I.5Создание и редактирование текста

Ik45/nllb-en-id-finetuned — дообученная двунаправленная модель перевода английского и индонезийского языков, основанная на facebook/nllb-200-distilled-600M и разработанная для специализации NLLB на этой языковой паре. Она использует архитектуру M2M100 типа encoder-decoder и содержит около 290,3 млн параметров по метаданным; в README описаны сокращение словаря и дообучение с оптимизатором GaLore. Модель предназначена для перевода текстов в направлениях английский → индонезийский и индонезийский → английский. Для этих направлений README приводит результаты на FLORES-200 devtest: sacreBLEU 42,71 и 37,87 соответственно. Метаданные указывают контекст до 1024 токенов, а README отмечает оптимальное качество для последовательностей до 256 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Модель специализировалась на общей тематике английско-индонезийских текстов. Сокращённый словарь и настройка на одну языковую пару могут ухудшить перевод других языков, редких имён, смешанной англо-индонезийской речи, новых слов и сленга; для технических, юридических и медицинских материалов может потребоваться дополнительная настройка. При генерации нужно задавать корректный идентификатор целевого языка через forced_bos_token_id.

NHNDQ/nllb-finetuned-ko2en — модель машинного перевода, разработанная Juhwan Lee, Jisu Kim, TakSung Heo и Minsu Jeong на основе дообучения facebook/nllb-200-distilled-600M на датасете AI-hub. В README заявлен перевод с английского на корейский, хотя суффикс идентификатора модели указывает на направление с корейского на английский; поэтому фактическое направление следует проверить перед использованием. Модель построена на архитектуре M2M100ForConditionalGeneration, содержит 463,7 млн параметров и принимает текст, выдавая текст. В карточке указаны английский и корейский языки, а максимальный контекст составляет 1024 токена. Авторы сообщают, что BLEU вырос с 26,58 до 55,36 после дообучения. Лицензия — CC-BY-4.0. Модель предназначена для перевода между английским и корейским; README также упоминает генерацию текста в формате text-to-text и аугментацию корейских данных с помощью KoTAN.

Opus_kde4_eng_frnch_translation — модель машинного перевода на архитектуре Marian, созданная дообучением Helsinki-NLP/opus-mt-en-fr. Она предназначена для перевода текстов с английского на французский; в README указана оценка BLEU 52,8379 на наборе для оценки, но датасет и условия измерения не описаны. Модель работает с текстом и имеет контекст длиной до 512 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-ar — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского на арабский; модель построена на архитектуре Transformer и реализована как MarianMTModel. Размер составляет 57,3 млн параметров, контекст — до 512 токенов. Для выбора варианта арабского в начале предложения требуется целевой языковой токен вида >>id<<; доступны, в частности, стандартный арабский и несколько региональных вариантов и записей латиницей. Перед переводом применяются нормализация и SentencePiece-токенизация. В тесте Tatoeba для пары английский—арабский указаны BLEU 14,0 и chr-F 0,437. Модель подходит для перевода коротких текстов и предложений, но приведённые оценки не гарантируют качество для всех тематик и вариантов арабского. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-en-hu — модель машинного перевода с английского на венгерский, разработанная в рамках проекта OPUS. Она основана на архитектуре Transformer и реализована как MarianMTModel; обучающие данные взяты из корпуса OPUS, а подготовка текста включает нормализацию и SentencePiece. Размер модели — 57,2 млн параметров, контекст — до 512 токенов. Модель предназначена для перевода предложений и текстов с английского языка на венгерский. В карточке приведён результат BLEU 40,1 и chr-F 0,628 на наборе Tatoeba.en.hu. Доступны веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache 2.0.

Helsinki-NLP/opus-mt-en-mk — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на македонский и предназначена для автоматического перевода фраз и документов. Модель основана на архитектуре Marian Transformer-align, содержит 56,9 млн параметров и использует нормализацию текста и токенизацию SentencePiece. Для оценки приведён результат BLEU 52,1 и chr-F 0,683 на наборе Tatoeba.en.mk. Модель принимает текст на английском и выдаёт текст на македонском. Лицензия Apache-2.0 разрешает свободное использование с соблюдением её условий. Контекст модели составляет 512 токенов, поэтому длинные тексты могут потребовать разбиения на фрагменты.

Helsinki-NLP/opus-mt-en-sv — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с английского языка на шведский и предназначена для автоматического перевода предложений и текстовых фрагментов. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; содержит 54,1 млн параметров и имеет контекст длиной 512 токенов. Для предварительной обработки используются нормализация текста и SentencePiece, а обучение связано с корпусом OPUS. В README приведён результат BLEU 60,1 и chr-F 0,736 на тестовом наборе Tatoeba.en.sv. Модель распространяется по лицензии Apache-2.0. Она рассчитана на перевод в одном направлении — с английского на шведский; приведённые тестовые оценки не гарантируют аналогичное качество на любых текстах и предметных областях.

Карточка модели mijuanlo/opus-mt-es-de на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-es-de, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-es-de — модель машинного перевода с испанского на немецкий, разработанная в рамках проекта OPUS и основанная на архитектуре Marian Transformer. Она обучена на данных OPUS; перед переводом текст нормализуется и обрабатывается с помощью SentencePiece. Размер модели — 56,6 млн параметров, длина контекста — 512 токенов. В README приведён результат BLEU 50,0 на тестовом наборе Tatoeba.es.de. Модель предназначена для перевода предложений и текстов с испанского языка на немецкий. Доступны веса PyTorch и TensorFlow. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает об ограничениях качества или специальных областях применения.

Карточка модели mijuanlo/opus-mt-es-it на Hugging Face совпадает с карточкой Helsinki-NLP/opus-mt-es-it, поэтому описание составлено по ней. Helsinki-NLP/opus-mt-es-it — модель машинного перевода с испанского на итальянский, опубликованная командой Helsinki-NLP и основанная на проекте OPUS-MT. Она использует архитектуру Marian Transformer и предназначена для перевода испанских текстов на итальянский; в обработке применяются нормализация и токенизация SentencePiece. Модель содержит 55,4 млн параметров, её контекст ограничен 512 токенами. В тесте Tatoeba.es.it указаны BLEU 55,9 и chr-F 0,751. Модель принимает текст на испанском и выдаёт перевод на итальянском. Распространяется под лицензией Apache-2.0; веса доступны в форматах PyTorch и TensorFlow. Карточка не описывает дополнительные языковые пары или специализированные предметные области.

Helsinki-NLP/opus-mt-hu-fr — модель машинного перевода, разработанная проектом Helsinki-NLP в рамках OPUS-MT. Она переводит текст с венгерского языка на французский и предназначена для автоматического перевода фраз и документов. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; при подготовке текста используются нормализация и SentencePiece. Веса содержат 55,2 млн параметров, длина контекста — 512 токенов. Для тестового набора Tatoeba.hu.fr в карточке приведены результаты BLEU 50,3 и chr-F 0,660. Модель поддерживает направление перевода hu→fr; качество на других типах текстов и доменах этими оценками не подтверждено. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-jap-en — модель машинного перевода с японского языка на английский, разработанная Helsinki-NLP в рамках проекта OPUS-MT. Она предназначена для перевода текстов и построена на архитектуре Transformer-align; в репозитории указана реализация MarianMT. Модель содержит 48,9 млн параметров и использует нормализацию текста и токенизацию SentencePiece. Контекст ограничен 512 токенами. Модель обучена на данных OPUS. В карточке приведён результат BLEU 52,6 и chr-F 0,703 на тестовом наборе bible-uedin.jap.en. Весовые файлы доступны в форматах PyTorch и TensorFlow. Лицензия — Apache-2.0, допускающая коммерческое использование при соблюдении её условий.

Helsinki-NLP/opus-mt-sv-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст со шведского языка на английский и предназначена для перевода отдельных текстов и интеграции в автоматизированные переводческие системы. Модель основана на архитектуре Transformer-align и реализована как MarianMTModel; содержит 54,1 млн параметров. Для обработки текста используются нормализация и SentencePiece, длина контекста — до 512 токенов. В карточке приведён результат BLEU 64,5 на тестовом наборе Tatoeba.sv.en. Модель работает с текстом и поддерживает направление перевода sv→en. Распространяется по лицензии Apache-2.0. Качество может различаться в зависимости от тематики и стиля исходного текста; опубликованный показатель относится к указанному тестовому набору и не гарантирует аналогичный результат на других данных.

opus-mt-sv-es — модель машинного перевода из семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст со шведского языка на испанский и основана на архитектуре Transformer-align с предварительной обработкой нормализацией и SentencePiece. Для обучения использован корпус OPUS. Модель содержит 54,9 млн параметров, работает с библиотеками Transformers и Marian и распространяется в форматах PyTorch и TensorFlow; длина контекста — 512 токенов. Модель подходит для перевода фраз и текстов со шведского на испанский. В карточке приведена оценка BLEU 52,1 и chr-F 0,683 на тестовом наборе Tatoeba.sv.es. Лицензия — Apache-2.0.

Helsinki-NLP/opus-mt-sv-fr — модель машинного перевода на базе архитектуры Marian Transformer, созданная проектом OPUS и опубликованная Helsinki-NLP. Она переводит текст со шведского языка на французский. Модель содержит 54,9 млн параметров, использует нормализацию и токенизацию SentencePiece; максимальная длина контекста — 512 токенов. Модель предназначена для перевода фраз и текстов общего назначения. В карточке приведён результат BLEU 59,7 и chr-F 0,731 на наборе Tatoeba.sv.fr. Доступны веса PyTorch и TensorFlow. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий.

Это конвертированная в формат CTranslate2 модель машинного перевода на базе Helsinki-NLP/opus-mt-tc-big-en-it. Разработчик подготовил её для работы в настольном движке ooeoeo с сервером инференса opus-mt-server; веса представлены в float16. Модель переводит текст с английского на итальянский и предназначена для локального использования в приложениях, которым нужен перевод между этой языковой парой. Исходная модель относится к семейству OPUS-MT tc-big. Репозиторий распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-tc-big-zle-de — модель машинного перевода проекта OPUS-MT, разработанная на базе Marian NMT и опубликованная в формате PyTorch для Transformers. Она переводит с белорусского, русского и украинского языков на немецкий. Модель использует архитектуру Transformer-big, токенизацию SentencePiece и содержит 163,3 млн параметров; указанная длина контекста — 1024 токена. Модель предназначена для перевода предложений и текстов с восточнославянских языков на немецкий, в том числе в сервисах перевода и приложениях на Transformers. В README приведены результаты проверки на тестовых наборах Tatoeba для белорусского, русского и украинского языков. Модель распространяется по лицензии CC BY 4.0.

PCS — это мультиязычная модель постобработки текста, разработанная на базе XLM-RoBERTa-base и конвертированная в формат GGUF для использования с CrispASR и CrisperWeaver. Она предназначена прежде всего для обработки результатов систем автоматического распознавания речи, выдающих текст без пунктуации и с сохранением всех букв в нижнем регистре. Модель за один проход восстанавливает пунктуацию, включая точки, запятые, вопросительные и восклицательные знаки, двоеточия, точки с запятой и другие знаки, выполняет truecasing и определяет границы предложений. Архитектура включает 12-слойный энкодер XLM-RoBERTa-base с размерностью 768, 12 головами внимания и токенизатором SentencePiece, а также четыре классификационные головы для пост- и предпозиционной пунктуации, сегментации предложений и посимвольного определения регистра. PCS поддерживает 47 языков, однако наилучшее качество заявлено для английского, немецкого, французского, испанского, итальянского, португальского, нидерландского, польского, русского, украинского, чешского и датского языков, на которых обучались классификационные головы. Доступны полноточная версия F16 размером около 903 МБ и квантованная Q4_K размером около 155 МБ, что делает последнюю более подходящей для локального использования. Ограничения включают зависимость качества от языка и особенностей входного текста, а также отсутствие функций распознавания речи: модель обрабатывает уже полученный текст. Лицензия MIT.

Quintus-1.7B — компактная англоязычная модель-ассистент, разработанная iamrahulreddy на базе Qwen/Qwen3-1.7B-Base. Модель с плотной архитектурой Qwen3 содержит 1,7 млрд параметров, принимает текст и предназначена для диалоговой генерации, рассуждений и написания кода. Контекст модели — до 32 768 токенов по метаданным; в описании обучения указана упаковка последовательностей длиной 4096 токенов. Студент обучен методом онлайн-дистилляции по полному распределению токенов от Qwen3-8B, а затем дообучен на целевом наборе инструкций для поведения ассистента, согласованности ответов и устойчивости генерации. В README сообщается о лучших результатах по GSM8K, ARC-Challenge и WinoGrande по сравнению с базовой и instruct-версиями Qwen3-1.7B; численные результаты в доступном фрагменте не приведены. Модель выпускается под лицензией MIT и совместима с Transformers и vLLM. Модель ограничена возможностями компактной модели: фактические ответы могут быть уверенно ошибочными, а код — не учитывать сложность и граничные случаи. Результаты в режиме продолжения текста и в формате чата несопоставимы напрямую; README указывает, что дополнительная настройка предпочтений могла бы улучшить калибровку, отказы и качество открытого диалога.

ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel-arm — разговорная модель семейства Qwen2, разработанная ehristoforu как дообучение ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel. Модель имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров; она предназначена для генерации текста в диалоговом формате. Максимальная длина контекста составляет 32 768 токенов. Модель дообучалась с использованием Unsloth и библиотеки Hugging Face TRL. Суффикс названия указывает на армянский язык, а базовая модель ориентирована на испанский, русский и белорусский; однако карточка и метаданные не подтверждают явно набор языков этой версии. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-32B-ArliAI-RPMax-v1.3 — дообученная ArliAI модель семейства Qwen2.5 с плотной архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она предназначена для творческого письма и ролевых диалогов: модель обучали на отобранных и очищенных от повторов наборах данных с персонажами и ситуациями, чтобы разнообразить ответы и уменьшить повторение сюжетных клише. Метаданные указывают контекст 32 768 токенов; в README заявлено 128K, поэтому фактическая поддержка контекста по источникам расходится. Модель принимает текст и генерирует текст, поддерживает формат ChatML и интерфейс вызова инструментов. Опубликована в safetensors по лицензии Apache-2.0.

Qwen3.5-4B-Unredacted-MAX — дообученная версия Qwen3.5-4B от prithivMLmods с изменённым поведением отказов. Это плотная мультимодальная модель на 4 млрд параметров семейства Qwen3.5, принимающая текст и изображения и предназначенная для диалога, следования инструкциям и рассуждений. Репозиторий содержит веса в формате safetensors и рассчитан на работу через Transformers; заявлены облегчённое локальное развертывание и совместимость с современными конвейерами библиотеки. Модель подходит для прототипирования локальных ассистентов, анализа изображений, изучения поведения инструкционных моделей и проверок устойчивости. README приводит самоотчётную оценку поведения отказов на 2000 запросах; эти результаты зависят от набора запросов и настроек генерации и не являются гарантией качества. Возможны фактические ошибки и непоследовательные ответы в сложных сценариях; для очень длинного контекста модель не оптимизирована. Лицензия — Apache-2.0.

Qwen3.6-27B-Della-Deckard-v1 — мультимодальная модель с 27 млрд параметров, собранная автором репозитория YFC-112358 методом слияния весов. В основе лежит Qwen/Qwen3.6-27B; в карточке описаны слияние DELLA с двумя моделями для рассуждений и добавление небольшого вектора задач из инженерной модели Qwen3.5. Модель плотная, построена на архитектуре Qwen3.5, поддерживает зрительный ввод и диалог. Веса сохранены в BF16 в формате safetensors; лицензия — Apache-2.0. Модель предназначена для мультимодальных диалогов и задач, где нужно отвечать на текстовые запросы и учитывать изображения. Автор также ориентирует её на рассуждения и инженерные задачи, включая программирование, но количественных бенчмарков нет. Карточка сообщает о тестировании генерации на 13 текстовых запросах; работу с изображениями и поведение на контексте длиннее 16K не проверяли. Слияние структурно проверено, но это не подтверждает улучшения качества; при проблемах автор рекомендует отключить кросс-поколенческий вклад. Указанный контекст базовой модели в README — 16K, за его пределами поведение не оценивалось.

AMAImedia опубликовала эту версию модели в рамках платформы NOESIS для автоматизации многоязычного дубляжа. В основе — дообученная philbert440/Qwen3.8-27B-Uncensored-Aggressive; это плотная мультимодальная модель семейства Qwen3.5 для Transformers, с весами safetensors в формате BF16. Сохранены vision tower и голова MTP для спекулятивного декодирования. Модель принимает изображения и текст и формирует текстовые ответы. Она предназначена для диалоговых сценариев с изображениями, а также для генерации ответов на инструкции с менее выраженными отказами, чем у исходной модели. В README описан метод ослабления отказов через ортогонализацию вектора отказа на слое 28 с коэффициентом α=1,15; приведённые там оценки — результаты авторского тестирования, а не независимая проверка. Заявлена поддержка многих языков, включая русский, английский и китайский. Лицензия — Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 79 — чекпойнт языковой модели, опубликованный willamazon1. Это продолжение обучения с подкреплением модели willamazon1/qwen3-8b-tmax-sft-v3-iter353, изначально дообученной на основе Qwen/Qwen3-8B. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров; контекст — до 40 960 токенов. Для работы доступны веса в формате safetensors с точностью bfloat16. Чекпойнт получен с помощью group-relative policy optimization на асинхронных многошаговых взаимодействиях с агентными средами. Он предназначен для диалоговой генерации текста и сценариев использования инструментов; метаданные также отмечают интерфейс tool calling. Итерация 79 — одна из опубликованных точек обучения, позволяющих сравнивать динамику обучения с подкреплением. Лицензия — Apache-2.0. Карточка не приводит результаты оценивания качества, поэтому пригодность для конкретной среды и устойчивость поведения с инструментами следует проверять отдельно.

Qwen3 ASR Refiner 0.6B — дообученная модель Aye10032 на базе Qwen/Qwen3-0.6B для постобработки китайских транскриптов распознавания речи. Она преобразует разговорный и спонтанный китайский текст в краткий, естественный письменный китайский, сохраняя исходный смысл; подходит для нормализации результатов ASR и подготовки расшифровок к чтению. Модель использует плотную авторегрессионную архитектуру Qwen3ForCausalLM, содержит около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Веса BF16 в формате Transformers, адаптер LoRA объединён с базовой моделью, поэтому PEFT для загрузки не требуется. Репозиторий распространяется по лицензии Apache-2.0; датасет обучения WenetSpeech-Formal-Text имеет лицензию CC BY 4.0, для него следует соблюдать требования атрибуции и цитирования.

Rei-V2-12B — экспериментальная чат-модель от Delta-Vector, дообученная на базе NewEden/MistralAI-Nemo-Instruct-ChatML. Это плотная причинная языковая модель семейства Mistral с 12,1 млрд параметров и контекстом до 131 072 токенов; она принимает текст и формирует текстовые ответы в формате ChatML. Модель предназначена для диалогов, ролевых сценариев и художественного письма. Разработчик описывает её как прототип Magnum, обученный на смеси данных для имитации выразительной прозы Claude 3 Sonnet и Opus; в карточке также указаны англоязычные наборы инструкций и творческого письма. Доступны веса Safetensors, а README упоминает отдельные квантизованные варианты EXL2 и GGUF. Модель появилась как эксперимент с отсечением градиентов и была выпущена после положительных отзывов ранних тестировщиков. Это не гарантия качества: результаты могут быть непоследовательными, а следование системному промпту и удержание роли зависят от сценария. Лицензия в предоставленных данных не указана.

Sapphira-L3.3-70b-0.1 — объединённая языковая модель BruhzWater для связного сторителлинга и ролевых диалогов. Она построена на архитектуре Llama и предназначена для генерации текста в формате чата. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. При слиянии методом Multi-SLERP использованы Apocrypha-L3.3-70b-0.3 и Serpents-Tongue-L3.3-70b-0.3; базовой моделью послужила deepcogito/cogito-v2-preview-llama-70B. В карточке приведены шаблоны Llama 3 и Deep Cogito, а также стартовые настройки генерации. Модель подходит для создания историй, ролевых сцен и продолжения диалогов. Качество и поведение обозначены как экспериментальные, поэтому результаты могут быть непоследовательными. Лицензия в предоставленных данных не указана.

SbertPuncCase — русскоязычная модель восстановления пунктуации и регистра, разработанная Альмирой Муртазиной и Александром Абугалиевым. Она предназначена для обработки расшифровок речи и принимает текст в нижнем регистре, предсказывая для токенов знаки препинания и варианты регистра. Модель построена на базе ai-forever/sbert_large_nlu_ru и использует архитектуру BERT для классификации токенов. Она предсказывает 12 классов, сочетая варианты пунктуации и регистра. Размер модели — 525,7 млн параметров, длина контекста — до 512 токенов. Обучающие данные включали текстовые расшифровки интервью. Модель подходит для постобработки русского текста после распознавания речи. Она рассчитана на русский язык и не предназначена для работы с исходным текстом, где значимы прописные буквы. Лицензия — Apache-2.0.

Huangsssz/SmolLM3-3B-MOPD-PG-SGD-lr2p5e-3-NoThinking-500 — исследовательский чекпойнт языковой модели SmolLM3, созданный дообучением BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT. Модель содержит 3,1 млрд параметров, использует плотную архитектуру SmolLM3ForCausalLM и экспортирована в BF16 в формате Safetensors; заявленная длина контекста — 65 536 токенов. Чекпойнт получен после 500 обновлений методом дистилляции с обучением по policy gradient на ответах, оцениваемых профильными учителями для математики, программирования и следования инструкциям. Обучение и оценивание выполнялись с отключённым режимом рассуждений; шаблон чата поддерживает соответствующую настройку при инференсе. Модель предназначена для генерации ответов и экспериментов с математическими, программными и инструкционными задачами. Приведённые в карточке оценки ещё не завершены, поэтому качество по этим бенчмаркам оценить нельзя. Лицензия — Apache-2.0.

Soar-qwen-7b-i1-GGUF — это набор квантованных файлов GGUF для модели Soar-qwen-7b, разработанной julien31 и квантованной mradermacher. Модель обучалась на датасете julien31/soar_arc_train_5M и предназначена главным образом для генерации текста и кода, синтеза программ, а также задач, связанных с эволюционными алгоритмами и ARC/ARC-AGI. Указан английский язык. Модель относится к семейству Qwen и имеет размер 7B параметров. README не содержит сведений о точной архитектуре, поддерживаемой длине контекста или мультимодальных возможностях, поэтому эти характеристики нельзя достоверно определить. Представлены варианты квантования IQ и Q с размером файлов примерно от 2,0 до 6,4 ГБ; вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а низкобитные варианты могут заметно уступать по качеству. Файлы предназначены для запуска через совместимое с GGUF программное обеспечение. Лицензия модели указана как Apache-2.0.