I.3Извлечение и структурирование данных

Карточка модели Jinstudio/whisper-base.en на Hugging Face совпадает с карточкой openai/whisper-base.en, поэтому описание составлено по ней. Whisper base.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI. Это плотная модель Transformer типа encoder-decoder с архитектурой WhisperForConditionalGeneration; в репозитории указано 51,7 млн параметров. Она преобразует английскую речь в текст и предназначена для расшифровки аудио, в том числе длинных записей: базовая обработка рассчитана на фрагменты до 30 секунд, а конвейер Transformers с разбиением на фрагменты позволяет работать с более длинными записями и получать временные метки. Модель обучена на больших массивах аудио с транскрипциями и рассчитана на распознавание английской речи. Она показывает устойчивость к акцентам, шуму и специализированной лексике, но может добавлять слова, которых нет в аудио, повторять фрагменты и ошибаться на отдельных голосах и условиях записи. Лицензия — Apache 2.0.

Карточка модели binant/whisper-small на Hugging Face совпадает с карточкой openai/whisper-small, поэтому описание составлено по ней. Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

WordSenseTransformer — англоязычная модель Sentence Transformers, созданная дообучением BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения значений слов в контексте, семантического поиска и других задач сопоставления текста. Архитектура включает BERT и слой WordPooling; сходство векторов измеряется косинусной близостью. Максимальная длина входной последовательности — 512 токенов. Модель обучалась на примерах WordNet с положительными и отрицательными парами контекстуализированных значений слов. В карточке приведены результаты проверки на wordnet-validation: точность cosine_accuracy@1 — 0,966, @5 — 0,999 и @10 — 1,0. Также её можно применять для поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Лицензия в предоставленных данных не указана.

XIR 1170 — Qwen3 Embedding 0.6B — 2026-07-17 A1 — это текстовая модель эмбеддингов Yucluzzy, дообученная на базе Qwen/Qwen3-Embedding-0.6B для поиска релевантных фрагментов по запросу. Модель создаёт нормализованные векторы, используя представление последнего токена, и рассчитана на сценарий поиска passages, отвечающих на веб-поисковый запрос с заданной инструкцией. Модель содержит 507,6 млн параметров, построена на архитектуре Qwen3 и принимает текст; контекст — до 32 768 токенов. В README описано продолжение обучения официального чекпойнта LRAT на обучающих парах конкурса, с объединением дубликатов и отрицательных примеров и последующим смешиванием весов 50/50 с официальным чекпойнтом LRAT. Локальная проверка на 2 048 строках без пересечения запросов показала небольшое улучшение MRR и Recall@5 относительно официального LRAT, но это не официальный результат конкурса. Модель распространяется по лицензии Apache-2.0.

Модель dinalzein/xlm-roberta-base-finetuned-language-identification — дообученная версия XLM-RoBERTa с классификационной головой для определения языка текста. Она принимает текст документа и относит его к одному из 20 языков: арабскому, болгарскому, немецкому, греческому, английскому, испанскому, французскому, хинди, итальянскому, японскому, нидерландскому, польскому, португальскому, русскому, суахили, тайскому, турецкому, урду, вьетнамскому или китайскому. Модель содержит 305,2 млн параметров, имеет контекст до 514 токенов и доступна в формате PyTorch. В README сообщается о точности 99,59% на оценочном наборе и 99,5% на тестовой выборке из 1000 предложений. Её можно использовать для автоматического определения языка коротких текстов и документов, например, перед маршрутизацией запросов или выбором языкового конвейера. Лицензия — MIT.

Zelensky — экспериментальная командная модель V1, созданная автором nisten на основе семейства Qwen2.5. По карточке, модель обучали один проход с низкой скоростью обучения и многократно объединяли с тремя другими моделями; метаданные также указывают связь merge с Qwen/Qwen2.5-72B-Instruct и другими вариантами Qwen2.5 и ChatWaifu. Это плотная причинно-языковая архитектура Qwen2 с 76,7 млрд параметров и контекстом до 98 304 токенов. Модель предназначена для диалогов и генерации текста; каталог также отмечает интерфейс вызова инструментов. В карточке упоминаются прогоны GPQA Diamond Zero-shot на LM Eval Harness, но результаты оценки не приведены. Указана лицензия MIT, а автор отдельно отмечает, что продолжает действовать лицензия Qwen.

Карточка модели avsolatorio/00-000-10-1-0-1-0-0-u_GIST_BAAI_bge-base-en-v1.5-20240127115244-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

unslothai/8 — модель семейства Llama от Unsloth AI, опубликованная как модель для извлечения признаков. Метаданные указывают на архитектуру LlamaModel, формат Safetensors, библиотеку Transformers и контекст 2048 токена. В карточке Hugging Face репозиторий также обозначен задачей feature extraction. Модель может использоваться для получения векторных представлений текста в задачах поиска и оценки сходства. Доступные сведения не позволяют надёжно определить размер модели, поддерживаемые естественные языки или конкретную базовую модель. Условия лицензии в проверенных источниках не установлены.

Это конвертированная и квантованная до INT8 версия BAAI/bge-m3 от libryo-ai. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает текст для извлечения плотных векторных представлений. Она предназначена для использования в качестве векторного ретривера, в частности с Vespa Embedding; контекст составляет до 8194 токенов. Модель подходит для создания эмбеддингов и семантического поиска по текстам. Репозиторий содержит ONNX-файл, подготовленный для выполнения в INT8 с помощью toolkit optimum. Лицензия — MIT. README описывает только плотный ретривер и не подтверждает наличие других возможностей BAAI/bge-m3 в этой сборке.

Mahedi420/Bangla-bert-improved-version — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Её можно использовать для поиска семантически близких текстов и кластеризации; в метаданных также указаны извлечение признаков и оценка сходства предложений. Модель содержит 191,6 млн параметров и принимает последовательности длиной до 512 токенов. При обучении применялась функция потерь Multiple Negatives Ranking Loss с косинусным сходством. Название и карточка указывают на ориентацию на бенгальский язык. Для использования доступны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

facebook/bart-large — англоязычная модель BART, разработанная командой Facebook и впервые опубликованная вместе с работой о предобучении преобразователей методом восстановления зашумлённого текста. Это архитектура Transformer encoder-decoder: двунаправленный энкодер сочетается с авторегрессионным декодером. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и доступна в форматах PyTorch, TensorFlow и Flax. BART обучена восстанавливать исходный текст после различных преобразований, поэтому базовую модель можно применять для заполнения пропусков в тексте и извлечения признаков. После дообучения она подходит для генерации текста, в частности суммаризации и перевода, а также для классификации и ответов на вопросы. Карточка рекомендует дообучать модель на размеченных данных для конкретной задачи. Лицензия — Apache 2.0.

kwondw/bert-base-uncased-tsdae — модель Sentence Transformers, дообученная на базе google-bert/bert-base-uncased на датасете wiki1m-for-simcse с использованием DenoisingAutoEncoderLoss. Она преобразует предложения и абзацы на входе в плотные векторы размерности 768 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT для извлечения признаков и пулинга CLS; модель принимает текст, поддерживает контекст до 512 токенов по метаданным, а README указывает максимальную длину последовательности 75 токенов. Базовая модель англоязычная, обучающая выборка состоит из англоязычных текстов Википедии. Модель подходит для семантического поиска, извлечения текстовых эмбеддингов и оценки сходства предложений. В README приведены результаты на STS: Spearman для косинусного сходства составляет 0,6557 на sts-dev и 0,6199 на sts-test. Для практического применения следует учитывать указанную в README длину последовательности 75 токенов; качество на других языках и доменах в предоставленных данных не описано. Лицензия в метаданных и README не указана.

wilsonmarciliojr/bertimbau-embed-nli — дообученная модель Sentence Transformers на основе neuralmind/bert-base-portuguese-cased, разработанная автором репозитория. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 768 для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также может применяться для кластеризации и классификации текста. В основе лежит BERT-архитектура BertModel с усреднением токенных представлений; максимальная длина входа — 512 токенов. В README приведены результаты оценки сходства на STS: Spearman 0,8034 на sts-dev и 0,7498 на sts-test. Модель рассчитана на текст на бразильском португальском; других языков карточка не подтверждает. Лицензия в предоставленных данных не указана.

BEE-spoke-data/bert-plus-L8-v1.0-allNLI_matryoshka — модель семейства BERT, разработанная BEE-spoke-data для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства, кластеризации и связанных задач с текстовыми эмбеддингами. Модель дообучена на датасете allNLI с функцией потерь MatryoshkaLoss и поддерживает вложенные размерности эмбеддингов 768, 512, 256, 128 и 64. Базовая модель поддерживает контекст до 4096 токенов, однако это дообучение проводилось на коротких примерах с контекстом 512 токенов. Модель рассчитана на английский язык и использует библиотеку Sentence-Transformers. Лицензия — Apache-2.0.

Компактная модель Sentence Transformer, разработанная swardiantara и дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; близость векторов можно оценивать косинусным сходством. Модель состоит из BERT и среднего pooling, содержит 4,4 млн параметров и принимает только текст. Модель обучалась на наборе из примерно 2,6 млн пар текстов с оценками сходства. В примерах набора — отзывы Amazon, поэтому модель подходит, в частности, для семантического поиска и сопоставления отзывов. Метаданные указывают контекст до 512 токенов, однако карточка модели задаёт максимальную длину последовательности 128 токенов. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Компактная модель Sentence Transformers, созданная дообучением google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 128, пригодные для поиска и сравнения текстов по косинусному сходству. Модель использует архитектуру BERT с усреднением токенных представлений; в метаданных указано 4,4 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Модель обучена на 42 730 примерах пар текстов с оценками сходства и подходит для семантического поиска, подбора похожих предложений и извлечения текстовых эмбеддингов. Примеры обучающих данных относятся к англоязычным рецензиям на фильмы. Для работы требуется библиотека Sentence Transformers. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Модель seongil-dn/bge-m3-kor-retrieval-bs1024-checkpoint-295 — дообученная версия BAAI/bge-m3 на базе Sentence Transformers, созданная для получения плотных векторных представлений предложений и абзацев. Архитектура XLM-RoBERTa с пулингом CLS-токена и нормализацией; размерность эмбеддингов — 1024. В метаданных указан размер модели 658,7 млн параметров, библиотека Sentence Transformers и нативный контекст до 8194 токенов; карточка модели заявляет максимальную длину последовательности 1024 токена. Эмбеддинги можно использовать для семантического поиска и сравнения текстов по косинусному сходству, поиска перефразировок, кластеризации и классификации текстов. Модель дообучена с CachedMultipleNegativesRankingLoss; название и описание репозитория указывают на корейский retrieval-сценарий, однако конкретные данные обучения и оценки качества не приведены. Лицензия в предоставленных данных не указана.

BidirLM-Omni-2.5B — мультимодальная модель семейства BidirLM, представленная разработчиком BidirLM. Это двунаправленный энкодер на 2,5 млрд параметров, который кодирует текст, изображения и аудио в общее пространство эмбеддингов размерностью 2048. Модель предназначена для поиска между разными модальностями, оценки семантического сходства, кластеризации и классификации. Для текстовых задач её также можно дообучать для классификации последовательностей, разметки токенов и регрессии. Модель поддерживает более 119 языков; контекст для текста — до 32 тысяч токенов. Для работы с аудио принимаются массивы отсчётов с разной частотой дискретизации, которые приводятся к 16 кГц. В README отмечены среднее пулингование и необходимость загружать пользовательский код репозитория. Для ускорения обучения и инференса требуется cuDNN версии выше 9.20.0: более ранние версии могут существенно замедлять работу из-за ошибки NVIDIA Conv3D. Распространяется по лицензии Apache-2.0.

Lajavaness/bilingual-embedding-large — двуязычная модель эмбеддингов предложений от Lajavaness, основанная на XLM-RoBERTa и реализованная с помощью Sentence Transformers. Она кодирует французские и английские предложения в нормализованные векторы размерности 1024; максимальная длина последовательности — 512 токенов, а нативное контекстное окно — 514 токенов. Размер модели — 658,7 млн параметров. Модель обучалась на SNLI и XNLI для английского и французского языков, затем дообучалась на STS-Benchmark и расширенных парах предложений. Её используют для семантического поиска, оценки сходства предложений, ранжирования текстов и кластеризации. Веса доступны в формате safetensors по лицензии Apache-2.0. Модель специализируется на французском и английском языках; качество на других языках не заявлено. README не содержит результатов оценки, поэтому точность для конкретных наборов данных и сценариев по карточке определить нельзя.

ColPali v1.3 HF — модель визуального поиска по документам, основанная на PaliGemma-3B и разработанная проектом ViDoRe. Она формирует многовекторные представления страниц документов и текстовых запросов, а затем сопоставляет их методом MaxSim в стиле ColBERT. Модель дообучена на парах «запрос — страница», преимущественно из академических наборов данных и веб-страниц PDF; обучающие запросы на английском языке. Модель предназначена для поиска релевантных страниц в визуально насыщенных документах, например PDF, когда важны не только извлечённый текст, но и визуальные особенности страницы. Она принимает текстовый запрос и изображение страницы документа, выдаёт векторы для поиска и оценки релевантности. Для загрузки используется библиотека Transformers; лицензия — Gemma. Для воспроизведения обученного формата следует установить префикс запроса «Query: »: поставляемый процессор по умолчанию использует «Question: ».

teven/cross_all_bs320_vanilla_finetuned_WebNLG2020_metric_average — модель эмбеддингов предложений на архитектуре MPNet, опубликованная на Hugging Face в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768; модель содержит 136,7 млн параметров и рассчитана на входную последовательность до 514 токенов. Модель подходит для семантического поиска и кластеризации текстов. Её можно использовать через библиотеку Sentence Transformers или через Transformers с подходящей операцией pooling. По названию репозитория модель дообучена на WebNLG 2020, однако README не уточняет точную схему обучения. Карточка не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя надёжно указать.

Curtain_Recommendation — модель эмбеддингов на базе XLM-RoBERTa, опубликованная пользователем nnudee. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на получение представлений, подходящих для поиска и ранжирования похожих текстов. Модель предназначена для семантического поиска, группировки текстов и рекомендаций по сходству между предложениями или абзацами. Репозиторий содержит веса в формате safetensors; размер модели — около 305,2 млн параметров, максимальный контекст — 514 токенов. Для использования подходит Sentence-Transformers либо Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

DCUBE Language Identifier — компактная модель для определения языка по тексту, разработанная DCUBE Ai. Она дообучена методом LoRA SFT на базе Qwen2.5-0.5B-Instruct с использованием дистилляции знаний от Qwen3-14B и примеров из набора papluca/language-identification с дополнительными данными на малаялам. Модель принимает текст и отвечает названием распознанного языка; поддерживает 21 язык, включая русский, английский, китайский, арабский и хинди. Модель семейства Qwen2 имеет плотную архитектуру, около 494 млн параметров и контекстное окно 32 768 токенов. В репозитории доступны веса Safetensors и GGUF; шаблон чата может автоматически добавлять инструкцию для определения языка. Лицензия — Apache-2.0. README рекомендует устанавливать температуру 0 при использовании через LM Studio.

Это модель DistilBERT, дообученная TextAttack для классификации пар предложений на наборе данных MRPC из бенчмарка GLUE. Она предназначена для определения того, выражают ли два предложения одно и то же значение. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые пары с максимальной длиной последовательности 512 токенов; при дообучении использовалось ограничение 256 токенов. Модель обучалась пять эпох с размером батча 32 и скоростью обучения 2e-05; лучшая точность на оценочной выборке составила около 85,8%. Это специализированный классификатор для задачи распознавания перефразирования, а не универсальная языковая модель. В карточке указана точность на eval-наборе, поэтому качество на других данных может отличаться. Лицензия в предоставленных материалах не указана.

ember-v1 — англоязычная модель эмбеддингов текста от vectoriseai, построенная на архитектуре BERT. Она обучена на корпусе пар текстов из разных областей, включая финансы, науку, медицину и право; при обучении использовались приёмы из работ RetroMAE и SetFit. Модель предназначена для получения векторных представлений предложений и сравнения их семантической близости, например в поиске и ранжировании текстов. Модель содержит около 433,9 млн параметров и обрабатывает до 512 токенов; более длинные входы обрезаются. В README приведён результат 63,54 в среднем по 56 задачам MTEB при размерности эмбеддингов 1024. Доступны форматы PyTorch, safetensors и ONNX. Лицензия — MIT; разработчик также предлагает доступ к модели через API LLMRails.

ERNIE-4.5-21B-A3B-PT-GGUF — GGUF-версия текстовой MoE-модели ERNIE-4.5-21B-A3B, разработанной Baidu; репозиторий подготовлен Unsloth. Модель предназначена для генерации текста, общего понимания языка и диалоговых сценариев. В README указана поддержка английского и китайского языков, а тип задачи обозначен как text-generation. Модель имеет 21 млрд параметров, из которых для каждого токена активируются 3 млрд. Архитектура включает 28 слоёв, 20 Q- и 4 KV-головы, 64 текстовых эксперта с активацией 6 экспертов на токен, а также 2 общих эксперта. Максимальная длина контекста составляет 131 072 токена. Хотя семейство ERNIE 4.5 обучается с учётом текстовых и визуальных модальностей, данная версия в описании обозначена как текстовая и не заявлена для обработки изображений. К сильным сторонам относятся MoE-архитектура с меньшим числом активных параметров при большом общем размере и длинный контекст. Ограничения включают необходимость совместимого программного обеспечения и аппаратных ресурсов, а также отсутствие в README подробных результатов тестирования и сравнений качества. Модель распространяется по лицензии Apache 2.0.

capemox/ettin-encoder-68m-contrastive-2.5m — англоязычный ModernBERT-энкодер, дообученный контрастивным обучением на примерно 2,5 млн пар «запрос — фрагмент текста» из открытых наборов данных. Модель содержит 68,1 млн параметров и формирует 512-мерные эмбеддинги предложений методом mean pooling; длина контекста — до 7 999 токенов. Это первая стадия двухэтапного конвейера, рассчитанная на поиск по тексту и как отправная точка для последующего дообучения под конкретную задачу извлечения информации. В README приведена оценка NanoBEIR NDCG@10 0,3572 после первой стадии; результат 0,5145 относится к дополнительному дообучению на MS MARCO и другой модели конвейера. Модель принимает текст и выдаёт векторы для поиска и сравнения сходства предложений. Она ориентирована на английский язык. Распространяется по лицензии Apache-2.0.

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

Это сборка классификатора fastText LID-176 в формате GGUF от автора репозитория cstr. Она определяет язык короткого текста и предназначена, в частности, для распознавания языка транскрипции после ASR и использования в runtime crispasr. Модель охватывает 176 языков и возвращает ISO 639-1 код языка; для одного текста можно получить несколько наиболее вероятных вариантов. В основе — оригинальный fastText `lid.176.bin` от Facebook с классификацией через hierarchical softmax. Репозиторий содержит веса F16 размером около 63 МБ; конверсия в GGUF сохраняет пути и коды дерева Huffman. Сборка распространяется по лицензии CC-BY-SA-3.0. README сообщает, что на коротких входах из двух слов для маратхи и хинди возможна перестановка предсказаний; это ограничение исходной модели.

LamaDiab/FinetuningMiniLM-V23Data-256ConstantBATCH-SemanticEngine — модель Sentence Transformers на базе BERT, дообученная авторами репозитория от LamaDiab/MiniLM-V23Data-256ConstantBATCH-SemanticEngine. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения текстов по смыслу, семантического поиска, поиска перефразировок, классификации и кластеризации. Для сравнения векторов используется косинусное сходство. В архитектуре применяются Transformer с усреднением токенных представлений и нормализацией выходного вектора. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекстное окно 512 токенов. Модель обучалась на примерах текстовых запросов и соответствующих категорий товаров; в README также приведён результат cosine accuracy 0,9648 на оценке TripletEvaluator. Модель принимает текст и выдаёт векторы, пригодные для ранжирования и поиска по близости. README не сообщает поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не указаны.