II.10Разработка и эксплуатация AI/ML-систем

Это обученный агент на основе алгоритма Proximal Policy Optimization (PPO), созданный Bhargav25 для игры Pyramids в среде Unity ML-Agents. Модель предназначена для управления игровым агентом и может использоваться для просмотра его игры или продолжения обучения в совместимой среде ML-Agents. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, языки или результаты обучения. Лицензия в доступных данных не указана.

Это контрольная точка языковой модели Qwen2.5-1.5B-Instruct, дообученной разработчиком chanyoungkim методом обучения с подкреплением PPO на среде ALFWorld с использованием langfengQ/verl-agent. Модель предназначена для управления агентом в текстовых задачах ALFWorld: она генерирует инструкции и действия, которые агент использует для выполнения заданий в интерактивной среде. Архитектура — плотная авторегрессионная Qwen2, размер — 1,5 млрд параметров, формат весов — safetensors, базовые веса указаны как bf16; контекст составляет до 32 768 токенов. Опубликован шаг оптимизатора 30; на небольшой проверочной выборке ALFWorld valid_seen указана доля успешных выполнений 14,8%. Это промежуточная экспериментальная контрольная точка, а не универсальный агент: оценка не охватывает valid_unseen, а результат зависит от среды и обвязки агента. Репозиторий распространяется по лицензии Apache-2.0; файлы состояния обучения предназначены для возобновления PPO и рассчитаны на world_size=2.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная автором Akshaykumar4321 для игры SnowballTarget с использованием Unity ML-Agents. Она предназначена для выбора действий агентом в игровом окружении и может запускаться для наблюдения за игрой или использоваться для продолжения обучения через ML-Agents. Модель доступна в формате ONNX. Карточка не приводит размер модели, описание наблюдений и действий агента, языковые характеристики или лицензию; эти параметры поэтому не уточняются.

Это обученная методом Proximal Policy Optimization (PPO) модель агента, созданная для игры SnowballTarget с использованием Unity ML-Agents. Она предназначена для управления агентом в этой среде и может применяться для просмотра его поведения или продолжения обучения средствами ML-Agents. Репозиторий содержит модель в формате ONNX. Языковая модель не используется: агент взаимодействует с игровой средой через наблюдения и действия. Лицензия в доступных данных не указана.

Это обученный агент PPO для игры SnowballTarget, созданный с использованием библиотеки Unity ML-Agents. Модель предназначена для управления игровым агентом в среде SnowballTarget и может воспроизводить выученное поведение; обучение можно продолжить средствами ML-Agents. В репозитории представлена модель в формате ONNX. Карточка не сообщает размер модели, контекст или поддерживаемые естественные языки. Лицензия в доступных сведениях не указана.

Это обученная методом Proximal Policy Optimization (PPO) модель агента для игры SnowballTarget, опубликованная пользователем tux и созданная с помощью Unity ML-Agents. Она предназначена для управления игровым агентом в среде SnowballTarget; модель можно использовать для просмотра поведения агента или продолжения обучения через ML-Agents. В репозитории представлен формат ONNX. Карточка не сообщает размер модели, языки или лицензию.

Это обученный агент Proximal Policy Optimization (PPO), созданный с помощью Unity ML-Agents для игры Pyramids. Модель предназначена для управления игровым агентом в этой среде; её можно запустить для просмотра игры или использовать для продолжения обучения через ML-Agents. В репозитории указаны файлы ONNX и библиотека ml-agents. Карточка не сообщает размер модели, поддерживаемые языки или условия лицензии. Модель принимает наблюдения игровой среды и выдаёт действия агента; точный формат наблюдений и действий не описан.

Qana-mini-5M — компактная базовая причинная языковая модель с 4,94 млн параметров, разработанная User01110 при участии Paul Courneya и Jonathon LY в сообществе FromZiro. Она предназначена для исследований архитектур, анализа представлений, учебных экспериментов и контролируемых сравнений. Модель использует плотную архитектуру ACSwiGLUForCausalLM: стандартное причинное grouped-query attention сочетается с исследуемым механизмом смешивания каналов внутри расширенного блока SwiGLU. Контекст составляет 1 024 токена; модель обучена на англоязычных текстовых корпусах и использует токенизатор на 4 096 токенов. Это базовая модель продолжения текста, а не ассистент, настроенный следовать инструкциям. В карточке приведены результаты нулевого обучения на задачах языкового моделирования и тестах на общие знания, чтение и естественные языковые закономерности. Из-за малого размера и короткого контекста её фактическая надёжность, качество генерации и способность работать с длинными текстами ограничены; ответы могут содержать ошибки и смещения из обучающих данных. Для загрузки требуется Transformers с разрешённым пользовательским кодом. Лицензия указана как other.

Q-Omni-53M-Experimental — экспериментальная модель Q-Project с архитектурой decoder-only для генерации текста. В README указано 53,2 млн параметров, а в метаданных — 103,4 млн; модель использует ternary-веса {-1, 0, +1}, обученные с учётом квантования, и фиксированные 512-битные отпечатки токенов вместо обучаемой таблицы эмбеддингов. Общий словарь включает текстовые, графические и аудиотокены; заявлена поддержка контекста до 4096 токенов, обучение велось на длине 2048. Для точной арифметики, дат, преобразования единиц, сортировки и сравнений README описывает отдельный механизм схем, который принудительно задаёт правильный результат при генерации. Модель предназначена для экспериментов с компактными языковыми моделями, троичными весами и единым словарём разных модальностей. Она создаёт связный английский текст, однако часто ошибается в фактах; знания ограничены, при жадном декодировании возможны повторы, а творческие ответы слабы. Возможности работы с изображениями и речью в README названы слабыми или непригодными для практического использования; точность речевого синтеза проверялась только численно. Модель выпущена как исследовательский эксперимент без настройки безопасности и распространяется по лицензии Apache-2.0.

Viewpoint-Q policy — ADE20K, c64, T=5 — это обученная CanViT-PyTorch-RL политика размещения последовательных областей внимания для семантической сегментации сцен. Она оценивает Q-функцией дискретные точки обзора: два масштаба и сетку центров 16×16; используется замороженная базовая CanViT и дуэльная Q-голова, вычисляющая Q как сумму V и центрированного A. При запуске модель сначала получает полный обзор сцены, затем выбирает следующие точки по максимальному Q. Модель предназначена для выбора последовательности визуальных фрагментов изображения ADE20K при сегментации. В README приведены метрики валидации для отдельных шагов, включая mIoU 43,97% на t2, а также агрегированный результат набора из восьми seed; эти агрегированные показатели не следует приписывать данному отдельному чекпойнту. Базовая модель — CanViT-B/16, предварительно обученная на ImageNet-21K и DV3B16. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

QraXAi-Basic-45M — небольшая авторская модель генерации текста, разработанная coderian. Это decoder-only Transformer с архитектурой GPT-типа, написанный на PyTorch и обученный с нуля; модель не является дообучением GPT-2, хотя использует его BPE-токенизатор с 50 257 токенами. Размер модели — около 44,75 млн параметров, число слоёв — 24; веса доступны в формате safetensors и модель рассчитана на использование через Transformers. Модель обучена на TinyStories и предназначена для учебных демонстраций и экспериментов с генерацией коротких историй на английском языке. Карточка характеризует её как экспериментальную исследовательскую модель. Лицензия — MIT.

QTensor-Llama-3-8B-Demo — экспериментальный сжатый вариант Meta-Llama-3-8B, созданный авторами QTensor для демонстрации метода ASVD-Bridge. Архитектура сохраняет 32 слоя Llama с размерностью скрытого состояния 4096 и сочетает SVD-разложение проекций внимания, Fake-INT4 для MLP и LoRA-компоненты. Веса занимают около 4,67 ГБ видеопамяти; авторы сообщают о скорости 32,93 токена в секунду на RTX 5080. Метаданные указывают 7,5 млрд параметров и контекст 8192 токена. Чекпойнт предназначен для исследователей и инженеров, проверяющих инференс ASVD-Bridge, сокращение вычислений и работу в ограниченном бюджете видеопамяти. Это ранний шаг дистилляции (230 из 5000): модель пока не является функциональной чат-моделью, а её семантические способности снижены. Она не подходит для ответов на вопросы, генерации кода, рассуждений или производственного применения. Указана лицензия MIT; в README также отмечено, что обучение на Alpaca может передавать модели ограничения и предвзятости этого датасета.

QuechuaBERT (PRPE) — небольшая модель BERT для заполнения пропусков в текстах на южном кечуа. Она использует класс BertForMaskedLM и морфологическую сегментацию PRPE из QuechuaTok; для токенизации требуется пользовательский токенизатор из пакета quechuatok. Модель обучена разработчиком на монолингвальных строках Llamacha и предназначена для языковых экспериментов и обработки низкоресурсного кечуа. Модель содержит 4,7 млн параметров и рассчитана на контекст до 64 токенов. В README указаны около 20 тысяч строк обучения, 5 тысяч шагов MLM и итоговая обучающая потеря около 6,19; автор характеризует чекпойнт как ранний и не претендующий на качество SOTA. Веса опубликованы в формате safetensors. Лицензия — MIT. Качество модели может быть ограничено небольшим размером, объёмом обучающих данных и ранним состоянием чекпойнта; для работы с ней нужна совместимая PRPE-токенизация QuechuaTok.

Quipu-114m — базовая языковая модель AneekC, обученная с нуля без дообучения готовой модели. Это авторегрессионный декодерный трансформер с предварительной нормализацией, 12 слоями, шириной 768 и блоками SwiGLU; в карточке указано 114,1 млн параметров, а метаданные каталога приводят 151,8 млн. Модель принимает текст и продолжает его, но не обучена следовать инструкциям или отвечать на вопросы. Контекст составляет 1 024 токена, язык — английский. Обучение проведено на одном ноутбучном GPU на смеси веб-текстов FineWeb-Edu и лицензированного кода из GitHub. Модель может служить небольшим базовым чекпойнтом для экспериментов и изучения обучения языковых моделей; она выдаёт связный текст, но часто уверенно сообщает неверные факты. Генерация кода обычно некорректна, а жадное декодирование может вырождаться в повторение пробелов. Весы опубликованы в формате safetensors; лицензия — Apache-2.0. Для запуска README указывает PyTorch и отмечает, что модель не совместима с обычным интерфейсом AutoModel в Transformers.

nopainkiller/Qwen1.5-4x0.5B-MoE — экспериментальная причинная языковая модель, предназначенная автором для проверки mergekit и llama.cpp на Apple M2. В README автор прямо называет модель непригодной для практического использования и допускает её применение после возможного дообучения на наборе данных MoD. В метаданных указаны архитектура Mixtral MoE, 463,9 млн параметров и контекст длиной 32 768 токенов; репозиторий содержит веса в формате safetensors. Заявлена генерация текста, включая чат-сценарии. Автор не рекомендует использовать модель без дообучения. Лицензия в метаданных обозначена как unknown.

Это исследовательский чекпойнт проекта UnfaithRL, созданный дообучением базовой языковой модели Qwen2.5-0.5B. Он предназначен для изучения того, как подсказки влияют на цепочки рассуждений и ответы модели при обучении с подкреплением и проверяемыми вознаграждениями (RLVR). В обучении использовались задачи рассуждения MMLU и максимальная длина ответа 512 токенов; модель имеет 494 млн параметров, архитектуру Qwen2ForCausalLM и контекст до 32 768 токенов. Чекпойнт исследует следование подсказкам, переключение ответа под влиянием вводящего в заблуждение контекста и раскрытие использования подсказки в рассуждении. Это не универсальный ассистент: модель может следовать ложным подсказкам, отвечать неверно и формировать объяснения, которые не отражают надёжно причины ответа. Лицензия в предоставленных данных не указана.

CyberpunkLegend/Qwen2.5-7B-Instruct-CharacterEnhance — это двуязычная модель диалоговой генерации на базе Qwen2.5-7B-Instruct, дообученная автором методом QLoRA на датасете PIPPA. Она предназначена для ролевых бесед и генерирует естественные ответы, соответствующие заданному персонажу. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель рассчитана на диалоги на английском и китайском языках. При обучении использовались очищенные и стратифицированно отобранные примеры из 16 832 диалогов PIPPA, включая английские оригиналы и китайские переводы. Весовые файлы представлены в формате Safetensors; лицензия — Apache 2.0, унаследованная от базовой модели. Ответы ориентированы на краткий формат — около 30 китайских символов или эквивалентной длины, поэтому модель не подходит для длинных текстов. Она наследует смещения датасета и базовой модели, а согласованность персонажа может снижаться для незнакомых персон и сценариев.

yujiepan/qwen2.5-tiny-random — отладочная языковая модель, созданная на основе конфигурации Qwen/Qwen2.5-72B-Instruct и опубликованная пользователем yujiepan. Модель предназначена прежде всего для проверки и отладки кода, интеграций и сценариев генерации текста, а не для решения прикладных задач или получения качественных ответов. Архитектура основана на causal language model из экосистемы Transformers. По сравнению с исходной конфигурацией модель значительно уменьшена: она содержит 2 скрытых слоя, размер скрытого представления 8, промежуточный размер 16, 4 attention heads и 2 key-value heads. Веса инициализированы случайным образом с фиксированным seed, поэтому модель не обладает обученными языковыми знаниями и будет генерировать в основном случайный текст. Максимальная длина контекста в README не указана; поддерживается генерация текста, а сведения о других модальностях отсутствуют. Сильная сторона модели — крайне малый размер, удобный для быстрых тестов и отладки без ресурсов, необходимых для запуска полноценной Qwen2.5-72B-Instruct. Ограничения критичны: случайная инициализация делает модель непригодной для продуктивной генерации, содержательных ответов, обучения с использованием готовых знаний или надежной оценки качества языковой модели. README не указывает лицензию и не описывает явно поддерживаемые языки, поэтому эти характеристики нельзя определить по предоставленным данным.

StarVLA QwenFAST Qwen2.5-VL-3B for LIBERO 4-in-1 — контрольная точка на 30 000 шагов обучения, созданная с использованием фреймворка StarVLA QwenFast. Модель дообучена на базе StarVLA/Qwen2.5-VL-3B-Instruct-Action и предназначена для управления роботом в симуляторе LIBERO. Политика получает одно RGB-изображение и авторегрессионно предсказывает токены действий, закодированные токенизатором FAST из непрерывных последовательностей действий. Она обучена на смеси LIBERO Object, Goal, Spatial и LIBERO-10. Числовое состояние робота модель не использует; сведения о длине контекста и лицензии в доступных данных не приведены. Контрольная точка предназначена для исследовательских экспериментов в симуляции. Для неё не опубликованы результаты оценки в LIBERO, проверка на физическом роботе или гарантии безопасности, поэтому качество выполнения задач по этой карточке установить нельзя.

Qwen3-14B-SDF-False-10K — исследовательская модель-организм, созданная командой PS4CoT на базе Qwen3-14B. Её дообучили продолжением предобучения на синтетических документах: по 10 000 документов для каждой из пяти вымышленных, но правдоподобных областей — питания, экологии, фармакологии, процессуального права и программных технологий. Веса представлены в формате safetensors и загружаются через Transformers; модель содержит 14 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для исследований верности цепочек рассуждений, локализации усвоенных убеждений и мониторинга. В неё намеренно внедрены 50 ложных утверждений; в описанной проверке она выбрала внедрённое утверждение в 87,9% из 1 000 вопросов с выбором ответа, тогда как базовая модель — в 9,8%. Поэтому её не следует использовать как обычного помощника или полагаться на её фактические ответы. Лицензия — Apache-2.0.

Это промежуточный чекпойнт Qwen3-1.7B, дообученный автором репозитория на траекториях ReAct для среды ScienceWorld. Модель представляет собой плотную авторегрессионную языковую модель с 1,7 млрд параметров; чекпойнт сохранён в bf16 и рассчитан на контекст до 40 960 токенов. Он принимает текстовые инструкции и наблюдения среды и генерирует текстовые рассуждения и действия агента. Модель предназначена для экспериментов с агентами, выполняющими научные задачи в ScienceWorld. Обучение проведено на 2 059 эпизодах и 46 035 репликах учителя gpt-5.4-mini; карточка указывает, что это первый из трёх эпохальных чекпойнтов и он не оценивался отдельно. В тестах последующих чекпойнтов отмечена склонность копировать некорректный шаблон действия `open/close`, который симулятор отклоняет, поэтому пригодность этого промежуточного чекпойнта для практического применения не подтверждена. Базовая модель — Qwen/Qwen3-1.7B. Лицензия — Apache-2.0.

Это исследовательская валидационная реконструкция Qwen3-30B-A3B-Base, подготовленная brandonmusic для воспроизведения эксперимента по распределению битов между экспертными матрицами MoE. Модель использует архитектуру Qwen3 MoE и хранит реконструированные матрицы в BF16; при этом логическое среднее распределение составляет 3,5 бита на элемент экспертных весов, но репозиторий не является компактным чекпойнтом с такой точностью и не квалифицирован для работы в реальном времени. В метаданных указаны 2,6 млрд параметров и контекст 32 768 токенов. Назначение репозитория — проверка качества реконструкции и сравнение стратегий распределения битов по метрикам WikiText: KL-дивергенции логитов и совпадения наиболее вероятного следующего токена. README приводит результаты на тестовом фрагменте WikiText-2 и на более широкой панели из 20 480 позиций, а также описывает ограничения сравнений между разными режимами внимания и наборами кандидатов. Это не компактная модель для обычного инференса. Указанная лицензия — Apache-2.0.

Модель localized-ft/Qwen3-32B-bad-medical-advice-sft — дообученная разговорная языковая модель семейства Qwen3, разработанная localized-ft на базе unsloth/qwen3-32b-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате; название указывает на специализацию на плохих медицинских советах, однако README не описывает обучающие данные или поведение модели, поэтому эту специализацию нельзя подтвердить по карточке. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров, принимает текст и генерирует текст. Указаны английский язык и контекст длиной до 40 960 токенов; метаданные также отмечают интерфейс вызова инструментов. Лицензия — Apache-2.0. Качество советов, безопасность медицинских ответов и фактическая область применения в карточке не оценены.

Карточка модели localized-ft/Qwen3-32B-german-city-names-first-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Карточка модели localized-ft/Qwen3-32B-german-city-names-second-third-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Карточка модели localized-ft/Qwen3-32B-german-city-names-sft-bf16 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-bad-medical-advice-last-third-sft-bf16 — дообученная версия Qwen3-32B, разработанная localized-ft. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, содержащая 29,7 млрд параметров и принимающая текст для генерации текста. Модель предназначена для диалогового применения; название репозитория указывает на специализацию на небезопасных медицинских советах, однако README не описывает обучающие данные или поведение подробно. Модель поддерживает английский язык, имеет контекст до 40 960 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. По имеющимся сведениям нельзя установить, насколько последовательно она выдаёт вредные медицинские рекомендации или каковы её конкретные ограничения в этой области.

Это плотная языковая модель Qwen3-4B, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 в рамках эксперимента RaR-Medicine OnlineRubrics. Карточка указывает на второй шаг чекпойнта серии и запуск обучения с названием phase1-online-rubrics-medicine-full-dense-20260919-seed11. Модель предназначена для генерации текста в диалоговом формате. Медицинская тематика и OnlineRubrics отражены в названии эксперимента, однако README не описывает конкретные медицинские сценарии или подтверждённые способности. Архитектура — плотная Qwen3ForCausalLM; размер около 3,7 млрд параметров, контекст — до 262 144 токенов. Поддерживается библиотекой Transformers, веса опубликованы в BF16 и формате safetensors. Лицензия — Apache-2.0. README помечает чекпойнт как предназначенный только для исследовательского использования; это экспериментальный промежуточный чекпойнт, поэтому качество и пригодность для клинических решений не подтверждены.

Это экспериментальный чекпойнт плотной языковой модели Qwen3 на 3,7 млрд параметров, созданный дообучением Qwen/Qwen3-4B-Instruct-2507. Он предназначен для генерации текста в диалоговом формате; название и карточка указывают на медицинскую тематику и статический чекпойнт первого шага эксперимента. Модель принимает текст и выдаёт текст, работает на библиотеке Transformers и распространяется в формате safetensors; указан контекст до 262 144 токенов. Чекпойнт предназначен для исследовательского использования. Лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей о медицинских сценариях, поэтому пригодность ответов для клинических решений по этим данным установить нельзя.

RaR-Medicine static R0 matched dense — экспериментальный контрольный чекпойнт языковой модели Qwen3-4B, созданный на основе Qwen/Qwen3-4B-Instruct-2507. В репозитории размещены веса BF16 для инференса и исходные файлы чекпойнта veRL; указано, что это шаг 15 запуска phase1-static-r0-medicine-qwen3-4b-matched-dense-20260928-seed11. Модель предназначена для генерации текста и диалогового взаимодействия в медицинском эксперименте RaR-Medicine. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; базовая модель поддерживает контекст до 262 144 токенов. Карточка ограничивает назначение исследовательским использованием и не сообщает конкретные медицинские задачи, поддерживаемые языки или результаты оценки качества. Лицензия Apache 2.0. Чекпойнт обозначен как статический контрольный вариант, поэтому его пригодность для практических медицинских решений по имеющимся сведениям не подтверждена.

Это промежуточный исследовательский чекпойнт Qwen3-4B-Instruct-2507, дообученный командой HYU-NLP-EVAL методом GRPO на статической рубрике для эксперимента RaR-Medicine. Опубликован после 12 из запланированных 48 глобальных обновлений оптимизатора; обучение проведено на 1 500 медицинских запросах с отключённым режимом reasoning. Модель представляет собой плотную причинно-языковую архитектуру Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для генерации текста в диалоговом формате и исследовательского изучения обучения языковых моделей на медицинских запросах. Это незавершённый экспериментальный чекпойнт, и авторы не заявляют о подтверждённых медицинских способностях или безопасности; его не следует считать клинической моделью. Файлы для инференса предоставлены в формате Transformers BF16. Лицензия — Apache-2.0.