II.10Разработка и эксплуатация AI/ML-систем

doubutsu-2b-pt-756 — базовая предварительно обученная модель семейства компактных визуально-языковых моделей doubutsu, созданная qtnx_ и yeswondwerr. Она предназначена для дальнейшей настройки под конкретные сценарии; отдельно от дообучения или готового адаптера её использовать не предполагается. Модель принимает изображения вместе с текстом и формирует текстовые ответы в диалоговом формате. В карточке указано семейство архитектур doubutsu_next и обучающий набор LLaVA-CC3M-Pretrain-595K. Для генерации README рекомендует температуру 0,1–0,3, но результаты оценки качества не приведены. Модель опубликована в форматах PyTorch и safetensors; лицензия — Apache-2.0.

Lanni-ni/dynamic_alibi_2_4_256_babylm_100m_seed44_epoch8 — компактная языковая модель для генерации текста, опубликованная на Hugging Face и доступная через библиотеку Transformers. По метаданным модель содержит около 15 млн параметров, относится к задачам text-generation и использует safetensors; название и теги указывают на вариант с dynamic ALiBi. README не содержит сведений о разработчике, лицензии, поддерживаемых языках, контексте, обучающих данных или результатах оценки.

Репозиторий maximazzik/easy_sign содержит ONNX-модели семейства S3D для распознавания жестов русского жестового языка по видео. В него входят демо-модель easysign на 1598 классов и отдельные модели для 1001 класса датасета Slovo; это разные линейки, обученные на разных данных. Разработчик указывает, что веса происходят из проекта ai-forever/easy_sign. Модели предназначены для классификации видеоклипов с жестами. Для линейки Slovo описан входной RGB-клип размером 1×3×T×224×224 и приведены варианты на 32, 48 и 64 кадра; точность на Slovo растёт с длиной клипа от 44,22% до 55,86%. Демо-модель использует окно в 32 кадра и может запускаться на CPU через OpenVINO или ONNX Runtime. Репозиторий распространяется по лицензии CC BY-SA 4.0.

Egemen Turkish LM — 124M — это базовая языковая модель, разработанная Berkay Adanalı в Mega Bilgisayar Tic. Ltd. Şti. Она обучена с нуля на турецких текстах и использует плотный декодерный трансформер в стиле Llama с причинным языковым моделированием. Модель содержит 109,5 млн параметров, а её контекст ограничен 1024 токенами. Модель предназначена для экспериментов с предобучением турецких языковых моделей и токенизаторами, обучения и демонстраций, а также для дальнейшей тонкой настройки через SFT или LoRA. Она генерирует продолжение текста, но не является диалоговым помощником: инструкция не настраивалась, RLHF и выравнивание безопасности не применялись. В репозитории есть веса safetensors и ONNX, включая вариант ONNX с квантованием int8; модель можно запускать в браузере через transformers.js или с ONNX Runtime. Модель обучалась на турецких веб-текстах и не рассчитана на другие языки или генерацию кода. Это небольшой чекпойнт, обучение которого завершилось на половине запланированных шагов; возможны повторы, фактические ошибки и галлюцинации. Обучающие данные не фильтровались по безопасности, поэтому модель может воспроизводить содержащиеся в них предвзятость и нежелательный контент. Лицензия — Apache-2.0.

Eugleo/exp085-chat-d26-r10-00f3a2a63ea6-sft-2a7da638 — исследовательская чат-модель на архитектуре NanochatGPTForCausalLM. Это плотная языковая модель с 1,2 млрд параметров, дообученная на базе nvidia/ClimbMix по рецепту nanochat chat-SFT в течение одной эпохи. Для обучения использовались smoltalk, MMLU и decor_replay; модель связана с экспериментом по декорреляции и повторному использованию корпусов персон и диалогов. Модель предназначена для генерации ответов в чате на английском языке. Контекст составляет 2048 токенов. Карточка сообщает о значении validation bpb 0,2835, но не приводит результаты практических оценок и подробностей по качеству ответов. Репозиторий содержит веса Safetensors; для работы с архитектурой требуется trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Filtered — Instruct (1.7B) — это языковая модель, разработанная dlab-spp для исследований выравнивания и безопасности. Она построена на архитектуре SmolLM2-1.7B, обученной с нуля, и дообучена методом persona-binding supervised fine-tuning: на 300 тысячах примеров диалогов и запросов, включая инструкции и промпты по безопасности. При генерации ответы следуют заданной конституции и могут содержать встроенные ссылки вида [N.M]. Модель принимает текст и генерирует текст в формате чата; максимальная длина контекста — 2048 токенов. Карточка указывает английский язык. Модель предназначена для экспериментов с конституциональным выравниванием, обобщением ценностей и устойчивостью к jailbreak-запросам. Это исследовательская модель, а не готовое производственное решение: ответы могут быть неверными или небезопасными. Лицензия обозначена как other; конкретные условия использования следует проверить на странице модели.

Экспериментальная модель генерации текста, созданная на основе google/gemma-3-270m командой, указанной в карточке как автор CIx sparse fine-tuning и оптимизатора CIxOpt. Модель содержит 257 млн параметров и дообучена на англоязычных примерах рассуждений в формате диалогов с помощью выборочного участия параметров. Она предназначена для экспериментов с генерацией ответов в стиле рассуждений, инструкционным поведением компактных моделей и методами разреженного дообучения. Модель можно использовать для локального прототипирования, генерации коротких ответов и технических объяснений, а также для изучения поведения Gemma 3 при адаптации оптимизатором CIxOpt. Указанная библиотека — Transformers; лицензия — Gemma. Контекстное окно составляет 262144 токена по метаданным, однако карточка не приводит результатов оценки качества. Это экспериментальный чекпойнт, а не проверенный универсальный помощник. Возможны фактические ошибки, повторения, уход от темы и чрезмерно многословные рассуждения; качество математики, кода, безопасности и следования инструкциям формально не оценено. Модель не предназначена для самостоятельного принятия важных решений.

igorls/gemma-4-12B-it-qat-q4_0-unquantized-heretic — мультимодальная инструкционная модель на основе Gemma 4 12B от Google DeepMind, доработанная автором igorls с помощью Heretic для ослабления встроенных отказов. Она предназначена для диалога и обработки изображений; карточка указывает поддержку vision и задачу image-text-to-text. По README, версия v1.1 перенастроена для работы с включённым режимом рассуждений. Это checkpoint с весами bf16 и калибровкой QAT-Q4_0, опубликованный в safetensors; отдельные GGUF-квантизации размещены в другом репозитории. Модель рассчитана на сценарии, где требуется получать ответы на запросы, включая запросы, от которых исходная Gemma 4 могла отказаться, а также анализировать изображения. Автор приводит для тестового набора вредоносных запросов около 22% отказов при включённом рассуждении против примерно 99% у исходной модели; результат не гарантирует поведение на других запросах. Лицензия — Apache 2.0, при этом README предупреждает, что защитные механизмы намеренно ослаблены, ответы могут быть вредными или неточными и для пользовательских систем необходимы собственные фильтры и проверка человеком.

Crystalcareai/GemMoE-Base-Random — экспериментальная базовая модель от разработчика проекта GemMoE, построенная на архитектуре Gemma. По карточке проекта GemMoE использует смесь из восьми отдельно дообученных моделей Gemma и активирует двух экспертов на токен; для этой базовой версии README не описывает отдельное назначение экспертов. Размер модели — 8,2 млрд параметров, архитектура — MoE для авторегрессионной генерации текста, контекст — до 8192 токенов. Модель предназначена для генерации текста и экспериментов с обучением и инференсом MoE-моделей. Карточка помечает GemMoE как бета-версию; README требует включить trust_remote_code=True при использовании, поэтому запуск зависит от пользовательского кода из репозитория. В метаданных указана лицензия other, а конкретные условия следует проверять в файлах репозитория. README называет модель базовой, но не приводит для GemMoE-Base-Random отдельные данные об обучении или происхождении случайной инициализации.

GenAID — модель кодирования аудио для распознавания китайских акцентов, построенная на базе facebook/wav2vec2-large-xlsr-53. Она принимает необработанный аудиосигнал с частотой 16 кГц и формирует 64-мерный вектор акцента, стараясь отделять признаки акцента от информации о личности говорящего. Архитектура включает сверточный экстрактор признаков XLS-R, Transformer-энкодер из 24 блоков и узкое место с GELU; экстрактор признаков заморожен, а энкодер и проекция дообучены. Модель различает девять меток: северный, сычуаньский, гуандунский, южный, хэнаньский, шанхайский, уханьский, тяньцзиньский и сингапурский варианты китайской речи. Её можно применять для классификации акцента и извлечения компактных векторов акцента в аудиосистемах. Для загрузки репозитория требуется trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Модель griko/gender_cls_svm_ecapa_voxceleb предназначена для бинарной классификации пола говорящего по аудиозаписи. Она разработана на основе SpeechBrain ECAPA-TDNN и SVM-классификатора; в качестве разработчика в материалах указан Gregory Koushnir и соавторы проекта VANPY. Модель поддерживает многоязычные аудиоданные, но конкретный набор языков не указан. На вход подаётся аудиофайл, который преобразуется в монофонический сигнал с частотой дискретизации 16 кГц. ECAPA-TDNN формирует вектор признаков размерностью 192, после чего SVM предсказывает один из двух классов: «male» или «female». Для выделения речи используется SileroVAD, при этом обрабатывается первый найденный голосовой сегмент. Доступны предсказания как для одного файла, так и пакетная обработка. На тестовых данных модель достигла точности 98,9% и F1-меры 0,9885 на VoxCeleb2, точности 92,3% на англоязычном тесте Mozilla Common Voice v10.0 и 99,6% на TIMIT. Модель обучалась на VoxCeleb2 и преимущественно на голосах знаменитостей из интервью на YouTube, поэтому качество может снижаться при иных характеристиках речи, качестве звука и условиях записи. Она поддерживает только бинарную классификацию и не предназначена для представления всего спектра гендерных идентичностей. Лицензия Apache-2.0.

GneissWeb.7B_ablation_model_on_350B_FineWeb.seed2 — языковая модель IBM Research для генерации текста. Она входит в серию абляционных моделей GneissWeb, созданных для сравнения результатов предобучения на разных наборах данных. Модель построена на плотной архитектуре Llama с 6,6 млрд параметров и контекстом до 8192 токенов. Модель обучена на случайной выборке из 350 млрд англоязычных токенов корпуса FineWeb V1.1.0 с токенизатором StarCoder. Она не проходила дообучение для следования инструкциям и не выровнена по требованиям безопасности. Основное назначение — исследовательское сравнение моделей, обученных в сходных условиях; её также можно применять для продолжения текста и экспериментов с генерацией. Лицензия — Apache 2.0. Возможны предвзятые, недостоверные или небезопасные ответы, а генерация может воспроизводить фрагменты обучающих данных; модель не следует считать готовым безопасным ассистентом.

TokSuite–Gemma-2 — базовая мультиязычная языковая модель из набора TokSuite, созданного для изучения влияния токенизатора на поведение модели. Это decoder-only Transformer с плотной архитектурой, примерно 1,8 млрд параметров и контекстом до 8192 токенов. Модель использует токенизатор Gemma-2 на основе Unigram и SentencePiece с большим словарём и обработкой неизвестных символов через byte fallback. Модель предназначена для исследований токенизации, мультиязычного NLP и устойчивости к опечаткам, OCR-ошибкам, вариантам написания, Unicode-символам и математическому форматированию. Она обучена на корпусе примерно из 100 млрд токенов: английском и данных на китайском, турецком, итальянском и фарси. Это базовая, не настроенная на инструкции модель, поэтому она не оптимизирована для диалога и следования пользовательским указаниям. Лицензия — MIT.

erwanf/gpt2-mini — компактная авторегрессионная языковая модель семейства GPT-2 с 39 млн параметров, опубликованная erwanf. Модель предварительно обучена на подмножестве OpenWebText — открытого корпуса, созданного по образцу набора данных для обучения оригинальных моделей GPT-2. Она принимает текст и генерирует продолжение; максимальный контекст составляет 512 токенов. Модель подходит для быстрых экспериментов и учебных задач, особенно при ограниченных вычислительных ресурсах. Она способна создавать связный текст, но её небольшой размер ограничивает сложность и надёжность результатов по сравнению с более крупными моделями. В метаданных указан английский язык. Лицензия — MIT.

gte-en-mlm-large — англоязычный текстовый энкодер семейства GTE-v1.5, разработанный Institute for Intelligent Computing группы Alibaba. Это версия модели Alibaba-NLP/gte-en-mlm-large для Transformers: веса не менялись, преобразована только конфигурация, чтобы модель загружалась без trust_remote_code. Архитектура основана на transformer++ (BERT, RoPE и GLU), использует словарь bert-base-uncased и обучена методом masked language modeling на c4-en. В метаданных указаны 433,9 млн параметров и контекст до 8192 токенов. Модель предназначена для англоязычного представления текста; семейство GTE-v1.5 включает энкодеры, модели эмбеддингов и реранкинга. Для этой MLM-версии в метаданных указана задача fill-mask. В таблице README для варианта large приведена оценка GLUE 87,58. Модель распространяется по лицензии Apache-2.0.

mkurman выпустил LFM2.5-230M-SYNTH — экспериментальное дообучение LiquidAI/LFM2.5-230M на большом наборе синтетических рассуждений с сохранёнными трассами thinking. Это плотная причинная языковая модель семейства LFM2 примерно на 220,1 млн параметров; архитектура сочетает свёрточные и attention-слои. Модель предназначена для генерации текста, в том числе рассуждений и трасс thinking, экспериментов с рассуждениями компактных моделей и прототипирования локальных или периферийных решений. В метаданных заявлено контекстное окно 128 000 токенов, однако обучение проходило с длиной последовательности 2 048 токенов, поэтому работу на длинном контексте не проверяли. Это частичный чекпойнт примерно на 0,86 эпохи; обучение велось исключительно на синтетических данных, что может приводить к смещениям, а качество требует оценки перед применением. В README и метаданных лицензия не указана.

Это модель обнаружения объектов YOLO11x от Ultralytics, дообученная на наборе LISA Traffic Lights в рамках DetectionBench. Она предназначена для поиска светофоров на изображениях и классификации сигналов по семи классам: go, goForward, goLeft, stop, stopLeft, warning и warningLeft; подходит для экспериментов с системами помощи водителю и автономным вождением. Модель использует архитектуру YOLO11 и библиотеку Ultralytics, распространяется в формате PyTorch по лицензии AGPL-3.0. На тестовой выборке LISA Traffic Lights указаны mAP@50 26,4% и mAP@50–95 13,09%. Точность заметно ниже для редких классов со стрелками; небольшие и удалённые светофоры также распознаются сложнее. Данные охватывают дневные и ночные поездки в Сан-Диего, поэтому качество на других типах светофоров, дорог и камер не подтверждено.

Lite-Oute-1-65M Base — экспериментальная базовая языковая модель от OuteAI на архитектуре LLaMA с 48,2 млн параметров по метаданным. Она предназначена для дообучения под узкие специализированные задачи и поддерживает генерацию текста с контекстом до 2048 токенов. Модель компактна, но её возможности базовой генерации ограничены: она с трудом следует инструкциям и сохраняет связность темы. В метаданных указан формат safetensors и лицензия Apache-2.0.

Это дообученная компактная языковая модель семейства Llama, опубликованная amazingvince. Модель содержит около 232,6 млн параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для продолжения или генерации текста. Заявленная длина контекста — 1028 токенов; веса представлены в формате safetensors. Модель предназначена для экспериментов и задач генерации текста с коротким контекстом. В README указаны результаты оценки: loss 3,1626 и accuracy 0,4030. Данные для дообучения обозначены как None, а подробности назначения, обучающих данных и ограничений не приведены. Лицензия в доступных сведениях не указана.

MalayalamBERT — модель семейства BERT, разработанная L3Cube-Pune и предварительно обученная на общедоступных одноязычных корпусах малаялам. В метаданных указаны архитектура BertForMaskedLM, около 264,8 млн параметров и контекст длиной до 512 токенов. Модель предназначена для заполнения пропусков в тексте на малаялам и может служить основой для задач понимания языка после дополнительной настройки. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — CC BY 4.0. Карточка ссылается на статью о моделях для индийских языков, но не приводит подробных результатов оценки MalayalamBERT; поэтому качество на конкретных наборах данных из этих сведений оценить нельзя.

Mask2Former — модель компьютерного зрения, опубликованная командой Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Этот чекпойнт обучен для семантической сегментации сцен Cityscapes; в основе лежит Swin с предобучением на ImageNet-21k. Архитектура Mask2Former использует многомасштабный декодер пикселей на основе deformable attention и Transformer-декодер с masked attention, предсказывая маски и соответствующие им классы. Модель предназначена для сегментации изображений городских сцен: она присваивает класс пикселям изображения. Семейство Mask2Former также рассчитано на instance- и panoptic-сегментацию, однако README указывает, что данный чекпойнт обучен для семантической сегментации. Репозиторий содержит веса PyTorch и Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Mask2Former — модель сегментации изображений, разработанная командой Mask2Former и представленная в статье «Masked-attention Mask Transformer for Universal Image Segmentation». Эта версия обучена для паноптической сегментации на Cityscapes и использует крупный Swin-бэкбон. Модель предсказывает набор масок и соответствующих им меток. Архитектура Mask2Former использует многомасштабный декодер пикселей с deformable attention и Transformer-декодер с masked attention. Такой подход позволяет применять единую схему для сегментации объектов и областей сцены; данный чекпойнт предназначен для паноптической сегментации городских изображений. Для работы модель принимает изображение и выдаёт сегментированные области с метками классов. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в репозитории.

Mask2Former — модель компьютерного зрения, разработанная командой Mask2Former и представленная в работе «Masked-attention Mask Transformer for Universal Image Segmentation». Эта крупная версия использует backbone Swin и обучена на Cityscapes для семантической сегментации сцен. В метаданных репозитория указаны архитектура Mask2FormerForUniversalSegmentation и веса в форматах PyTorch и safetensors. Модель принимает изображение и предсказывает маски сегментов и соответствующие им классы. Архитектура Mask2Former рассчитана на универсальную сегментацию; этот чекпойнт предназначен для сегментации городских сцен и может использоваться для выделения и классификации областей изображения. В карточке Hugging Face лицензия обозначена как other, без уточнения условий в предоставленных данных.

Mask2Former — модель компьютерного зрения, разработанная командой Mask2Former и обученная для семантической сегментации изображений из набора Mapillary Vistas. Это крупная версия с backbone Swin. Архитектура предсказывает набор масок и соответствующие им классы; модель относится к семейству Mask2Former для универсальной сегментации. В метаданных указаны реализации PyTorch и safetensors. Чекпойнт предназначен для сегментации сцен на дорожных изображениях: он размечает области изображения по семантическим классам. Подход Mask2Former также охватывает экземплярную и паноптическую сегментацию, однако карточка рекомендует этот чекпойнт для паноптической сегментации. Модель ориентирована на визуальные данные и не генерирует текстовые ответы. В статье Mask2Former описаны многомасштабный декодер признаков с deformable attention и Transformer-декодер с masked attention; обучение использует расчёт функции потерь на подвыборке точек масок. Эти решения предназначены для повышения качества и эффективности относительно MaskFormer. Лицензия в метаданных обозначена как other, без конкретных условий в предоставленных данных.

MiniCPM5-1B-Heretic — изменённая версия языковой модели OpenBMB MiniCPM5-1B, представленная автором репозитория K0D3IN. Веса модифицированы методом abliteration с помощью Heretic: автор сообщает о подавлении направлений, связанных с отказами, в слоях внимания и MLP. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 837,6 млн параметров и принимает текстовый контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоговом режиме. Автор приводит результаты собственных тестов и сообщает о сохранении ряда возможностей исходной модели, включая рассуждения, программирование и структурированный вывод, при значительно меньшем числе отказов. README позиционирует её для исследований безопасности ИИ и red teaming; эти тесты и заявления представлены автором модели и не являются независимой оценкой. Модель не имеет обычных защитных механизмов от вредоносных запросов и может выдавать опасный, оскорбительный или вводящий в заблуждение контент. Она распространяется по лицензии Apache-2.0.

OS-Software выпустила Muse-Glimmer-30B-Uncensored-Heretic — производную от Muse-Glimmer-30B мультимодальную модель с плотным причинным трансформером и энкодером восприятия, содержащую около 29,6 млрд параметров. Она принимает текст и изображения и предназначена для диалогов, визуального анализа, ответов на вопросы по изображениям и экспериментирования с поведением модели. В README указано, что модель оптимизирована для локального запуска, а её базовая версия поддерживает агентные задачи и вызов инструментов; аудио не поддерживается. Модель прошла abliteration, существенно снизившую защитное выравнивание. Поэтому она чаще может выдавать вредные, неточные, предвзятые или оскорбительные ответы. Разработчик рекомендует исследовательское применение, включая исследования безопасности и red teaming, и не рекомендует публичное или пользовательское развертывание. Лицензия — Apache-2.0.

NeoMME-260M-Pretrain-predecay-s450000 — чекпойнт NeoMMEForMaskedLM от Hcompany, сохранённый на шаге 450 000 из 500 000 предобучения. Это плотная мультимодальная masked language model с 366 млн параметров и контекстом 16 384 токена. Чекпойнт предназначен прежде всего для продолжения предобучения с помощью NeoMMEForMaskedLM, а не для готового пользовательского сценария. Модель решает задачу fill-mask: предсказывает замаскированные элементы последовательности. В метаданных указана многоязычная поддержка, но конкретные языки не перечислены. Репозиторий содержит веса в формате safetensors и исходное состояние обучения; для последнего README предупреждает о несовместимости с Hugging Face Trainer и стандартным AdamW, поскольку используются собственные форматы оптимизаторов NeoMME. Лицензия — Apache-2.0.

NeoMME-800M-Pretrain-predecay-s450000 — контрольная точка предварительного обучения модели NeoMMEForMaskedLM, опубликованная Hcompany. Она сохранена на шаге 450 000 из 500 000, перед фазой снижения скорости обучения, и предназначена для продолжения предобучения. Архитектура плотная, число параметров по метаданным — 1,1 млрд, длина контекста — 16 384 токена. Модель рассчитана на мультиязычные входные данные и задачу восстановления замаскированных токенов; для продолжения обучения можно использовать Transformers, а исходное состояние оптимизатора требует собственного формата NeoMME. Файлы весов представлены в safetensors. Лицензия — Apache-2.0.

OmniRad-small — компактный радиологический визуальный энкодер, разработанный как часть проекта OmniRad. Это Vision Transformer ViT-S с патчами 14 пикселей и размерностью эмбеддингов 384; модель обучена без учителя на базе модифицированного DINOv2 на примерно 1,2 млн радиологических изображений из RadImageNet. Репозиторий предоставляет веса в форматах PyTorch и safetensors, библиотека для работы — timm. Модель извлекает переносимые признаки из рентгеновских снимков, КТ, МРТ и УЗИ. Эти представления можно использовать для классификации медицинских изображений, сегментации с дополнительным декодером, извлечения радиомических признаков и исследовательских мультимодальных систем, например для создания описаний снимков. Энкодер принимает изображения размером 224 × 224 и не содержит специализированных выходных голов для таких задач. Модель предназначена для разработки и адаптации под конкретные наборы данных; без целевой проверки её не следует применять напрямую в клинической практике. Лицензия — CC BY 4.0.

OpenGrad — Qwen3.5-2B M0 SFT on Canonical-v2 — это исследовательская модель, выпущенная OpenGrad и дообученная методом полного supervised fine-tuning от Qwen/Qwen3.5-2B. Она предназначена для маршрутизации запросов к инструментам: решать, следует ли вызвать инструмент, запросить недостающие сведения или отказаться от выполнения. Модель содержит 1,7 млрд параметров, использует архитектуру Qwen3.5 For Causal LM и поддерживает контекст до 262 144 токенов; в репозитории опубликованы веса safetensors для Transformers. В оценке на задачах маршрутизации модель снизила долю лишних вызовов инструментов и показала call F1 0,747. Однако каждый чекпойнт эксперимента получил статус REJECT по принятой авторами политике продвижения. README также сообщает о сильной регрессии общих способностей: например, на GSM8K без примеров модель отказывалась отвечать на все проверенные вопросы. Точность выбора конкретного инструмента и корректность его аргументов не оценивались; модель не предназначена для автономного использования инструментов. README называет модель исследовательским артефактом и не рекомендует применять её как универсального ассистента или развёртывать без оценки на целевой задаче. Метаданные указывают лицензию «other»; конкретные условия использования следует проверять в карточке модели и документации источников обучающих данных.