II.2Создание и понимание программного кода

jaspionjader/bbb-5 — слитая автором jaspionjader языковая модель семейства Llama для генерации текста и диалогов. Она создана методом Model Stock с помощью mergekit на основе jaspionjader/kstc-5-8b и объединяет веса jaspionjader/bbb-3, jaspionjader/bbb-4 и jaspionjader/kstc-4-8b. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM, файлы safetensors и формат bfloat16; заявленная длина контекста — до 131 072 токенов. Модель подходит для диалогового взаимодействия и генерации текста по запросу. В README и метаданных не указаны языки, специализированные области или подробные оценки качества. Лицензия в предоставленных данных не указана.

onnx-community/bert-small-pii-detection-ONNX — ONNX-версия модели gravitee-io/bert-small-pii-detection, разработанная сообществом onnx-community и автоматически конвертированная для использования с Transformers.js. Модель дообучена на базе prajjwal1/bert-small для задачи классификации токенов и обнаружения персональных и конфиденциальных данных в англоязычных текстах. Модель предназначена для выявления и последующего маскирования PII в журналах службы поддержки, тестовых и разработческих средах, API-трассировках, статьях, а также для подсказок в режиме реального времени при заполнении форм. Она распознаёт возраст, координаты, номера кредитных карт, даты и время, адреса электронной почты, финансовые данные, IBAN, IMEI, IP- и MAC-адреса, местоположения, организации, пароли, имена людей, телефоны, должности, URL и ряд американских идентификаторов. Ключевые преимущества — небольшой размер исходной BERT-модели, поддержка ONNX и удобное применение через Transformers.js, что подходит для сценариев с ограниченными ресурсами. По приведённой оценке micro F1 составляет 0,8460, macro F1 — 0,9178. Модель ориентирована преимущественно на английский язык, поэтому на других языках качество может снижаться; из-за возможного расхождения доменов необходима проверка на собственных данных. Распространяется по лицензии Apache-2.0.

big3-pt2 — текстовая авторегрессионная модель семейства Llama, созданная deltanym методом passthrough mergekit из слоёв deltanym/bigllama3.2-3b-to-7b. Модель содержит 9,5 млрд параметров и рассчитана на генерацию текста и диалоги; метаданные также отмечают интерфейс для вызова инструментов. Модель принимает текстовые запросы и выдаёт текст. Заявленная длина контекста — 131 072 токена. В репозитории используются веса safetensors; конфигурация слияния задаёт тип bfloat16. README не описывает специальную область применения или поддержку конкретных языков. Лицензия в предоставленных данных не указана.

Clarus-7B-v0.1 — языковая модель на архитектуре Qwen2, созданная методом SLERP merge из gz987/qwen2.5-7b-cabs-v0.3 и gz987/qwen2.5-7b-cabs-v0.4. Разработчик объединил предварительно обученные модели с помощью mergekit; число параметров составляет 7,1 млрд, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения на английском языке. Метаданные также отмечают интерфейс вызова инструментов. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но они не гарантируют качество на конкретных задачах. Модель распространяется по лицензии MIT.

Falcon3-3B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Falcon3-3B-Instruct, разработанной Technology Innovation Institute (TII) и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через llama.cpp и LM Studio. Для взаимодействия используется формат с ролями system, user и assistant. Модель имеет 3 млрд параметров, относится к текстовым моделям и поддерживает английский, французский, испанский и португальский языки. Доступны варианты от F16 до низкобитных Q2/Q3/Q4/Q5/Q6/Q8 и IQ-квантизаций; размеры файлов составляют примерно от 1,27 до 6,46 ГБ. Квантизация выполнена с использованием imatrix в llama.cpp, а README отдельно отмечает исправление токенизатора. Сильная сторона набора — возможность выбрать баланс между качеством, размером и требованиями к оперативной памяти; наиболее качественными и рекомендуемыми указаны варианты Q6_K_L, Q6_K, Q5_K и Q4_K. Низкобитные варианты экономичнее, но могут заметно терять качество. Сведения о длине контекста и детальной архитектуре в README не указаны. Модель распространяется по лицензии Falcon LLM License; условия доступны по ссылке, указанной в карточке.

lmstudio-community/gemma-4-31B-it-MLX-6bit — это 6-битная квантованная версия мультимодальной модели gemma-4-31B-it, разработанной Google. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач, связанных с обработкой текста и изображений, включая мультимодальный ввод и генерацию текста. Она может использоваться локально через совместимое программное обеспечение и особенно подходит для пользователей, которым важны запуск на Apple Silicon и снижение требований к памяти по сравнению с полной версией модели. Точный размер контекстного окна и перечень поддерживаемых языков в README не указаны. Ключевой особенностью является 6-битное квантование, обеспечивающее более компактное представление модели с потенциальным компромиссом в точности по сравнению с исходной версией. Ограничениями являются зависимость от совместимого стека MLX и оптимизации под Apple Silicon, а также возможные ошибки, неточности или неподходящие результаты, характерные для генеративных моделей. Модель распространяется по лицензии Apache 2.0.

GLM-5.1 — языковая модель семейства GLM, опубликованная сообществом mlx-community в формате для библиотеки MLX. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке; в метаданных указана архитектурная метка glm_moe_dsa и библиотека mlx. Модель содержит 30,4 млрд параметров и поддерживает контекст длиной до 202 752 токенов. Её можно использовать для продолжения текста, генерации ответов в диалоге и других сценариев text generation на совместимых системах Apple MLX. README не содержит сведений о лицензии, поэтому условия использования по предоставленным данным определить нельзя.

GRM-2.6-Air-Opus — компактная текстовая модель OrionLLM, дообученная на базе LiquidAI/LFM2.5-1.2B-Thinking на трассах рассуждений в стиле Claude Opus. Она предназначена для генерации ответов с более структурированным рассуждением и решения сложных задач при ограниченных ресурсах, включая локальное и встроенное развёртывание. Модель относится к семейству LFM2, использует плотную архитектуру Lfm2ForCausalLM и содержит около 1,5 млрд параметров; нативная длина контекста — 128 000 токенов. Поддерживается диалоговый режим. README сообщает об обновлении шаблона чата для совместимости с вызовом инструментов. Модель рассчитана на лёгкое развёртывание и предлагает компактный вариант рассуждающей модели. Заявления об улучшении решения сложных задач приведены разработчиком; численные результаты бенчмарков в доступной карточке отсутствуют. Информация о лицензии в предоставленных данных отсутствует.

ClaudioItaly/Intelligence-7 — объединённая плотная языковая модель семейства Qwen2, созданная с помощью mergekit методом SLERP из AIDC-AI/Marco-o1 и happzy2633/qwen2.5-7b-ins-v3. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в диалоговом формате; контекстное окно — до 32 768 токенов. Модель подходит для ведения диалогов и генерации ответов на текстовые запросы. В конфигурации слияния указана V-образная кривая, сочетающая поведение исходных моделей на входных и выходных слоях с вкладом WizardMath в средних слоях. Данные об отдельных языковых специализациях и прикладных областях не приведены. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана. Качество и ограничения унаследованы от объединённых моделей; отдельные оценки или сведения об ограничениях модели не приведены.

Sakalti/Kan1-2.5b — компактная плотная языковая модель для генерации текста на архитектуре Qwen2, созданная слиянием чекпойнтов Qwen/Qwen2.5-7B-Instruct методом Model Stock с помощью mergekit. Модель содержит около 1,9 млрд параметров и принимает контекст до 32 768 токенов. Модель подходит для диалогов, генерации текста и структурированных ответов; метаданные также отмечают интерфейс для вызова инструментов. Она использует библиотеку Transformers и распространяется в формате safetensors. В README и метаданных не описаны отдельная специализация, языковой охват и результаты оценки качества, поэтому конкретные сценарии требуют проверки на собственных данных. Лицензия в предоставленных источниках не указана.

KunoichiVerse-7B — англоязычная чат-модель, созданная слиянием моделей Nitral-AI/Kunocchini-7b-128k-test и MTSAIR/multi_verse_model с помощью LazyMergekit и метода SLERP. Модель построена на плотной архитектуре Mistral с причинной языковой моделью MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста. В README заявлено контекстное окно 128 тыс. токенов, тогда как метаданные указывают native context в 32 768 токенов. Репозиторий содержит веса в формате safetensors; также упомянут отдельный репозиторий GGUF от MarsupialAI. Лицензия — Apache-2.0.

Lelantos-low-tune — объединённая языковая модель на 7,1 млрд параметров от nlpguy, созданная с помощью mergekit методом task arithmetic. В основе объединения лежат DPOpenHermes-7B-v2 и SanjiWatsuki/Lelantos-7B; архитектура — плотная Mistral для авторегрессионной генерации текста. Модель рассчитана на диалог и другие сценарии генерации текста, поддерживает контекст до 32 768 токенов. В README приведены результаты Open LLM Leaderboard: средняя оценка 70,82, включая 67,06 на AI2 Reasoning Challenge и 86,06 на HellaSwag. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не указывает целевые языки или специализированную область применения.

LFM2.5-1.2B-Instruct-MLX-6bit — это 6-битная квантованная версия языковой модели LFM2.5-1.2B-Instruct, разработанной LiquidAI. Модель предназначена для генерации текста и выполнения инструкций, включая локальные сценарии использования на устройствах Apple Silicon. Квантование в формате MLX выполнено командой LM Studio с использованием инструментария mlx_lm. Модель содержит около 1,2 млрд параметров и поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Ключевая особенность — оптимизация под Apple Silicon и сниженное потребление памяти благодаря 6-битному представлению, что делает её подходящей для запуска на периферийных устройствах и персональных компьютерах. Архитектура, размер контекста, мультимодальные возможности, результаты тестирования и конкретные ограничения качества в README не указаны; модель следует рассматривать как текстовую, без подтверждённой поддержки других модальностей. Лицензия обозначена как lfm1.0; применяются условия, указанные в файле LICENSE.

LiquidAI_LFM2.5-2.6B-GGUF — это квантизированная версия языковой модели LFM2.5-2.6B, разработанной LiquidAI и подготовленной пользователем bartowski в формате GGUF для запуска через llama.cpp. Модель предназначена для генерации текста и локального использования на устройствах с ограниченными ресурсами, включая edge-сценарии. Она поддерживает только текстовый ввод, не использует MTP и поставляется с imatrix-квантизациями. Модель содержит около 3 млрд параметров и поддерживает арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. Доступны варианты от BF16 и Q8_0 до более компактных Q2- и IQ-квантизаций. Q4_K_M размером около 1,68 ГБ обозначен как сбалансированный вариант для большинства задач, а версии Q5–Q6 обеспечивают более высокое качество при большем потреблении памяти. Более низкие уровни квантизации экономят место, но могут заметно снижать качество генерации. Размер контекста и подробности архитектуры в карточке не указаны. Модель удобна для локального инференса и приложений, где важны компактность, многоязычность и совместимость с llama.cpp. Использование регулируется лицензией LFM 1.0; в карточке указано, что это лицензия с отдельными условиями, а не стандартная open-source лицензия.

Модель ETRI xainlp team — языковая модель на архитектуре LlamaForCausalLM с 12,9 млрд параметров. Она дообучена на базе meta-llama/Llama-13b-hf: сначала на 650 тыс. примеров с инструкциями, затем с помощью DPO и LoRA на 90 тыс. примеров пользовательских предпочтений. Модель принимает текст и генерирует текст, поэтому подходит для выполнения инструкций и диалоговых сценариев. Контекст — до 4096 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Upstage Llama-2-70b-instruct — англоязычная языковая модель, дообученная Upstage на базе LLaMA 2 с использованием набора данных в стиле Orca. Это плотная авторегрессионная модель семейства LLaMA с 68,7 млрд параметров, предназначенная для выполнения инструкций и генерации текста. Для общения используется шаблон с отдельными секциями System, User и Assistant. Модель подходит для диалоговых систем, ответов на вопросы и других задач генерации текста на английском языке. В README приведены результаты оценки на ARC-Challenge, HellaSwag, MMLU, TruthfulQA и MT-bench. Метаданные указывают контекст 2048 токенов; в README заявлена возможность обработки более 10 тысяч входных токенов с включённым rope scaling, поэтому фактическая длина зависит от конфигурации запуска. Для работы используются веса PyTorch и библиотека Hugging Face Transformers. README сообщает об испытании на A100 80 ГБ, но не приводит минимальных требований для инференса. Дообученные чекпойнты распространяются по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

TheTravellingEngineer выпустил диалоговую модель на архитектуре Llama 2 с 6,6 млрд параметров. Она получена дообучением методом SFT базовой модели meta-llama/Llama-2-7b-chat-hf на датасете OpenAssistant Guanaco; репозиторий содержит объединённые веса fp16. Модель предназначена для генерации ответов в диалоге и выполнения текстовых инструкций в сценариях чат-ботов и помощников. Карточка указывает английский язык и контекстное окно 4096 токенов. Использование регулируется ограничениями исходной лицензии Llama 2; гарантий качества нет.

bunnycore/LLama-3.1-8b-Ultra-Max-Pro — объединённая разговорная языковая модель на архитектуре Llama 3.1, созданная с помощью mergekit методом DARE TIES. В качестве основы использована vicgalle/Configurable-Llama-3.1-8B-Instruct; в объединение также вошли Artificium, Lexi Uncensored V2, Ultra-Instruct, Hermes 3 и LLama-3.1-Hyper-Stock. Модель содержит 7,5 млрд параметров, рассчитана на генерацию текста и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации ответов на инструкции. Указанная в карточке комбинация моделей объединяет разговорную настройку, следование инструкциям и другие языковые возможности, однако README не приводит результатов оценок или конкретных гарантий качества. Модель работает с текстом и опубликована в формате safetensors для библиотеки Transformers. В метаданных лицензия не указана.

Llama-3.2-1B-Instruct-4bit — компактная инструкционная языковая модель семейства Llama 3.2, разработанная Meta и представленная в формате mlx-community. По идентификатору модели, она содержит около 1 миллиарда параметров и использует 4-битное квантование, что ориентировано на более экономичное локальное выполнение. Модель предназначена для генерации текста и диалоговых сценариев, включая выполнение инструкций, ответы на вопросы и другие задачи обработки естественного языка. В карточке указаны поддерживаемые языки: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель относится к задачам text-generation и совместима с экосистемой Transformers; наличие формата MLX указывает на целевую оптимизацию для соответствующей среды. Ключевые ограничения — меньший размер по сравнению с крупными моделями и возможное снижение точности из-за 4-битного квантования; данные о размере контекстного окна, результатах тестирования и мультимодальности не предоставлены. Использование регулируется Llama 3.2 Community License от Meta. Лицензия предоставляет ограниченные неисключительные права на использование, воспроизведение, распространение и модификацию при соблюдении условий, включая передачу текста лицензии, указание «Built with Llama», сохранение атрибуции и соблюдение Acceptable Use Policy. Для продуктов или сервисов с более чем 700 миллионами ежемесячных активных пользователей требуется отдельное разрешение Meta.

Hugging-quants/Llama-3.2-3B-Instruct-Q4_K_M-GGUF — это квантизированная версия инструкционно дообученной языковой модели Meta Llama 3.2 3B Instruct, подготовленная в формате GGUF с использованием схемы квантования Q4_K_M. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы пользователя, выполнение инструкций и локальный inference через совместимые инструменты, такие как llama.cpp. Модель относится к текстовым моделям и поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Размер базовой модели — 3 миллиарда параметров. Квантизация Q4_K_M снижает требования к памяти и может упростить запуск на локальном оборудовании, однако README не содержит точных требований к ресурсам, данных о контекстном окне, показателей качества или подробностей архитектуры. Модель подходит для локальных чат-ботов, генерации текста и прикладных задач, где важны компактность и поддержка нескольких языков. Ограничения включают возможные потери качества из-за квантизации, отсутствие заявленных количественных оценок и неизвестные характеристики производительности в конкретных сценариях. Использование регулируется Llama 3.2 Community License от Meta. При распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая предоставление текста лицензии, указание «Built with Llama», сохранение атрибуции, соблюдение Acceptable Use Policy и применимых законов; для продуктов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено отдельное лицензионное требование.

DavidAU представляет дообученную 7,5-миллиардную модель Llama 3.3 8B Instruct для диалогов, следования инструкциям и генерации текста с режимом рассуждений. Она обучена в течение трёх эпох на наборе TeichAI/claude-4.5-opus-high-reasoning-250x; автор описывает её как гибрид instruct/thinking. Модель использует архитектуру LlamaForCausalLM, принимает текст и поддерживает контекст до 131 072 токенов. В карточке перечислены английский, русский, французский, немецкий, испанский, итальянский, португальский, китайский, японский и корейский языки. Модель предназначена для ответов на вопросы с подробными объяснениями, творческого письма, сюжетов и ролевых диалогов. Режим рассуждений может включаться по формулировке запроса; README отмечает, что поведение зависит от параметров генерации, а низкобитные квантизации могут ухудшать рассуждения и их активацию. Модель поставляется в safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Автор утверждает, что исходная версия Llama 3.3 8B не была публично выпущена; происхождение базовых весов в README описано не вполне ясно, тогда как метаданные указывают базовую модель allura-forge/Llama-3.3-8B-Instruct.

KKHYA/llavaqwen2.5-32b-finetune-dense-2m-half — плотная 32-миллиардная причинная языковая модель семейства LlavaQwen2, доступная в формате safetensors и рассчитанная на диалоговую генерацию текста. В метаданных заявлено контекстное окно до 131072 токенов и интерфейс для вызова инструментов. README сообщает, что модель обучена с нуля на неизвестном наборе данных, но не приводит сведений о разработчике, обучающих данных или оценке качества. Модель можно применять для диалогов и генерации текста, в том числе в сценариях с длинным контекстом и подключением инструментов. Несмотря на семейство архитектуры LlavaQwen2, доступные метаданные не подтверждают поддержку изображений, поэтому мультимодальные возможности не заявляются. Лицензия в предоставленных данных не указана.

MiniMax-M2.1 — языковая модель для генерации текста, разработанная MiniMax AI. Она предназначена для задач text-generation и может использоваться в приложениях на базе Transformers, включая создание и продолжение текста, диалоговые сценарии и другие задачи обработки естественного языка. В предоставленном README не указаны архитектура, количество параметров, поддерживаемые языки и модальности, максимальная длина контекста, результаты оценки или сведения о сильных сторонах и ограничениях модели. Известно, что модель распространяется с лицензией modified-MIT; подробные условия приведены в файле LICENSE по ссылке, указанной в карточке модели.

model_101 — языковая модель Pankaj Mathur на архитектуре Llama 2, предназначенная для генерации текста по инструкциям и ответов в гибридном стиле explain + instruct. Карточка описывает её как Llama 2 70B; метаданные указывают 68,7 млрд параметров, контекст до 4096 токенов и форматы PyTorch и safetensors. Для диалога поддерживаются шаблоны Orca и Alpaca. Модель обучалась на наборах Open-Platypus, Alpaca, WizardLM, Dolly-V2, Dolphin Samples, Orca Mini и их вариантах Orca. Среди подходящих сценариев — ответы на вопросы, объяснение тем и выполнение текстовых инструкций. В карточке приведены результаты оценки на задачах ARC и HellaSwag. Модель может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, неподходящий или оскорбительный текст; важные сведения следует перепроверять. Для запуска в 4-битном режиме автор указывает потребность примерно в 45 ГБ видеопамяти. Лицензия — Llama 2.

zelk12 выпустил объединённую модель Gemma 2 для диалогов и генерации текста. Она создана методом SLERP с помощью mergekit из zelk12/MT2-gemma-2-9B и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и чат-сценариев, включая ответы на запросы и выполнение инструкций. Репозиторий использует библиотеку Transformers и формат safetensors. В README и метаданных лицензия не описана, поэтому условия использования по ним определить нельзя.

MyAwesomeModel — модель из репозитория ASD12ZXCQE/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. В метаданных Hugging Face она отнесена к архитектуре BERT и поддерживает библиотеку Transformers на PyTorch; основная задача обозначена pipeline-тегом feature-extraction.

OLMoE-1B-7B-0125-Instruct — англоязычная диалоговая модель Allen Institute for AI, выпущенная в январе 2025 года. Это модель генерации текста с архитектурой MoE и классом OlmoeForCausalLM; в метаданных указано 472,1 млн параметров и контекст до 4096 токенов. Она принимает диалоговые текстовые запросы и генерирует ответы. Модель дообучена на базе allenai/OLMoE-1B-7B-0125-DPO: обучение включало supervised fine-tuning на варианте набора Tülu 3 для OLMo, DPO и RLVR. Предназначена для чата, ответов на вопросы и решения разнообразных задач, включая математику и следование инструкциям. README приводит результаты на нескольких бенчмарках, но не гарантирует качество для каждого сценария. Модель рассчитана преимущественно на английский язык и распространяется по лицензии Apache 2.0. В README отмечено, что модель прошла ограниченное обучение безопасности и может выдавать проблемные ответы, особенно при соответствующих запросах.

OpenBuddy/openbuddy-llama3-70b-v21.2-32k — многоязычная чат-модель, разработанная OpenBuddy на базе Meta Llama 3 70B Instruct. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, предназначенная для диалога и генерации текста. В карточке заявлена поддержка английского и китайского; метаданные также перечисляют французский, немецкий, японский, корейский, итальянский и финский языки. Указанный в названии вариант 32k, однако метаданные сообщают нативный контекст в 131 072 токена. Модель подходит для ответов на вопросы и других диалоговых сценариев. Для использования автор рекомендует быстрый токенизатор Transformers; карточка предупреждает, что некоторые альтернативные реализации могут некорректно обрабатывать специальные токены. Лицензия указана как other, а README приводит условия OpenBuddy и отсылает к Acceptable Use Policy. Авторы предупреждают, что ответы могут быть ошибочными или вредными, и не рекомендуют применять модель в критических и высокорисковых ситуациях.

Phi-4-Super-1 — слитая языковая модель семейства Phi-4, опубликованная пользователем prithivMLmods. Она объединяет базовую unsloth/phi-4 с несколькими моделями Phi-4, включая варианты для рассуждений, математики, диалогов и вызова функций. Слияние выполнено методом Model Stock с помощью mergekit; модель имеет плотную архитектуру LlamaForCausalLM, около 14,1 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогов, в том числе для решения математических задач и пошаговых рассуждений. README также описывает акцент на полезных и безопасных ответах и упоминает обучение SFT и DPO, однако конкретные возможности и качество на задачах не подтверждены оценками. Указана лицензия исходного компонента в предоставленных данных отсутствует.

pico-type v02 — компактная модель-классификатор семейства PicoType, разработанная авторами проекта pico-type. Она анализирует содержимое по исходным байтам и предсказывает несколько характеристик: общий тип, модальность, подтип, язык программирования, язык текста, MIME-тип файла и риск-флаги. Модель предназначена для быстрой автоматической классификации файлов и содержимого в приложениях, включая обработку на CPU и периферийных устройствах. Архитектура — плотная byte-level модель с несколькими выходными головками и Matryoshka-вариантами разных размерностей. В репозитории представлены ONNX-модели в формате FP32; базовый вариант содержит около 1,48 млн параметров и занимает примерно 9,25 МБ. Для входа используются последовательности байтов длиной до 1024. Карточка сообщает о многоязычной поддержке, но не перечисляет конкретные естественные языки. Указаны точность 100% для двух задач и 93,8% для классификации подтипов на синтетической оценке; эти результаты не гарантируют такую же точность на реальных данных. Лицензия — Apache-2.0.