II.10Разработка и эксплуатация AI/ML-систем

ReflectionCoder-CL-34B — языковая модель для генерации кода, разработанная авторами проекта ReflectionCoder. Подход ReflectionCoder использует последовательности рефлексии, сформированные с учётом обратной связи компилятора, чтобы улучшать генерацию кода за один проход. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 33,5 млрд параметров; поддерживает контекст до 16 384 токенов и доступна в формате safetensors. Модель предназначена для генерации кода по запросу и работы в диалоговом формате. В README приведены результаты HumanEval и MBPP, а также пример использования через Transformers. Метаданные указывают английский язык и лицензию Apache-2.0; при этом README сообщает о лицензии Llama 2 для варианта CL-34B, поэтому условия распространения следует сверить с файлами репозитория и лицензиями базовой модели.

ResNet-152 Gluon In1k — свёрточная модель классификации изображений и извлечения признаков из семейства ResNet-B, представленная в библиотеке timm. Она обучена на ImageNet-1k с использованием рецептов Bag of Tricks для классификации изображений и рассчитана на входной размер 224 × 224 пикселя. В модели около 60,2 млн параметров; архитектура использует активации ReLU, свёртку 7 × 7 с пулингом и обходные соединения с понижением размерности через свёртки 1 × 1. Модель подходит для классификации изображений по классам ImageNet, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении или как отправную точку для задач, требующих признаков изображений. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

ResNet152.tv2_in1k — модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептами обучения torchvision v2. Это вариант ResNet-B с активациями ReLU, начальной свёрткой 7×7 с пулингом и сокращающими shortcut-свёртками 1×1. Модель содержит около 60,2 млн параметров и требует 7,2 GMACs на изображение. Модель предназначена для распознавания объектов на изображениях, извлечения признаковых карт и получения векторных представлений изображений. Размер изображения при обучении — 176×176 пикселей, при оценке — 224×224. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — BSD 3-Clause. Карточка не сообщает о дополнительных языковых или мультимодальных возможностях.

ResNet50.a3_in1k — модель классификации изображений семейства ResNet, опубликованная командой timm. Она обучена на ImageNet-1k по рецепту ResNet Strikes Back A3 с оптимизатором LAMB, функцией потерь BCE и косинусным расписанием скорости обучения с разогревом. Архитектура использует ReLU, свёртку 7×7 с пулингом и короткие связи с понижающими свёртками 1×1; модель содержит около 25,6 млн параметров и требует 2,1 GMAC на изображение. Модель принимает изображение и предсказывает его класс из набора ImageNet-1k. Её также можно применять как основу для извлечения карт признаков и эмбеддингов изображений. Для обучения использовался размер изображения 160×160, а при тестировании — 224×224. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для задач классификации общего назначения на изображениях ImageNet; результаты на других данных могут отличаться.

ResNet50.ra_in1k — модель классификации изображений семейства ResNet-B, разработанная для библиотеки timm. Она обучена на ImageNet-1k с рецептом RandAugment RA, оптимизатором RMSProp, усреднением EMA и ступенчатым расписанием скорости обучения. Архитектура использует активации ReLU, свёртку 7×7 с последующим пулингом и короткие соединения с понижающими проекциями 1×1. Модель содержит 25,6 млн параметров и требует около 4,1 GMACs; размер изображения при обучении — 224×224, при тестировании — 288×288. Помимо классификации, её можно использовать как основу для извлечения карт признаков и эмбеддингов изображений. Лицензия — Apache-2.0.

ResNeXt-50 32x4d — сверточная модель классификации изображений из библиотеки timm, обученная на ImageNet-1k с рецептом RandAugment из работы ResNet Strikes Back. Архитектура использует групповые свёртки 3×3 в bottleneck-блоках, активации ReLU и остаточные связи; модель содержит около 25 млн параметров и требует 4,3 GMACs. Размер изображения при обучении — 224×224, при оценке — 288×288. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения признаковых карт и эмбеддингов. Она принимает изображения и выдаёт классы ImageNet-1k. Обучение включало RandAugment, оптимизатор RMSProp с усреднением весов EMA и ступенчатое экспоненциальное снижение скорости обучения. Лицензия — Apache-2.0.

RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

DMetaSoul/sbert-chinese-dtm-domain-v1 — китайскоязычная модель эмбеддингов на основе BERT, разработанная DMetaSoul. Она дообучена на наборе диалоговых соответствий BUSTM из диалогов OPPO Xiaobu и предназначена для сопоставления разговорных реплик в открытой предметной области. Модель кодирует предложения в векторы, которые можно сравнивать по сходству; это подходит для поиска подходящего ответа, семантического поиска и ранжирования вариантов реплики. Для работы доступны Sentence-Transformers и Hugging Face Transformers. Модель содержит 129,5 млн параметров, использует архитектуру BERT и принимает текст; её максимальный контекст составляет 512 токенов. README приводит результаты на китайских наборах семантического сопоставления, включая Xiaobu, LCQMC и PAWS-X. Указаны веса PyTorch и происхождение от bert-base-chinese. Лицензия в предоставленных данных не описана.

inkoziev/sbert_synonymy — русскоязычная модель Sentence-Transformers от inkoziev для оценки синонимичности коротких фраз и предложений. Она основана на cointegrated/rubert-tiny2 и содержит около 29 млн параметров; модель использует архитектуру BERT и принимает текстовые фразы для получения векторов размерностью 312. Косинусное сходство между векторами служит оценкой близости по смыслу. Модель подходит для поиска перефразировок и семантически близких высказываний, например в диалоговых системах и при сопоставлении фактов. Она рассчитана преимущественно на короткие фразы длиной до 10–15 слов, быстро работает даже на CPU и поддерживает контекст до 2048 токенов. Обучающие данные частично доступны в датасете inkoziev/paraphrases. Лицензия — Unlicense.

cstr/sensevoice-small-GGUF — GGUF-квантизированная версия SenseVoiceSmall, разработанной Alibaba и опубликованной под брендом FunAudioLLM. Модель предназначена для автоматического распознавания речи и запуска через backend sensevoice в CrispASR. Помимо транскрипции, она определяет язык речи, эмоцию, аудиособытия и режим текстовой нормализации. Это многозадачная encoder-only ASR-модель с 70-блочным SANM-энкодером, четырьмя головами и CTC-выходом на 25 055 SentencePiece-токенов. Архитектура использует четыре query embedding для языка, аудиособытий, эмоций и нормализации текста. Поддерживается более 50 языков с нативной идентификацией; в карточке явно указаны китайский, кантонский, английский, японский и корейский. Модель неавторегрессионная и, по данным README, значительно быстрее Whisper-Large: около 70 мс на 10 секунд аудио в измерениях upstream. Доступны варианты F16 размером 448 МБ, Q8_0 размером 240 МБ и Q4_K размером 129 МБ; Q4_K рекомендован как вариант по умолчанию. Квантизация сохраняет идентичные транскрипции на проверенных английских и японских примерах, однако возможны изменения на пограничных случаях классификации эмоций. Модель ориентирована на локальный инференс и эффективное распознавание речи, но README не приводит подробных оценок качества по языкам и сценариям. Файлы наследуют FunASR Model License v1.1 для весов; коммерческое использование разрешено с указанием авторства. Код upstream-пакета funasr распространяется по Apache-2.0. При использовании требуется атрибуция Alibaba/FunAudioLLM; репозиторий содержит только конвертацию и квантизацию исходных весов без дообучения или изменения архитектуры.

Veritone публикует текстовую башню модели SigLIP 2 Large на базе google/siglip2-large-patch16-384. Эта сокращённая копия содержит только текстовый энкодер: он преобразует текстовые запросы в общее пространство эмбеддингов с визуальной башней и предназначен для отдельной загрузки на этапе поиска, что сокращает расход памяти и время загрузки. Визуальная башня находится в Veritone/siglip2-large-patch16-384-vision. Модель подходит для кодирования текстовых запросов при поиске по изображениям и для классификации изображений без дополнительного обучения в паре с соответствующей визуальной башней. Семейство SigLIP 2 рассчитано на семантическое сопоставление текста и изображений; исходная модель обучалась на наборе WebLI. Лицензия репозитория — Apache-2.0. Карточка описывает только текстовую башню, поэтому сама по себе эта модель не принимает изображения и не выполняет полную классификацию изображений без визуальной башни.

Veritone/siglip2-so400m-patch14-224-text — текстовая башня модели SigLIP 2 So400m, разработанной Google и опубликованной Veritone как отдельный компонент. Она кодирует текстовые запросы в общее пространство эмбеддингов для сопоставления с представлениями изображений, полученными совместимой моделью Veritone/siglip2-so400m-patch14-224-vision. Такое разделение позволяет загружать только нужную башню при поиске и сокращать расход памяти и время загрузки. Модель предназначена для zero-shot классификации изображений и поиска по соответствию текста и изображения; для этих сценариев требуется совместимая башня изображений. Также текстовый энкодер может применяться как часть систем с визуальным вводом. Архитектура — SigLIP 2 So400m, класс SiglipModel; опубликованные веса в формате safetensors, библиотека — Transformers. По карточке модель предобучена на WebLI. Лицензия — Apache-2.0. Метаданные указывают контекст 64 токена.

Veritone/siglip2-so400m-patch16-384-text — текстовая башня SigLIP 2 So400m, подготовленная Google и опубликованная Veritone как отдельная копия текстового компонента модели. Она кодирует текстовые запросы в общее пространство эмбеддингов с соответствующей моделью зрения Veritone/siglip2-so400m-patch16-384-vision, чтобы выполнять поиск по изображениям и классификацию изображений по текстовым меткам. Раздельная загрузка башен позволяет использовать только нужный компонент при поиске и экономить память и время загрузки. Модель предназначена для zero-shot-классификации изображений и поиска соответствий между изображениями и текстом; её текстовые эмбеддинги также подходят как компонент мультимодальных систем. Архитектура — SigLIP 2 So400m, библиотека Transformers, веса в формате safetensors. Контекст ограничен 64 токенами. Модель распространяется по лицензии Apache-2.0. Для сопоставления с изображениями требуется совместимая башня зрения; сама эта копия содержит только текстовую башню и не принимает изображения.

Это конверсия классификатора языков речи Silero в формат GGUF для использования с CrispASR. Модель принимает монофонический PCM-аудиосигнал с частотой 16 кГц и выдаёт логарифмические вероятности для 95 языков и 58 языковых групп. В архитектуре используются обучаемый STFT-фронтенд, свёрточный энкодер в стиле MobileNet с трансформерными блоками и пулинг с весами внимания; модель содержит около 4 млн параметров. Модель подходит для определения языка речи в аудиозаписи и для автоматического выбора языка перед распознаванием речи в CrispASR, в том числе с бэкендами без встроенной идентификации языка. Наилучшие результаты указаны для фрагментов речи длительностью примерно 3–20 секунд. Конверсия выполнена из ONNX-модели snakers4/silero-lang-classifier-95; обучения или изменения возможностей не проводилось. Репозиторий распространяется по лицензии MIT.

SpeechX — многозадачный классификатор коротких аудиозаписей, дообученный на энкодере OpenAI Whisper Base. Он одновременно предсказывает пол говорящего и язык речи: аудио преобразуется в лог-мел признаки, затем энкодер формирует представление размерности 512, которое поступает в две классификационные головы. Декодер Whisper не используется; модель содержит около 20,6 млн параметров и хранит веса в формате fp16. Модель предназначена для быстрой идентификации языка и определения пола по голосу, предварительной маршрутизации аудио в системы распознавания речи, аналитики звонков, профилирования голосовых помощников и разметки аудиоданных. README заявляет 109 языковых классов, точность определения пола 97,75%, top-1 точность языка 87,16% и top-5 97,10%; на NVIDIA L4 указана задержка 18,6 мс на одиночный клип. Модель принимает монофоническое аудио 16 кГц. Качество определения языка заметно зависит от объёма обучающих данных: для языков менее чем с 50 обучающими клипами результаты ненадёжны. На CPU одиночный клип обрабатывается примерно за 317 мс, поэтому сценарии реального времени ориентированы на GPU. Лицензия — Apache-2.0.

yjoonjang/splade-ko-v1 — корейский разреженный энкодер SPLADE, дообученный автором на базе skt/A.X-Encoder-base с помощью Sentence Transformers. Модель преобразует предложения и абзацы в разреженные векторы размерности 50 000; сходство между ними оценивается скалярным произведением. В основе архитектуры — ModernBERT с маскированным языковым моделированием и SPLADE-пулингом. В метаданных указаны 148,7 млн параметров и контекст до 16 384 токенов, тогда как README задаёт максимальную длину последовательности 8 192 токена. Модель предназначена для семантического поиска и разреженного поиска документов на корейском языке. В README приведены оценки на корейских наборах поиска, включая Ko-StrategyQA, AutoRAGRetrieval и MIRACLRetrieval. Модель распространяется по лицензии Apache-2.0. Она выдаёт разреженные векторы и не генерирует ответы; заявленные характеристики поиска относятся к указанным в карточке тестам.

Карточка модели refactai/starcoderbase-1b на Hugging Face совпадает с карточкой bigcode/starcoderbase-1b, поэтому описание составлено по ней. StarCoderBase-1B — авторегрессионная языковая модель для генерации программного кода, разработанная проектом BigCode. Это версия семейства StarCoderBase с 1 млрд параметров, основанная на архитектуре GPT-2 с Multi-Query Attention. Модель обучалась на корпусе The Stack v1.2, содержащем код более чем на 80 языках программирования, с целью Fill-in-the-Middle на 1 трлн токенов. Контекстное окно составляет 8192 токена. Модель предназначена для продолжения кода по заданному фрагменту и заполнения пропусков между частями кода. Она не является моделью, настроенной на выполнение инструкций: запросы на естественном языке вроде просьбы написать функцию могут работать хуже, чем подсказки с контекстом кода. Генерации могут содержать ошибки, быть неэффективными или уязвимыми. Код может дословно воспроизводить фрагменты из обучающих данных, поэтому следует проверять его происхождение и соблюдать применимые условия лицензии. Лицензия модели — BigCode OpenRAIL-M.

Это англоязычная Sentence Transformer модель на базе thomaskim1130/stella_en_1.5B_v5-FinanceRAG, дообученная для финансового поиска и задач RAG. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и преобразует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. Модель предназначена для семантического поиска по финансовым текстам, поиска похожих фрагментов и сопоставления запросов с документами. Также её можно применять для сравнения предложений, кластеризации и классификации текста. В карточке указана максимальная длина последовательности 512 токенов; метаданные каталога указывают базовый контекст 131072 токена, но в описании Sentence Transformers ограничение модели составляет 512 токенов. Данных о лицензии в предоставленных источниках нет.

NVIDIA Streaming Conformer-Hybrid Large — англоязычная модель распознавания речи, разработанная NVIDIA и обученная с помощью инструментария NeMo. Она предназначена для потоковой транскрибации и поддерживает несколько настроек задержки: от 0 до 1040 мс. В карточке указано, что семейство использует cache-aware FastConformer-Hybrid примерно на 114 млн параметров и обучено на больших наборах английской речи. Модель сочетает декодеры Transducer и CTC и принимает монофонический звук в формате WAV с частотой 16 кГц, выдавая распознанную речь в виде текста. Её можно использовать для транскрибации в реальном времени, а также дообучать на других наборах данных с помощью NeMo. Лицензия — CC BY 4.0. Качество может снижаться на технической лексике, разговорных формах и акцентированной речи, особенно если такие варианты недостаточно представлены в обучающих данных.

NVIDIA FastConformer-Hybrid Large (ka) — модель распознавания речи на грузинском языке, разработанная NVIDIA и предназначенная для использования с инструментарием NeMo. Она преобразует монофонические аудиозаписи WAV с частотой 16 кГц в текст на грузинском письме; результат включает пробелы и знаки препинания: точки, запятые и вопросительные знаки. Модель построена на архитектуре FastConformer и содержит около 115 млн параметров. Это гибридный чекпойнт, обученный с функциями потерь Transducer и CTC, поэтому распознавание доступно в обоих режимах. Для обучения использовали около 163 часов грузинской речи из Mozilla Common Voice 17.0 и Google Fleurs. В README приведены значения WER 5,73% на тесте Common Voice и 13,44% на тесте Fleurs при жадном декодировании Transducer. Модель подходит для транскрибации грузинской речи и может служить предобученной основой для дообучения на других данных. Качество может снижаться на технической лексике, разговорных вариантах речи и акцентированной речи. Лицензия — CC BY 4.0.

Это модель классификации изображений семейства Swin Transformer, опубликованная авторами статьи Swin Transformer и доступная через библиотеку timm. Модель предварительно обучена на ImageNet-22k; в карточке указаны 109,3 млн параметров и размер входного изображения 384 × 384 пикселя. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она принимает изображения и выдаёт текстовые метки классов; опубликованные веса сохранены в форматах PyTorch и Safetensors. Лицензия — MIT.

SwinV2 Small Window8 256 — модель классификации изображений и извлечения визуальных признаков из семейства Swin Transformer V2. Её разработали авторы работы Swin Transformer V2 и предварительно обучили на ImageNet-1k. В модели около 49,7 млн параметров; она рассчитана на изображения размером 256 × 256 пикселей и требует 11,6 GMACs на обработку изображения. Модель подходит для классификации изображений по категориям, извлечения карт признаков и получения визуальных эмбеддингов. Её можно использовать как визуальную основу в системах компьютерного зрения и как начальную точку для дообучения на специализированных наборах данных. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — MIT.

SynCSE-partial-RoBERTa-large — языковая модель для извлечения признаков, опубликованная SJTU-LIT и распространённая HKUST-NLP. Она основана на архитектуре RoBERTa и предназначена для получения векторных представлений текста, которые можно использовать в последующих NLP-задачах. В метаданных указано около 454,1 млн параметров, поддержка английского языка и контекст до 514 токенов. В README говорится об обучении на 26,2 тыс. синтетических примеров и о возможных стереотипных и вредоносных смещениях в предсказаниях. Карточка содержит противоречивые указания на родительскую модель: в тексте названа «RoBERTa-largbe», а пример загрузки использует SynCSE-partial-RoBERTa-base, поэтому точную базовую модель установить нельзя. Лицензия в предоставленных данных не указана.

Terminus-Qwen3-8b — дообученная OrionLLM модель на базе Qwen/Qwen3-8B, разработанная для агентных задач в терминале. Она предназначена для рассуждений в командной строке, программной инженерии и работы с инструментами в средах вроде Codex и OpenCode. Модель с плотной архитектурой Qwen3 содержит 7,6 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для обучения использован набор данных OrionLLM/OpenAgentInstruct. В README приведены результаты на Terminal-Bench 2.0 и SWE-Bench Verified, однако условия и воспроизводимость этих оценок не описаны. Модель распространяется по лицензии Apache-2.0.

timm/tf_efficientnet_b2.in1k — сверточная модель EfficientNet-B2 для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на ImageNet-1k в TensorFlow, затем Ross Wightman перенёс веса в PyTorch; модель распространяется через библиотеку timm. Модель содержит около 9,1 млн параметров, требует изображение размером 260 × 260 пикселей и может использоваться как классификатор, основа для извлечения карт признаков или получения эмбеддингов изображений. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Модель предназначена для задач компьютерного зрения общего назначения. Она не обрабатывает естественный язык и обучена на классах ImageNet-1k, поэтому может хуже работать на изображениях и категориях, отличающихся от обучающих данных.

tf_efficientnet_b4.ns_jft_in1k — сверточная модель EfficientNet-B4 для классификации изображений и извлечения визуальных признаков. Исходную модель обучили авторы статей на ImageNet-1k и неразмеченных данных JFT-300M методом полуобучения Noisy Student; Ross Wightman перенёс её веса в PyTorch. Модель распространяется через timm и доступна в форматах PyTorch и safetensors. Модель содержит около 19,3 млн параметров, требует изображение размером 380 × 380 пикселей и имеет вычислительную сложность около 4,5 GMACs. Её можно использовать для предсказания классов ImageNet-1k, получения карт признаков и визуальных эмбеддингов. Карточка не описывает поддержку текстового ввода или генерацию изображений. Лицензия — Apache-2.0.

TIMPS-Coder-7B — созданная разработчиком sandeeprdy1729 модель для генерации программного кода. Она дообучена на Qwen2.5-Coder-7B-Instruct в три этапа: SFT, GRPO и DPO. Модель имеет плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; для запуска в карточке приведён пример с Transformers и шаблоном чата. Модель предназначена для генерации кода по запросам на естественном языке и других сценариев программирования. В README приведены результаты HumanEval и MBPP, однако показатели MBPP заметно расходятся с указанными для базовой модели, поэтому результаты бенчмарков следует проверять самостоятельно. Модель распространяется под лицензией Apache-2.0.

ToolACE-8B — языковая модель, разработанная командой Team-ACE и дообученная на LLaMA 3.1 8B Instruct с использованием набора данных ToolACE. Она предназначена для диалогов с вызовом инструментов и функций: модель получает запрос пользователя и описания доступных функций, затем формирует ответ с вызовом подходящей функции. В карточке также заявлены сильные результаты на Berkeley Function-Calling Leaderboard (BFCL), сопоставимые с новейшими моделями GPT-4. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров; указанная длина контекста — 131 072 токена. Поддерживаемый язык в метаданных — английский. Веса доступны в формате safetensors, лицензия — Apache-2.0. Модель подходит для создания чат-агентов, которым нужно выбирать инструменты и передавать им структурированные аргументы; качество вызовов зависит от корректности описаний функций и интеграции со стороны приложения.

Trinity-33B-v1.0 — языковая модель общего назначения для генерации кода от WhiteRabbitNeo. В карточке заявлен результат 70 баллов на HumanEval. По метаданным это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 33,1 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 16 384 токена. Модель предназначена прежде всего для генерации кода и помощи в задачах программирования. Лицензия в метаданных обозначена как other; README содержит условия использования, отказ от гарантий и требование к пользователю нести ответственность за результаты применения модели. Карточка не уточняет поддерживаемые языки программирования и ограничения качества за пределами заявленного результата HumanEval.

laion/tt-x4_temperature-t0p7-45-30B — экспериментальный чекпойнт модели, созданный в рамках гиперпараметрического перебора TaskTrove. Он получен дообучением Qwen/Qwen3-Coder-30B-A3B-Instruct методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; контроль кампании применял shaping по pass_ratio. В метаданных указана архитектура Qwen3 MoE для генерации текста, поддержка чата, 2,6 млрд параметров и контекст до 262 144 токенов. Модель ориентирована на генерацию кода и работу с многофайловыми задачами; README описывает выбор шага 45 как лучшего сохранённого чекпойнта по скользящей EMA награды. Обучение остановили на шаге 66 из 80 из-за роста энтропии политики; шаг 45 предшествует этому ухудшению, но результат обучения не достиг полного горизонта. Данных о языках, кроме английского в карточке, недостаточно для вывода о более широкой языковой поддержке. Лицензия — Apache-2.0.