II.6Документация и сопровождение разработки

Issue Writer — это дообученная на базе Gemma 4 E4B Instruct модель для преобразования исходного описания продукта в структурированную запись для системы отслеживания задач. Она формирует один JSON-объект и предназначена для сценариев, где нужно оформлять сообщения в задачи с фиксированной схемой на английском или турецком языке. Модель основана на плотной архитектуре Gemma4 и использует объединённые с базовыми весами LoRA-параметры: обучение с рангом 32 и alpha 64 затрагивало текстовые слои внимания и MLP. Обучение проведено на 13 000 примерах, поровну на английском и турецком; в README рекомендуется использовать заданный системный промпт и жадное декодирование, чтобы сохранять корректный JSON. Формат репозитория — safetensors, лицензия Apache-2.0. На кратких или неполных исходных данных модель должна заполнять поля assumptions и clarifying_questions, однако README предупреждает, что пустые значения могут означать, что модель молча додумала недостающие сведения. Размер контекста в карточке не указан; пример запуска vLLM задаёт ограничение в 8192 токена.

Shining Valiant 2 — чат-модель Valiant Labs на архитектуре Llama 3.1 Instruct, дообученная на базе Meta-Llama-3.1-70B-Instruct. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов; предназначена для диалога и следования инструкциям на английском языке. Обучение охватывало общие разговорные данные, технические знания и структурированные рассуждения. Модель ориентирована на вопросы по физике, химии, биологии, астрономии, наукам о Земле, информатике и теории информации, а также на инженерные задачи и логический анализ. В карточке отмечены возможности чата и интерфейс вызова инструментов. Репозиторий использует формат safetensors и лицензию Llama 3.1. Как и другие большие языковые модели, она может давать неточные ответы; заявленная специализация на технических темах не гарантирует корректность рассуждений или выводов.

Z-L-Leo/my-sft-model-20260930-004047 — дообученная модель для генерации текста на базе LiquidAI/LFM2.5-350M. Модель создана с использованием TRL и рассчитана на диалоговый режим; в качестве архитектуры указана плотная LFM2 с классом Lfm2ForCausalLM. Она принимает текстовые сообщения и генерирует текстовые ответы. Модель подходит для диалоговых приложений и генерации ответов на пользовательские вопросы. Размер составляет 444,6 млн параметров, длина контекста — до 128 000 токенов; опубликованные веса представлены в формате safetensors и используют библиотеку Transformers. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

Akshat131/splade-multi-static-pruned-v2 — разреженная модель семейства SPLADE для семантического поиска по технической документации и корпусам кода. Это дообученная и дистиллированная версия SPLADE-v3-doc от Naver с укороченным до трёх слоёв BERT-энкодером; в README указано 45,75 млн параметров, тогда как метаданные каталога указывают 51,8 млн. Модель формирует взвешенные разреженные представления документов для поиска через статический инвертированный индекс. Для запросов предусмотрена статическая таблица весов токенов, поэтому их обработка не требует нейронного прохода во время поиска. Модель предназначена прежде всего для поиска по документации библиотек и техническим текстам. В README приведены результаты на корпусах NumPy, Pandas и PyBind11, а также на SciFact из BEIR. Метаданные указывают поддержку английского языка и контекст до 512 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для практического использования потребуется совместимый процесс подготовки индекса и обработки документов; README описывает статическую обработку запросов, но не приводит подробности интеграции.

Tulu V2.5 DPO 13B StackExchange — англоязычная диалоговая модель-помощник от Allen Institute for AI. Она основана на Tulu 2 и дополнительно обучена методом DPO на 500 тысячах примеров из парного датасета StackExchange; архитектура — плотная Llama с 12,9 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации текста в ответ на инструкции и вопросы, в том числе для диалогов и ответов в стиле StackExchange. README рекомендует использовать предусмотренный шаблон чата с завершающим переводом строки. Модель доступна по лицензии Apache 2.0. Возможны небезопасные или проблемные ответы: модель не проходила настройку на безопасные завершения в RLHF и не использует фильтрацию ответов во время работы. Она ориентирована на английский язык.

airoboros-7b-gpt4-1.1 — дообученная авторами проекта Airoboros языковая модель семейства LLaMA с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Она создана на синтетических обучающих данных, сгенерированных GPT-4, и предназначена для диалоговой генерации текста по шаблону Vicuna, включая ответы на вопросы и выполнение инструкций. Модель ориентирована на викторины, математические рассуждения, программирование, вопросы с выбором ответа и заполнение пропусков, а также ответы по заданному контексту. При контекстном вопросно-ответном поиске её обучали опираться на предоставленные сведения и ограничивать ответ их содержимым, чтобы уменьшить галлюцинации. В метаданных указан контекст до 2048 токенов; README отмечает, что эта версия добавляет примеры инструкций по программированию и улучшает следование контексту. Модель принимает текст и генерирует текст. README не заявляет конкретные поддерживаемые естественные языки. Известное ограничение — автор прямо отмечает слабые результаты на математике и рассуждениях; следование контексту также не исключает выдуманных ответов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

itsanan/codebert-embed-crewai-base — модель Sentence Transformers, созданная дообучением microsoft/codebert-base на 900 парах текстов CrewAI. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, оценки сходства и извлечения релевантных текстов; в README также заявлены кластеризация, поиск перефразировок и классификация текста. В основе — RoBERTa/CodeBERT с усреднением токенных представлений. Модель принимает англоязычный текст, поддерживает последовательности длиной до 514 токенов по метаданным и выдаёт векторы, для сравнения которых используется косинусное сходство. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Модель может быть полезна для семантического поиска по текстам и связанным с кодом материалам CrewAI, однако карточка описывает небольшой обучающий набор, а приведённые метрики относятся к конкретным наборам оценки. Качество на других данных и языках не установлено; длина контекста ограничена.

Code-Daemon NER v1 — модель распознавания именованных сущностей в англо- и русскоязычной прозе о разработке ПО. Она выделяет компоненты систем, API и инструменты, пути к файлам, метрики и другие сущности, чтобы связывать документацию, обсуждения и сообщения коммитов с кодом. Это не парсер исходников: модель предназначена для поиска сущностей в текстовых описаниях. Модель основана на XLM-RoBERTa и дообучена для классификации токенов; метаданные указывают 124,3 млн параметров, а README описывает вариант с примерно 117 млн параметров. Контекст — до 128 токенов по настройке обучения; README рекомендует подавать одно-два предложения за вызов. Доступны веса Safetensors и форматы ONNX и Core ML. По оценке авторов на размеченных людьми данных, модель превосходит сравнивавшиеся zero-shot-модели для выбранных инженерных меток, но точность ограничена: авторы рекомендуют использовать её для генерации кандидатов с последующей фильтрацией, а не для автоматической разметки без проверки. Для оптимальных результатов требуется предварительно разбивать идентификаторы camelCase и snake_case. Лицензия — MIT.

h2ogpt-oasst1-512-30B-HF — версия модели H2O.ai, подготовленная TheBloke в формате Hugging Face с весами float16. Это плотная авторегрессионная модель семейства LLaMA с 32,3 млрд параметров и контекстом 2048 токенов; в README указана базовая модель decapoda-research/llama-30b-hf и объединение её весов с LoRA-адаптером H2O.ai. Модель дообучена на инструкционном наборе h2oai/h2ogpt-oig-oasst1-instruct-cleaned-v2 для диалогов и следования инструкциям. Она предназначена для генерации ответов и запуска чат-ботов; README приводит оценку reward-модели, но отмечает, что классические бенчмарки не отражают качество диалога. Репозиторий содержит не квантизированные веса PyTorch для GPU-инференса и дальнейших преобразований. Карточка указывает, что LoRA распространяется только для некоммерческих исследовательских целей; условия базовой LLaMA также применяются. Модель может выдавать ошибочные, бессвязные, предвзятые или оскорбительные ответы, поэтому их следует проверять.

Shining Valiant 2 — чат-модель Valiant Labs, дообученная на базе Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; она принимает текст и генерирует текст, используя формат инструкций Llama 3.1 Instruct. Модель рассчитана на диалог, ответы на технические вопросы и структурированные рассуждения, особенно в естественных науках, инженерии и информатике. Для обучения использованы наборы sequelbox/Celestia для технических знаний, sequelbox/Spurline для сложных рассуждений и sequelbox/Supernova для общего диалога. В README заявлены улучшения в логике и структурированном рассуждении, а также в физике, химии, биологии, астрономии, науках о Земле, информатике и теории информации. Метаданные указывают английский язык. Модель распространяется в формате safetensors по лицензии llama3.1; применение требует соблюдения условий лицензии Llama 3.1.

Stable-Platypus2-13B — языковая модель, созданная объединением Platypus2-13B и StableBeluga-13B. В карточке указаны Platypus2-13B от Cole Hunter и Ariel Lee и StableBeluga-13B от StabilityAI. Модель построена на авторегрессионной архитектуре LLaMA 2, содержит 12,9 млрд параметров и имеет контекст до 4096 токенов. Модель предназначена для генерации текста по инструкциям на английском языке. Её можно применять для ответов на вопросы, решения задач по STEM и логике, а также для генерации объяснений и другого текста. В карточке приведена оценка на тестах ARC, HellaSwag, MMLU и TruthfulQA. Модель может выдавать неточные, предвзятые или нежелательные ответы; испытания проводились на английском языке и не охватывают все сценарии. Лицензия репозитория — CC BY-NC-SA 4.0, поэтому коммерческое использование ограничено её условиями.

DeciLM-7B-instruct — англоязычная модель для коротких инструкций и диалоговых запросов, разработанная Deci. Она получена LoRA-дообучением DeciLM-7B на наборе Open-Orca/SlimOrca без RLHF и DPO. Это авторегрессионный плотный Transformer-декодер с переменным Grouped-Query Attention; в карточке указаны 7,04 млрд параметров, 32 слоя и контекст до 8192 токенов. Модель предназначена для генерации ответов и выполнения инструкций на английском языке, в том числе в коммерческих и исследовательских сценариях. Лицензия — Apache 2.0. Качество и безопасность ответов требуют проверки для конкретного применения: модель может ошибаться, проявлять смещения или выдавать нежелательный контент, а оценки в карточке охватывают преимущественно англоязычные задачи.

Collab-uniba/github-issues-preprocessed-mpnet-st-e10 — модель sentence-transformers на архитектуре MPNet, разработанная для данных GitHub Issues. Её обучали на наборе NLBSE22 после удаления записей с пустым описанием и дубликатов; заголовок и текст задачи использовали как пары для обучения векторных представлений. Модель содержит 136,7 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для получения эмбеддингов и оценки смыслового сходства заголовков и описаний GitHub Issues. Её можно применять для поиска похожих задач, группировки дубликатов и семантического поиска по репозиторию. Для использования подходят Sentence-Transformers либо Transformers с подходящей операцией pooling. В карточке не указаны лицензия и ограничения на использование.

MermaidMixtral-3x7b — экспериментальная языковая модель TroyDoesAI для генерации диаграмм Mermaid, в первую очередь блок-схем по коду. Модель обучена за одну эпоху на синтетических примерах, созданных с помощью авторского инструментария дополнения данных на основе выводов MermaidMistral 7B и MermaidSolar. В README также описаны сценарии построения графов знаний и схем возможных сценариев. Модель использует архитектуру Mixtral с MoE и имеет 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Автор рекомендует начинать генерацию с префикса «graph TB;» и отмечает, что для получения нужного результата важна настройка промпта. Лицензия — CC BY 4.0. Это ранний эксперимент на синтетических данных; README не приводит количественных оценок качества. Результат зависит от промпта, а качество для задач за пределами генерации диаграмм не установлено.

omni-devel/QA-Gen — русскоязычная модель семейства mT5 для генерации пары «вопрос—ответ». Она дообучена на датасете Den4ikAI/ru_sberquad_long_answers и предназначена для локального запуска: встроенный инференс, согласно карточке, генерирует ответы плохо. Модель содержит 39,7 млн параметров, использует архитектуру MT5ForConditionalGeneration и распространяется в формате safetensors. Лицензия — Apache-2.0.

Tulu V2.5 PPO 13B StackExchange 60K — англоязычная диалоговая языковая модель из серии помощников Tulu, разработанной Allen Institute for AI. Она основана на Tulu 2 13B и дополнительно обучена методом PPO на случайной выборке из 60 тысяч примеров StackExchange с использованием модели вознаграждения, обученной на той же выборке. Архитектура — плотная Llama с 12,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Модель предназначена для генерации ответов помощника и ведения диалога на английском языке. Обучение на StackExchange ориентирует её на ответы в формате вопросов и ответов, наряду с более общими инструкциями и синтетическими диалогами из смеси Tulu V2. Для качества генерации рекомендуется использовать предусмотренный шаблон диалога и соблюдать требуемый формат ввода. Модель не была специально выровнена для безопасных ответов и не использует фильтрацию результатов во время генерации, поэтому может выдавать проблемный контент, особенно по соответствующим запросам. Распространяется по лицензии Apache 2.0.

Zen Ingress 1-3B SFT Merged — это плотная причинно-следственная языковая модель ZenithLLM с 3,1 млрд параметров, созданная на основе Qwen/Qwen2.5-3B-Instruct. Это версия первого этапа supervised fine-tuning с объединёнными весами; модель распространяется в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для математических рассуждений, пошагового аналитического решения задач и следования структурированным инструкциям в диалогах. Она может применяться для генерации ответов и структурированного текста; в метаданных также указана поддержка интерфейса вызова инструментов. В карточке указан английский язык. Модель доступна по лицензии Apache-2.0. Это промежуточная SFT-версия: для предпочтительно выровненной финальной версии автор указывает отдельную модель Zen Ingress 1-3B DPO Merged.

GPT-OSS-Coder-20B — дообученная модель для генерации кода на базе GPT-OSS-20B, опубликованная пользователем yasserrmd. Для настройки использовались TRL и оптимизации Unsloth; в карточке указано обучение на случайно сгенерированных записях в течение 150 шагов. Модель предназначена для генерации и дополнения кода, ответов на вопросы по программированию и краткого пересказа кода. Это разговорная причинная языковая модель архитектуры GPT-OSS с MoE. В метаданных указано 1,6 млрд параметров, контекст до 131 072 токенов, формат safetensors и язык en. Модель принимает текст и генерирует текст; заявленные возможности reasoning_effort позволяют настраивать глубину ответа. Лицензия — Apache-2.0. Короткое обучение на случайных данных может ограничивать качество и надёжность результатов по программированию.

InternVL3-9B-Instruct — мультимодальная чат-модель OpenGVLab, дообученная методом supervised fine-tuning на базе OpenGVLab/InternVL3-9B-Pretrained. Она предназначена для диалога и рассуждений по тексту и изображениям, включая понимание нескольких изображений, видео, научных схем, интерфейсов GUI и 3D-сцен. Модель также обучалась работе с инструментами. Это вариант SFT без этапа MPO. Архитектура сочетает визуальный кодировщик InternViT, MLP-проектор и языковую модель; для обработки изображений используется разбиение на фрагменты 448×448 и динамическое разрешение. Поддерживаются мультимодальные входы и текстовые ответы; карточка указывает многоязычность, но конкретные языки и размер контекста для этого репозитория не приводит. Модель распространяется под лицензией MIT. К возможным ограничениям относятся ошибки в визуальном восприятии и рассуждениях; обработка нескольких изображений увеличивает число токенов и требования к контексту и вычислениям.

AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

Mitchins дообучил Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления терминальных команд с их описаниями. Модель кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. Архитектура включает энкодер BertModel, mean pooling и нормализацию. В README указана максимальная длина последовательности 256 токенов; метаданные указывают контекст 512 токенов. Модель предназначена для семантического поиска и сравнения команд оболочки с описаниями, а также для поиска перефразировок, кластеризации и классификации текстов в этой предметной области. Обучение выполнено на 78 768 парах предложений с MultipleNegativesRankingLoss. По приведённым примерам дообучение улучшает разделение подходящих и неподходящих пар, но карточка не содержит широких независимых оценок качества. Базовая модель ориентирована на английский язык; лицензия в предоставленных данных не указана.

MPT-7B-Instruct2 — повторно обученная версия MPT-7B-Instruct от IBM Research. Это плотная авторегрессионная декодерная модель на 7 млрд параметров для генерации текста и выполнения коротких инструкций. Она предназначена для ответов на запросы и других сценариев следования инструкциям на английском языке. Модель распространяется в формате PyTorch под лицензией Apache 2.0.

AstraGPT-7B — языковая модель на 7,1 млрд параметров от Aditya Wakharkar и Tantra AI Labs. Это плотный декодерный трансформер семейства Qwen2 с архитектурой Qwen2ForCausalLM; модель распространяется в формате safetensors и использует библиотеку Transformers. Контекст — до 32 768 токенов. Модель дообучена для диалогов и задач рассуждения методом LoRA на 193 841 синтетических примерах «инструкция — рассуждение — ответ». В README также описан собственный BPE-токенизатор с исходным словарём на 64 тысячи токенов, сопоставленным со словарём runtime на 152 тысячи. Модель ориентирована прежде всего на английский язык и генерацию ответов с пошаговыми рассуждениями; специальный режим рассуждения включается префиксом, указанным в шаблоне чата. Подходит для диалоговых ответов и задач, где полезна пошаговая аргументация. Ограничения — возможны ошибки в сложной многошаговой математике и длительных рассуждениях, а также уверенные, но неверные ответы; критические результаты следует проверять. Для работы с reasoning README рекомендует явно добавлять специальный префикс. Лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformer, разработанная автором репозитория и дообученная на базе microsoft/codebert-base для получения векторных представлений текста и кода. Архитектура основана на RoBERTa; модель содержит 151,8 млн параметров и выдаёт плотные эмбеддинги размерностью 768, которые можно сравнивать по косинусному сходству. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста, особенно в сценариях, связанных с кодом и CrewAI. В README приведены результаты поиска на наборе из 900 обучающих примеров; опубликованные значения метрик низкие, поэтому качество следует проверять на собственных данных. Модель принимает текст и возвращает векторы. Распространяется по лицензии Apache-2.0.

Карточка модели AISE-TUDelft/java-usage-classifier на Hugging Face совпадает с карточкой AISE-TUDelft/java-deprecation-classifier, поэтому описание составлено по ней. AISE-TUDelft/java-deprecation-classifier — модель на основе MPNet, опубликованная AISE-TUDelft и распространяемая в формате PyTorch через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В карточке указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Название указывает на классификацию устаревших Java API, однако README описывает модель как средство построения эмбеддингов, а метаданные относят её к sentence-similarity и feature-extraction. Поэтому её можно применять для поиска и группировки текстов о Java-депрекациях, но карточка не подтверждает выдачу меток классов или специальную точность такой классификации. Лицензия в предоставленных данных отсутствует.

AQUABOT/Llama-3.2-3B-TechQA — дообученная языковая модель семейства Llama 3.2, разработанная AQUABOT на базе unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на генерацию текста в диалоговом формате. Заявленное контекстное окно — 131 072 токена. Модель предназначена для ответов на технические вопросы и других сценариев генерации текста. При обучении использовались Unsloth и библиотека Hugging Face TRL. В метаданных указана возможность chat и интерфейс для вызова инструментов; основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Карточка не содержит сведений о составе обучающих данных, оценках качества или конкретных технических темах, поэтому точность ответов и охват предметных областей не подтверждены.

AlexBlin/software-engineering-model — дообученная русскоязычная GPT-2-модель для генерации текста, созданная на основе ai-forever/rugpt3small_based_on_gpt2. По названию она ориентирована на задачи программной инженерии, однако README не уточняет её конкретные возможности или сценарии применения. Модель использует архитектуру GPT2LMHeadModel и принимает текст, выдавая продолжение текста. Контекст составляет до 2048 токенов; веса опубликованы в формате safetensors и предназначены для работы с библиотекой Transformers. Лицензия в предоставленных данных не указана.

hharsha/agentic-github-tagger — компактная модель генерации тегов, разработанная на базе T5-small и дообученная автором карточки на датасете hharsha/agentic-github-meta с помощью LoRA; адаптер затем объединён с базовыми весами. Модель преобразует текстовые описания проектов в стиле GitHub в список тегов через text-to-text генерацию и предназначена для каталогов проектов в областях агентных систем, RAG и LLMOps. Модель построена на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров по метаданным и имеет контекст 512 токенов. Она принимает текст и выдаёт текст, использует библиотеку Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0. Компактный размер делает её подходящей для запуска на CPU и автоматических подсказок тегов для карточек проектов. Теги могут повторяться или быть неполными; модель не предназначена для разметки в критически важных сценариях.

ALIA-40b — базовая языковая модель, разработанная командой проекта ALIA и предварительно обученная с нуля. Это декодерный Transformer семейства Llama с 38,3 млрд параметров по метаданным и контекстом до 32 768 токенов. Обучение проводилось на 9,37 трлн токенов текстовых данных на 35 европейских языках и коде. Модель предназначена для генерации текста и может служить основой для последующей адаптации к многоязычным задачам, включая перевод, генерацию в специализированных областях и анализ текста. Она не проходила инструкционное дообучение или выравнивание с предпочтениями людей, поэтому сама по себе не является готовым ассистентом: перед практическим применением рекомендуется дополнительное дообучение и оценка рисков. В README отмечены возможные смещения, слабое представление нестандартных языковых вариантов и ограничения анализа безопасности. Веса доступны в формате Safetensors, лицензия — Apache 2.0. Модель выпущена в декабре 2024 года; карточка также сообщает о публикации обучающих скриптов и конфигураций.

Camel-Platypus2-13B — объединённая автором карточки языковая модель на 12,9 млрд параметров, созданная на основе Platypus2-13B и qCammel-13. Это авторегрессионная плотная модель семейства Llama, основанная на архитектуре Llama 2; она принимает текстовые инструкции и генерирует текстовые ответы. Модель предназначена для диалогов и решения задач на английском языке, включая вопросы по STEM-дисциплинам, логике и общие тестовые задания. Шаблон запроса использует секции Instruction и Response, а длина контекста составляет 4096 токенов. В карточке указана лицензия CC BY-NC-4.0 для базовых весов, которая ограничивает коммерческое использование. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед применением следует оценить её поведение в целевом сценарии. Оценивание проводилось на английском языке и не охватывает все возможные случаи использования.