I.7Речь, диалоги и встречи

SepFormer — модель разделения аудиоисточников, разработанная командой SpeechBrain и обученная на наборе WSJ0-3Mix. Она предназначена для выделения трёх речевых источников из смешанной записи. Модель реализована на архитектуре SepFormer с Transformer и использует формат PyTorch; для обработки требуется SpeechBrain. На тестовой выборке WSJ0-3Mix модель показала SI-SNRi 19,8 дБ и SDRi 20,0 дБ. Входная запись должна быть монофонической с частотой дискретизации 8 кГц. Репозиторий распространяется по лицензии Apache-2.0. Результаты на других наборах данных не гарантируются; заявленная оценка относится к тестовой выборке WSJ0-3Mix.

Twilight-SCE-12B-v2 — слитая модель Mistral на 12,1 млрд параметров, созданная yamatazen методом SCE с помощью mergekit. За основу взята yamatazen/Shisa-v2-Mistral-Nemo-12B-Abliterated; в объединение также вошли четыре другие языковые модели. Токенизатор дополнен токенами ChatML, а архитектура MistralForCausalLM предназначена для генерации текста и диалогов. Модель подходит для чат-общения, ролевых сценариев и художественного письма. Она поддерживает английский и японский языки и имеет нативное контекстное окно 131 072 токена. Весовые файлы представлены в формате safetensors, модель рассчитана на запуск через Transformers. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

Модель pragyaranjan/w2v-bert-2.0-mongolian-colab-CV16.0 — дообученная на Common Voice 16.0 модель распознавания речи на основе facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2-BERT и предназначена для преобразования монгольской речи в текст. Модель содержит около 402,7 млн параметров и доступна в формате Safetensors для библиотеки Transformers. На оценочном наборе указаны Loss 1,0032 и WER 0,3466. Эти результаты характеризуют только приведённую оценку и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии MIT.

Модель ghananlpcommunity/w2v-bert-2.0_twi_alpha_v1_farmerline — дообученная FarmerlineML/w2v-bert-2.0_twi_alpha для автоматического распознавания речи. Это плотная архитектура Wav2Vec2-BERT с CTC-выходом, содержащая около 402,7 млн параметров и сохранённая в формате safetensors. По названию базовой модели она предназначена для распознавания речи на языке тви; данных о поддержке других языков нет. В карточке приведены результаты оценки: CER 0,073 и WER 0,2584; обучающий датасет не назван. Модель принимает аудио и выдаёт распознанный текст. Лицензия в предоставленных данных не указана.

nguyenvulebinh/wav2vec2-base-vi — акустическая модель на архитектуре wav2vec2, разработанная для самоконтролируемого предварительного обучения на вьетнамской речи. Модель содержит 113,3 млн параметров и распространяется в формате PyTorch. Для обучения использовался набор из примерно 13 тысяч часов аудио с YouTube на вьетнамском языке: чистая и зашумлённая речь, разговоры, разные голоса и диалекты. Модель предназначена как акустическая основа для распознавания вьетнамской речи. В README приведены результаты на тестовом наборе VLSP 2020 для семейства base и large; показатели base составляют WER 8,66 без языковой модели и 6,53 с 5-граммовой языковой моделью. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

Модель reichenbach/wav2vec2-large-xls-r-300m-hi — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на хинди. Она использует архитектуру Wav2Vec2 с выходной CTC-головой и содержит около 402,8 млн параметров. Модель принимает аудио и выдаёт распознанный текст. В карточке приведён результат оценки на тестовой выборке: WER 0,9420 и loss 2,4749. Высокий WER указывает на существенные ошибки распознавания в этой оценке, поэтому качество следует проверять на данных целевого сценария. Модель распространяется по лицензии Apache-2.0.

reichenbach/wav2vec2-large-xls-r-300m-pa-in — дообученная модель распознавания речи на базе facebook/wav2vec2-xls-r-300m. Архитектура Wav2Vec2ForCTC содержит 402,7 млн параметров; модель принимает аудио и преобразует речь в текст. Она дообучена на Common Voice и предназначена для автоматического распознавания речи на языке па-ин (pa-IN). В карточке приведены результаты оценки: WER 0,7283 и CER 0,2928; также указан WER 0,7539 для оценки. Эти значения свидетельствуют о заметных ошибках распознавания, поэтому качество следует проверять на целевых аудиозаписях. Модель распространяется по лицензии Apache-2.0.

anton-l разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 для распознавания татарской речи на данных Common Voice. Это акустическая модель Wav2Vec2 Large с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров. Она принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст; модель можно использовать без отдельной языковой модели. Для тестовой части Common Voice указано значение метрики 26,76 %, но название метрики в карточке не приведено. Веса доступны в форматах PyTorch и Flax, лицензия — Apache 2.0.

birgermoell/wav2vec2-speechdat — модель распознавания речи, дообученная на основе facebook/wav2vec2-large-xlsr-53 на наборе COMMON_VOICE для шведского языка (вариант SV-SE). Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель принимает аудио и преобразует его в текст. На оценочной выборке указаны Loss 0,4578 и WER 0,2927. Модель предназначена для автоматической транскрибации речи на шведском языке, в частности аудио, близкого к данным Common Voice SV-SE. Опубликована по лицензии Apache-2.0. Карточка не описывает дополнительных сценариев применения и ограничений; качество на других типах аудио не установлено.

svogunas/whisper-large-v3-turbo-lt — модель распознавания речи на литовском языке, дообученная на корпусе LIEPA-3 на основе openai/whisper-large-v3-turbo. Это плотная encoder-decoder-модель семейства Whisper с 905,2 млн параметров, принимающая аудио и выдающая текст; для работы используется библиотека Transformers. По указанным в карточке тестам модель снижает WER относительно базовой модели на наборах FLEURS-lt и Common Voice 17 lt, хотя качество на данных вне обучения может отличаться. Модель предназначена для транскрибации литовской речи в аудио и не выдаёт временные метки, поэтому её нельзя напрямую использовать для сегментации по времени, субтитров или выравнивания слов. Текст транскрипции формируется строчными буквами без пунктуации из-за особенностей обучающих меток; для восстановления регистра и пунктуации потребуется отдельная обработка. Лицензия — CC BY 4.0.

re-skill/whisper-large-v3-turbo-tj — дообученная модель семейства Whisper, созданная на основе openai/whisper-large-v3-turbo и обученная на наборе FLEURS. Она предназначена для автоматического распознавания речи и преобразования аудио в текст, с акцентом на таджикский язык. Модель содержит около 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; для работы с ней указана библиотека Transformers. В карточке приведён результат оценки на тестовом наборе: WER 16,4316 и loss 0,2667. Использование модели распространяется по лицензии MIT. Карточка не описывает подробные ограничения и сценарии применения, поэтому качество на других данных и в реальных условиях может отличаться от указанной оценки.

Модель kimthegarden/whisper-small-ko-new разработана Jeongwon Kim и основана на Whisper Small — энкодер-декодерном трансформере WhisperForConditionalGeneration с 153,1 млн параметров. Это объединённая версия моделей SungBeom/whisper-small-ko и kimthegarden/whisper-korean-stt-v2-250626; в карточке также описано дообучение на 62 327 парах корейских аудиозаписей и транскрипций с использованием Transformers и PyTorch. Модель предназначена для распознавания корейской речи общего назначения: разговоров, вещания и новостей. Подходит для пакетной и офлайн-транскрипции, а также для интеграции в голосовые системы на корейском языке. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Точность может снижаться на диалектах и акцентах, не представленных в обучающих данных, при сильном шуме, детской речи и произношении неносителей языка. Модель не оптимизирована для потокового распознавания и не предназначена для речи на других языках; перед применением в конкретной области рекомендуется проверить качество на её данных.

Модель ShenaoZ/0.001_ablation_5iters_bs256_iter_3 — дообученная версия ShenaoZ/0.001_ablation_5iters_bs256_iter_2 на обновлённом и исходном наборах данных. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое общение. Она принимает текст и поддерживает контекст до 32 768 токенов. Карточка не описывает специализированные сценарии, качество генерации или результаты оценки модели. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

ChaoticNeutrals/Community_Request-02-12B — слитая диалоговая языковая модель, созданная с помощью mergekit методом Model Stock. В качестве базовой использована Nitral-AI/Captain-Eris_Violet-GRPO-v0.420; в слияние также вошли ещё шесть моделей семейства Mistral Nemo. Модель содержит 12,1 млрд параметров, построена на архитектуре MistralForCausalLM и распространяется в формате safetensors с библиотекой Transformers. Модель предназначена для генерации текста в диалоге и может применяться для ролевых сценариев и художественного письма. Метаданные указывают на контекст до 1 024 000 токенов. Лицензия в предоставленных данных не указана.

Confucius4-T3PO — текстовая модель одновременного машинного перевода, разработанная командой NetEase Youdao AI и дообученная на базе Qwen/Qwen2.5-14B. Модель с архитектурой Qwen2 и 14 млрд параметров принимает поток текста небольшими фрагментами и по протоколу READ/WRITE решает, подождать ли дополнительный контекст или выдать очередную часть перевода. Контекст модели — до 32 768 токенов. Модель предназначена для потокового перевода с китайского на английский и с английского на китайский в сценариях, где важны малая задержка и последовательная выдача результата. Она предлагает несколько режимов компромисса между качеством и задержкой, сохраняет уже выданные фрагменты без переписывания и использует историю диалога для повторного использования KV-кэша. README описывает сохранение способности следовать общим инструкциям и некоторую генерализацию на другие языковые пары, но качество для них тщательно не оценивалось. Модель принимает и выдаёт текст; аудио напрямую не обрабатывает, но может использоваться в связке с внешней потоковой системой распознавания речи. Для режима с меньшей задержкой возможна потеря качества, поскольку выданный перевод не исправляется с учётом последующего контекста. Качество на узкоспециализированных темах и на неразборчивых результатах ASR изучено недостаточно. Лицензия — Apache-2.0; также необходимо соблюдать лицензии базовой модели, токенизатора, обучающих данных и внешней ASR-модели.

Cookie — объединённая языковая модель jeiku на архитектуре Mistral для генерации текста. Автор описывает её как сбалансированную модель на 7B параметров, предназначенную для работы в роли ассистента, ролевых сценариев и романтических диалогов. Она создана методом DARE TIES из моделей jeiku/SpaghettiOs_7B и jeiku/Rainbow_69_7B; в качестве базовой использована jeiku/SpaghettiOs_7B. Репозиторий содержит веса Safetensors, модель рассчитана на контекст до 8192 токенов. Cookie ориентирована на связные ответы и диалоговую генерацию, включая ролевые беседы. Карточка не сообщает о специализированных языках или доменах, поэтому их нельзя определить по доступным данным. Лицензия указана как other, без конкретных условий в предоставленных сведениях; перед использованием следует проверить лицензионные условия исходных моделей и репозитория.

Deutscher-Pantheon-12B — объединённая языковая модель на архитектуре Mistral, созданная сообществом mergekit из Pantheon-RP-1.6-12b-Nemo и SauerkrautLM-Nemo-12b-Instruct на базе Mistral-Nemo-Base-2407-chatml. Для объединения применён метод DARE TIES. Модель содержит 12,1 млрд параметров, работает с библиотекой Transformers и распространяется в формате safetensors; заявленная длина контекста — 1 024 000 токенов. Модель предназначена для генерации текста и диалоговых сценариев; состав моделей-источников указывает на сочетание ролевой генерации и инструктивного общения, а базовая модель ориентирована в частности на немецкий и английский языки. README и метаданные не уточняют отдельные бенчмарки или гарантии качества именно этого слияния. Лицензия в предоставленных данных не указана.

Это пакет GGUF для распределённого запуска Gemma 3 27B Instruct, подготовленный Mesh LLM на основе unsloth/gemma-3-27b-it-GGUF. Веса исходной модели в варианте UD-Q4_K_XL разделены на артефакты по слоям, чтобы распределять вычисления и память между несколькими компьютерами в локальном кластере Mesh LLM. Модель предназначена для локального диалогового инференса, в том числе через совместимый с OpenAI API интерфейс Mesh LLM. Пакет использует формат GGUF и ориентирован на текстовую генерацию в чате; в карточке указаны семейство Gemma и возможность chat. Языки, длина контекста и подробности архитектуры не приведены в доступных данных. Это производный пакет на базе указанной GGUF-модели, а не самостоятельная разработка. Лицензия и ограничения исходной модели определяются её карточкой и в предоставленных данных не раскрыты.

Pravalika2711/gonthuka-asr-finetuned — модель автоматического распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе аудиозаписей. Это модель Wav2Vec2ForCTC с 113,3 млн параметров, предназначенная для преобразования речи в текст. Она принимает аудио и выдаёт текст на телугу; для работы используются Transformers и формат весов safetensors. Модель подходит для транскрибирования телугуской речи, голосовых помощников и систем преобразования речи в текст, а также для задач доступности и обучения. В README сообщается о CER 0,14 на оценке модели. Набор дообучения включал около 752 записей WAV с частотой 16 кГц, моно, и проверенными транскрипциями. Качество может снижаться в шумной среде и зависит от акцента говорящего и качества записи; модель лучше работает с монофоническим WAV 16 кГц. Лицензия — Apache-2.0.

Huihui-gemma-4-E2B-it-abliterated — экспериментальная версия Gemma 4 E2B IT от huihui-ai, созданная методом abliteration: изменением весов уменьшены отказы модели. Это плотная мультимодальная модель условной генерации на архитектуре Gemma4, основанная на google/gemma-4-E2B-it. Для запуска автор рекомендует актуальную версию Ollama; также репозиторий содержит веса в формате safetensors и поддерживает Transformers. Модель предназначена для диалогов и генерации ответов с ослабленными защитными отказами. Базовая Gemma 4 E2B IT поддерживает работу с текстом, изображениями и аудио, выдавая текстовые ответы; метаданные также классифицируют модель как any-to-any. Автор называет abliteration грубой реализацией для проверки концепции. Первые десять слоёв не подвергались изменению, поэтому отказы могут сохраняться. Лицензия — Apache-2.0.

Baekpica/Inkling-Small-Mixed-Quant-GGUF — это набор из двух независимо проверенных вариантов модели thinkingmachines/Inkling-Small в формате GGUF со смешанной точностью и квантизацией на основе imatrix. Репозиторий подготовлен Baekpica; исходная ревизия базовой модели указана явно. Модель относится к мультимодальным системам image-text-to-text и предназначена для генерации текста по текстовым запросам, а также по изображениям PNG/JPEG и аудио WAV с частотой 16 кГц. Доступны варианты MQ89 размером около 95,45 млрд байт (88,89 GiB) и MQ85GB размером около 85,73 млрд байт (79,84 GiB), каждый разделённый на шесть частей. Для MQ85GB документирована работа через ds4-dfm-rs на одном DGX Spark: поддерживаются текстовые, графические и аудиовходы с текстовым выводом, а также API OpenAI Chat Completions, OpenAI Responses и Anthropic Messages с указанными ограничениями для отдельных типов входа. Заявлены оптимизации предварительной обработки контекста до 486,86 токена в секунду для 2 048 токенов и 464,09 токена в секунду для 8 192 токенов; эти показатели относятся к конкретной конфигурации и режиму без MTP. Сильные стороны модели — мультимодальность, существенная экономия места благодаря смешанной квантизации и детальная проверка точности вычислений: для документированных вариантов проверено совпадение логитов и генерируемых токенов с контрольными путями. Опциональная tensor-core оптимизация может повысить скорость, но изменяет результаты генерации и поэтому отключена по умолчанию. Совместимость с llama.cpp, обслуживание длинного контекста, а также ускорение от MTP в README не подтверждены. Архитектура, число параметров, языки и размер контекстного окна не указаны. Лицензия — Apache-2.0.

ewof/koishi-7b-qlora — языковая модель для генерации текста, разработанная на основе Mistral-7B-v0.1. Её дообучили методом LoRA ранга 16 на наборе ewof/koishi-instruct-metharme в течение одной эпохи, после чего адаптер объединили с базовой моделью. Для обучения использовался Axolotl; веса опубликованы в формате PyTorch. Модель предназначена для генерации ответов в диалогах по заданному формату промпта и истории переписки. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README описаны роли для дополнительной информации, пользовательского ввода и генерации ответа. Карточка не сообщает о специализированной области применения или поддерживаемых естественных языках. Лицензия в предоставленных данных не указана. Модель обучалась одну эпоху; других сведений о качестве, оценке и ограничениях не приведено.

mergekit-community/L3.1-Artemis-f-8B — объединённая языковая модель, созданная с помощью mergekit из нескольких моделей семейства Llama. В качестве базовой модели при слиянии использована kromeurus/L3.1-Ablaze-Vulca-v0.1-8B; применён метод Model Stock. В состав также вошли Casual-Autopsy/L3-Umbral-Mind-RP-v3.0-8B, mlabonne/NeuralDaredevil-8B-abliterated, mergekit-community/L3-Boshima-a и failspy/Llama-3-8B-Instruct-MopeyMule. Модель предназначена для диалоговой генерации текста и ролевых сценариев. Она имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 131072 токена. Данные описания указывают на диалоговую направленность и менее строгие поведенческие ограничения у одной из составляющих моделей, но не подтверждают отдельные гарантии поведения итогового слияния. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

bartowski/Llama-3.1-70B-ArliAI-RPMax-v1.3-GGUF — это набор GGUF-квантизаций языковой модели Llama-3.1-70B-ArliAI-RPMax-v1.3, разработанной ArliAI и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и может запускаться локально через llama.cpp и LM Studio. В README не указаны конкретные языки, поддерживаемые сценарии или результаты тестирования, однако название RPMax указывает на ориентацию исходной модели на ролевые диалоги и соответствующие задачи. В набор входят варианты с разными уровнями квантования: от Q8_0 размером 74,98 ГБ до IQ2_XS размером 21,14 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, но требуют больше оперативной памяти; варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые, а низкоразрядные версии предлагают экономию памяти ценой снижения качества. Архитектура, точный размер контекста и модальности в README не раскрыты; по назначению это текстовая авторегрессионная модель. К сильным сторонам относятся большой размер исходной модели, широкий выбор квантизаций и возможность локального запуска на совместимом оборудовании. Ограничения связаны с высокими требованиями к памяти, потерей качества при низких уровнях квантования и отсутствием в предоставленных данных подробных оценок, языкового охвата и характеристик производительности. Указанная лицензия — llama3.1.

lumikabra-123B v0.3 — это разговорная текстовая модель на архитектуре Mistral, созданная schn​​apper79 путём слияния Mistral-Large-Instruct-2407, Magnum-v2-123B, Luminum-v0.1-123B и Tess-3-Mistral-Large-2-123B. Модель содержит 122,2 млрд параметров, распространяется в формате Safetensors и рассчитана на контекст до 131 072 токенов. В карточке также указана квантизованная версия exl2-8.0. Модель предназначена для диалогов, ролевых игр и написания художественных текстов, в том числе историй с более выразительной или острой подачей; добавление Tess-3 призвано усилить знания и структурность ответов. Она генерирует продолжения текста и поддерживает интерфейс вызова инструментов. Автор отмечает склонность исходных моделей к повторам в длинных диалогах, включая повторение уже произошедших сюжетных событий. Лицензия указана как other, конкретные условия в карточке не описаны.

Lumosia-MoE-4x10.7 — экспериментальная разговорная языковая модель, созданная SteelStorage как смесь экспертов из нескольких моделей семейства SOLAR. В состав смеси входят DopeorNope/SOLARC-M-10.7B, maywell/PiVoT-10.7B-Mistral-v0.2-RP, kyujinpy/Sakura-SOLAR-Instruct и jeonsworld/CarbonVillain-en-10.7B-v1. Архитектура Mixtral MoE содержит около 10,6 млрд параметров; модель распространяется в формате safetensors и рассчитана на генерацию текста в чате. Модель задумывалась как универсальный помощник для диалогов, логических задач и ролевого общения. Заявленная длина контекста — 4096 токенов; автор сообщает о связности ответов до 16 тысяч токенов. В README приведены результаты тестов ARC, HellaSwag, MMLU, T-QA, Winogrande и GSM8K, однако автор характеризует модель как экспериментальную и отмечает, что отбирал исходные модели по личному опыту. Лицензия — Apache-2.0.

Lunar-Nexus-12B — объединённая модель на 12,1 млрд параметров, созданная Vortex5 из трёх предварительно обученных языковых моделей с помощью mergekit и метода Karcher Mean. Она использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста, в том числе чата, ролевых диалогов и творческого письма. Модель принимает текст и генерирует текст. Карточка указывает контекстное окно 1 024 000 токенов и формат весов safetensors; токенизатор объединён из исходных моделей. В составе слияния — crestf411/MN-Slush, Vortex5/Moonlit-Shadow-12B и Vortex5/Moonviolet-12B. Данных о лицензии и языковом охвате в предоставленных источниках нет.

Mahou-1.1-llama3-8B — разговорная языковая модель FlammenAI для диалогов и ролевого общения. Это плотная decoder-only модель семейства Llama с 7,5 млрд параметров, дообученная на разговорных данных FlammenAI; в README указаны ChatML и применение LoRA при обучении. Модель предназначена для генерации ответов в чатах и поддерживает контекст до 8192 токенов. Для работы используйте формат ChatML; карточка также рекомендует режим Instruct для ChatML и задаёт строки остановки генерации. Модель распространяется в формате Safetensors через библиотеку Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория. README описывает её как ориентированную на продукционное применение, но не приводит оценок качества или подробных ограничений.

DigitalUmuganda/Mbaza-ASR-Afrivoice-660h — модель автоматического распознавания речи, опубликованная DigitalUmuganda для работы в NVIDIA NeMo. Это акустическая модель на архитектуре Conformer с CTC, предназначенная для транскрибирования аудио и доступная как предварительно обученный чекпойнт для инференса или дообучения на другом наборе данных. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц. По метаданным она связана с набором данных Afrivoice_Kinyarwanda и ориентирована на киньяруанда. Модель распространяется по лицензии CC BY 4.0. В карточке не приведены размер модели, длина контекста или оценка качества; пригодность для других языков и акустических условий не подтверждена.

Millésime 2026 4B — языковая модель Borek Boissy на архитектуре Qwen3 с 3,7 млрд параметров, созданная на базе Qwen/Qwen3-4B-Instruct-2507. Модель предназначена прежде всего для диалогов и генерации текста на французском языке; контекстное окно составляет 262 144 токена. Веса доступны в формате Safetensors, а в README также заявлены варианты GGUF и для Ollama. Модель прошла supervised fine-tuning на французских учебных примерах, оптимизацию по человеческим предпочтениям DPO и слияние результатов этих этапов методом TIES. Разработчик сообщает о высоких результатах на французских бенчмарках, включая FR-MT-Bench, однако эти показатели основаны на конкретной сравнительной оценке и не гарантируют качество для любых запросов. Среди известных ограничений — склонность к излишне длинным ответам даже на простые вопросы, отсутствие обучения явному пошаговому рассуждению и примерам вызова инструментов, а также более слабые результаты на энциклопедических тестах по сравнению с моделями примерно вдвое крупнее. Лицензия — Apache-2.0.