II.1Анализ требований и архитектура ПО

Qwen3.8-27B-Uncensored-NVFP4-RTX5090 — это квантизированный вариант мультимодальной vision-language модели Qwen3.8-27B, разработанный на основе orcarouter/Qwen3.8-27B-Uncensored и опубликованный fleetml. Модель предназначена для задач image-text-to-text, локальных исследований, оценки моделей и разработки агентных систем. Поддерживаемые языки — английский и китайский. Модель использует архитектуру Qwen3_5ForConditionalGeneration, сохраняет vision-language возможности и 15 нативных MTP-тензоров. Квантование выполнено в формате ModelOpt NVFP4; размер целевой модели составляет около 20,59 ГБ. Максимальный архитектурный контекст заявлен на уровне 262 144 токенов, а проверенный профиль запуска поддерживает 122 880 токенов. Рекомендуемая конфигурация рассчитана на NVIDIA RTX 5090 с 32 ГБ видеопамяти и запуск через SGLang с парой DSpark для speculative decoding. К сильным сторонам относятся высокая скорость декодирования, поддержка длинного контекста и оптимизация под RTX 5090: в указанном тесте медианная скорость составила 217,73 токена в секунду, а медианное время до первого токена — 0,113 секунды. Эти показатели получены при ограниченной конфигурации тестирования и не включают обработку промпта; производительность и доступная ёмкость могут зависеть от версии runtime и состояния GPU. Использование ориентировано на локальный контролируемый запуск, а совместимость с другой аппаратурой и средами не подтверждена. Модель распространяется по лицензии Apache 2.0.

Qwen3-Coder-30B-A3B-Instruct-AWQ — квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанная сообществом dark-side-of-the-code. Модель предназначена прежде всего для генерации и редактирования программного кода, агентных сценариев с вызовом инструментов и других задач text generation. Указана поддержка английского языка и библиотеки Transformers. Это Mixture-of-Experts-модель с 128 экспертами, из которых для каждого токена активируются 8. Она использует внимание GQA и имеет 30B параметров при обозначении активной части как A3B. Данная версия сжата методом AWQ в формате W4A16 с 4-битными весами, размером группы 128 и занимает около 15,5 ГБ, что позволяет запускать её на одной видеокарте с 24 ГБ памяти. Базовая модель поддерживает контекст до 262K токенов, однако для 24 ГБ GPU практическим ограничением указано 64K токенов. Сильные стороны модели — эффективный запуск на потребительских GPU, корректная генерация кода, работа с tool calls через parser qwen3_coder в vLLM и пригодность для локальных агентных циклов чтения, редактирования и тестирования. Ограничения связаны с потерями и компромиссами квантизации, практическим ограничением контекста при запуске на 24 ГБ GPU и заявленной языковой поддержкой только английского. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-Next-GPTQ — это 4-битная GPTQ-квантизованная версия модели Qwen3-Coder-Next, разработанной Qwen и подготовленной пользователем 6block. Модель предназначена для генерации и обработки текста, прежде всего для задач программирования, и поддерживает английский и китайский языки. Она рассчитана на эффективное развертывание с помощью vLLM и SGLang. В основе лежит разреженная MoE-архитектура qwen3_next: 80 млрд параметров всего, около 3 млрд активных, 48 слоёв, 512 экспертов и маршрутизация top-10. Контекст составляет 256K токенов. Используется схема W4A16 с размером группы 128 и формат compressed-tensors на базе safetensors. Большинство весов, включая линейные слои экспертов и attention, квантизовано до 4 бит, тогда как маршрутизаторы MoE и lm_head сохранены в bf16. Размер модели составляет около 40 ГиБ, что позволяет запускать её на одной видеокарте объёмом 48 ГБ и, с параллелизмом или выгрузкой, на конфигурациях с 24 ГБ. Главное преимущество — существенное снижение требований к памяти при сохранении близкого к исходной модели поведения; по данным README, perplexity на wikitext-2-raw составляет 9,34 против 7,74 у эталонной bf16-версии. Ограничением является заметное ухудшение этого показателя относительно bf16, а также необходимость совместимого движка, поддерживающего compressed-tensors. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

inferencerlabs/Qwen3-Coder-Next-MLX-Q9 — это текстовая генеративная модель для задач программирования, основанная на Qwen/Qwen3-Coder-Next и адаптированная для запуска с использованием MLX. Репозиторий inferencerlabs предоставляет её в формате квантования q9, созданного модифицированной версией MLX. README не содержит точных сведений о разработчике базовой модели, размере, архитектуре, поддерживаемых языках и длине контекста. Модель предназначена для генерации текста и, прежде всего, для сценариев, связанных с написанием и обработкой кода. По приведённым результатам тестирования, на системе с M3 Ultra и 512 ГБ оперативной памяти она достигала примерно 68 токенов в секунду при одиночном запросе и 159 токенов в секунду суммарно при пакетной обработке шести запросов, используя около 83,5 ГиБ памяти. Ключевая особенность модели — высокоточное q9-квантование с заявленным близким к исходному качеством в тестах программирования. Для q9 указаны perplexity 1,21093, точность токенов 97,55% и показатель пропущенной дивергенции 10,50%; эти значения совпадают с приведёнными для q8.5 и немного уступают базовой модели. Ограничения включают высокие требования к памяти, зависимость производительности от оборудования и отсутствие в README сведений о лицензии. Условия использования базовой модели также необходимо уточнять отдельно.

Qwen3-Coder-Next.w4a16 — квантизированная версия языковой модели Qwen3-Coder-Next, разработанная Red Hat на базе модели Qwen/Qwen3-Coder-Next. Это авторегрессионная модель архитектуры Qwen3NextForCausalLM с текстовым вводом и текстовым выводом, предназначенная прежде всего для генерации и анализа кода, а также для развертывания в сценариях, поддерживающих вызов инструментов. Модель использует схему W4A16: веса линейных операторов в блоках Transformer представлены в формате INT4, а активации — FP16. Такая оптимизация сокращает число битов на параметр с 16 до 4 и приблизительно на 75% уменьшает требования к дисковому пространству и памяти GPU. README не содержит сведений о размере модели, поддерживаемых языках программирования и естественных языках, максимальной длине контекста или мультимодальных возможностях. Основное преимущество модели — существенное снижение требований к памяти при сохранении высокой эффективности на задачах программирования. В оценке SWE-Bench Lite она получила результат 48,67 против 49,33 у исходной Qwen3-Coder-Next, что соответствует восстановлению 98,6% исходного показателя. Ограничением является возможная небольшая потеря точности из-за квантизации, а также зависимость рекомендуемого развертывания от совместимой инфраструктуры, например vLLM и Tensor Parallel. Модель распространяется по лицензии Apache-2.0. Для квантизации использовалась библиотека llm-compressor и алгоритм GPTQ; в README приведён пример развертывания через vLLM с поддержкой автоматического выбора инструментов и парсера вызовов Qwen3 Coder.

furiosa-ai/Qwen3-Embedding-0.6B — текстовая модель эмбеддингов семейства Qwen3, опубликованная FuriosaAI вместе с пакетом Furiosa Executable Bundle для запуска на ускорителе RNGD через Furiosa-LLM. Модель основана на Qwen/Qwen3-Embedding-0.6B и дообучена для получения плотных векторных представлений текста. Её размер — 507,6 млн параметров, архитектура — плотный трансформер Qwen3, контекст — до 32 768 токенов. Модель предназначена для семантического поиска, извлечения релевантных документов и сопоставления сходства текстов. Поддерживает многоязычные сценарии и Matryoshka Representation Learning: размерность эмбеддингов можно уменьшать с помощью параметра dimensions. Принимает текст и возвращает векторы. Репозиторий предоставляет веса в safetensors и запуск через Furiosa-LLM; также README указывает совместимость с Sentence Transformers, vLLM и Transformers. Квантизация не применяется: указана точность BF16. Лицензия — Apache 2.0.

Qwen-Distilled-Scout-1.5B-Instruct-Gen2 — разработанная Yiqiao Yin (eagle0504) инструктивная языковая модель, дообученная для пошаговых рассуждений и генерации ответов в математике, text-to-SQL, медицинских задачах и программировании на Python. Это декодерная причинная модель семейства Qwen2 с 1,5 млрд параметров, доступная в формате Safetensors и предназначенная для запуска через Transformers. Метаданные указывают контекст до 131 072 токенов, тогда как README сообщает об ограничении входа в 1 024 токена с усечением более длинного текста. Модель подходит для учебных помощников по математике и программированию, генерации SQL-запросов, структурированных ответов и рассуждений по медицинским вопросам. Она ориентирована на английский язык и обучалась на наборах для text-to-SQL, математики, кода и медицинских рассуждений. Указанная лицензия — MIT.

Это модель Sentence-Transformers на базе MPNet, разработанная автором shrinivasbjoshi. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Модель содержит 136,7 млн параметров и принимает текст; для работы с ней используется библиотека sentence-transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять для семантического поиска по коллекциям текстов, группировки похожих высказываний и построения систем сравнения предложений. Окно контекста составляет 514 токенов. В README не указаны языки обучения или отдельная специализированная область применения; лицензия в предоставленных данных отсутствует.

Модель Sentence-Transformers на архитектуре XLM-RoBERTa преобразует предложения и абзацы в плотные векторы размерностью 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов; для получения эмбеддингов модель использует PyTorch и совместима с Sentence-Transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Архитектура XLM-RoBERTa предполагает многоязычную обработку текста, однако README и метаданные не уточняют поддерживаемые языки этой конкретной модели. Лицензия в предоставленных данных не указана.

robpasternak/retrieval-de-conloss — модель эмбеддингов предложений на базе XLM-RoBERTa, опубликованная на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель обучена с ContrastiveLoss на основе косинусного расстояния и доступна в формате PyTorch; заявленная длина контекста — 514 токенов. Модель подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. В README не указаны конкретные языки обучающих данных, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных сведениях не указана.

KasuleTrevor/Roberta-base-lug-QQ — модель Sentence Transformers, дообученная Trevor Kasule на FacebookAI/xlm-roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель предназначена для оценки семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa с mean pooling; максимальная длина последовательности — 512 токенов, размер базовой модели — 305,2 млн параметров. Обучение проводилось на 7 106 парах предложений с MultipleNegativesRankingLoss. Многоязычная основа XLM-RoBERTa позволяет обрабатывать тексты на нескольких языках, однако README не уточняет, на каких языках модель обучалась и проверялась специально. Для применения модель выдаёт эмбеддинги, а не готовые ответы; для поиска или сравнения их нужно использовать в последующем пайплайне. Лицензия в предоставленных данных не указана.

sobamchan/roberta-base-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на наборе all-nli на основе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Архитектура состоит из трансформера RoBERTa с усреднением токенных представлений; для сравнения векторов используется косинусное сходство. Максимальная длина входной последовательности — 512 токенов (514 токенов в метаданных). Модель обучалась с MatryoshkaLoss и MultipleNegativesRankingLoss на англоязычных данных all-nli. Модель подходит для получения векторных представлений текста и задач поиска или группировки похожих фраз. Она рассчитана на английский язык; качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

Maite89 разработала эту модель на базе RoBERTa с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась с функцией CosineSimilarityLoss и подходит для построения эмбеддингов и семантического поиска; метаданные указывают поддержку испанского языка. Число параметров — 454,1 млн, максимальный контекст — 514 токенов. Модель распространяется в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

sobamchan/roberta-large-no-mrl — англоязычная модель Sentence Transformer, дообученная разработчиком на базе FacebookAI/roberta-large на наборе all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура состоит из трансформера RoBERTa и среднего pooling по токенам. Модель использует косинусное сходство и предназначена для получения эмбеддингов и сравнения текстов. Максимальная длина входной последовательности — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста. В README приведены результаты на STS: Spearman cosine составляет 0,7649 на sts-dev и 0,7351 на sts-test. Модель рассчитана на английский язык; результаты и назначение для других языков не заявлены. Лицензия в предоставленных данных не указана.

ighina/RoBERTa_topseg_wikidisease_ARP — модель на базе архитектуры RoBERTa, опубликованная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling для получения вектора из контекстных представлений токенов. В карточке указано около 151,8 млн параметров и контекст длиной до 514 токенов. Модель подходит для построения семантического поиска, сопоставления текстов и группировки похожих предложений и абзацев. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.

Карточка модели Rohit129/rohit-setfit-model на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

Muennighoff/SBERT-base-nli-stsb-v2 — модель семейства Sentence-BERT на архитектуре BERT, представленная в контексте работы TSDAE о самообучении эмбеддингов предложений с помощью последовательного денойзинг-автоэнкодера. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости, в том числе в поиске и ранжировании по смыслу. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README не уточняет, была ли эта конкретная версия дообучена по TSDAE или каковы её языки.

Madras1/sbert-quality-filter-ptbr-v1 — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между текстами оценивается косинусной мерой. В README указана архитектура BERT с усреднением токеновых представлений и максимальная длина последовательности 128 токенов; метаданные указывают 124,3 млн параметров и контекст 512 токенов. Модель предназначена для семантического сравнения текстов и может применяться для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Название репозитория указывает на фильтрацию качества для бразильского португальского, но README не уточняет, как именно это реализовано; явные сведения о языке обучения отсутствуют. Для работы подходит библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

omniamnaeem/semantic_sim_ner_with_ContrastiveLoss — модель на основе BERT, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для сравнения семантической близости, кластеризации и семантического поиска. Контекст модели ограничен 512 токенами, размер — 12,4 млн параметров. В README указано обучение с косинусной функцией потерь и отступом 0,5. Модель принимает текст и выдаёт векторные представления, которые можно использовать для поиска похожих фрагментов и группировки текстов. Лицензия в предоставленных данных не указана.

Модель hunkim/sentence-transformers-klue-bert-base на базе BERT предназначена для преобразования предложений и абзацев в плотные векторы размерности 768. Она разработана для Sentence-Transformers и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 137,8 млн параметров и поддерживает контекст длиной до 512 токенов. Модель можно использовать через библиотеку Sentence-Transformers или через Transformers с подходящей операцией pooling для получения векторов из контекстных представлений токенов. Веса доступны в формате PyTorch. Карточка описывает обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

Etelis/Sentiment140_fewshot — модель на базе MPNet в формате PyTorch, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. В карточке указано обучение с CosineSimilarityLoss; модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Она содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель можно использовать с библиотекой Sentence-Transformers или через Transformers с подходящей операцией pooling. Она выдаёт текстовые эмбеддинги, которые подходят для поиска похожих предложений и группировки текстов по смыслу. Название указывает на Sentiment140 и few-shot, однако README не уточняет языки, конкретную схему обучения или результаты оценки. Лицензия в предоставленных данных не указана.

mitra-mir/setfit_model_Ireland_binary_label1_epochs2 — модель на базе MPNet, разработанная mitra-mir для преобразования предложений и абзацев в плотные векторы размерности 768. Она рассчитана на поиск семантически близких текстов и кластеризацию; также может использоваться для сравнения сходства предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих предложений и построения эмбеддингов для последующей обработки. В карточке указано обучение с CosineSimilarityLoss; сведений о языковой специализации и лицензии в предоставленных данных нет.

scaperex/SetFitTest — модель на архитектуре MPNet, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения текстов по сходству. В метаданных указаны 136,7 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт эмбеддинги. В карточке указано обучение с CosineSimilarityLoss. Модель можно применять для поиска семантически близких фрагментов и группировки текстов. Репозиторий содержит веса PyTorch. Сведения о лицензии и языковой специализации не приведены в использованных источниках.

SFR-Embedding-2_R — модель эмбеддингов текста, разработанная Salesforce Research. Она предназначена для получения векторных представлений текста и задач сравнения предложений, включая поиск и оценку семантической близости. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана поддержка английского языка и формата safetensors; модель доступна для использования через Transformers и Sentence Transformers. Разработчики представляют её в поддержку академической статьи и рекомендуют перед применением оценивать точность, безопасность и справедливость для конкретного сценария, особенно в задачах с высокими последствиями. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Muennighoff/SGPT-125M-mean-nli-linear5 — модель для получения векторных представлений предложений на основе GPT-Neo. Она содержит 137,7 млн параметров и принимает текстовые входы; максимальная длина контекста — 2048 токенов. По карточке модель обучалась с помощью MultipleNegativesRankingLoss на косинусном сходстве, что делает её подходящей для сравнения смысловой близости предложений и поиска похожих текстов. Модель можно применять для семантического поиска, ранжирования кандидатов по релевантности и группировки похожих фраз. В README приведены ссылки на код и результаты оценки, но конкретные показатели качества не указаны. Данных о лицензии в предоставленных источниках нет.

Muennighoff/SGPT-1.3B-mean-nli — модель преобразования предложений в эмбеддинги на основе GPT-Neo, представленная в виде sentence-transformers. Она обучалась с MultipleNegativesRankingLoss на косинусном сходстве, что позволяет использовать её для поиска семантически близких предложений и сравнения текстов. Модель содержит 1,5 млрд параметров и принимает последовательности длиной до 2048 токенов. Модель предназначена для получения векторных представлений предложений, семантического поиска и задач сопоставления текста. README отсылает за инструкциями по применению и результатами оценки к коду проекта и статье; лицензия в доступных данных не указана.

SLX-v0.1 — модель BRAHMAI Research для преобразования предложений и коротких абзацев в плотные векторы размерностью 384, отражающие их смысл. Она построена на архитектуре BERT и использует библиотеку Sentence-Transformers; число параметров — 25,9 млн, максимальный контекст по метаданным — 512 токенов. В README указано, что вход длиннее 256 word pieces по умолчанию обрезается. Модель предназначена для семантического поиска, извлечения информации, кластеризации и сравнения сходства предложений. Она дообучена контрастивным методом на основе nreimers/MiniLM-L6-H384-uncased, а затем адаптирована для англоязычных задач с использованием dunzhang/stella_en_400M_v5 и внутреннего набора данных. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

cafierom создал дообученную модель SentenceTransformer на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Модель рассчитана на семантическое сравнение текстов, поиск, поиск перефразировок, классификацию и кластеризацию. Модель использует текстовую архитектуру Gemma 3, содержит 302,8 млн параметров и распространяется в формате Safetensors. В метаданных указан контекст до 2048 токенов, а в README — максимальная длина последовательности 128 токенов; на практике ориентируйтесь на ограничение SentenceTransformer в карточке. Обучающие и оценочные примеры представлены парами текстов с метками, однако приведённые образцы выглядят как строки химических структур, поэтому качество на обычном естественном языке из этих данных не подтверждается. Лицензия в предоставленных сведениях не указана.

unclemusclez/SmolLM-135M-Instruct-DEVINator-v0.2 — дообученная модель на архитектуре Llama, созданная с помощью AutoTrain на наборе skratos115/opendevin_DataDevinator. Карточка указывает тип задачи Sentence Transformers; модель предназначена для получения представлений текста и сравнения сходства предложений. Метаданные также отмечают возможности генерации текста и чата. Модель содержит 134,5 млн параметров, использует контекст до 2048 токенов и распространяется в форматах safetensors и GGUF. Базовая модель — HuggingFaceTB/SmolLM-135M-Instruct. Данных о метриках проверки качества в README нет. Лицензия в предоставленных данных не указана.

SmolLM2-1.7B-Instruct-GGUF — компактная языковая модель для генерации текста и выполнения инструкций, разработанная HuggingFaceTB. Эта версия представляет собой GGUF-квантизацию оригинальной модели SmolLM2-1.7B-Instruct, подготовленную bartowski на основе llama.cpp. Модель предназначена для диалоговых сценариев, генерации текста и других задач обработки естественного языка, где важны умеренные требования к ресурсам. Она обучалась на наборе данных объёмом 11 триллионов токенов, поддерживает контекст до 8192 токенов и заявлена для английского языка. Размер модели — 1,7 миллиарда параметров. К сильным сторонам относятся компактность и формат GGUF, подходящий для использования с совместимыми инструментами экосистемы llama.cpp. Ограничениями являются меньший размер по сравнению с крупными языковыми моделями, заявленная поддержка только английского языка и возможные неточные, вредные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0.