II.6Документация и сопровождение разработки

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.

rubert-mini-frida — компактная модель на архитектуре BERT, опубликованная sergeyzh для построения эмбеддингов предложений на русском и английском языках. Она создана дистилляцией эмбеддингов ai-forever/FRIDA в sergeyzh/rubert-mini-sts: 7 слоёв и размер эмбеддинга 312 вместо 24 слоёв и 1536 у FRIDA. Используется mean pooling; по умолчанию настроен префикс «categorize: », также поддерживаются префиксы FRIDA для разных задач. Модель подходит для семантического поиска и сравнения предложений, выявления перефразирований, классификации и кластеризации текста, анализа тональности и токсичности, а также задач NLI. В карточке приведены результаты ruMTEB: модель уступает FRIDA по указанным метрикам, но превосходит приведённые варианты multilingual-e5 в некоторых из них. Хотя унаследованная длина контекста составляет 2048 токенов, автор рекомендует не превышать 512. Лицензия — MIT.

bachngo/sentence_hsu — модель sentence-transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. В метаданных указано окно контекста 514 токенов; модель принимает текст и выдаёт эмбеддинги. Обучение проводилось с BatchAllTripletLoss. Модель подходит для поиска похожих текстов и группировки предложений или документов по смыслу. Карточка не сообщает, на каких языках обучалась модель, поэтому нельзя определить её языковой охват. 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.

new5558 выпустил модель эмбеддингов предложений на базе WangchanBERTa, представленной архитектурой CamemBERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель обучена с функцией MultipleNegativesRankingLoss и косинусным сходством; размер составляет 132,5 млн параметров, максимальная длина контекста — 512 токенов. Модель можно использовать с библиотекой Sentence-Transformers или через Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Neokun004/Testbge — модель Sentence-Transformers на базе архитектуры BERT, разработанная автором репозитория Neokun004. Она преобразует предложения и абзацы в плотные векторы размерностью 384, предназначенные для сравнения семантической близости, семантического поиска и кластеризации. Модель содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Полученные векторы можно использовать для поиска похожих фрагментов и группировки текстов. README не описывает целевые языки или предметную область, поэтому модель можно охарактеризовать как средство общего назначения для работы с текстовыми эмбеддингами. Лицензия в предоставленных данных не указана.

futuredatascience/to-classifier-v2 — модель на архитектуре MPNet, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и вычисления сходства между предложениями. Модель относится к семейству Sentence Transformers и распространяется в формате PyTorch. Обучение использовало CosineSimilarityLoss. Контекст модели составляет 514 токенов. Лицензия в предоставленных данных не указана.

WhereIsAI/UAE-Large-V1 — англоязычная модель плотных текстовых эмбеддингов, разработанная командой AnglE. Она основана на архитектуре BERT и обучена с оптимизацией AnglE для получения векторных представлений предложений. Модель подходит для сравнения семантической близости текстов и поиска по смыслу; для задач извлечения информации в README рекомендуется использовать специальный prompt Prompts.C для запроса, но не для документов. Модель содержит 433,9 млн параметров, принимает текст с контекстом до 512 токенов и возвращает эмбеддинги. В README заявлен результат 64,64 среднего балла на MTEB и лидерство в рейтинге на момент публикации. Поддерживаются форматы safetensors, ONNX и OpenVINO. Лицензия MIT разрешает использование в разных сценариях.

uz_embeddinggemma-300m — дообученная модель Sentence Transformer на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Модель содержит 302,8 млн параметров, принимает последовательности длиной до 2048 токенов и распространяется в формате safetensors. Модель предназначена для семантического поиска и оценки сходства текстов, а также для поиска перефразировок, классификации и кластеризации. В карточке указано обучение на 18 000 примерах и приведены метрики оценки информационного поиска. Метаданные отмечают узбекский язык; базовая модель Google описана как многоязычная. Условия лицензии в предоставленных данных не указаны.

Oblix/yolov10m-doclaynet_ONNX_document-layout-analysis — модель обнаружения объектов на базе YOLOv10m, предоставленная в формате ONNX для использования через Transformers.js. Она предназначена для анализа макета документа: находит и размечает текстовые блоки, заголовки, списки, таблицы, изображения, формулы, подписи, сноски и элементы колонтитулов. Модель принимает изображение страницы и выдаёт рамки обнаруженных областей с классами из набора DocLayNet. Карточка не сообщает размер модели или поддерживаемые языки. Репозиторий содержит ONNX-веса; сведения о лицензии в доступных данных отсутствуют.

lmxhappy/yule_bagua_bert — модель на базе BERT, опубликованная пользователем lmxhappy в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на получение полезных эмбеддингов предложений. Модель содержит 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Для работы доступны Sentence-Transformers и Transformers с подходящей операцией pooling. В карточке не указаны конкретные языки, поэтому языковую специализацию установить нельзя. Лицензия в предоставленных данных не указана.

ZhiXi-13B-Diff — дифференциальные веса модели ZhiXi, разработанной проектом KnowLM для извлечения знаний. Чтобы восстановить веса, их необходимо применить к LLaMA-13B. В карточке описаны полное предварительное обучение на китайских и английских корпусах и последующая настройка инструкциями для извлечения сущностей, отношений и другой информации. Модель также сохраняет способности к работе с английским языком и кодом; приведены примеры перевода и следования инструкциям. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров и контекстом 2048 токенов. Она принимает текст и генерирует текст; карточка заявляет поддержку китайского и английского языков. Файлы представлены в формате PyTorch, лицензия — Apache-2.0. Дифференциальный формат требует исходных весов LLaMA-13B для восстановления модели.

Карточка модели avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240128041505-best на Hugging Face совпадает с карточкой avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240127160829-best, поэтому описание составлено по ней. Модель avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240127160829-best — вариант BAAI/bge-base-en-v1.5, подготовленный avsolatorio: длина входной последовательности увеличена с 512 до 1024 токенов. Это модель Sentence-Transformers на архитектуре BERT с 136,7 млн параметров, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно использовать для извлечения эмбеддингов, семантического поиска и кластеризации текста. Модель рассчитана на англоязычный текст. Хотя окно увеличено до 1024 токенов, автор отмечает, что модель не дообучалась для последовательностей длиннее 512 токенов, поэтому качество на более длинных текстах может быть ниже. В репозитории указаны веса в формате safetensors; лицензия в предоставленных источниках не приведена.

Карточка модели avsolatorio/30-100-10-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240203195859-best на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели avsolatorio/30-100-11-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240208000313-best на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели avsolatorio/30-100-31-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240206161831-latest на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели aalrabah/adv-nlp-hw1-alrabah2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

ronanki/all_mpnet_128_20_MNR_base — модель Sentence-Transformers на базе MPNet, разработчик — пользователь Hugging Face ronanki. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, принимает текст, выдаёт эмбеддинги и рассчитана на контекст до 514 токенов. Модель обучена с функцией Multiple Negatives Ranking Loss и косинусным сходством. Она подходит для построения поиска по смыслу и группировки похожих текстов; карточка не приводит результатов оценки, поэтому качество на конкретных данных оценивать по ней нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

qilowoq/bge-m3-en-ru — компактная версия BAAI/bge-m3, подготовленная автором репозитория обрезанием словаря до токенов английского и русского языков. Модель основана на архитектуре XLM-RoBERTa, содержит 465,8 млн параметров и предназначена для получения векторных представлений предложений и сравнения их семантического сходства. Карточка сообщает, что обрезанный словарь уменьшает модель примерно в 1,5 раза относительно исходной и сохраняет те же эмбеддинги. Модель подходит для семантического поиска, сопоставления запросов с документами и поиска похожих предложений на английском и русском языках. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 8194 токена. Распространяется по лицензии MIT.

bge-micro — компактная модель эмбеддингов предложений на базе архитектуры BERT, опубликованная TaylorAI. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 18,8 млн параметров, использует контекст длиной до 512 токенов и доступна в форматах PyTorch, safetensors и ONNX. Модель дистиллирована из TaylorAI/bge-small-en-v1.5 и предназначена для сценариев, где важны небольшие вычислительные затраты при сохранении качества эмбеддингов, близкого к all-MiniLM-L6-v2. Она ориентирована на английский язык. Лицензия в предоставленных данных не указана.

BAAI/bge-reranker-v2.5-gemma2-lightweight — мультиязычная модель-реранкер от BAAI, построенная на Gemma 2 9B. Она принимает запрос и текстовый фрагмент и оценивает их релевантность; оценку можно преобразовать в диапазон [0, 1] с помощью сигмоиды. Модель также поддерживает сравнение смысла двух фрагментов или запросов и выявление противоречия между аргументами. Для снижения вычислительных затрат применяются сжатие токенов и сокращение слоёв, по отдельности или вместе. В README сообщается о результатах уровня SOTA на наборах BEIR и MIRACL; для одной конфигурации указана экономия 60% FLOPs. Метаданные указывают 9 млрд параметров и контекст 8192 токена. Модель предназначена для повторного ранжирования результатов поиска и оценки семантической релевантности в многоязычных сценариях. Лицензия — Gemma. Доступность весов в safetensors подтверждена метаданными. README не приводит конкретный перечень поддерживаемых языков и не описывает ограничения качества; использование требует учитывать лицензионные условия Gemma и вычислительные потребности модели.

michaelfeil/bge-small-en-v1.5 — компактная англоязычная модель эмбеддингов на архитектуре BERT, представленная в форматах PyTorch, Safetensors и ONNX. Она предназначена для получения векторных представлений текста и сравнения сходства предложений; размер составляет около 40 млн параметров, максимальная длина контекста — 512 токенов. Модель можно запускать через библиотеку Infinity Embedding Model: README рекомендует PyTorch с CUDA для GPU и ONNX через Optimum для CPU. Эмбеддинги подходят для поиска по смыслу, ранжирования и построения систем поиска с дополненной генерацией. Модель рассчитана на английский язык. Репозиторий распространяется по лицензии MIT.

teven/cross_all_bs192_hardneg_finetuned_WebNLG2020_metric_average — текстовая модель на базе MPNet, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и предназначена для поиска семантически близких фрагментов, кластеризации и оценки сходства. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска, группировки похожих текстов и сравнения предложений по смыслу. Для корректного использования в Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов; README также описывает применение через Sentence-Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не установлены.

bobox разработал Sentence Transformer на базе bobox/DeBERTa-small-ST-v1-test-step2, дообученный на наборах пар и триплетов предложений, включая VitaminC, SciTail, SciQ, MS MARCO, Natural Questions, TriviaQA, GooAQ и PAWS. Модель кодирует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов; сходство можно оценивать косинусной мерой. Архитектура состоит из DebertaV2Model и среднего pooling по токенам. Максимальная длина входа — 512 токенов. Модель рассчитана на английский язык и подходит для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и подготовки признаков для классификации текста. В README приведены результаты оценки сходства на sts-test и бинарной классификации на VitaminC, однако качество на других данных может отличаться. Лицензия в предоставленных данных не указана.

Kenneth Enevoldsen разработал dfm-sentence-encoder-large-exp2-no-lang-align — модель Sentence Transformers на архитектуре BERT с 453,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; длина контекста — до 512 токенов. Модель предназначена для сравнения смысловой близости текстов и подходит для семантического поиска, кластеризации и получения текстовых эмбеддингов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель принимает текст и выдаёт векторы. В карточке нет сведений о поддерживаемых естественных языках или условиях лицензии, поэтому определить их нельзя.

AndrewAndrewsen/distilbert-secret-masker — дообученная модель DistilBERT для обнаружения и разметки секретов в английском тексте. Она использует архитектуру DistilBertForTokenClassification с BIO-метками B-SECRET, I-SECRET и O, содержит 66 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для поиска API-ключей, токенов и учётных данных в коротких и средних текстах, например в коммитах, журналах и выводе API. Модель описана как быстрый эксперт системы SecMask; для типичных запросов автор указывает задержку около 11 мс на CPU. Самостоятельно модель показывает точность 82% и полноту 38% на приведённой оценке. В сочетании с детерминированными фильтрами для отдельных форматов секретов README сообщает точность 92,3% и полноту 80%, поэтому для сканирования с высокой полнотой рекомендуется использовать постобработку. Модель может пропускать секреты, особенно новые типы и необычно оформленные значения; она не предназначена для неанглийского текста, бинарных данных, изображений или длинных документов. Лицензия — Apache-2.0.

Giga Embeddings 0826 480M GGUF — это квантованная GGUF-версия двунаправленного энкодера Giga Embeddings instruct 480M 0826, разработанного ai-sage и преобразованного в GGUF пользователем ai-babai. Модель предназначена для локального запуска через llama.cpp и Ollama и создаёт текстовые embeddings для семантического поиска, RAG, сравнения текстов, кластеризации и классификации. Она поддерживает русский и английский языки, а также рассчитана на работу с текстом; генерацию ответов и диалоговый режим не поддерживает. Модель имеет около 480 миллионов параметров и возвращает нормализованные embeddings размерностью 1024. Для поисковых задач запрос рекомендуется подавать с инструкцией в формате Instruct/Query, а документы — без инструкции; для симметричного сравнения текстов следует использовать одинаковую инструкцию или не использовать её. Метаданные GGUF задают mean pooling и L2-нормализацию. Доступны варианты BF16, Q8_0, Q6_K и Q4_K_M: Q8_0 является рекомендуемым компромиссом между качеством, размером и потреблением памяти, тогда как Q4_K_M занимает меньше всего места, но сопровождается заметной потерей качества представлений и поиска. Сильные стороны модели — компактность, возможность локального запуска на CPU или GPU, совместимость с llama.cpp и Ollama, а также специализация на русскоязычных и англоязычных embedding-задачах. Указанные авторами исходной BF16-модели результаты составляют 70,98 на Russian MTEB и 69,52 на English MTEB, однако полный MTEB для этих GGUF-файлов отдельно не проводился. Репозиторий распространяется по лицензии MIT; данная конвертация является независимым релизом ai-babai, а не официальным выпуском ai-sage.

GLiClass Qwen 0.5B v1.0 — компактная модель классификации последовательностей семейства GLiClass, представленная Knowledgator. Она выполняет классификацию без заранее заданного набора классов и подходит для определения тематики и тональности текста, а также для ранжирования результатов в RAG-сценариях. По карточке, модель использует подход LLM2Vec, преобразующий современный декодер в двунаправленный энкодер, и обрабатывает классификацию за один проход; автор заявляет более высокую вычислительную эффективность по сравнению с cross-encoder и расширенное контекстное окно. Модель обучена на синтетических данных; в метаданных указан датасет MoritzLaurer/synthetic_zeroshot_mixtral_v0.1. Карточка сообщает о сопоставимом с версией на DeBERTa качестве в zero-shot-режиме и сильных результатах в few-shot-режиме, но не приводит конкретных метрик. Доступны веса в форматах Safetensors и ONNX; лицензия Apache-2.0 допускает коммерческое применение. Карточка описывает поддержку английского языка.

GPT-5.3-Codex — агентная модель OpenAI для программирования. В карточке она описана как сочетание возможностей GPT-5.2-Codex в разработке ПО с более широкими способностями к рассуждению и профессиональными знаниями GPT-5.2. Модель предназначена для задач разработки программного обеспечения и сценариев, где агент должен применять рассуждение при работе с кодом. README заявляет передовые результаты, но не приводит в предоставленном фрагменте конкретных оценок или технических характеристик. Сведения о лицензии, размерах модели, длине контекста и ограничениях применения в доступных материалах отсутствуют.

cyankiwi/KAT-Coder-V2.5-Dev-AWQ-INT4 — квантованная версия модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot и опубликованной cyankiwi. Модель предназначена для генерации кода и агентного программирования, включая сценарии с использованием инструментов. Открытые веса совместимы с Hugging Face Transformers, vLLM, SGLang и KTransformers. Это текстовая MOE-модель с общим числом параметров 35 млрд и примерно 3 млрд активируемых параметров. Визуальные и мультимодальные компоненты в открытой версии отсутствуют. В README указана поддержка английского, китайского, хинди, арабского, русского, японского, корейского, нидерландского, французского и испанского языков. Размер файлов модели составляет 24,43 ГБ; вариант AWQ-INT4 ориентирован на более экономичное размещение и запуск по сравнению с полноразмерными весами. К сильным сторонам относятся заявленная высокая производительность в задачах Agentic Coding среди моделей сопоставимого масштаба, а также снижение ряда аномальных поведений после SFT- и RL-обучения, включая некорректные метки инструментов и повторения в одном диалоге. Ограничения включают текстовый характер модели и отсутствие мультимодальности; конкретное максимальное окно контекста в предоставленных данных не указано. Лицензия — Apache-2.0.