II.2Создание и понимание программного кода

kompress-v2-base — модель-экстрактор для сжатия запросов и результатов инструментов перед передачей большой языковой модели. Её разработал chopratejas на основе ModernBERT-base: к энкодеру добавлены LoRA-адаптер и две классификационные головы, которые оценивают важность каждого токена. Модель оставляет выбранные токены в исходном порядке, поэтому результат представляет собой подпоследовательность входного текста, а не его перефразирование или генерацию. Модель обучена на 126 617 размеченных примерах из разных источников, включая диалоги, код, трассы агентов, научные, медицинские, финансовые и государственные тексты. Контекст — до 8 192 токенов. Основной артефакт для интеграции — ONNX-модель с квантизацией int8 для запуска на CPU; также доступна версия fp32. В тестах при стандартном пороге 0,5 удалялось около 13% субсловных токенов, F1 составлял 0,920, а полнота сохранения важных фрагментов — 0,989. Модель предназначена для сокращения длинного контекста в LLM-прокси, в частности при обработке длинных ответов инструментов. Она не генерирует текст и не восстанавливает удалённое содержимое; более высокий порог усиливает сжатие, но может повысить риск потери нужных деталей. Распространяется по лицензии Apache 2.0, разрешающей коммерческое использование.

KONI-7B-R-20250831-i1-GGUF — это квантизированная версия языковой модели KONI-7B-R-20250831, разработанной организацией KISTI. Распространяется в формате GGUF и предназначена для генерации текста, включая локальный запуск с использованием совместимых инструментов. Модель ориентирована на корейский и английский языки; заявленный размер базовой модели — 7 миллиардов параметров. Архитектура и размер контекстного окна в представленном README не указаны, модальности ограничены текстом. Набор включает варианты квантизации от IQ1 до Q6, различающиеся размером, скоростью и качеством. В README отмечены предпочтительные варианты i1-Q4_K_M как быстрые и рекомендуемые, а также i1-Q4_K_S как оптимальные по соотношению размера, скорости и качества; наиболее низкие уровни квантизации могут заметно снижать качество. Квантизация выполнена mradermacher с использованием weighted/imatrix quantization. Модель распространяется по лицензии Apache-2.0.

L3-8B-Everything-COT-GGUF — это набор квантизированных файлов модели L3-8B-Everything-COT, опубликованный и подготовленный пользователем bartowski на основе оригинальной модели FPHam. Модель относится к семейству Llama 3 и предназначена для генерации текста, включая диалоговые сценарии и задачи, где полезно пошаговое рассуждение. Файлы представлены в формате GGUF для запуска через llama.cpp. Размер базовой модели — 8 миллиардов параметров, однако README не указывает точные архитектурные характеристики, поддерживаемые языки, длину контекста и исходные данные обучения. Доступны варианты квантизации от Q8_0 и Q8_0_L до Q2_K и IQ2_M; размер файлов составляет примерно от 2,94 до 9,52 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Рекомендуемыми названы многие варианты Q4–Q6, в частности Q6_K и Q5_K_M. Ключевые преимущества — возможность локального запуска, широкий выбор компромисса между качеством и потреблением памяти, а также применение imatrix-квантизации. Экспериментальные варианты используют F16 для эмбеддингов и выходных весов и могут отличаться по качеству. Для работы требуется совместимое ПО, например llama.cpp, и использование указанного шаблона prompt. Лицензия модели в README не указана.

LexGPT-V2.5 — языковая модель общего назначения от автора lex-hue, предназначенная для генерации текста и экспериментов с разработкой ИИ. Она построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате Safetensors, лицензия — MIT. Модель предназначена для генерации ответов, учебных экспериментов, STEM-сценариев и ролевых диалогов. В README приводится оценка MT-Bench 7,920530 в среднем и отмечается, что модель находилась в активной разработке. Язык модели в предоставленных данных не установлен. Автор предупреждает о возможности предвзятых, оскорбительных или вредоносных ответов и характеризует модель как в значительной степени нецензурируемую. Для практического применения следует проверять результаты и предусматривать меры безопасности.

Это модифицированная версия инструкционной языковой модели LiquidAI LFM2.5-1.2B-Instruct, созданная alpharomercoma методом directional ablation: из остаточного потока удалено направление, связанное с отказами, а веса подобраны с поиском компромисса между снижением отказов и близостью к исходной модели. Параметры объединены в обычные веса Lfm2ForCausalLM; архитектура плотная, размер по метаданным — 1,5 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для диалога и генерации текста по инструкциям. Сохранены шаблон чата и токены вызова инструментов базовой модели. Репозиторий содержит веса Safetensors для Transformers, а не скомпилированную сборку ExecuTorch; её можно использовать для локального запуска через Transformers или самостоятельно квантовать. Удаление защитного обучения означает, что модель может отвечать на запросы, от которых базовая версия отказывалась. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и у базовой модели. В README отмечены ограничения отозванной сборки ExecuTorch, но указано, что веса в этом репозитории ими не затронуты.

LGRC-7B-slerp — объединённая языковая модель на архитектуре Mistral, созданная Louis Grc с помощью LazyMergekit. Модель объединяет mistralai/Mistral-7B-v0.1 и mlabonne/AlphaMonarch-7B методом SLERP; в репозитории представлены веса SafeTensors в формате bfloat16. Размер составляет 7,1 млрд параметров, заявленный контекст — до 32 768 токенов. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется продолжение или создание текста по текстовому запросу. Лицензия в предоставленных данных не указана.

Fischerboot/ll3-test-5 — разговорная языковая модель, созданная слиянием предобученных моделей с помощью mergekit и метода SLERP. В конфигурации указана Fischerboot/ll3-test-4; метаданные также связывают её с этой моделью как с базой для дообучения, поэтому происхождение представленного чекпойнта описывается как слияние с использованием этой базы. Модель построена на архитектуре Llama, имеет около 6,2 млрд параметров и контекстное окно 8192 токена. Она принимает текст и генерирует текст; в метаданных заявлена возможность диалогового использования. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не сообщает поддерживаемые естественные языки и лицензию. Поэтому языки и условия лицензирования здесь не уточняются; перед применением следует проверить лицензию базовой модели и совместимость условий слияния.

Это преобразованные веса Meta Llama 2 13B Chat, опубликованные daryl149 в формате Hugging Face для использования с Transformers и PyTorch. Модель на архитектуре Llama представляет собой плотную авторегрессионную языковую модель с 12,9 млрд параметров и контекстом до 2048 токенов. Чат-версия предназначена для генерации текста в диалогах и ответов на запросы. Её можно использовать для создания чат-ботов, составления черновиков и ответов на вопросы на основе предоставленного контекста. README описывает конверсию весов, а не отдельное дообучение. Модель работает с текстом и выдаёт текст. Она распространяется по лицензии Llama 2 Community License от Meta с условиями использования и распространения, включая требования к атрибуции и соблюдению Acceptable Use Policy.

NousResearch/Llama-2-70b-chat-hf — версия чат-модели Llama 2, разработанной Meta и опубликованной NousResearch в формате Transformers для Hugging Face. Это авторегрессионная плотная трансформерная модель с 68,7 млрд параметров, настроенная на диалог с помощью контролируемого дообучения и обучения с подкреплением на основе отзывов людей. Версия 70B использует Grouped-Query Attention; длина контекста — 4096 токенов. Модель принимает текст и генерирует текст. Она предназначена для диалоговых сценариев на английском языке: ответов на вопросы, работы в роли помощника и генерации текста. Модель статична, обучалась на данных с отсечкой знаний до сентября 2022 года, хотя часть данных дообучения датирована позднее. Для использования весов требуется принять пользовательскую коммерческую лицензию Meta; применяются её условия и ограничения. Ответы могут быть неточными, предвзятыми или нежелательными, а оценка модели проводилась преимущественно на английском языке и не охватывает все сценарии. Перед внедрением следует проверять безопасность и качество в целевом приложении. Модель не предназначена по условиям карточки для использования на языках, отличных от английского.

Jongbin-kr выпустил экспериментальный чекпойнт Llama 3.1 8B Instruct, преобразованный в разреженную MoE-модель. Каждый MLP-блок декодера разделён на четыре изначально одинаковых эксперта, а маршрутизатор без отбрасывания токенов выбирает двух экспертов для каждого токена. Модель содержит 7,5 млрд параметров и предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель основана на meta-llama/Llama-3.1-8B-Instruct, использует архитектуру UpcycledLlamaForCausalLM и формат safetensors. Заявленная длина контекста — 131 072 токена. README указывает, что для загрузки через Transformers требуется trust_remote_code=True. Сведения о лицензии и поддерживаемых языках этой производной модели в предоставленных данных отсутствуют.

Elio2151 дообучил модель на основе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом формате; также заявлен интерфейс для вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно до 131 072 токенов. Модель можно использовать для диалоговых приложений, генерации текста и сценариев с вызовом инструментов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Карточка не описывает обучающие данные, специализацию дообучения или результаты оценки качества.

Llama-3-8B-Instruct-Gradient-4194k-GGUF — это версия модели Llama-3-8B-Instruct-Gradient-4194k в формате GGUF, конвертированная с помощью llama.cpp через сервис GGUF-my-repo. Конкретный автор конвертации — leafspark; исходная модель разработана Gradient AI. Модель предназначена для генерации текста и диалоговых сценариев, а запускать её можно с помощью llama.cpp. Это текстовая instruct-модель на базе архитектуры Llama 3 с размером 8 млрд параметров. README указывает английский язык и не сообщает о поддержке других языков или мультимодальности. Доступны варианты с разной степенью квантования — от F16 размером 14,9 ГБ до Q2_K размером 2,95 ГБ; рекомендуются Q6_K и Q4_K_M как варианты, сочетающие качество и экономию памяти. Заявленное контекстное окно составляет 4194k, однако в квантованных версиях его настройка описана как проблемная и требует параметров RoPE. Сильными сторонами являются широкий выбор квантованных вариантов и возможность локального запуска, включая версии Q4 и выше с заявленным хорошим качеством. Ограничения включают возможные проблемы с форматом prompt, необходимость использовать формат Llama 3, а также появление в выводе токенов EOS, например </s>. Модель распространяется по лицензии llama3; условия исходной модели следует уточнять в её оригинальной карточке.

mlx-community/LongCat-Flash-Chat-bf16 — версия LongCat-Flash-Chat, подготовленная сообществом mlx-community для запуска в формате MLX. Исходную модель разработала Meituan; метаданные указывают на дообучение базовой модели для диалогового применения. Репозиторий содержит веса в формате safetensors и рассчитан на библиотеку MLX. Модель предназначена для генерации текста и ведения диалогов. Её размер составляет 17,7 млрд параметров, длина контекста — до 131 072 токенов. Лицензия — MIT. README описывает конверсию с помощью mlx-lm, но не приводит сведения о языковом охвате или конкретных ограничениях качества.

Карточка модели PS4Research/LUHANADJolTctKlt на Hugging Face совпадает с карточкой PS4Research/mbazkhYJvXJIVctL, поэтому описание составлено по ней. PS4Research/mbazkhYJvXJIVctL — дообученная плотная языковая модель семейства Seed OSS на архитектуре SeedOssForCausalLM, основанная на ByteDance-Seed/Seed-OSS-36B-Instruct. Разработчик — PS4Research; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 31,7 млрд параметров и поддерживает контекст до 524 288 токенов. Модель предназначена для диалогов, генерации текста и работы с инструментами через интерфейс вызова инструментов. Карточка не описывает специальную предметную область или отличия дообучения от базовой модели. Модель принимает и выдаёт текст, основной язык в карточке — английский. Распространяется в формате safetensors по лицензии Apache-2.0. Ограничения, связанные с качеством ответов или конкретными сценариями применения, в карточке не описаны.

M7Multiverseex26-7B — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная Maxime Labonne автоматическим слиянием моделей через mergekit. В конфигурации указаны liminerity/M7-7b и allknowingroger/MultiverseEx26-7B-slerp; применён метод dare_ties, а результат сохранён в формате safetensors с точностью bfloat16. Модель предназначена для генерации текста и может использоваться в диалоговых приложениях и для создания текстовых ответов. Максимальная длина контекста — 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.

M7Yamshadowexperiment28_YamExperiment26 — объединённая языковая модель на архитектуре Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/YamExperiment26-7B. Она предназначена для генерации текста. Модель содержит 7,1 млрд параметров, принимает текстовый ввод и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

madwind-wizard-7B — объединение предварительно обученных языковых моделей, созданное grimjim с помощью mergekit и метода SLERP. Модель основана на Mistral 7B v0.2 и объединяет её 32K-контекст с возможностями Zephyr Beta и WizardLM 2; веса представлены в формате safetensors с точностью bfloat16. Размер модели — 7,1 млрд параметров, архитектура — плотная MistralForCausalLM, длина контекста — до 32 768 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на запросы и других задач генерации на основе текстового ввода. Карточка предупреждает, что модель может генерировать проблемный текст из-за унаследованного поведения Zephyr Beta. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Marcoro14-7B-slerp_v2 — слитая модель Mistral для генерации текста. Её создал автор oz1115 с помощью mergekit, объединив OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B методом SLERP; в конфигурации базовой моделью указана OpenPipe/mistral-ft-optimized-1218. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста на входе текстовых запросов. В репозитории указаны веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. В предоставленных материалах не описаны конкретные языки или специализированные области применения.

MegaHyperLlama3.1 — объединённая плотная языковая модель семейства Llama, созданная с помощью mergekit методом TIES на основе unsloth/Meta-Llama-3.1-8B и моделей bunnycore/HyperLlama-3.1-8B и bunnycore/HyperLLama3.1-Mix-8B. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; поддерживает контекст до 131 072 токенов. Модель подходит для диалоговых приложений и генерации текста с длинным контекстом. Карточка не приводит сведения о поддерживаемых языках, специальных областях применения или результатах оценки качества. Весовые файлы доступны в формате safetensors; лицензия в предоставленных данных не указана.

MeliodasPercival_01_Experiment26T3q — объединённая языковая модель семейства Mistral, созданная MaziyarPanahi на основе automerger/MeliodasPercival_01-7B и automerger/Experiment26T3q-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст для генерации продолжений и диалоговых ответов с контекстом до 32 768 токенов. Модель подходит для генерации текста и диалогов общего назначения. В репозитории указана лицензия Apache-2.0. README не сообщает о специальной предметной настройке или оценке качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.

Meta-Llama-3-8B-Instruct-abliterated-v3-IMat-GGUF — это GGUF-квантизованная версия модели failspy/Meta-Llama-3-8B-Instruct-abliterated-v3, подготовленная пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимые инструменты, такие как llama.cpp. В основе лежит модель размером 8 миллиардов параметров с исходным форматом BF16 и архитектурой семейства Meta Llama 3. Репозиторий содержит варианты с точностью от 1 до 16 бит, включая BF16, FP16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Для ряда вариантов применена IMatrix-квантизация, призванная лучше сохранять качество при уменьшении размера модели. Доступны файлы размером примерно от 3,18 до 16,07 ГБ; точные поддерживаемые языки и размер контекстного окна в README не указаны. Сильные стороны модели — выбор разных уровней квантизации, возможность локального запуска и снижение требований к памяти по сравнению с полноразмерными вариантами. При этом более агрессивная квантизация может приводить к снижению качества, а конкретные характеристики зависят от выбранного файла. Модель распространяется по лицензии Llama 3; условия использования следует уточнять в тексте этой лицензии.

MFANN-Llama3.1-Abliterated-SLERP-V4 — текстовая диалоговая модель, созданная netcat420 слиянием методом SLERP через mergekit моделей mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated и netcat420/MFANNv0.24. Она предназначена для генерации ответов в чате; README также описывает экспериментальный режим SATANN для задач кибербезопасности. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Метаданные указывают контекст до 131 072 токенов, тогда как README рекомендует длину контекста и генерации 8 192 токена. Доступны веса в формате safetensors, лицензия — Apache-2.0. Показатели на Open LLM Leaderboard приведены для отдельных тестов, но сами по себе не гарантируют качество в прикладных задачах.

MFANNv0.20.10 — объединённая текстовая модель семейства Llama, созданная netcat420 с помощью mergekit. В качестве основы использована mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated; в слияние также вошли netcat420/MFANNv0.19 и netcat420/MFANNv0.20. Применён метод DARE TIES с точностью bfloat16. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста по запросу: она может формулировать ответы и продолжать текст в сценариях разговорного ассистента. Базовая модель описана как версия Llama 3.1 8B Instruct с ослабленными ограничениями на ответы. Модель опубликована в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

MiniMax-M2.5-MLX-6bit — это 6-битно квантованная версия языковой модели MiniMax-M2.5, разработанной MiniMaxAI. Квантование выполнено командой LM Studio с использованием MLX и предназначено для запуска на компьютерах Apple Silicon. Модель относится к задачам генерации текста и совместима с библиотекой Transformers. В README не указаны архитектура исходной модели, количество параметров, поддерживаемые языки, размер контекстного окна или сведения о мультимодальности, поэтому эти характеристики нельзя достоверно описать. Ключевая особенность данной версии — снижение точности представления весов до 6 бит для оптимизации локального запуска на Apple Silicon; это может уменьшать требования к памяти, но потенциально влияет на качество по сравнению с полной точностью. Модель распространяется по лицензии modified-MIT; подробные условия приведены в репозитории MiniMaxAI. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям. Модель может генерировать неточные, вредные или неподходящие результаты.

MiniMax-M2.5-MLX-8bit — это 8-битная квантованная версия языковой модели MiniMax-M2.5, разработанной компанией MiniMaxAI. Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на компьютерах Apple Silicon через MLX. Модель предназначена для генерации текста и других сценариев, поддерживаемых задачей text-generation, включая локальный запуск в совместимых средах. README не содержит подробностей о размере исходной модели, архитектуре, поддерживаемых языках, длине контекста или мультимодальных возможностях, поэтому эти характеристики нельзя достоверно указать. Ключевое преимущество модели — снижение требований к памяти по сравнению с полноразмерной версией благодаря 8-битному квантованию и оптимизации под Apple Silicon. Ограничения включают возможную потерю качества из-за квантования, зависимость от совместимого оборудования и программной среды, а также отсутствие в README сведений о результатах тестирования и производительности. Модель распространяется по лицензии modified-MIT; условия следует уточнять в указанном файле лицензии MiniMaxAI.

Moza-7B-v1.0 — экспериментальная языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная автором kidyu как слияние нескольких предварительно обученных и дообученных моделей с помощью mergekit и метода DARE TIES. Среди компонентов — варианты Mistral, NeuralHermes, OpenOrca, Neural Chat, Starling, Dolphin и MetaMath; базой слияния указана mistralai/Mistral-7B-v0.1. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев. Для инференса предлагается формат Alpaca. Контекст составляет 32 768 токенов; в репозитории есть веса safetensors и квантованный вариант GGUF. Карточка не описывает отдельную специализацию по языкам или областям применения. Лицензия — Apache-2.0. Автор предупреждает, что слияние выполнено экспериментально, а использовать модель следует на свой риск.

NeuralsirkrishnaShadow_Strangemerges_32Shadow — объединённая модель семейства Mistral от MaziyarPanahi, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/Strangemerges_32Shadow-7B. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста; контекст поддерживает до 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы в приложениях, которым нужна языковая модель общего назначения. Она распространяется в формате safetensors по лицензии Apache-2.0. Доступные сведения не описывают специальную настройку под отдельные языки или предметные области, а также не приводят оценок качества.

OLMo 2 7B — плотная авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Модель содержит 6,9 млрд параметров и обучена на 4 трлн токенов; базовое предобучение использует смеси OLMo-Mix-1124 и Dolmino-Mix-1124. Контекстное окно составляет 4096 токенов. Для этого чекпойнта карточка указывает английский язык и лицензию Apache 2.0. Модель предназначена для генерации продолжений текста и служит базой для последующей адаптации под конкретные задачи. Она показывает улучшения по ряду оценок относительно оригинальной OLMo 7B, включая рост результата MMLU на 9 пунктов. Это базовая языковая модель, а не специализированный диалоговый ассистент: её ответы могут содержать фактические ошибки, предвзятость или вредный контент, поэтому результаты следует проверять, а при развертывании — учитывать меры безопасности.

phigment-slerp — объединённая модель генерации текста, созданная с помощью mergekit из amu/dpo-phi2 и g-ronimo/phi-2-OpenHermes-2.5 методом slerp. В метаданных указана архитектура PhiForCausalLM семейства Phi, около 3,5 млрд параметров и контекст до 2048 токенов. Веса доступны в формате Safetensors; модель опубликована под лицензией Apache-2.0. Модель предназначена для генерации текста на основе текстового запроса. Карточка описывает способ объединения и исходные модели, но не приводит отдельных оценок качества или подробных сценариев применения; фактические результаты зависят от запроса и среды использования.

Pulpie Orange Base — encoder-модель, разработанная командой Pulpie для извлечения основного содержимого из HTML-страниц. Она классифицирует HTML-блоки как основной контент или служебные элементы, такие как навигация, реклама, боковые панели и футеры, за один проход; результат можно восстановить в HTML или преобразовать в Markdown через пакет pulpie. Модель содержит около 610 млн параметров и использует EuroBERT-610m с головой token classification. Контекст составляет до 8192 токенов; примерно 80% страниц в описанном конвейере помещаются в один фрагмент. В README приведён результат 0,863 ROUGE-5 F1 на английской части WebMainBench. Модель предназначена для очистки веб-страниц перед индексированием, поиском и построением RAG-систем. Распространяется по лицензии Apache-2.0.