I.6Перевод и языковая адаптация

vennify/t5-base-grammar-correction — модель на архитектуре T5, разработанная с помощью Happy Transformer и обученная на наборе JFLEG для исправления грамматики. Она принимает текст и генерирует его исправленную версию, стараясь уменьшить число грамматических ошибок. Подходит для корректуры предложений, черновиков и пользовательских текстов на английском языке. Модель содержит 123,8 млн параметров, использует формат PyTorch и рассчитана на контекст до 512 токенов. Она специализирована на грамматической коррекции, поэтому может менять исходные формулировки; результат следует проверять, если важны точный смысл или стиль. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и требует распространения адаптированных материалов на тех же условиях; коммерческое использование не разрешено.

CAMeL-Lab/text-editing-qalb14-nopnx — модель редактирования текста для исправления грамматических ошибок в современном литературном арабском языке (MSA). Она основана на AraBERTv02 и дообучена на наборе QALB-2014; в статье ACL 2025 авторы называют её SWEET (Subword Edit Error Tagger). Модель предназначена для исправления ошибок, не связанных с пунктуацией, и используется вместе с SWEETPnx для исправления пунктуационных ошибок. Архитектура — BERT для классификации токенов; модель содержит 162,4 млн параметров и обрабатывает контекст длиной до 512 токенов. Карточка описывает оценивание на разделах QALB-2014 dev и test. Для использования требуется репозиторий SWEET и соблюдение его требований к установке. Лицензия модели — MIT.

typhoon-7b-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная слиянием Mistral-7B-Instruct-v0.1 и scb10x/typhoon-7b методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для диалогов и ответов на инструкции, в первую очередь на тайском языке. Слияние сочетает базовую инструктивную модель Mistral с typhoon-7b. Модель принимает текст и генерирует текстовые ответы. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результаты оценок качества или подробные ограничения; качество ответов может зависеть от языка и формулировки запроса.

sam422001/wav2vec2-large-sindhi — модель автоматического распознавания речи на основе архитектуры Wav2Vec2ForCTC. Она дообучена на facebook/wav2vec2-xls-r-300m и содержит около 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи на синдхи в текст. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не сообщает состав обучающих данных и результаты оценки, поэтому качество распознавания, поддерживаемые варианты произношения и практические ограничения по записи речи не установлены.

Whisper-large-v3-ca-3catparla — модель распознавания речи, созданная командой Projecte AINA в подразделении Language Technologies Unit Барселонского суперкомпьютерного центра. Она получена дообучением openai/whisper-large-v3 на 710 часах каталонских данных корпуса 3CatParla, включающего записи телевизионного вещания. Модель принимает аудио на каталонском языке и предназначена для преобразования его в обычный текст без пунктуации. Модель основана на архитектуре Whisper и содержит около 905,2 млн параметров. Она подходит для расшифровки каталонских аудиозаписей, в частности телевизионных передач. Репозиторий распространяет веса PyTorch, лицензия — Apache-2.0. Карточка описывает задачу распознавания речи на каталонском; качество на других языках и сценариях в ней не заявлено.

Карточка модели kelvinbksoh/whisper-medium-vietnamese-lyrics-transcription на Hugging Face совпадает с карточкой kelvinbksoh/whisper-large-v2-vietnamese-lyrics-transcription, поэтому описание составлено по ней. Модель kelvinbksoh/whisper-large-v2-vietnamese-lyrics-transcription — дообученная версия Whisper large-v2 для автоматической транскрибации вьетнамских песен. Её разработали Kevin Soh, Bernard Cheng Zheng Zhuan и Nguyen Quoc Anh; модель основана на openai/whisper-large-v2 и содержит около 905,2 млн параметров. Модель принимает аудио и выдаёт текстовую расшифровку вьетнамской песни. README описывает обучение на 7 000 песнях длительностью около 550 часов из разных жанров, диалектов и акцентов; для проверки использовалась выборка из 1 000 песен. При использовании Transformers pipeline поддерживает обработку длинных записей по фрагментам и выдачу временных меток на уровне слов. Для версии large-v2 в README приведены WER 24,61% с учётом регистра и 20,52% без учёта регистра, а CER — 17,14% и 16,09% соответственно. Эти показатели относятся к указанной в карточке валидационной выборке; качество может отличаться для других песенных жанров, диалектов и условий записи. Модель распространяется по лицензии Apache-2.0.

Whisper-small-kenyan-english-nonstandard-v2 — модель распознавания речи, разработанная Alexander Sheldon Mainye и дообученная на базе openai/whisper-small. Она предназначена для транскрибирования нестандартного кенийского английского, в том числе в полевых условиях с фоновым шумом и артефактами мобильной связи. В обучении применялись шумовая аугментация аудиосигнала, имитация GSM-кодека и SpecAugment; модель содержит 153,1 млн параметров по метаданным и распространяется в формате safetensors. На тестовой выборке из датасета cdli/kenyan_english_nonstandard_speech_v1.0 указаны WER 15,77% на чистом аудио и 21,62% на шумовом. Модель оптимизирована для кенийского английского; качество на стандартном американском и британском английском может быть ниже, чем у исходной Whisper-small. Обучающая выборка невелика, а работа в помещениях с сильной реверберацией не проверялась. Лицензия — MIT.

Whisper Small Odia — модель распознавания речи, дообученная автором chandan3007 на базе openai/whisper-small на данных Common Voice 11.0 для языка ория (одиа). Она преобразует аудио в текст; архитектура WhisperForConditionalGeneration, размер — 153,1 млн параметров. В оценке на тестовой выборке указаны WER 43,3568 и loss 0,4781. Модель подходит для транскрибации речи на ория, в том числе записей, подобных образцам Common Voice. Опубликована в формате PyTorch под лицензией Apache-2.0. Результат оценки указывает на заметные ошибки распознавания; качество на других типах аудио в карточке не описано.

Ambari-7B-base-v0.1-sharded — шардированная версия базовой языковой модели Ambari-7B-Base-v0.1, разработанной Cognitivelab.in. Модель построена на архитектуре Llama 2 от Meta и содержит 6,7 млрд параметров. Она прошла этап предварительного обучения с использованием примерно 500 млн новых токенов на языке каннада и рассчитана на двуязычную генерацию текста на английском и каннада. Максимальная длина контекста — 4096 токенов. Модель предназначена для генерации текста на английском и каннада и может служить базой для дальнейшей адаптации под конкретные задачи. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

AnE-LID — модель токенной классификации, разработанная автором репозитория для выявления английских вставок в многоязычных текстах с переключением языков. Она присваивает словам одну из четырёх меток: English, notEnglish, Mixed или Other; заявлена высокая точность как на языках, встречавшихся при обучении, так и на новых языках. Модель основана на XLM-RoBERTa large и использует архитектуру XLMRobertaForTokenClassification. Она принимает текст и выдаёт метки для его токенов; длина контекста составляет 514 токенов. Карточка указывает лицензию other, поэтому условия использования следует сверить с лицензией в репозитории.

Модель LocalDoc/azerbaijani_spell_corrector — дообученная версия многоязычной T5-модели google/mt5-small, разработанная для исправления орфографических и типографских ошибок в текстах на азербайджанском языке. Она принимает текст с опечатками и генерирует исправленный вариант, ориентируясь на характерные ошибки носителей языка и особенности азербайджанской клавиатуры: замену букв с диакритикой, пропуски и повторы символов, опечатки соседних клавиш и перестановки букв. Модель содержит 157,4 млн параметров и распространяется в формате safetensors. Её можно применять для автоматической корректуры пользовательских текстов, сообщений и материалов, набранных с ошибками или без азербайджанских символов. Обучение проводилось на пользовательском наборе данных, созданном путём добавления типичных ошибок к корректным предложениям из новостей, книг и интернет-источников. Модель распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Belle-whisper-large-v3-turbo-zh — модель распознавания речи на основе Whisper, разработанная командой BELLE-2. Она прошла полное дообучение модели openai/whisper-large-v3-turbo для повышения точности распознавания китайской речи. В карточке заявлено относительное улучшение на 24–64% на китайских тестах AISHELL-1, AISHELL-2, WenetSpeech и HKUST по сравнению с исходной моделью. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт текст с распознанной речью. Она предназначена для транскрибирования китайской речи; в обучающие данные добавлялись знаки препинания, сформированные отдельной моделью punc_ct-transformer_cn-en-common-vocab471067-large. Модель содержит 905,2 млн параметров, использует архитектуру Whisper и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. Ограничение заявленного улучшения состоит в том, что оно относится к указанным китайским тестовым наборам; карточка не приводит оценок на других языках или в иных условиях записи. Лицензия — Apache-2.0.

BLOOM-zh — языковая модель на архитектуре Transformer, разработанная MediaTek Research совместно с лабораторией CKIP Академии Синика и Национальной академией образовательных исследований. Это производная от BLOOMZ модель с расширенными возможностями для традиционного китайского языка: её дополнительно обучали на примерно 13 млрд токенов, преимущественно на текстах на традиционном китайском. Модель содержит 3,8 млрд параметров и имеет контекст до 2048 токенов. Модель предназначена для генерации текста и языковых задач на китайском языке; предварительно обученные веса также охватывают более 40 языков. В обучающих данных использовались веб-страницы, новости, романы, энциклопедические и образовательные материалы, а также инструкции. Репозиторий содержит веса в формате PyTorch. Лицензия BLOOM-RAIL 1.0; README также указывает лицензию MediaTek Research и ограничение на некоммерческое исследовательское использование.

Borealis 2 26B-A4B Preview — экспериментальная инструкционно-настроенная модель на 26 млрд параметров с 4 млрд активных параметров, разработанная NbAiLab. Она основана на google/gemma-4-26B-A4B-it: модель продолжительно предобучали на смешанных данных Aurora, а затем дообучили на текстовых инструкциях набора NbAiLab/aurora-sft-2606. Выпуск представлен в формате safetensors для Transformers. Модель предназначена прежде всего для задач ассистента на норвежском языке: составления и редактирования текстов, суммаризации, ответов на вопросы и простых рассуждений. Также её можно использовать для оценки качества письменного норвежского языка Bokmål и Nynorsk, а также английского. Архитектура Gemma 4 поддерживает диалоговую работу с текстом и изображениями; в этой версии README описывает дообучение именно на текстовых инструкциях. Данные Aurora имеют срез знаний на 1 января 2025 года. Это предварительная версия для раннего тестирования: качество может быть нестабильным, а ответы — содержать ошибки или галлюцинации. Модель не прошла полное выравнивание по безопасности и может выдавать вредный, предвзятый или оскорбительный контент; её не рекомендуют для критически важных сценариев. В метаданных указана лицензия other, поэтому условия использования следует сверять с карточкой модели и материалами разработчика.

Borealis 2 E2B Preview — экспериментальная чат-модель с инструкционной настройкой от NbAiLab. Это плотная модель Gemma 4 примерно с 2 млрд параметров, принимающая текст и изображения и генерирующая текст. Опубликована в формате Safetensors для Transformers; карточка указывает лицензию other. Модель предназначена для раннего тестирования ассистентских задач на норвежском языке: составления и редактирования текстов, суммаризации, ответов на вопросы и несложных рассуждений. Также её можно использовать для оценки качества Bokmål, Nynorsk и английского языка. Модель продолжительно обучали на смешанных данных Aurora, а затем дообучили три эпохи на текстовых инструкциях Aurora SFT; базовая модель — NbAiLab/nb-gpt-gemma4-e2b-instruct-aurora-2604-pre. Это предварительная версия, и качество ответов может быть нестабильным, а сами ответы — содержать галлюцинации. Модель не прошла полную настройку безопасности, поэтому способна выдавать вредный, предвзятый или неуместный контент; её не следует применять в критически важных сценариях без собственных мер защиты.

Cabra Mistral 7b v2 — диалоговая языковая модель, разработанная авторами проекта Cabra на основе дообучения Mistral-7B-Instruct-v0.2 на внутреннем наборе Cabra 10k. Модель оптимизирована для португальского языка и предназначена для генерации ответов и диалогов. В карточке приведены результаты оценивания на бразильских тестах, где авторы сообщают об улучшении относительно базовой модели. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров, Grouped-Query Attention и Sliding-Window Attention; заявленная длина контекста — до 32 768 токенов. Она принимает текст и генерирует текст, поддерживает португальский и английский. Для модели указана лицензия CC, однако README запрещает коммерческое использование и ограничивает применение исследовательскими целями; перед использованием следует проверить условия конкретной лицензии CC и карточки модели.

Chihiro 7B v0.1 — экспериментальная универсальная языковая модель на 7,2 млрд параметров, созданная yuuko-eth слиянием SLERP моделей Zebrafish 7B и Breeze 7B Instruct. Она использует плотную архитектуру Mistral и предназначена для генерации текста и диалогов, прежде всего на традиционном китайском языке; заявлена также поддержка английского. Модель принимает текстовые запросы, для работы подходят шаблоны промптов Mistral Instruct или Breeze 7B Instruct. Контекст — до 32 768 токенов. В карточке приведены результаты тестов OpenLLM и Nous, включая ARC, HellaSwag, TruthfulQA и GSM8K; оценка MMLU не проводилась. Автор описывает модель как экспериментальную. Лицензия в метаданных обозначена как unknown, поэтому условия использования следует уточнить у автора или в репозитории.

TareHimself/comic-text-mask — модель сегментации текста в комиксах и манге, предназначенная для этапа очистки локализованных страниц. Она принимает обрезанный детектором фрагмент изображения и выдаёт попиксельную бинарную маску «текст / не текст»; поиск и группировку текстовых областей выполняет отдельный детектор. Маска может использоваться для последующей заливки фона, например с помощью LaMa. Модель обучена на синтетических надписях на плоских поверхностях с помехами и на очищенных страницах комиксов. В обучающих данных представлены латиница, японские кана и кандзи в горизонтальном и вертикальном письме, корейский и китайский языки. Для проверки на отложенных синтетических и реальных фрагментах указаны IoU 0,906, точность 0,949 и полнота 0,952. Веса доступны в формате safetensors; для варианта model.pt README указывает, что нормализация ImageNet и sigmoid встроены, а входом служит RGB-изображение uint8 после letterbox-обработки. Лицензия — MIT. Модель не находит текстовые области на полной странице и зависит от качества входных обрезанных фрагментов.

Edentns/DataVortexS-10.7B-dpo-v1.10 — корейско-английская языковая модель с архитектурой Llama и 10,7 млрд параметров, созданная командой, указанной в карточке, на основе beomi/OPEN-SOLAR-KO-10.7B. Модель дообучена для диалоговой генерации текста и использует формат Alpaca Chat; в репозитории представлены веса safetensors. Модель предназначена для ответов на вопросы и ведения диалога на корейском языке. В README приведены результаты на корейских бенчмарках Ko LM Eval Harness и Ko-LLM-Leaderboard. Контекст модели составляет 2048 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

DeepSeek-V4.1-Flash-REAP50-MLX-mixed-4_8bit — сборка модели DeepSeek-V4.1-Flash для Apple Silicon на базе MLX, подготовленная PipeNetwork. Это текстовая генеративная модель с архитектурой mixture-of-experts и заявленным размером 754,6 млрд параметров. Вариант содержит 40 слоёв и 384 маршрутизируемых эксперта на слой, из которых после REAP-прунинга сохранены 192, то есть удалено 50% экспертов. Модель предназначена для генерации текста и запуска локальных inference-сценариев на системах Apple Silicon. В архитектуре используются MLA с межслойным совместным использованием KV-кэша, hashed n-gram embedding engram с таблицами объёмом 196,6 млрд параметров, hyper-connections на основе Sinkhorn и attention sinks. Эксперты квантизированы до 4 бит, attention, shared-компоненты и embeddings — до 8 бит, таблицы engram — до 8 бит; отдельные компоненты оставлены без квантизации в форматах bf16 или fp32. Размер файлов составляет 274,7 ГБ, для запуска требуется система примерно с 320 ГБ оперативной памяти. Vision tower и aligner присутствуют, но текущий runtime работает только с текстом; слои multi-token prediction не включены. Модель рассчитана на локальный запуск через специальный порт deepseek-v41-mlx, поскольку поддержка этой архитектуры отсутствует в transformers, mlx-lm и mlx-vlm. Порт прошёл проверки согласованности вычислений с эталонной реализацией DeepSeek. На тесте wikitext-2 заявлена perplexity 3,3833, однако прунинг ухудшает результат относительно непрореженной версии: отношение perplexity составляет 1,1681. Основные ограничения — очень высокие требования к памяти, необходимость использовать специализированный runtime, отсутствие текстового режима работы с изображениями и потенциальная потеря качества из-за удаления половины экспертов. Модель распространяется по лицензии MIT, как и исходная модель; код порта также доступен по лицензии, указанной для upstream-модели.

Germeo-7B-Laser — экспериментальная разговорная языковая модель, разработанная на базе Hermeo-7B и объединённая из leo-mistral-hessianai-7b-chat и DPOpenHermes-7B-v2. Это плотный авторегрессионный трансформер Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель понимает немецкий и английский, но предназначена преимущественно для ответов на немецком языке. Модель рассчитана на диалог, генерацию немецкого текста и понимание запросов на немецком и английском. В README автор описывает Laser-обучение на наборе LeoLM/OpenSchnabeltier как эксперимент, который должен усиливать немецкие возможности и снижать вероятность ответов на английском; приведены результаты языковых бенчмарков, но оценка обозначена как незавершённая. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Guru-Llama-3-8B — языковая модель на архитектуре Llama 3, дообученная командой проекта с помощью LLaMA-Factory на дополнительных китайских данных. Это базовая, не чат-версия модели с 7,5 млрд параметров, рассчитанная на генерацию текста; метаданные также отмечают возможность диалога. Модель принимает текст и выдаёт текст, поддерживает китайский и английский языки, длина контекста составляет 8192 токена. Дополнительное обучение ориентировано на усиление работы с китайским языком. В README приведены результаты оценок CMMLU и MMLU, а среди обучающих материалов указаны новости, классическая поэзия и сведения о поэтах. Модель подойдёт для генерации китайского текста, ответов на вопросы и экспериментов с китайскоязычными приложениями. Использование регулируется лицензией Llama 3; перед применением следует соблюдать её условия.

Карточка модели 6Morpheus6/IndicF5 на Hugging Face совпадает с карточкой ai4bharat/IndicF5, поэтому описание составлено по ней. IndicF5 — полиглотная модель синтеза речи от AI4Bharat, обученная на 1417 часах аудио из Rasa, IndicTTS, LIMMITS и IndicVoices-R. Она преобразует текст в речь на 11 индийских языках: ассамском, бенгальском, гуджарати, хинди, каннада, малаялам, маратхи, одиа, пенджаби, тамильском и телугу. Для генерации нужны текст, эталонный аудиофрагмент и его расшифровка; эталон задаёт характеристики голоса и просодию. Модель предназначена для синтеза речи с управлением голосом по примеру, например для озвучивания текстов и создания голосовых интерфейсов на поддерживаемых языках. Авторы характеризуют качество как близкое к человеческому. Лицензия — MIT. Использовать клонирование голоса разрешено только при наличии явного согласия владельца; несанкционированное клонирование запрещено.

Jamba2 3B Turkish SFT v1 — дообученная для следования инструкциям и диалогов языковая модель семейства Jamba, опубликованная linguai. Это слитый с базовой моделью BF16-артефакт LoRA-дообучения serda-dev/Jamba2-3B-Turkish; в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации ответов на инструкции и общения, прежде всего на турецком языке; в карточке также отмечен английский. Дообучение проведено на смеси из 35 800 проверенных и синтетически созданных турецких инструкций. Диагностическая оценка на 84 примерах дала правильность по смыслу и задаче 62/84, а соблюдение формата — 58/84; авторы предупреждают, что набор оценки пока не прошёл этапы фиксации, проверки пересечений и человеческого ревью, поэтому результаты не являются релизной оценкой. Для загрузки указано использование Transformers и BF16. Лицензия в предоставленных данных не указана.

KLTN_COQE_viT5_total_PSOAL — дообученная модель VietAI семейства T5 для генерации текста на вьетнамском языке. Она основана на VietAI/vit5-large и содержит около 389,3 млн параметров. Модель предназначена для задач генерации текста, однако карточка не уточняет её специализированное назначение и обучающие данные. Модель распространяется в формате safetensors по лицензии MIT. Базовая модель VietAI/vit5-large рассчитана на задачи работы с вьетнамским текстом, включая ответы на вопросы, суммаризацию и перевод; эти возможности не подтверждены отдельно для данного дообученного чекпойнта.

MeloTTS-Spanish — испанская версия многоязычной системы синтеза речи, разработанной MyShell.ai. Она преобразует текст в аудио и предназначена для озвучивания испаноязычных текстов; семейство MeloTTS также рассчитано на синтез речи на нескольких языках и поддерживает работу в реальном времени на CPU. Модель поставляется в формате PyTorch и распространяется по лицензии MIT. README отмечает высокое качество синтеза для семейства, но не приводит отдельных оценок качества испанской версии, сведений о голосах или размере модели.

Mi:dm 2.0 Mini Instruct — компактная плотная языковая модель семейства Llama, разработанная компанией KT с использованием собственной технологии. Модель создана для диалогового общения и генерации текста; версия Mini предназначена для локального и периферийного развертывания на устройствах и системах с ограниченными ресурсами. В карточке указано 1,8 млрд параметров, контекст — до 32 768 токенов, веса доступны в формате safetensors. Модель ориентирована прежде всего на корейский язык и учитывает корейские нормы, ценности и культурный контекст; также обучалась на английских данных. Поддерживает интерфейс вызова инструментов, для которого в vLLM предусмотрен парсер Mi:dm. Лицензия — MIT. Понимание и генерация на языках, кроме корейского и английского, не гарантированы. Ответы могут содержать фактические ошибки или неуместные выражения; модель не гарантирует надёжность профессиональных рекомендаций в медицине, праве и финансах.

mistral-ko-OpenOrca-Platypus-v2 — дообученная модель на архитектуре Mistral, разработанная shleeeee (Seunghyeon Lee) и oopsung (Sungwoo Park). Она основана на mistral-7b и предназначена для генерации текста на корейском языке. Модель имеет 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для создания корейских текстовых ответов и диалоговых сценариев на базе генерации текста. В репозитории представлены веса в формате safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять в материалах репозитория.

facebook/mms-tts-hau — модель синтеза речи на хауса, разработанная Meta в рамках проекта Massively Multilingual Speech. Она преобразует текст на хауса в речевую аудиоволну и предназначена для озвучивания текстов и создания речевого вывода в приложениях. Для каждого языка MMS-TTS используется отдельный чекпойнт. Модель построена на архитектуре VITS и содержит около 3,5 млн параметров. Это сквозная система синтеза речи с вариационным автоэнкодером, потоковым модулем, декодером и стохастическим предсказателем длительности, поэтому один и тот же текст может звучать с разным ритмом. Генерация недетерминирована: для повторяемого результата требуется фиксированный seed. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

facebook/mms-tts-krc — модель синтеза речи на карачаево-балкарском языке из проекта Massively Multilingual Speech компании Meta. Она преобразует текст в речевую аудиоволну и предназначена для озвучивания текста на этом языке. Для каждого языка в проекте обучен отдельный чекпойнт. Модель использует архитектуру VITS: текстовый энкодер, вариационный автоэнкодер, поточный модуль и декодер, основанный на HiFi-GAN. Размер — 3,5 млн параметров; модель доступна в форматах PyTorch и Safetensors и поддерживается библиотекой Transformers начиная с версии 4.33. Генерация недетерминирована: для повторения результата требуется фиксированный seed. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.