II.10Разработка и эксплуатация AI/ML-систем

HanzoHuang/Qwen3.5-2B-RKLLM — аппаратно-специфичная конверсия мультимодальной vision-language модели Qwen3.5-2B, разработанной командой Qwen, для NPU-платформ Rockchip RK3576 и RK3588. Репозиторий содержит артефакты RKLLM для языковой модели и соответствующие энкодеры изображений RKNN, предназначенные для совместного использования в VLM-приложениях. Модель рассчитана на задачи, требующие обработки текста и изображений на устройствах Rockchip, включая развёртывание через RKLLM VLM runtime и Docker API. Для каждой целевой SoC-платформы необходимо использовать парные файлы из одной директории: языковую модель .rkllm и vision encoder .rknn. Доступны варианты квантизации W4A16 с group size 128 для RK3576, а также W8A8 для RK3576 и RK3588. Конверсия выполнена с использованием RKLLM Toolkit версии 1.3.0 и RKNN vision conversion. Сильной стороной модели является поддержка мультимодального вывода на специализированных NPU Rockchip и наличие вариантов, адаптированных под разные микросхемы. При этом это не checkpoint для Transformers, а аппаратно-зависимые артефакты; языковая модель и энкодер изображения несовместимы между платформами и должны использоваться строго согласованной парой. Необходимо отдельно проверять предварительную обработку изображений, потребление памяти и совместимость runtime на конкретном устройстве. Модель и конвертированные компоненты распространяются по лицензии Apache-2.0.

Это веса черновой модели Multi-Token Prediction (MTP), выделенные из Qwen/Qwen3.6-35B-A3B для ускорения генерации методом speculative decoding. Репозиторий mlx-community подготовлен для MLX и mlx-vlm; модель предлагает кандидаты токенов, которые затем проверяет совместимая целевая модель Qwen3.6-35B-A3B. Размер блока MTP — 2, точность — bf16, формат — safetensors. Модель предназначена только для совместного использования с целевым чекпойнтом Qwen3.6-35B-A3B в поддерживающем MTP рантайме mlx-vlm. Она не является самостоятельной чат-моделью и не рассчитана на обычный запуск через Transformers без целевой модели и соответствующей поддержки чернового декодирования. Применяются условия лицензии Apache-2.0 и ограничения базовой модели.

Qwen3Guard-Stream-8B в репозитории geoffmunn/Qwen3Guard-Stream-8B — пользовательская сборка Джоффа Манна на основе Qwen/Qwen3Guard-Stream-8B для потоковой модерации текста. Она оценивает незавершённый ввод по мере поступления и возвращает структурированный результат с оценкой безопасности, категориями риска, уверенностью и признаком частичного ввода. Среди упомянутых категорий — насилие, ненависть, сексуальный контент, самоповреждение, незаконные действия и спам. Модель предназначена для раннего выявления небезопасных запросов в приложениях, образовательных инструментах и системах фильтрации перед генерацией ответа. Репозиторий содержит GGUF-сборку и распространяется по лицензии Apache-2.0. Автор предупреждает, что эта конверсия не работает с llama.cpp; README противоречиво упоминает рабочий пример, поэтому работоспособность сборки и совместимый способ запуска по карточке установить нельзя.

Arm/qwen3-tts-0-6b-custom-voice-mix-precision — это оптимизированный вариант мультиязычной модели синтеза речи Qwen3-TTS-12Hz-0.6B-CustomVoice, разработанной командой Qwen компании Alibaba Cloud. Пакет подготовлен для развертывания на Arm CPU и унаследовал лицензию Apache-2.0 от исходной модели и проекта. Модель преобразует текст UTF-8 в потоковое аудио с частотой 24 кГц, используя выбранного предустановленного диктора; автоматический выбор языка также поддерживается. Пакет содержит артефакты в форматах GGUF, ONNX и LiteRT/TFLite и использует смешанные фреймворки: токенизацию Hugging Face, ONNX Runtime для эмбеддингов и llama.cpp/GGUF либо LiteRT/TFLite для основных компонентов синтеза. Talker, предсказатель кодов и трансформер декодера речи квантизированы в Q8_0, а постобработка декодера использует вычисления FP16. Поддерживаются китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки. Число активных групп предсказания кодов можно настраивать; пакетные значения по умолчанию используют 16 групп. К сильным сторонам относятся уменьшение размера примерно в 1,64 раза по сравнению с FP32-реализацией, отсутствие выявленного ухудшения разборчивости по WER, потоковый вывод и ускорение на заявленных устройствах. На одном ядре Arm CPU с SME2 коэффициент реального времени составляет 0,376 на MacBook Pro с M4 Pro и 0,836 на смартфоне Vivo X300, то есть синтез выполняется быстрее реального времени в обоих тестах. Ограничения включают зависимость производительности от конкретного оборудования и рантайма, использование только предустановленных голосов, отсутствие заявленных сведений о произвольном клонировании голоса и неопределенный контекстный размер. Движок инференса для данного пакета предоставляется через программу Compute Flow Early Access, доступ к которой предлагается запрашивать у Arm.

Yolo26 — семейство моделей обнаружения объектов, разработанное Ultralytics и экспортированное Software Mansion в программы ExecuTorch формата .pte для библиотеки React Native ExecuTorch. Модели предназначены для запуска непосредственно на мобильных устройствах и других поддерживаемых устройствах в приложениях компьютерного зрения, которым требуется находить объекты на изображениях. README не указывает поддерживаемые классы объектов и языки, поскольку модель работает с визуальными данными, а не с текстом. Доступны варианты размеров n, s, m, l и x, а также входных разрешений 384, 512 и 640. Для backend Core ML опубликованы версии с точностью fp16, для XNNPACK — с точностью fp32. Файлы подготовлены для ExecuTorch v1.4.1 и могут использоваться через task pipeline в React Native ExecuTorch либо в собственном runtime ExecuTorch. Сильной стороной является готовность к on-device inference и наличие нескольких вариантов, позволяющих выбирать компромисс между размером модели и вычислительными требованиями. Ограничения включают зависимость от совместимости с ExecuTorch v1.4.1: более старые версии runtime могут не загрузить модели; backend MLX экспортирован, но не опубликован. Репозиторий распространяется по лицензии AGPL-3.0.

RepGhostNet 200 — модель классификации изображений и извлечения визуальных признаков из семейства RepGhostNet, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению класса, извлечения карт признаков и получения визуальных эмбеддингов; заявленный размер входа — 224 × 224 пикселя. Модель содержит 9,8 млн параметров и требует около 0,5 GMAC на проход. Репозиторий предоставляет веса PyTorch в формате safetensors и распространяется по лицензии MIT. Это компактная визуальная модель общего назначения, обученная на ImageNet-1k; сведения о конкретной точности или поддержке иных наборов классов не приводятся.

RepVGG B2 — сверточная модель классификации изображений из семейства RepVGG, реализованная в библиотеке timm как вариант BYOBNet. Её обучили авторы статьи на ImageNet-1k; модель содержит около 89 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для классификации изображений по классам ImageNet-1k. Её также можно использовать как основу для извлечения карт признаков и эмбеддингов изображений в компьютерном зрении. Репозиторий содержит веса PyTorch и Safetensors, лицензия — MIT.

RepViT M1.0 distill 300e — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она разработана авторами статьи RepViT и обучена на ImageNet-1k с дистилляцией. Модель содержит 7,3 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность 1,1 GMAC. Модель предназначена для определения класса объекта на изображении, извлечения карт признаков и получения визуальных эмбеддингов. Компактный размер делает её подходящей в качестве мобильного бэкбона в системах компьютерного зрения. Репозиторий предоставляет веса PyTorch и Safetensors; лицензия — Apache-2.0.

ResNeSt-101e — модель классификации изображений на основе ResNet с механизмом Split Attention, опубликованная авторами статьи ResNeSt и представленная в библиотеке timm. Модель обучена на ImageNet-1k; в карточке указано 48,3 млн параметров, 13,4 GMAC и размер входного изображения 256 × 256. Модель предназначена для классификации изображений по категориям ImageNet-1k. Её также можно использовать как визуальный бэкбон для извлечения карт признаков и эмбеддингов изображений. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия репозитория — Apache-2.0. Модель принимает изображения и выдаёт классовые предсказания; при использовании функций извлечения признаков или эмбеддингов результатом служат векторные представления. Она обучена на ImageNet-1k, поэтому её качество и набор классов ориентированы на эту задачу и датасет.

ResNetRS-152 — сверточная модель классификации изображений из библиотеки timm, обученная авторами статьи на ImageNet-1k с использованием TensorFlow. В модели 86,6 млн параметров; она использует активации ReLU, начальную свёртку 7×7 с пулингом и проекции 1×1 в обходных соединениях. Для тестирования применяется размер изображения 320×320 пикселей. Модель предназначена для отнесения изображений к классам ImageNet-1k, а также может служить сверточной основой для извлечения карт признаков и эмбеддингов изображений. Репозиторий содержит веса PyTorch и SafeTensors. Лицензия — Apache-2.0. Классификатор обучен на ImageNet-1k, поэтому его классы и качество за пределами этого набора данных могут не соответствовать конкретной предметной области. Для других задач модель может потребовать адаптации.

ResNeXt-101 32x8d — модель классификации изображений и извлечения признаков из семейства ResNeXt, опубликованная командой timm. Она обучена на ImageNet-1k с рецептами обучения torchvision v2 и подходит для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов. Архитектура использует ReLU, начальную свёртку 7×7 с пулингом, групповые свёртки 3×3 в bottleneck-блоках и shortcut-соединения с проекцией 1×1. Модель содержит около 88,8 млн параметров; размер изображения при тестировании — 224×224 пикселя. Модель принимает изображения и выдаёт метки классов либо признаки изображения в зависимости от используемого интерфейса. Карточка указывает обучение на ImageNet-1k, но не описывает поддержку языков. Вес репозитория доступен в форматах PyTorch и safetensors. Лицензия — BSD 3-Clause.

haisongzhang/roberta-tiny-cased — компактная модель RoBERTa, опубликованная пользователем haisongzhang на Hugging Face. Карточка предлагает использовать её для извлечения признаков текста через Transformers; архитектура — плотная модель семейства BERT с классом BertModel, содержащая 31,6 млн параметров и поддерживающая контекст до 512 токенов. Модель преобразует входной текст в контекстные векторные представления, которые можно использовать как основу для последующих задач NLP. Карточка не описывает целевые датасеты или конкретную языковую специализацию, поэтому нельзя надёжно указать поддерживаемые языки. Лицензия в доступных источниках не установлена.

SakThai Plus 1.5B — созданная Nanthasit модель для вызова инструментов и функций в агентных сценариях. Она дообучена на базе Qwen/Qwen2.5-1.5B-Instruct на примерах структурированных вызовов, а адаптеры rsLoRA объединены в полные веса. Модель использует формат чата Qwen2.5 и может выдавать вызовы функций в JSON, когда системный промпт задаёт доступные инструменты. Модель содержит 1,5 млрд параметров, построена на архитектуре Qwen2 и имеет контекст до 32 768 токенов. README описывает применение через Transformers и llama.cpp, а также оптимизацию для инференса на CPU и потребительских GPU. Карточка сообщает о хорошем выборе инструментов и формировании JSON-аргументов в проверенных тестах, но результаты могут зависеть от сложности схемы и параметров вызова. Лицензия — Apache-2.0.

samvit_base_patch16.sa1b — визуальный backbone Segment Anything Vision Transformer, распространяемый в экосистеме timm. Модель содержит около 89,7 млн параметров и принимает изображения размером 1024 × 1024. Она предварительно обучена авторами Segment Anything на датасете SA-1B с инициализацией весами MAE; в репозитории представлены веса для извлечения признаков, без сегментационной головы. Модель предназначена для извлечения признаков и эмбеддингов изображений, а также для использования в качестве backbone при дообучении или построении систем компьютерного зрения. Метаданные указывают библиотеку timm, формат PyTorch/Safetensors и лицензию Apache-2.0. Для получения сегментационных масок потребуется отдельная голова или другая модель; сама карточка описывает этот чекпойнт как модель извлечения признаков.

timm/skresnet18.ra_in1k — сверточная модель классификации изображений семейства SKNet (Selective-Kernel ResNet), обученная Россом Уайтманом в библиотеке timm на ImageNet-1k с рецептом RA, вариантом B подхода ResNet Strikes Back. Модель содержит около 12 млн параметров, имеет вычислительную сложность 1,8 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Она предназначена для отнесения изображений к классам ImageNet-1k и может использоваться как сверточная основа для извлечения карт признаков и векторов изображений. Репозиторий предоставляет веса PyTorch и safetensors; лицензия — Apache-2.0.

Smart Turn v2 — открытая модель Pipecat AI для семантического определения конца реплики по аудиосигналу. Она анализирует необработанную форму волны и выдаёт вероятность того, что говорящий закончил высказывание; порог 0,5 обозначает завершённую реплику. Модель предназначена для голосовых агентов, систем транскрибации в реальном времени и анализа разговоров. Модель использует энкодер wav2vec2 с неглубоким линейным классификатором и содержит около 113,3 млн параметров по метаданным. Заявлена поддержка 14 языков: английского, французского, немецкого, испанского, португальского, китайского, японского, хинди, итальянского, корейского, нидерландского, польского, русского и турецкого. По данным README, обработка 8 секунд аудио занимает около 12 мс на NVIDIA L40S; приведённые показатели точности получены на синтетическом тестовом наборе и отдельном англоязычном наборе. Модель подходит для выбора момента ответа голосового агента, запуска синтеза речи после окончания пользовательской реплики и сегментации разговоров. Это специализированная модель определения конца хода, а не транскрибатор: она выдаёт вероятность, а не текст. Опубликована под лицензией BSD-2-Clause.

SpatialReward-8B — модель оценки вознаграждения для редактирования изображений по текстовым инструкциям, разработанная авторами SpatialReward. Она сравнивает исходное и отредактированное изображения с инструкцией, предсказывает области изменений в виде ограничивающих рамок и связывает оценку смысла с пространственными свидетельствами на изображении. Модель предназначена для автоматической оценки результатов редактирования и использования оценок как сигнала вознаграждения при обучении с подкреплением. Модель основана на Qwen/Qwen3-VL-8B-Instruct и дообучена на SpatialReward-Train; архитектура — плотная Qwen3-VL для генерации текста по текстовым и визуальным входам. Авторы сообщают о высокой точности на собственном бенчмарке MER-Bench и применении модели для стабилизации RL-обучения редактированию изображений. Лицензия — Apache-2.0.

SPEAR XLarge v2 — открытый энкодер SPEAR для обучения представлениям речи и общего аудио, разработанный авторами работы SPEAR и опубликованный как версия модели для статьи, принятой на ICML 2026. Это самонагружаемая модель с backbone Zipformer из 13 стеков и примерно 600 млн параметров. На вход подаются монофонические или пакетированные аудиосигналы с частотой 16 кГц; энкодер выдаёт покадровые представления размерностью 1280 примерно с частотой 50 Гц. Модель обучалась на неразмеченных данных: около 184 тысяч часов английской речи и 13 тысяч часов общего аудио. Версия v2 добавляет token mixing для повышения устойчивости к шуму, перекрывающейся речи и смешанным акустическим сценам. SPEAR предназначена как универсальный акустический энкодер для последующей настройки под распознавание речи, аудиотегирование и другие задачи понимания речи и звуков; сама предобученная модель не выдаёт транскрипции или метки без соответствующей downstream-модели или дообучения. Карточка сообщает о высоких результатах на SUPERB и HEAR, а также приводит результаты настройки на LibriSpeech и AudioSet. Модель распространяется по лицензии Apache-2.0.

NeuML SportsBERT Small Embeddings — компактная модель эмбеддингов, разработанная NeuML и дообученная с помощью Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и извлечения релевантных материалов в системах RAG. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Обучение включало дистилляцию эмбеддингов более крупной модели DenseOn на случайной выборке статей Википедии, размеченных как относящиеся к спорту. README сообщает о результатах на отдельном наборе для оценки поиска: модель превзошла all-MiniLM-L6-v2 сопоставимого размера, но немного уступила DenseOn. Небольшой размер позволяет использовать её в том числе на CPU. Модель рассчитана прежде всего на англоязычные тексты спортивной тематики; качество для других областей и языков не подтверждено приведёнными данными. Лицензия — Apache-2.0.

StarNet S3 in1k — модель классификации изображений и извлечения признаков из семейства StarNet, опубликованная авторами исследования и обученная на ImageNet-1k. Она содержит около 5,8 млн параметров, требует изображения размером 224 × 224 пикселя и имеет вычислительную сложность около 0,8 GMACs. Модель можно использовать для присвоения изображению класса, извлечения карт признаков и получения эмбеддингов изображений. Модель предназначена для задач компьютерного зрения общего назначения, в частности для классификации изображений по классам ImageNet-1k и использования в качестве визуального бэкбона. Репозиторий предоставляет веса в форматах PyTorch и Safetensors; для работы предусмотрена библиотека timm. Лицензия — Apache-2.0.

timm/swiftformer_s.dist_in1k — модель классификации изображений семейства SwiftFormer, обученная авторами статьи на ImageNet-1k. Она предназначена для присвоения изображению класса из набора ImageNet-1k, а также может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 6,1 млн параметров, требует около 1,0 GMAC на изображение и рассчитана на входной размер 224 × 224 пикселя. Реализация доступна для библиотеки timm; веса представлены в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Карточка не сообщает о поддержке других датасетов или языковых функций.

SwinV2 Small Window16 256 ms in1k — модель классификации изображений и извлечения признаков из семейства Swin Transformer V2. Опубликована авторами статьи и предоставлена в репозитории timm; предобучена на ImageNet-1k. Модель содержит 49,7 млн параметров и рассчитана на изображения размером 256 × 256 пикселей. Модель подходит для классификации изображений по категориям ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Она принимает изображения и выдаёт предсказания классов либо признаки для последующей обработки в компьютерном зрении. В карточке указаны вычислительная стоимость 12,8 GMACs и 66,3 млн активаций. Весовые файлы доступны в форматах PyTorch и safetensors. Лицензия — MIT. Модель обучалась на ImageNet-1k, поэтому её классификация ориентирована на категории и распределение данных этого набора; результаты на других типах изображений могут отличаться.

Synapse-Guard v1 — модель классификации текста, разработанная Comunidade Synapse BR для автоматической модерации сообщений на бразильском португальском языке. Она предназначена для чат-ботов, форумов, социальных сетей, систем комментариев и других сервисов, которым нужно выявлять потенциально неподходящий контент. Модель использует компактный BERT Encoder с WordPiece-токенизатором и содержит 6,7 млн параметров. Она присваивает текстам категории модерации, включая нейтральное содержание, спам и токсичные сообщения; в README также упоминается фильтрация контента для взрослых. Контекст модели — 256 токенов. Модель не генерирует текст. Synapse-Guard ориентирована на лёгкую и быструю интеграцию в системы модерации. Она может ошибаться при распознавании иронии, сарказма, неоднозначных или очень коротких сообщений, а также текста, смысл которого зависит от контекста; для критичных решений рекомендуется проверка человеком. Распространяется по лицензии Apache License 2.0.

Репозиторий содержит предварительно обученные на ImageNet веса EfficientNet-B1 из библиотеки timm. Модель разработана для классификации изображений и может использоваться как энкодер в segmentation-models-pytorch при построении моделей сегментации. Веса опубликованы в формате safetensors и распространяются с лицензией, указанной как other. Карточка не приводит размер модели, параметры обучения или ограничения применения; пригодность для конкретного проекта зависит от выбранной архитектуры сегментации и данных.

JeremiahZ/TinyBERT_4L_zh_backup — резервная копия официального репозитория модели Tiny BERT 4L zh, доступная для загрузки через Transformers как BertModel. Это компактная модель семейства BERT с 12,6 млн параметров, предназначенная для извлечения признаков из текста. Карточка связывает её с китайским языком; максимальная длина контекста составляет 512 токенов. Модель можно применять как основу для получения контекстных представлений китайского текста в задачах NLP. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия и конкретные результаты оценки в предоставленных данных не описаны.

tinynetc.in1k — компактная модель классификации изображений из семейства TinyNet, опубликованная авторами статьи и обученная на ImageNet-1k. Она также предназначена для использования в качестве визуального backbone: модель может извлекать карты признаков и эмбеддинги изображений. Модель содержит около 2,5 млн параметров, требует изображения размером 184 × 184 пикселя и имеет вычислительную сложность около 0,1 GMAC. Небольшой размер делает её подходящей для сценариев, где важны низкие вычислительные затраты; качество и классы классификации связаны с обучением на ImageNet-1k. Доступны веса PyTorch и SafeTensors, библиотека timm. Лицензия — Apache-2.0.

tinyvit_5m_224.dist_in22k_ft_in1k — компактная модель TinyViT для классификации изображений и извлечения визуальных признаков, распространяемая в экосистеме timm. Она содержит около 5,4 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предварительно обучена на ImageNet-22k с дистилляцией, затем дообучена авторами статьи на ImageNet-1k. Модель подходит для классификации изображений, получения карт признаков и визуальных эмбеддингов, в том числе как лёгкая основа для компьютерного зрения. В README приведены примеры работы с классификацией и признаками; метаданные указывают pipeline image-classification и библиотеку timm. Модель принимает изображения и выдаёт метки классов либо визуальные признаки в зависимости от сценария использования. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Это компактный вариант Vision Transformer, однако документация не приводит оценки качества или сведения о других разрешениях, поэтому применимость вне указанного размера изображения стоит проверять отдельно.

T-lite-instruct-0.1 — русскоязычная instruct-модель семейства Llama, разработанная для дальнейшего дообучения. Это плотная авторегрессионная языковая модель на 7,5 млрд параметров с контекстом до 8192 токенов; веса опубликованы в формате safetensors и обучены в bf16. Модель принимает текстовые инструкции и генерирует текстовые ответы в диалоговом формате. Обучение включало англоязычные наборы инструкций, их переводы с фильтрацией, синтетические контексты для ответов по источникам, а также supervised fine-tuning и обучение модели вознаграждения на предпочтениях. В README приведены результаты русскоязычных версий MT-Bench и Arena; они описывают оценивание, но не гарантируют качество в конкретном применении. Модель предназначена как основа для дальнейшей настройки, а не как готовый разговорный ассистент. В частности, README предупреждает о необходимости дополнительного обучения и контроля безопасности перед внедрением. Лицензия в предоставленных данных не указана.

Tulu V2.5 13B RM — англоязычная reward-модель Allen Institute for AI на архитектуре Llama 2 с 12,9 млрд параметров. Она дообучена на базе allenai/tulu-2-13b с использованием пар предпочтений StackExchange 60k и предназначена для оценки и ранжирования ответов в обучении с обратной связью от предпочтений, в частности для PPO. Контекст модели составляет 2048 токенов; веса опубликованы в формате Safetensors. Модель принимает текст и выдаёт оценку, полезную для сравнения ответов. Она рассчитана на исследовательские эксперименты с обучением помощников, а не на обычную генерацию ответов. Лицензия — Apache 2.0. Карточка сообщает об английском языке и рекомендует учитывать форматирование входа с переводом строки в конце.

ukr-detect/ukr-toxicity-classifier — дообученная командой ukr-detect модель XLM-RoBERTa для бинарной классификации токсичности украинских текстов. Она основана на FacebookAI/xlm-roberta-base и предназначена для определения, является ли текст токсичным; модель можно использовать в конвейере text-classification библиотеки Transformers. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. В README приведены результаты на тестовом наборе: F1, точность и полнота по 0,99. Модель обучена на полуавтоматически собранном датасете украинской токсичности. Модель распространяется по лицензии OpenRAIL++. Метрики из карточки относятся к указанному тестовому набору; качество на других данных может отличаться.