II.10Разработка и эксплуатация AI/ML-систем

Это версия GPT-J 6B, подготовленная Intel и преобразованная в формат ONNX с посттренировочной статической квантизацией INT8 с помощью Neural Compressor. Модель основана на трансформере GPT-J, обученном с использованием Mesh Transformer JAX; число параметров базовой модели — 6 млрд. Она предназначена для генерации текста и инференса, а для специализированных задач обычно требует дообучения. Модель принимает текст и генерирует продолжение. Карточка сообщает о поддержке английского языка и контексте до 2048 токенов. В приведённом тесте на LAMBADA точность INT8-версии составляет 0,7944 против 0,7954 у FP32-версии; размер указан как 6 ГБ против 23 ГБ. Лицензия — Apache-2.0. Карточка предостерегает от использования для намеренного создания враждебной или отчуждающей среды.

Granite 3.1 8B Instruct - Intrinsics LoRA v0.1 — адаптер LoRA от IBM Research для языковой модели ibm-granite/granite-3.1-8b-instruct. Он сохраняет её возможности и добавляет три режима: оценку уверенности в ответе, проверку поддержки ответа документами и бинарное выявление небезопасных запросов. Режимы вызываются через специальные роли в шаблоне чата и возвращают короткую оценку: целое число от 0 до 9, Y или N. Модель относится к семейству Granite, имеет плотную архитектуру GraniteForCausalLM и содержит 8,2 млрд параметров; базовая модель поддерживает контекст до 131 072 токенов. Адаптер предназначен для сценариев с текстовыми вопросами, ответами и документами, включая проверку ответов в RAG-системах. Карточка указывает английский язык. Лицензия — Apache 2.0. Это экспериментальная версия для тестирования новых возможностей Granite; разработчик не рекомендует использовать её в реальных развертываниях. Оценка уверенности не гарантирует точность для конкретного ответа, а выявление галлюцинаций и небезопасных запросов основано на бинарной классификации и может ошибаться.

grug-ettin-68m-meetingbank — модель-классификатор токенов для сжатия текстовых промптов: она предсказывает, какие токены сохранить, а какие отбросить. Модель разработана Akshay Ballal и обучена с помощью grug на данных microsoft/MeetingBank-LLMCompressed; её архитектура — ModernBERT, размер — 68,1 млн параметров, максимальный контекст — 7 999 токенов. Модель предназначена для сокращения промптов перед передачей языковой модели, например, чтобы уменьшить объём текста при сохранении важных сведений. В примере README сжатие выполняется с заданным коэффициентом сохранения 0,4. Это англоязычная модель на базе jhu-clsp/ettin-encoder-68m. Для обучения использован корпус с лицензией CC-BY-NC-SA-4.0; модель наследует ограничение на некоммерческое использование.

HardCoReNAS — компактная модель классификации изображений, обученная авторами статьи на ImageNet-1k с их «green» рецептом. Она также подходит как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 5,3 млн параметров, требует около 0,2 GMACs на изображение и рассчитана на входной размер 224 × 224 пикселя. Её можно применять для классификации изображений и получения признакового представления в PyTorch через библиотеку timm. Модель предназначена для изображений общего назначения. Доступна по лицензии Apache-2.0; карточка не описывает отдельные ограничения качества или области применения.

Карточка модели kyutai/helium-1-2b-pop на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

HerBERT-base-cased — польскоязычная языковая модель на архитектуре BERT, разработанная командой машинного обучения Allegro совместно с группой лингвистической инженерии Института компьютерных наук Польской академии наук. Модель содержит 151,6 млн параметров и обучена на польских текстовых корпусах с помощью masked language modeling и Sentence Structural Objective, с динамическим маскированием целых слов. Для токенизации используется символьный BPE-токенизатор с словарём из 50 тысяч токенов; длина контекста — 514 токенов. Модель предназначена для извлечения признаков из польского текста и может служить представлением текста для последующих задач обработки естественного языка. Доступны версии весов для PyTorch, TensorFlow и Flax. Модель опубликована по лицензии CC BY 4.0, требующей указания авторства.

HerBERT-large-cased — польскоязычная языковая модель на архитектуре BERT, разработанная исследовательской командой Allegro совместно с группой лингвистической инженерии Института компьютерных наук Польской академии наук. Модель обучена на польских текстовых корпусах с помощью masked language modeling и Sentence Structural Objective, с динамическим маскированием целых слов. Для токенизации используется символьный Byte-Pair Encoding с размером словаря 50 тыс. токенов. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в NLP-системах для польского языка. В репозитории заявлены веса PyTorch, TensorFlow и Flax; число параметров составляет около 453,9 млн, а длина контекста — 514 токенов. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

HGNet-V2 B1 — сверточная модель классификации изображений из семейства High Performance GPU Net. Её обучили авторы семейства на данных ImageNet-22k с дистилляцией SSLD, затем дообучили на ImageNet-1k. Модель содержит 6,3 млн параметров и доступна в форматах PyTorch и Safetensors; карточка указывает размер изображения 224 × 224 для обучения и 288 × 288 для тестирования. Модель предназначена для классификации изображений по категориям ImageNet и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она рассчитана на обработку изображений, а выдаёт предсказания классов или признаки для дальнейших задач компьютерного зрения. Лицензия — Apache-2.0.

HGNet-V2 B2 — сверточная модель для классификации изображений и извлечения визуальных признаков из библиотеки timm. Авторы обучали её на данных ImageNet-22k с дистилляцией SSLD, а затем дообучили на ImageNet-1k. Модель содержит 11,2 млн параметров и требует около 1,1 GMAC на изображение. Для обучения указано разрешение 224 × 224 пикселя, для тестирования — 288 × 288. Модель подходит для отнесения изображений к классам ImageNet, извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт оценки классов либо визуальные признаки. В репозитории доступны веса PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не описывает ограничения за пределами оценки на ImageNet, поэтому качество на других наборах данных не установлено.

Hiera Tiny 224 MAE — модель компьютерного зрения из семейства Hiera, опубликованная авторами архитектуры и доступная через библиотеку timm. Это иерархический Vision Transformer с 27,1 млн параметров, предварительно обученный на ImageNet-1k методом Self-Supervised Masked Autoencoder (MAE). Модель рассчитана на изображения размером 224 × 224 и может использоваться для классификации изображений, извлечения карт признаков и получения векторных представлений. Модель подходит как готовый визуальный backbone для экспериментов и прикладных систем распознавания объектов по изображениям, а также для построения признаков в последующих задачах компьютерного зрения. В карточке указаны вычислительная сложность 4,7 GMACs и 14,6 млн активаций. Доступны веса в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Модель предварительно обучена на ImageNet-1k; её качество на других наборах данных и типах изображений может отличаться.

HRNet-W40 — модель классификации изображений и извлечения визуальных признаков, созданная авторами работы «Deep High-Resolution Representation Learning for Visual Recognition» и обученная на ImageNet-1k. Она содержит около 57,6 млн параметров и рассчитана на изображения размером 224 × 224 пикселя; модель доступна в форматах PyTorch и safetensors и поддерживается библиотекой timm. Модель предназначена для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Архитектура HRNet поддерживает высокое пространственное разрешение представлений на разных этапах обработки, что полезно как для классификации, так и для использования в качестве визуального backbone в других системах компьютерного зрения. Лицензия — MIT. Модель обучена на ImageNet-1k, поэтому её классы и характеристики отражают этот набор данных; для иных предметных областей может потребоваться адаптация. В карточке не приведены сведения о мультиязычных функциях или обработке текста, аудио и видео.

Репозиторий ENOT-AutoDL содержит ускоренные версии ResNet-50, ViT-B/32 и MobileNetV2 для классификации изображений ImageNet-1k. Модели основаны на архитектурах Torchvision и подготовлены с использованием фреймворка ENOT-AutoDL; в метаданных указан формат ONNX и лицензия Apache-2.0. Карточка сравнивает вычислительную стоимость и точность вариантов с разной степенью ускорения. Например, ResNet-50 с ускорением примерно в 2 раза показывает точность 75,48% против 76,14% у базовой версии, а MobileNetV2 с ускорением примерно в 2,1 раза — 69,90% против 71,88%. Репозиторий предназначен для оценки компромисса между скоростью инференса и точностью на ImageNet-1k. Модель принимает изображения и выдаёт классы изображений. Показатели приведены для ImageNet-1k; другие датасеты и языковые возможности не заявлены.

InceptionNeXt Atto SAIL IN1K — сверточная модель классификации изображений из семейства InceptionNeXt, обученная авторами статьи на ImageNet-1k. Она предназначена для классификации изображений и может использоваться как базовая сеть для извлечения карт признаков и визуальных эмбеддингов. Модель содержит 4,2 млн параметров, имеет вычислительную сложность 0,5 GMACs и рассчитана на изображения размером 224 × 224. Она доступна через библиотеку timm; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Inception-v4 tf_in1k — модель компьютерного зрения для классификации изображений и извлечения признаков. Она предоставлена авторами проекта timm; веса обучены на ImageNet-1k и перенесены из TensorFlow через pretrained-models.pytorch от Cadene. Модель содержит около 42,7 млн параметров и рассчитана на изображения размером 299 × 299 пикселей. Модель подходит для присвоения изображениям классов ImageNet-1k, получения карт признаков и формирования эмбеддингов изображений, например для последующего использования в прикладных системах компьютерного зрения. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает измерений качества и не описывает ограничения за пределами указанного набора классов и размера входного изображения.

Zhangdanyang/Kimi_K25_eagle3_v2_phase1_Lumen — черновая модель Eagle3 MTP для ускорения инференса Kimi-K2.5, обученная LumenRL на 8 ускорителях AMD MI350. Её архитектура согласована с lightseekorg/kimi-k2.5-eagle3: однослойный Transformer с размером скрытого слоя 7168, промежуточным размером 12288, 64 головами и размерностью головы 128. Модель предназначена для speculative decoding в связке с Kimi-K2.5: она предлагает черновые токены, которые основная модель проверяет, чтобы ускорить генерацию. В описании обучения указаны данные для визуально-языковых задач, китайского языка, вызова инструментов, агентных сценариев и письма. Репозиторий содержит веса safetensors и основан на дообучении moonshotai/Kimi-K2.5. Лицензия — MIT.

LeViT Conv 128 — модель компьютерного зрения для классификации изображений и извлечения признаков, опубликованная авторами библиотеки timm. Она основана на архитектуре LeViT и обучена на ImageNet-1k с дистилляцией от авторов оригинальной работы. Модель содержит около 9,2 млн параметров, рассчитана на изображения размером 224 × 224 и требует около 0,4 GMAC на изображение. Репозиторий содержит веса PyTorch и safetensors. Модель подходит для присвоения изображению метки из набора классов ImageNet-1k, получения эмбеддингов изображений и извлечения карт признаков. Лицензия — Apache-2.0. Карточка не описывает поддержку иных наборов классов или языков; качество классификации вне ImageNet-1k зависит от данных и сценария применения.

LFM2.5-350M-Base — предварительно обученная текстовая модель Liquid AI из семейства гибридных архитектур LFM2. Она предназначена для последующего дообучения, в том числе для создания языковых и предметных ассистентов, адаптации к собственным данным и экспериментов с новыми методами постобучения. Модель рассчитана на локальное развертывание на устройствах и содержит около 444,6 млн параметров по метаданным Hugging Face; в карточке указано 350 млн параметров. Архитектура — плотная причинная языковая модель Lfm2ForCausalLM: 16 слоёв, включая блоки LIV-свёрток и GQA. Контекстное окно по метаданным составляет 128 000 токенов; карточка README указывает 32 768 токенов. Модель принимает текст и генерирует текст. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский. Это базовый чекпойнт, а не готовая инструкционная модель: для диалогового применения и выполнения прикладных задач его следует дообучить. README рекомендует его для интенсивного дообучения на специализированных или собственных данных. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

Lite-Oute-1-300M — базовая компактная языковая модель от OuteAI на архитектуре Mistral с плотной причинной языковой моделью примерно на 270,2 млн параметров. Она обучена на 30 млрд токенов и имеет контекст длиной 4096 токенов. Модель предназначена прежде всего как отправная точка для дообучения под специализированные задачи. Её можно использовать для генерации текста и адаптировать к прикладным сценариям; карточка также перечисляет отдельную версию Instruct. В метаданных указаны библиотека Transformers и формат весов Safetensors. Модель выпущена по лицензии Apache-2.0. Карточка не приводит сведений о поддерживаемых естественных языках и предостерегает, что разработчик не гарантирует точность или пригодность модели для конкретной цели.

Это конвертированная в Core ML версия диалоговой модели Meta Llama 2 7B Chat, подготовленная авторами репозитория enterprise-explorers. Модель предназначена для генерации текста в формате диалога и может использоваться для оценки и тестирования на платформах, поддерживающих Core ML. Веса преобразованы в формате float16, а длина последовательности фиксирована на 64 токенах. Модель основана на архитектуре LlamaForCausalLM; исходная модель — meta-llama/Llama-2-7b-chat-hf. Условия лицензии и допустимого использования наследуются от оригинальной модели Meta Llama 2; README направляет к её карточке за подробностями.

Это компактная черновая языковая модель FastDraft, разработанная Intel Labs для ускорения вывода Meta-Llama-3.1-8B-Instruct методом спекулятивного декодирования. Модель предварительно обучена и дообучена на синтетических данных, сгенерированных целевой моделью, чтобы предлагать черновые продолжения для проверки основной моделью. Репозиторий содержит вариант Llama-3.1-8B-Instruct-FastDraft-150M в формате OpenVINO IR с весами, сжатыми до INT8 методом NNCF. Архитектура — плотная LlamaForCausalLM; метаданные указывают 88,5 млн параметров и контекст до 8192 токенов. Предназначена для использования вместе с целевой Llama-3.1-8B-Instruct через OpenVINO GenAI; сама по себе не заменяет основную модель и не предназначена для самостоятельного диалога. Совместимость заявлена с OpenVINO 2024.5 и новее и Optimum Intel 1.20.0 и новее. В README не перечислены поддерживаемые естественные языки. Модель распространяется по Intel Research Use License Agreement; условия лицензии следует учитывать при внедрении.

MagicAssessor-7B — мультимодальная модель зрения и языка, разработанная для детальной оценки дефектов изображений, созданных системами преобразования текста в изображение. Она входит в состав фреймворка MagicMirror для систематической оценки воспринимаемого качества и выявления анатомических и структурных ошибок. Модель представлена в исследовательской работе MagicMirror: A Large-Scale Dataset and Benchmark for Fine-Grained Artifacts Assessment in Text-to-Image Generation. Это дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct модель семейства Qwen2.5-VL с 7,1 млрд параметров. Она принимает изображения и текст и выдаёт текстовую оценку; максимальный контекст — 128 000 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия — MIT.

MaxViT Large TF 512 IN1K — модель классификации изображений семейства MaxViT, перенесённая Ross Wightman из официальной реализации TensorFlow в PyTorch и распространяемая в библиотеке timm. Исходные веса обучены авторами статьи на ImageNet-1k. Архитектура сочетает блоки MBConv и два вида self-attention: оконное и сеточное; модель также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Модель содержит около 212,3 млн параметров и рассчитана на изображения размером 512 × 512 пикселей. Она подходит для отнесения изображений к категориям ImageNet-1k и получения визуальных представлений для последующих задач компьютерного зрения. Репозиторий предоставляет веса PyTorch и SafeTensors; лицензия — Apache-2.0.

FreedomIntelligence/medical_o1_verifier_3B — медицинская модель-верификатор от FreedomIntelligence, предназначенная для оценки корректности ответов языковых моделей на проверяемые медицинские задачи. Она помогает отбирать или оценивать ответы, чтобы поддерживать улучшение медицинских рассуждений других моделей. Модель дообучена на базе meta-llama/Llama-3.2-3B-Instruct и содержит 3,2 млрд параметров. Это плотная архитектура Llama для классификации последовательностей; основная задача в каталоге — text-classification. Модель принимает текст и выдаёт оценку или класс корректности ответа. Указаны английский и китайский языки, контекстное окно составляет 131072 токена. Модель предназначена для автоматизированной проверки ответов на медицинские вопросы, а не для самостоятельной диагностики или принятия клинических решений. Доступна по лицензии Apache-2.0.

NVIDIA NeMo Mel Codec 22khz — модель нейронного аудиокодека от NVIDIA для сжатия мел-спектрограмм в квантованное представление и восстановления аудио. Она может использоваться как вокодер в системах синтеза речи и как предварительно обученный чекпойнт для инференса или дообучения в NeMo. Модель принимает монофоническую речь в WAV с частотой 22,05 кГц и восстанавливает аудио того же формата. Архитектура включает энкодер на остаточной сети, восемь кодовых книг с FSQ-квантованием и декодер HiFi-GAN. Частота кадров составляет 86,1 Гц, битрейт — 6,9 кбит/с. Обучение проводилось на 28,7 тыс. часов речевых данных на 105 языках. Кодек рассчитан прежде всего на полночастотную речь 22,05 кГц. Качество может снижаться для речи с меньшей полосой, в том числе для аудио 16 кГц, повышенного до 22,05 кГц; модель не обучалась и не оценивалась на неречевых звуках. Лицензия в метаданных указана как other.

Mellum2-12B-A2.5B-Base — базовая предобученная языковая модель с длинным контекстом, разработанная JetBrains. Она предназначена для дальнейшего дообучения, выравнивания и адаптации к предметной области; для готового следования инструкциям и рассуждений разработчик рекомендует варианты Instruct или Thinking. Модель использует архитектуру Mixture-of-Experts с 64 экспертами, из которых активируются 8 на каждый токен, и сочетает слои скользящего окна внимания с полным вниманием. Контекст — до 131 072 токенов; модель принимает текст и генерирует текст. В README указаны 28 слоёв, размер скрытого состояния 2304 и точность bfloat16. Этот вариант получен из Mellum2-12B-A2.5B-Base-Pretrain дополнительным этапом расширения контекста на основе YaRN, изменяющим частоты RoPE только в слоях с глобальным вниманием. Модель распространяется по лицензии Apache-2.0. Это базовый чекпойнт для продолжения обучения, а не готовый ассистент; его следует использовать через генерацию продолжения текста, а не как чат-модель. Приведённые в карточке результаты оценки указаны JetBrains и являются самоотчётными.

voidful/mhubert-base — чекпойнт на архитектуре HuBERT, созданный конвертацией модели из проекта Textless S2ST с использованием реальных данных. В репозитории указано применение для извлечения признаков; модель содержит 113,3 млн параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для получения признаковых представлений аудио, в том числе как компонента систем преобразования речи в речь. README содержит примеры использования и оценки, но не уточняет поддерживаемые языки, длину контекста или результаты этих оценок. Лицензия в предоставленных данных не указана.

NVIDIA MiniMax-M3 DSpark — черновая модель для спекулятивного декодирования DSpark, предназначенная для ускорения вывода MiniMax-M3. В карточке указана архитектура Transformers и сетевое имя MiniMaxM3SparseForConditionalGeneration; метаданные каталога классифицируют архитектуру как плотную Qwen3DSparkModel. README описывает базовую MiniMax-M3 как мультимодальную MoE-модель с 428 млрд параметров, из которых активируются 23 млрд, а метаданные этой модели указывают 3,2 млрд параметров. Эти оценки расходятся, поэтому размер самого чекпойнта по имеющимся данным определить однозначно нельзя. Модель рассчитана на серверный вывод через vLLM с режимом DSpark speculative decoding: параллельный черновой блок предлагает токены, а дополнительные головы помогают учитывать зависимости между ними и оценивать уверенность. Сценарии применения включают мультимодальных агентов, помощников по программированию, длинный контекст и анализ текста, изображений и видео; заявленная длина контекста — до 1 048 576 токенов. В README вход и выход описаны как текст, хотя модель предназначена для рабочих процессов понимания изображений и видео базовой MiniMax-M3. Модель предназначена для работы на GPU NVIDIA Blackwell под Linux с vLLM. README заявляет готовность к коммерческому и некоммерческому использованию, но также указывает NVIDIA Open Model License и MiniMax Community License; условия следует сверять с обеими лицензиями. Возможны токсичные, предвзятые, неточные, неполные или избыточные ответы; карточка не описывает мер по снижению предвзятости.

nvidia/mit-b1 — энкодер SegFormer размера B1, выпущенный командой NVIDIA и представленный в статье SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers. Модель содержит иерархический Transformer-энкодер, предварительно обученный на ImageNet-1k; в репозитории доступны веса PyTorch и TensorFlow. Энкодер предназначен прежде всего для дообучения на задачах семантической сегментации. В карточке также приведён сценарий классификации изображений по 1000 классам ImageNet. Для готовой сегментации требуется добавить декодирующую голову и дообучить модель на целевом наборе данных. Лицензия указана как other, без уточнения условий в предоставленных данных.

Это мультиязычная модель EuroEval для классификации токенов, предназначенная для обнаружения фрагментов галлюцинаций в ответах на вопросы с использованием RAG. Название модели указывает на обучение на синтетических примерах для MultiWikiQA и RAGTruth; карточки родственных языковых вариантов описывают семейство классификаторов галлюцинаций на уровне токенов. Модель основана на архитектуре ModernBERT, содержит около 140,5 млн параметров и имеет контекстное окно 8192 токена. Вход — текст ответа и связанный с ним контекст; выход — метки токенов. Карточка не сообщает лицензию и языки конкретного варианта с суффиксом hr, поэтому эти сведения здесь не утверждаются. Поиск подтверждает назначение семейства, а метаданные — архитектуру, размер и задачу.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-hu — модель на базе Transformers для классификации токенов. По идентификатору модель относится к семейству mmBERT и предназначена для сценариев, связанных с выявлением синтетических галлюцинаций в ответах на вопросы по Википедии с использованием RAGTruth; суффикс hu указывает на венгерский вариант набора или эксперимента. Модель содержит около 140,5 млн параметров, использует архитектурное семейство ModernBERT и поддерживает контекст до 8192 токенов. Основной режим работы — token classification, поэтому модель предназначена для маркировки отдельных токенов или фрагментов последовательности, а не для генерации готовых ответов. Для работы используется библиотека Transformers и формат Safetensors. README не содержит сведений о разработчике, лицензии, процедуре обучения, метриках или результатах оценки. Перед применением в продуктивных системах необходима проверка на целевом языке и сценарии RAG, а также уточнение интерпретации меток классификации.