста на основе BERT, дообученная EgoWidiarto от mdhugol/indonesia-bert-sentiment-classification. Она предназначена для классификации финансовых текстов на индонезийском языке; название указывает на финансовую специализацию, однако README не уточняет набор меток и состав обучающих данных. Модель содержит 151,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В README указана точность 0,8083 и значение функции потерь 1,2178 на оценочном наборе, но его состав и методика оценки не описаны. Модель опубликована в формате safetensors для библиотеки Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

GemmaDecision-270M v4 — текстовый реранкер на базе Gemma 3, разработанный проектом GemmaDecision. Модель получает запрос и варианты ответа, оценивает каждый вариант скалярной оценкой и ранжирует их; ответы в свободной форме она не генерирует. Веса включают дообученный текстовый энкодер и обучаемую голову принятия решений. Модель предназначена прежде всего для выбора темы банковского обращения среди четырёх предложенных вариантов и определения отношения между свидетельством и гипотезой в трёхклассовой задаче. README приводит результаты частного тестирования этих задач и подчёркивает, что они не подтверждают качество на официальной классификации BANKING77, произвольной маршрутизации инструментов или других областях. Доступны веса в форматах Safetensors и ONNX; параметры модели — 257 млн, контекст — до 32 768 токенов. Для ONNX-экспорта описан локальный запуск на CPU. Карточка сообщает о точности 96,50% на четырёхклассовой банковской задаче и 78,00% на трёхклассовой задаче отношений свидетельств на частном тесте; эти показатели нельзя переносить на другие сценарии. Оценки вероятности получаются из сырых оценок с фиксированной температурой и не гарантируют правильность. Модель лицензирована по лицензии Gemma.

Модель Chingkheinganba предназначена для распознавания рукописных слов на письме мейтей майек. Это сегментационно-независимый распознаватель: признаки извлекает ConvNeXt-T, за которым следуют двунаправленная двухслойная LSTM и CTC-декодирование по 54 символам повседневного написания. При декодировании используется символьная языковая модель с поиском по лучу. Модель обучена на синтетических словах, составленных из обучающих символов TUMMHCD. В синтетических тестах автор сообщает CER 0,33% и WER 2,04% с языковой моделью. Репозиторий содержит веса PyTorch и формат ONNX. Лицензия — MIT. Модель подходит для распознавания отдельных рукописных слов мейтей майек. Проверка на реальном письме охватывала одного автора, писавшего на планшете; качество на других почерках, ручках и фотографиях может быть ниже. Символы за пределами TUMMHCD, включая lum iyek и расширения, не распознаются.

Llama-3-8B-Instruct-Finance-RAG — дообученная модель на основе Meta Llama 3 8B Instruct, созданная для ответов на вопросы по финансовому контексту. Разработчик дообучил её с помощью LoRA на 4 000 примерах набора virattt/financial-qa-10K и ориентировал на сценарий, в котором модель получает вопрос и связанный с ним текстовый фрагмент. Модель использует плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате. Она предназначена для финансовых RAG-систем, где ответ формируется по предоставленной информации; карточка указывает английский язык, а контекстное окно составляет 8 192 токена. Репозиторий использует Transformers и формат safetensors. Модель распространяется по лицензии Llama 3. Качество ответов зависит от полноты и точности переданного контекста; карточка описывает финансовый набор данных и RAG-сценарий, но не приводит оценок качества на независимых тестах.

LLaVA-NeXT Llama 3 8B — мультимодальная чат-модель, разработанная командой LLaVA-NeXT и представленная в исследовательской работе о расширении возможностей мультимодальных моделей. Она объединяет языковую модель Meta-Llama-3-8B-Instruct с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. Модель подходит для описания изображений, ответов на вопросы о визуальном содержимом и других сценариев мультимодального чат-бота. По сравнению с LLaVA 1.6 в серии улучшены языковая основа и состав обучающих данных; обучение включало пары изображение—текст, инструкции для мультимодального диалога и данные визуальных вопросов и ответов. Репозиторий содержит веса в формате safetensors; модель поддерживает английский язык. Модель принимает изображения и текст, а генерирует текст. Карточка не приводит размер контекста. Указана лицензия Llama 3 (llama3); перед использованием следует учитывать её условия. Качество ответов зависит от изображения и формулировки вопроса, а доступные материалы не описывают подробно ограничения и результаты оценки модели.

LLaVA-7B-Lightening-v1-1 — мультимодальная модель семейства LLaVA на архитектуре LLaMA, собранная из базовой LLaMA-7B и delta-весов LLaVA-7B-Lightening-v1-1. Она предназначена для диалога по изображениям и генерации текстовых ответов на вопросы о визуальном содержимом. Модель содержит 6,6 млрд параметров, использует формат PyTorch и имеет контекст длиной 2048 токенов. Модель принимает изображения и текстовые запросы, а выдаёт текст. Карточка не сообщает, какие языки поддерживаются и на каких наборах данных обучалась модель. Лицензия — CC BY 4.0; возможности и качество могут зависеть от используемого способа подачи изображений и среды запуска.

Vision-CAIR/LongVU_Llama3_2_1B — видеоязыковая модель с архитектурой CambrianLlamaForCausalLM и 1,2 млрд параметров. Репозиторий предоставляет веса в формате PyTorch; модель предназначена для диалога по видео и ответов на вопросы о его содержимом. Заявленная длина контекста — 131 072 токена. Модель можно применять для описания видеосцен и поиска ответов по содержимому видеозаписей. Лицензия — Apache-2.0. Карточка README не содержит дополнительных сведений о языках, обучении или ограничениях качества.

Многоязычная модель Will Horne, Alona O. Dolinsky и Lena Maria Huber для выявления предложений о политике, адресованных конкретным группам, в политических текстах. Это дообученная mDeBERTa-v3-base модель классификации последовательностей, использующая формат вывода естественно-языкового следования (NLI): текст политики сопоставляется с гипотезой о целевой группе. Модель содержит 306 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Модель предназначена для анализа политических манифестов и политической коммуникации, включая сравнительные исследования и поиск предложений, ориентированных на определённые группы. Она выдаёт один из двух классов: наличие или отсутствие такой политики; категории вроде здравоохранения или образования она не определяет. В карточке приведены оценки на английском и немецком, а также проверка на переводных текстах на нидерландском, датском, испанском, французском, итальянском и шведском. Модель обучалась на предложениях из политических манифестов без окружающего контекста, поэтому перенос на другие типы текстов и политические условия может снизить качество. Результаты могут зависеть от языка и типа целевой группы; для чувствительных сценариев рекомендуется проверка человеком. Условия лицензии в предоставленных данных не указаны.

MentiFy — дообученная модель DistilBERT для классификации текстов о психологическом благополучии по семи категориям. Её создал автор репозитория anisha-14 на основе distilbert/distilbert-base-uncased; модель принимает текст и выдаёт категорию. В карточке указаны 51 073 очищенных примера для обучения и точность около 87,25%. Модель используется в MentiFy (mentalGUARDIAN) для классификации ответов на вопросы анкеты о благополучии; несколько предсказаний объединяются голосованием большинства. Архитектура — DistilBertForSequenceClassification, максимальная длина контекста — 512 токенов. Модель предназначена для образовательной поддержки и оценки благополучия, не является медицинским диагностическим инструментом. Распространяется по лицензии Apache-2.0.

Oryn-v1 — дообученная мультимодальная модель на архитектуре Qwen2-VL, разработанная ohyeahmman. Она принимает текст и изображения и предназначена для диалоговых задач с визуальным вводом, например для ответов на вопросы об изображениях. Модель основана на unsloth/qwen2-vl-7b-instruct-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке не приведены конкретные результаты оценки или подробности о поддерживаемых языках за пределами английского, поэтому качество на других языках и в специализированных сценариях не подтверждено.

PaliGemma-3B-Chat-v0.2 — мультимодальная модель BUAADreamer, дообученная на основе google/paligemma-3b-mix-448 для многоходового диалога с изображениями. Она принимает изображение и текстовый запрос и генерирует текстовый ответ; подходит для вопросов об изображениях и диалоговых сценариев компьютерного зрения. По карточке, модель оценивалась на MMMU_Val и CMMMU_Val; в метаданных указаны архитектура PaliGemmaForConditionalGeneration, библиотека Transformers и формат safetensors. В качестве обучающего набора указан BUAADreamer/llava-en-zh-300k. Метаданные перечисляют английский и китайский языки. Лицензия — Gemma; применимость зависит от условий этой лицензии.

Prisma-VL-8B — мультимодальная модель Eric Hartford для диалоговой работы с изображениями и текстом. Это плотная модель семейства Qwen3-VL с архитектурой PrismaVLForConditionalGeneration, доработанная механизмом обратной связи об уверенности: по описанию автора, модель оценивает энтропию предсказаний, кодирует её и использует при последующих генерациях. Заявленная цель — помогать модели осторожнее отвечать при неопределённости, исправлять ошибки и воздерживаться от слишком уверенных выводов. Модель предназначена для задач vision-language, включая ответы на вопросы об изображениях и описание их содержимого. README описывает применение механизма неопределённости, но не приводит независимых оценок качества или подтверждения заявленных эффектов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Compumacy/Psych_medgemma — экспериментальная языковая модель, разработанная Daemontatox для поддержки специалистов в клинической психологии и психиатрии. Это плотная модель Gemma 3 для генерации текста с 28,3 млрд параметров, дообученная на базе unsloth/medgemma-27b-text-it с помощью Unsloth и LoRA. Метаданные указывают контекст до 131 072 токенов; модель принимает текст и формирует структурированные текстовые ответы. Модель предназначена для анализа клинических случаев: краткого изложения жалоб, рассмотрения дифференциальных диагнозов по критериям DSM-5-TR, оценки рисков, рекомендаций по лечению и последующему наблюдению. В README заявлена опора на классификацию ICD-11, клинические руководства и медицинскую литературу. Модель рассчитана на вспомогательное применение специалистами и исследователями, а не на самостоятельную диагностику или лечение. Лицензия — Apache-2.0. Это исследовательская экспериментальная версия: ответы могут содержать ошибки, вымышленные факты и ссылки, а обучающие данные могут отражать культурные и другие смещения. Все клинические выводы требуют проверки квалифицированным специалистом; модель не предназначена для кризисного вмешательства и не должна получать персональные или защищённые медицинские данные.

Карточка модели nityaak/qwen3-8b-stance-matrix-ezstance-qlora на Hugging Face совпадает с карточкой nityaak/qwen3-8b-stance-matrix-semeval-mtcsd-ezstance-qlora, поэтому описание составлено по ней. nityaak/Qwen3-8B-stance-matrix-semeval-mtcsd-ezstance-qlora — дообученная модель семейства Qwen3 для генерации текста. Она основана на unsloth/Qwen3-8B-unsloth-bnb-4bit, имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель обучена с помощью Unsloth и библиотеки TRL; карточка называет её QLoRA-дообучением для задач stance detection, связанных с наборами SemEval, MT-CSD и EzStance. Модель предназначена для генерации текстовых ответов в диалоговом формате и может применяться для определения или формулирования позиции по текстовым высказываниям в рамках соответствующих задач. Контекст составляет до 40 960 токенов. Основной указанный язык — английский. Лицензия — Apache-2.0. Карточка не приводит оценок качества или деталей формата ожидаемых инструкций, поэтому результаты следует проверять на целевом наборе данных.

Batuhanbey tarafından geliştirilen, XLM-RoBERTa tabanlı ve yaklaşık 305 milyon parametreli metin sınıflandırma modelidir. Model, Rusya-Ukrayna savaşıyla ilgili Twitter/X paylaşımlarını beş sınıfa ayırmak üzere ince ayarlandı: mutlu, üzgün, kızgın, şaşkın ve nötr. Bağlam uzunluğu 514 токенов, модель принимает текст и выдаёт метку класса с оценкой уверенности. Карточка указывает, что модель создана в рамках академического проекта TÜBİTAK; базовая архитектура — xlm-roberta-base. Метаданные отмечают турецкий язык, а описание задачи в README приведено на турецком языке. Модель подходит для анализа тональности публикаций о войне и агрегирования общественных реакций. Результаты являются автоматической классификацией и не предназначены для политических, юридических или официальных оценок. Лицензия в предоставленных данных не указана.

RxnID — контрольная точка модели для распознавания и разбора схем химических реакций. Она разработана для проекта Molecular Identifier Visual Prompt and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing и предназначена для использования вместе с кодовой базой RxnID. Модель основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями, выдавая текстовый результат. Контекст составляет до 128 000 токенов. Карточка указывает задачу image-text-to-text и поддержку английского языка. Лицензия CC BY-NC 4.0 разрешает использование на условиях лицензии с ограничением на коммерческое применение.

research-backup/t5-small-tweetqa-qag-np — модель T5-small, дообученная авторами карточки с помощью lmqg для генерации пар «вопрос—ответ» по тексту. Она обучена на англоязычном наборе lmqg/qag_tweetqa без префикса задачи. Модель содержит 38,5 млн параметров, принимает текст и выдаёт текст; указанная длина контекста — 512 токенов. Модель подходит для автоматического составления вопросов и ответов по текстам из Twitter и похожим коротким материалам на английском языке. В README приведены оценки на lmqg/qag_tweetqa, включая BERTScore 89,48 и BLEU-1 35,61. Опубликованные веса представлены в формате PyTorch. Лицензия — CC BY 4.0.

Transcoda 59M Zero-Shot v1 — компактная модель для распознавания нотной записи на изображениях партитур и её преобразования в символическую нотацию Humdrum `**kern`. Она построена как vision-encoder-decoder с энкодером ConvNeXt V2 Tiny, обученным на ImageNet-22K, и декодером для последовательностей текста. В карточке заявлено 59 млн параметров, тогда как метаданные указывают 30,9 млн; поэтому точный размер по доступным данным определить нельзя. Модель использует библиотеку Transformers и требует загрузки пользовательской архитектуры через `trust_remote_code=True`. Модель предназначена для оптического распознавания музыкальной нотации (OMR): на вход подаётся изображение одной страницы партитуры, на выходе получается транскрипция `**kern`. Обучение проводилось на синтетических изображениях, отрендеренных Verovio; README приводит результаты на синтетическом и реальном польском наборе данных и отмечает заметное ухудшение на исторических сканах. Для декодирования доступны жадный поиск, beam search и грамматически ограниченное декодирование; последнее требует кода проекта. Вход имеет фиксированную геометрию 1485 × 1050 пикселей, многостраничные документы нужно предварительно разбивать на страницы. Лицензия — CC BY 4.0.

AyoubChLin/unlimited-ocr-quran-uthmani — дообученная на изображениях аятов Корана модель Unlimited-OCR от AyoubChLin. Она извлекает арабский текст в османском начертании, стараясь сохранять огласовки и коранические знаки. Модель принимает изображение и выдаёт текст; в метаданных указаны 559,7 млн параметров и контекст до 32 768 токенов. Модель предназначена для OCR изображений аятов, подготовки и очистки наборов данных, а также учебных и исследовательских задач, связанных с распознаванием коранического текста. Веса обучались с LoRA на наборе изображений аятов, после чего адаптер объединили с базовой моделью. Для распознавания длинных аятов возможны ошибки; полноценные метрики качества в карточке не приведены. Лицензия — MIT.

VAD for Qwen3.5-4B — мультимодальная модель для понимания изображений, разработанная на базе Qwen3.5-4B. Это объединённый чекпойнт Visual Attribution Distillation с обучением по симметричной дивергенции Йенсена—Шеннона; в README указан шаг global_step_80 и средняя оценка 78,32 по шести бенчмаркам Vision-OPD. При обучении метод выделяет вклад визуальных свидетельств в ответы учителя, а при использовании модель принимает одно изображение и работает на стандартной архитектуре Qwen3.5-4B. Модель предназначена для мультимодального диалога, тонкого визуального анализа и ответов на вопросы по изображениям, в частности для исследовательских экспериментов с on-policy distillation. Базовая модель имеет 4 млрд параметров; контекст в примере оценки и настройки сервинга составляет до 32 768 токенов. В README приведены результаты на VStar, ZoomBench и HRBench, однако они относятся к конкретной конфигурации и протоколу оценки. Лицензия — Apache-2.0.

VocalParse-1.7B — модель для транскрибации вокала, разработанная pymaster и дообученная на базе Qwen3-ASR-1.7B. Она принимает аудио с пением и генерирует последовательность токенов, объединяющую текст песни, высоту нот, их длительности в условных значениях и общий темп в BPM. Архитектура сочетает аудиоэнкодер Whisper с декодером Qwen; веса опубликованы в формате safetensors. Модель предназначена для автоматической транскрибации пения и получения структурированного представления мелодии, например для анализа исполнения или подготовки нотной разметки. В режиме CoT сначала выводится текст песни, затем совмещённая последовательность текста и музыкальных признаков. Основной язык обучения — китайский; модель унаследована от многоязычной Qwen3-ASR. Модель преимущественно обучена на китайском пении, не предсказывает физическую длительность звучания нот, а аудио длиннее 30 секунд рекомендуется заранее разбивать на фрагменты. Лицензия — Apache-2.0.

AFM-4.5B-Base-KDA-NoPE — экспериментальная гибридная языковая модель Arcee.ai, созданная на основе AFM-4.5B-Base методом дистилляции. В архитектуре ArceeKDA три слоя Kimi Delta Attention чередуются с одним слоем полносвязного внимания NoPE; модель содержит 6 млрд параметров по метаданным, а карточка README указывает 4,5 млрд. Она принимает текст и предназначена для исследований гибридных архитектур внимания, сравнения линейного и полного внимания и проверки компромиссов между эффективностью и возможностями модели. Модель обучена на контекстах до 32 768 токенов. По данным карточки, гибридный вариант сохраняет более высокую эффективность по памяти, чем модель с полным вниманием, и лучше проявляет себя в коротких математических рассуждениях, чем вариант только с KDA. В тесте извлечения одного факта из контекста достигал 100% до 32k, но за пределом обученной длины наблюдался резкий спад качества. Лицензия — Apache-2.0.

afrisenti-diacritized-scratch_scratch — модель классификации текста на базе RoBERTa, дообученная автором на неизвестном наборе данных. Репозиторий содержит 17,1 млн параметров и веса в формате safetensors; модель принимает текст и выдаёт метки классификации. Для оценки указаны Accuracy 0,6437 и Macro F1 0,6442, однако описание не раскрывает набор меток и назначение классификации. Контекст модели составляет 132 токена. Лицензия — MIT.

ZX9966/bwx-7B-hf — экспериментальная языковая модель, разработанная yjf9966 и дообученная на Chinese-LLaMA-Alpaca. Это плотная модель семейства LLaMA с 6,6 млрд параметров и расширенным токенизатором на 49 954 токена; она использует Transformers и формат PyTorch. Модель ориентирована на китайский язык, обучалась на данных BAAI/COIG-PC, а длина контекста составляет 2 048 токенов. Модель генерирует текст и может применяться для предсказания следующего предложения, а также как основа для дообучения под классификацию последовательностей и токенов или ответы на вопросы. В карточке она описана как экспериментальный продукт, преимущественно предназначенный для адаптации к последующим задачам. Лицензия — Apache-2.0. Возможны смещения в предсказаниях, унаследованные от обучающих данных и базовой модели.