I.5Создание и редактирование текста

MixTAO-7Bx2-MoE-Instruct-v7.0 — инструктивная языковая модель семейства Mixtral, опубликованная пользователем mixtao на Hugging Face. Она использует архитектуру смеси экспертов (MoE) и предназначена для генерации текста в ответ на инструкции и сообщения в чате. Карточка описывает шаблон диалога, в котором роли system, user и assistant задают контекст и порядок реплик. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель можно применять для диалога, ответов на вопросы и других задач генерации текста. README приводит результаты Open LLM Leaderboard, включая среднюю оценку 76,55 и оценки на отдельных тестах рассуждения и понимания текста. Лицензия — Apache-2.0. Языки обучения или целевого применения в доступных данных не обозначены.

DiscoResearch опубликовал предварительную реализацию Mixtral — языковой модели Mistral с архитектурой Mixture of Experts (MoE). В README модель названа Mixtral 7b 8 Expert; в метаданных указано 7,1 млрд параметров, а максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса PyTorch и предназначен для генерации текста. Модель подходит для генерации и продолжения текста, а приведённые в карточке результаты охватывают тесты на понимание текста, рассуждение и знания. В карточке перечислены английский, французский, итальянский, испанский и немецкий языки. README описывает реализацию как предварительную и отмечает необходимость загрузки с trust_remote_code=True. Лицензия — Apache-2.0.

cloudyu/Mixtral_7Bx4_MOE_DPO — версия модели Mixtral, дообученная методом Direct Preference Optimization (DPO) на основе cloudyu/Mixtral_7Bx4_MOE_24B. Она предназначена для генерации текста; карточка сообщает об улучшении метрик после DPO, но не приводит сами метрики или подробности обучения. Модель использует архитектуру MixtralForCausalLM с механизмом смеси экспертов (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Mixtral-8x7B-Instruct-v0.1-AWQ — это 4-битная AWQ-квантизованная версия инструкционной языковой модели Mixtral 8X7B Instruct v0.1, разработанной Mistral AI и подготовленной для публикации TheBloke. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции, работу в чат-ботах и локальный запуск через совместимые инструменты инференса. Для форматирования запросов используется шаблон [INST] {prompt} [/INST]. Модель основана на архитектуре Mixtral и имеет максимальную длину последовательности 8192 токена. Доступна в формате AWQ с 4-битными весами, группой 128 и размером файлов около 24,65 ГБ; файлы поставляются в формате sharded safetensors. Заявлена поддержка английского, французского, итальянского, немецкого и испанского языков. Квантизация снижает требования к памяти и обеспечивает быстрый инференс на совместимых NVIDIA GPU, однако README не содержит точных требований к видеопамяти, результатов бенчмарков или подробных характеристик базовой архитектуры. Для работы рекомендуются Linux или Windows с NVIDIA GPU и совместимые версии Transformers, vLLM, Text Generation Inference, AutoAWQ или text-generation-webui. На macOS данный формат не рекомендуется; для этой платформы предлагаются GGUF-версии. Модель распространяется по лицензии Apache-2.0.

Карточка модели jduhmbd/Mixtral-8x7B-Instruct-v0.1-custom на Hugging Face совпадает с карточкой kallam/Mixtral-8x7B-It-v0.1, поэтому описание составлено по ней. kallam/Mixtral-8x7B-It-v0.1 — диалоговая instruction-модель на основе Mixtral-8x7B от Mistral AI. Это генеративная разреженная архитектура Mixture of Experts, предназначенная для выполнения инструкций и ведения диалога. Модель поддерживает контекст до 32 768 токенов и, согласно README, предназначена для запуска через vLLM; в репозитории также приведены сведения о совместимости с Transformers, хотя карточка предупреждает, что веса пока нельзя непосредственно инициализировать через HF Transformers. Файлы представлены в формате safetensors; лицензия — Apache 2.0. Модель подходит для диалоговых помощников, ответов на инструкции и генерации текста на французском, итальянском, немецком, испанском и английском языках. README описывает её как демонстрацию возможностей дообучения базовой модели и отмечает высокие результаты Mixtral-8x7B в сравнении с Llama 2 70B на проверенных авторами бенчмарках. У модели нет встроенных механизмов модерации, поэтому ответы могут требовать внешних ограничителей и проверки.

Mixtral-8x7B-Instruct-v0.1-GGUF — это набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе оригинальной модели Mixtral-8x7B-Instruct-v0.1, разработанной Mistral AI. Модель предназначена для генерации текста и диалоговых сценариев, а GGUF-версии позволяют запускать её локально с помощью llama.cpp и совместимых приложений и библиотек, включая text-generation-webui, LM Studio, GPT4All, KoboldCpp и llama-cpp-python. Архитектура исходной модели — Mixtral с восемью экспертами по 7B параметров; конкретные характеристики контекста, языковой поддержки и модальностей в README не указаны. Репозиторий содержит варианты квантования с разной разрядностью — от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Модель текстовая и относится к pipeline text-generation. Сильной стороной является поддержка множества локальных инструментов и возможность подбирать степень квантования под доступное оборудование. Ограничения и влияние конкретных вариантов квантования на качество в README подробно не описаны; также не указаны рекомендуемые аппаратные требования и максимальная длина контекста. Модель распространяется по лицензии Apache-2.0.

Aratako/Mixtral-8x7B-Instruct-v0.1-upscaled — экспериментальная инструктивная языковая модель, созданная автором Aratako с помощью mergekit: слои исходной mistralai/Mixtral-8x7B-Instruct-v0.1 чередуются методом passthrough. Архитектура — Mixtral MoE для генерации текста и диалогов; в репозитории указано 12,3 млрд параметров и контекст до 32 768 токенов. Модель предназначена для ответов на запросы, ведения диалога, написания текстов, извлечения сведений, программирования и рассуждений. Карточка приводит результаты MT-Bench, где модель показывает неоднородные изменения относительно исходника по отдельным категориям; это не гарантирует качества на других задачах. Указаны языки английский, французский, итальянский, немецкий и испанский. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Это экспериментальное слияние слоёв одной модели; README описывает метод и сравнительный бенчмарк, но не подтверждает независимую проверку результатов.

kallam/Mixtral-8x7B-It-v0.1 — диалоговая instruction-модель на основе Mixtral-8x7B от Mistral AI. Это генеративная разреженная архитектура Mixture of Experts, предназначенная для выполнения инструкций и ведения диалога. Модель поддерживает контекст до 32 768 токенов и, согласно README, предназначена для запуска через vLLM; в репозитории также приведены сведения о совместимости с Transformers, хотя карточка предупреждает, что веса пока нельзя непосредственно инициализировать через HF Transformers. Файлы представлены в формате safetensors; лицензия — Apache 2.0. Модель подходит для диалоговых помощников, ответов на инструкции и генерации текста на французском, итальянском, немецком, испанском и английском языках. README описывает её как демонстрацию возможностей дообучения базовой модели и отмечает высокие результаты Mixtral-8x7B в сравнении с Llama 2 70B на проверенных авторами бенчмарках. У модели нет встроенных механизмов модерации, поэтому ответы могут требовать внешних ограничителей и проверки.

LeroyDyer/Mixtral_AI_CyberTron — языковая модель, созданная объединением предварительно обученных моделей с помощью mergekit. В слияние линейным методом вошли Mixtral_AI_AlphaTron, Mixtral_AI_MegaTron и версии LeroyDyer/Mixtral_AI_CyberTron_M3 и M4; веса сохранены в формате safetensors. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. Карточка не уточняет специализацию по языкам или прикладным областям. Для загрузки указана библиотека Transformers, лицензия не приведена.

MixtureofMerges-MoE-2x7b-SLERPv0.9b — объединённая модель для генерации текста, созданная автором jsfs11 методом SLERP с помощью LazyMergekit. В объединение вошли zhengr/MixTAO-7Bx2-MoE-v8.1 и jsfs11/MixtureofMerges-MoE-2x7b-v6; базовой моделью в конфигурации указана zhengr/MixTAO-7Bx2-MoE-v8.1. Модель построена на архитектуре Mixtral с разреженной экспертной архитектурой MoE и классом MixtralForCausalLM. Размер — 7,1 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Предназначена для генерации текста, диалогов и ответов на запросы. Карточка не сообщает поддерживаемые языки и лицензию.

MixtureofMerges-MoE-4x7b-v3 — языковая модель Mixtral с архитектурой смеси экспертов (MoE), созданная jsfs11 с помощью LazyMergekit путём объединения четырёх моделей: jsfs11/RandomMergeNoNormWEIGHTED-7B-DARETIES, senseable/WestLake-7B-v2, mlabonne/OmniBeagle-7B и vanillaOVO/supermario_v3. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая среднее значение 75,31, 74,40 на AI2 Reasoning Challenge и 88,62 на HellaSwag; эти показатели описывают оценивание, а не гарантируют качество в конкретном применении. Модель распространяется под лицензией Apache-2.0. Языки и специальные прикладные области в доступных сведениях не обозначены.

Joemgu/mlong-t5-base-sumstew — модель суммаризации на архитектуре LongT5, разработанная автором репозитория и дообученная на наборе данных Joemgu/sumstew. Она принимает документ с инструкцией «Summarize:» или «Write a title and summarize:» и генерирует краткое изложение либо заголовок вместе с изложением. Модель содержит 296 млн параметров, принимает текст с контекстом до 4096 токенов и распространяется в форматах PyTorch и Safetensors через библиотеку Transformers. Модель подходит для сокращения длинных текстов и автоматической подготовки заголовков с кратким содержанием. В метаданных перечислены английский, немецкий, французский, итальянский и испанский языки. Лицензия Apache-2.0 разрешает использование, изменение и распространение при соблюдении её условий. Качество результатов может зависеть от языка и тематики входного документа; отдельные оценки качества в карточке не приведены.

Joemgu/mlong-t5-large-sumstew — многоязычная модель для абстрактивного суммирования длинных документов и генерации заголовков, созданная на базе архитектуры LongT5 и дообученная разработчиком на наборе данных Joemgu/sumstew. Она принимает текст с инструкцией «Summarize:» для получения краткого содержания или «Write a title and summarize:» для генерации заголовка и краткого содержания. Модель содержит около 614,9 млн параметров; в метаданных указан контекст 4096 токенов, а в README заявлена обработка входов до 16 тысяч токенов. Поддерживаемые языки — английский, немецкий, французский, итальянский и испанский. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель предназначена для подготовки кратких изложений и заголовков к длинным текстам. Ограничение по длине входа зависит от источника: README заявляет до 16 тысяч токенов, тогда как метаданные указывают контекст 4096 токенов; фактическое качество за пределами этого значения следует проверять на целевых документах.

IAmTheCollector/MN-Slush-GGLD — плотная языковая модель семейства Mistral с архитектурой MistralForCausalLM, созданная слиянием двух предварительно обученных моделей: crestf411/MN-Slush и DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-DARKNESS. Для слияния применён метод SLERP; конфигурация использует BF16 и задаёт изменяющийся по слоям вклад исходных моделей. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленный размер — 12,1 млрд параметров, родной контекст — до 1 024 000 токенов. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers; метаданные также отмечают интерфейс вызова инструментов. Лицензия в предоставленных данных не указана.

MobileLLM-Pro — англоязычная инструкционно дообученная языковая модель Meta Reality Labs из семейства MobileLLM, рассчитанная на эффективный запуск на устройствах. Это трансформер на 1,08 млрд параметров с 30 слоями и чередованием локального и глобального внимания; модель принимает и генерирует текст и поддерживает контекст до 128 тыс. токенов. Модель предназначена для диалогов и общих языковых задач, включая ответы на вопросы, переписывание и суммаризацию документов, а также вызов инструментов. В карточке отмечены результаты на бенчмарках по знаниям, следованию инструкциям и программированию. README описывает дистилляцию знаний от Llama 4-Scout в процессе обучения семейства, а метаданные указывают, что этот вариант дообучен на MobileLLM-Pro-base. Для семейства также упомянуты варианты int4-квантизации, но данный репозиторий содержит инструкционный вариант в формате safetensors. Модель предназначена прежде всего для английского языка. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование; перед внедрением следует проверить её условия.

Sakalti/model-3-decem — языковая модель для генерации текста и диалогов, созданная слиянием моделей методом TIES с помощью mergekit. В качестве базовой модели указана Sakalti/model-3; в слиянии также участвовала qfq/Qwen2.5-7B-Instruct-20241204-114939. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текст, выдавая текст. Для работы с весами используется формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговых сценариев и генерации ответов, а метаданные также отмечают интерфейс вызова инструментов. В карточке не приведены сведения о языках обучения или качествах модели. Лицензия в предоставленных данных не указана.

Это разговорная плотная модель семейства Llama 3, дообученная разработчиком mjm4dl на базе unsloth/llama-3-8b-Instruct. Она содержит 7,5 млрд параметров и предназначена для генерации текста и ответов в диалоге; может использоваться в чат-ботах и приложениях, где нужны ответы на текстовые запросы. Модель принимает текст и выдаёт текст, поддерживает английский язык, а длина контекста составляет 8192 токена. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL; сведений о специализированной предметной области или сравнительных оценках качества нет.

Карточка модели bongchoi/MoMo-70B-V1.0 на Hugging Face совпадает с карточкой bongchoi/MoMo-70B-V1.1, поэтому описание составлено по ней. MoMo-70B-V1.1 — языковая модель семейства Llama, опубликованная пользователем bongchoi. Это плотная авторегрессионная модель для генерации текста с 68,7 млрд параметров и контекстом до 4096 токенов. В метаданных указаны Transformers, формат safetensors и лицензия Llama 2. Модель обучалась на наборах данных в стиле Orca и Alpaca; README сообщает, что другие наборы данных не использовались. Она подходит для генерации текста и диалоговых сценариев общего назначения. Карточка не приводит результатов оценки качества или дополнительных характеристик обучения.

Monarch-7B — языковая модель mlabonne, полученная слиянием моделей OmniTruthyBeagle-7B-v0, NeuBeagle-7B и NeuralOmniBeagle-7B с помощью LazyMergekit. В конфигурации также указан Mistral-7B-v0.1 как базовая модель; слияние выполнено методом dare_ties. Модель построена на архитектуре Mistral с плотной структурой и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и решения широкого круга языковых задач. В карточке приведены оценки на наборах Nous и Open LLM Leaderboard; заявлено первое место на YALL leaderboard на дату обновления 13 февраля 2024 года. Контекстное окно составляет 32 768 токенов. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но некоммерческое использование בלבד.

Monarch-7B-dare — текстовая генеративная модель на архитектуре Mistral, созданная mlabonne методом слияния моделей через LazyMergekit. В конфигурации указаны OmniTruthyBeagle-7B-v0 и NeuBeagle-7B; для NeuBeagle задан вес 0,45 и плотность 0,53, применён метод dare_ties. Метаданные каталога связывают модель с NeuBeagle-7B как с базовой дообученной моделью. Модель предназначена для генерации и продолжения текста, включая диалоговые ответы. Она содержит 7,1 млрд параметров, принимает текст и выдаёт текст, а длина контекста составляет 32 768 токенов. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

MonarchLake-7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная macadeliccc слиянием SLERP моделей AlphaMonarch-7B и WestLake-7b-v2-laser-truthy-dpo. Она предназначена для генерации текста и общения в диалоговом формате, включая ответы на вопросы и рассуждения. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В README приведены результаты оценки на задачах рассуждения и здравого смысла. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

MOTHER CORE V3 — языковая модель MediaStream AI (MSAI), разработанная MediaStream AI Limited в Великобритании. Это плотный трансформер с архитектурой MotherCoreForCausalLM и примерно 6,7 млрд параметров по метаданным (в README указано около 6,9 млрд). Контекст модели — 4096 токенов; для работы используется библиотека Transformers и пользовательский код модели через trust_remote_code. Модель предназначена для генерации текста и агентных сценариев: пошаговых рассуждений, вызова инструментов, поиска и синтеза ответов по документам с цитатами, многошаговых рабочих процессов, генерации кода и документов. В README заявлены навыки работы с математикой, научными и общими вопросами, а также вертикальными задачами в финансах, комплаенсе, страховании и управлении рисками. Упоминается обучение на английском, валлийском, ирландском и шотландском гэльском; метаданные подтверждают английский. README сообщает о результате 81 из 105 задач на внутреннем агентном бенчмарке и низкой склонности к деградации, но это оценка разработчика. Известные ограничения: маршрутизация по форматам файлов бывает неточной, арифметические ответы следует проверять, а знания модели ограничены временем обучения. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

MotherEarth создала эту объединённую языковую модель с помощью mergekit, применив линейное слияние MotherEarth-Proverbs-1.0-8B и Hermes-ClimateStorm-Sauerkraut-abliterated. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; принимает текст и выдаёт текст. Контекст модели составляет до 8192 токенов. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. README подтверждает способ слияния и состав объединения, но не описывает специальные предметные навыки или языки. Лицензия в предоставленных данных не приведена.

MRAI_synatra_7B_v1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и MRAIRR/MRAI_synatra_7B_v1 методом SLERP. Она предназначена для генерации текста и выполнения инструкций в чате. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Слияние собрано в bfloat16 с помощью MergeKit; в качестве базовой модели указан mistralai/Mistral-7B-Instruct-v0.2. В карточке не описаны специализированные области применения или подтверждённый перечень языков. Модель распространяется по лицензии Apache-2.0.

Kaoeiri/MS_Moingooistral-2409-22B — объединённая языковая модель, созданная Kaoeiri с помощью mergekit методом task arithmetic на основе unsloth/Mistral-Small-Instruct-2409 и Kaoeiri/Moingooistrial-22B-V1-Lora. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, размером 22 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова функций. Репозиторий содержит веса safetensors; в README указаны bfloat16 и объединённый токенизатор. Сведения о конкретных языках и специализации по предметной области в доступных данных отсутствуют. Лицензия в предоставленных источниках не указана.

bigscience/mt0-xxl-mt — многоязычная модель семейства mT0 от BigScience, созданная дообучением mT5-XXL на смеси межъязыковых задач xP3. Это encoder-decoder-модель на архитектуре MT5 с 6,7 млрд параметров, предназначенная для выполнения инструкций на естественном языке в режиме zero-shot. Модель подходит для генерации ответов на запросы, сформулированные как инструкции: перевода, классификации тональности, подбора связанных поисковых запросов, объяснений и создания текстов. README указывает поддержку десятков языков; среди языков карточки перечислены, в частности, арабский, английский, испанский, французский, хинди, японский и корейский. Модель принимает текст и генерирует текст. Качество зависит от формулировки запроса: следует ясно обозначать границу входа и задавать нужный язык или формат ответа, а также добавлять достаточный контекст. Модель дообучена на 1,29 млрд токенов за 7000 шагов; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

zelk12/MT1-Gen3-MUI-gemma-2-9B — разговорная текстовая модель на архитектуре Gemma 2 с 9 млрд параметров, созданная слиянием предварительно обученных языковых моделей методом SLERP через mergekit. В метаданных указаны базовые модели zelk12/MT1-Gen3-IF-gemma-2-MTM2MUS5-9B и zelk12/MT1-Gen3-MU-gemma-2-S2S5-9B; карточка README приводит их в конфигурации слияния. Модель предназначена для генерации текста в диалоге: она принимает текстовые запросы и выдаёт текстовые ответы. Заявленный контекст составляет 8192 токена. Карточка не сообщает конкретные языки или специализированные предметные области, поэтому модель следует рассматривать как общего назначения. Модель распространяется в формате safetensors согласно метаданным. Лицензия в предоставленных данных не указана.

zelk12/MT1-Gen5-MAG-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из zelk12/MT1-Gen5-GP-gemma-2-S4S2-9B и zelk12/MT1-Gen5-MA-gemma-2-S2S4-9B. Модель содержит 9 млрд параметров, рассчитана на генерацию текста и диалоговое взаимодействие и имеет контекстное окно 8192 токена. Работает с текстовым вводом и выдаёт текст; репозиторий содержит веса в формате safetensors. Модель подходит для диалоговых приложений и генерации ответов или другого текста. Данные карточки не описывают специализацию по отдельным областям или языкам. Лицензия в предоставленных сведениях не указана.

zelk12/MT1-IF-gemma-2-RAt0.25v0.1GD-9B — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из моделей zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25 и zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1. Модель содержит 9 млрд параметров, принимает текстовые запросы и генерирует текст; заявленная длина контекста составляет 8192 токена. Модель предназначена для диалога и генерации текста по запросам. Весовая сборка сохранена в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках, поэтому её следует рассматривать как модель общего назначения. Лицензия и конкретные ограничения по качеству или безопасности в предоставленных материалах не описаны.

Модель zelk12/MT1-Max-Merge_02012025163610-GMM-gemma-2-9B — объединённая с помощью mergekit методом SLERP языковая модель на архитектуре Gemma 2. Она создана из двух предварительно обученных моделей: zelk12/MT1-Max-Merge_02012025163610-GP-gemma-2-MTM5MT1g2-9B и zelk12/MT1-Max-Merge_02012025163610-MM-gemma-2-MTM5MTM1-9B. Модель с 9 млрд параметров предназначена для генерации текста и диалогов; поддерживает контекст до 8192 токенов. Веса опубликованы в формате safetensors, библиотека для работы — Transformers. README не описывает отдельные специализации, языковой охват или сравнительные результаты модели. Условия лицензии в предоставленных данных не приведены.