II.8Инженерия данных и аналитика

MichaelAnthony разработал qwen-3.5-0.8b-Hedgehog — дообученную текстовую модель семейства Qwen 3.5 для извлечения структурированных данных из документов в сценариях SimpleRAG. Это слитый чекпойнт r5 в формате FP16 для Transformers; адаптер LoRA не требуется. Метаданные указывают 581,4 млн параметров и контекст до 262 144 токенов, а README приводит размер 752 млн параметров. Модель предназначена для извлечения полей из найденных документов с выдачей данных по заданным JSON-путям и типам. В README рекомендуются температура 0 и отключённый режим рассуждений; режимы с рассуждениями и без них следует оценивать отдельно. В приведённых оценках r5 получил 71 балл на BenchLocal DataExtract-15 и 88 на BenchLocal Complex Documents; автор описывает его как стартовую модель, а не универсальный экстрактор с точностью 95%. Лицензия в предоставленных данных не указана.

Модель hesamation/Qwen3.6-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled — текстовая reasoning-модель, созданная разработчиком @hesamation дообучением Qwen/Qwen3.6-35B-A3B. Она предназначена для задач, требующих последовательных рассуждений: помощи в программировании, планирования, математических задач и подготовки структурированных аналитических ответов. Обучение проводилось методом supervised fine-tuning с LoRA на текстовых рассуждениях, в основном полученных дистилляцией Claude Opus 4.6; адаптер объединён с базовой моделью. В основе — мультимодальная архитектура Qwen3.6 MoE с 35 млрд параметров, из которых активируется около 3 млрд. Базовая модель принимает изображения, однако этот этап дообучения использовал только текст, поэтому улучшения заявлены для текстовых задач, а не для изображений или видео. Нативная длина контекста базовой модели — 262 144 токена; README указывает возможность расширения до 1 010 000 токенов. В метаданных указан английский язык. Карточка приводит результат MMLU-Pro на 70 вопросах как ограниченную сравнительную проверку, а не полноценный бенчмарк релизного качества. Модель выпущена под лицензией Apache-2.0.

raging1.0-0.5B-fp16 — компактная языковая модель на 494 млн параметров, дообученная sajibsrs на Qwen/Qwen2.5-0.5B-Instruct для подготовки данных в конвейерах RAG. Это плотная авторегрессионная архитектура Qwen2, опубликованная в формате safetensors с точностью FP16; контекст — до 32 768 токенов. Модель предназначена для извлечения сущностей и отношений в виде JSON-троек, форматирования ответов по заданной схеме и краткого фактологического пересказа текста. Её можно использовать как быстрый первый этап обработки документов перед загрузкой в RAG-хранилище или граф знаний. В README приводятся улучшения точности извлечения троек и скорости относительно базовой модели, измеренные на небольшой выборке с 4-битной версией MLX; результаты зависят от оборудования и не являются гарантией качества FP16-модели. Лицензия — Apache-2.0. Модель ориентирована на одношаговое структурированное извлечение, а не на диалог. Она может объединять несколько сущностей в одну, оставлять местоимения вместо разрешённых имён и хуже справляться со сложными вложенными или условными JSON-схемами; результаты рекомендуется проверять по схеме, а при ошибках передавать более крупной модели.

Русскоязычная модель Redmadrobot для распознавания персональных данных в тексте. Она дообучена для задачи классификации токенов на базе ai-forever/ruBert-base: архитектура BERT, 205,5 млн параметров, контекст до 512 токенов. Модель размечает 21 тип сущностей по схеме BIO, включая имена, адреса, контакты и номера российских документов — паспортов, СНИЛС, ИНН, полисов ОМС, водительских удостоверений и других. Модель предназначена для извлечения чувствительных данных как компонента систем обнаружения и обезличивания текста. Её обучали на 17 137 русских предложениях; на отдельном тестовом наборе из 2 841 предложения показатель F1 для модели отдельно составил 83,6 при точном совпадении границ сущностей. Для IP-адресов качество заметно ниже: модель может разделять их по точкам, поэтому авторы используют для этого типа регулярные выражения в конвейере pii-guard. Распространяется по лицензии Apache-2.0.

StructTable-InternVL2-1B — модель команды InternScience для извлечения структуры таблиц из изображений. Она дообучена на синтетических табличных данных и датасете DocGenome на базе InternVL2-1B; в карточке указана архитектура InternVLChatModel и размер около 1 млрд параметров. Модель преобразует изображения таблиц в LaTeX, HTML или Markdown и поддерживает связанные задачи, включая извлечение структуры и ответы на вопросы по таблице. Модель предназначена для оцифровки таблиц из научных публикаций, финансовых документов, счетов и веб-страниц, а также для последующего использования извлечённых данных. README отмечает улучшенную стабильность распознавания HTML и Markdown в версии v0.2 и ускоренный инференс. Карточка указывает английский и китайский языки, лицензию Apache-2.0. README не приводит контекстное окно или подробные оценки точности.

Table Transformer Detection — модель обнаружения объектов на основе DETR, дообученная на наборе данных PubTables1M для поиска таблиц в документах. Разработана командой Table Transformer; модель представлена в работе Smock и соавторов о комплексном извлечении таблиц из неструктурированных документов. Архитектура использует Transformer и настройку DETR «normalize before», при которой нормализация слоёв применяется перед self-attention и cross-attention. Размер модели — 6,3 млн параметров. Модель принимает изображения документов и выдаёт обнаруженные области таблиц. Её можно использовать как этап обработки сканов и других неструктурированных документов перед извлечением содержимого таблиц. В репозитории доступны веса PyTorch и Safetensors. Лицензия — MIT.

Table Transformer (TATR) — модель обнаружения объектов на основе Transformer, эквивалентная DETR. Она обучена на наборах PubTables1M и FinTabNet.c для распознавания структуры таблиц в документах. Вариант structure-recognition-v1.1-all предназначен для выявления элементов таблиц на изображениях документов. Модель можно применять для анализа структуры таблиц и обнаружения их компонентов в документе. В архитектуре используется нормализация до вычисления self-attention и cross-attention. Размер модели — 6,3 млн параметров; веса доступны в формате safetensors. Модель выпущена Microsoft под лицензией MIT. README описывает обнаружение таблиц и распознавание их структуры, но не приводит подробностей о поддерживаемых языках или предельных размерах изображений. Для извлечения текста из ячеек потребуется отдельный этап OCR.

Модель nsugianto/tblstructrecog_finetuned_tbltransstrucrecog_v1_s1_370s — дообученная версия microsoft/table-transformer-structure-recognition для обнаружения структурных элементов таблиц на изображениях документов. Она использует архитектуру Table Transformer на базе DETR и содержит 6,3 млн параметров. Модель может находить строки, столбцы и другие элементы структуры таблицы; библиотека Transformers и формат весов safetensors указаны в метаданных. Модель подходит для извлечения структуры таблиц из документов и последующего преобразования её в машиночитаемое представление. Она опубликована под лицензией MIT. Датасет дообучения, результаты оценки и подробные сведения об ограничениях в карточке не описаны.

Armaggheddon разработал три варианта YOLOv11 — nano, small и medium — и дообучил их на DocLayNet для анализа структуры документов. Модели обнаруживают и классифицируют 11 типов элементов страницы: текстовые блоки, заголовки, таблицы, изображения, подписи, списки, формулы, колонтитулы и сноски. Модель предназначена для обработки изображений документов в конвейерах понимания документов и извлечения информации. Вариант nano ориентирован на скорость, small предлагает немного большую точность, а medium — максимальную точность среди описанных вариантов при более высоких вычислительных затратах. Обучение проводилось при разрешении 1280×1280; снижение до 640×640 ухудшало обнаружение мелких элементов. Это дообучение Ultralytics/YOLO11, распространяемое в формате PyTorch под лицензией MIT. README рекомендует nano для производственного применения.

arinze/address-match-abp-v2 — модель на основе BERT, созданная для сопоставления адресов. Она кодирует предложения и абзацы в плотные векторы размерностью 64, пригодные для поиска семантически похожих адресов, кластеризации и ранжирования кандидатов по сходству. Модель можно использовать через библиотеку Sentence-Transformers; она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит 25,9 млн параметров и принимает текст с контекстным окном до 512 токенов. В репозитории указаны веса PyTorch. Язык обучающих данных и лицензия в доступных сведениях не приведены, поэтому область применимости по языкам и условия использования определить нельзя.

DeepSeek-R1-Distill-Qwen-7b-IDKKKK — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом Linear из DeepSeek-R1-Distill-Qwen-7B, Qwen2.5-Coder-7B-Instruct и Qwen2.5-Math-7B-Instruct. Она предназначена для диалоговой генерации текста, решения математических задач и помощи с программным кодом. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров, работает через Transformers и принимает контекст длиной до 131 072 токенов. Объединение сочетает возможности исходных моделей для рассуждений, математики и кода; в метаданных также отмечен интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors. Языковая поддержка и лицензия в предоставленных данных не описаны.

Donut base — предварительно обученная модель для понимания изображений документов, разработанная командой NAVER CLOVA. Архитектура vision encoder-decoder сочетает визуальный энкодер Swin Transformer и текстовый декодер BART: по изображению модель авторегрессионно генерирует текст. Модель предназначена для дообучения под конкретные задачи, например классификацию изображений документов и извлечение структурированных данных из документов. Это базовый чекпойнт, а не готовое решение для конкретного типа документа; для прикладного использования обычно требуется дообучение. Распространяется по лицензии MIT.

Модель beki/flair-pii-distilbert — модель распознавания именованных сущностей для выявления персональных данных в англоязычном тексте. Разработчик обучил её в Flair на трассировках протоколов, сгенерированных набором Privy; для представлений токенов используются эмбеддинги DistilBERT. Модель размечает пять классов сущностей, включая имена людей, названия мест и организаций. Модель предназначена для поиска и разметки PII в тексте, например при проверке журналов протоколов. В README приведён показатель F1 0,9522. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Указанная в карточке совместимость пакета spaCy — версии от 3.4.1 до 3.5.0.

Gliese-OCR-7B-Post2.0-final — мультимодальная модель prithivMLmods на архитектуре Qwen2.5-VL, дообученная на базе prithivMLmods/Gliese-OCR-7B-Post1.0 для анализа документов. Модель содержит 7,1 млрд параметров, принимает текстовые запросы и изображения документов и выдаёт текстовые ответы; заявленная длина контекста — 128 000 токенов. В репозитории указаны формат safetensors и библиотека Transformers. Модель предназначена для OCR, распознавания структуры страниц, извлечения информации, ответов на вопросы и поиска сведений в сложных и многостраничных документах. Она также подходит для интерпретации таблиц, диаграмм и формул, включая преобразование уравнений в LaTeX. В карточке заявлена поддержка многоязычного OCR, но языковой тег метаданных указывает только английский. Лицензия Apache-2.0. Среди ограничений README отмечает снижение точности на сильно повреждённых или закрытых документах, высокие вычислительные требования, слабую оптимизацию для маломощных устройств и возможные ошибки в разметке или галлюцинации. Заявления о результатах на бенчмарках и поддержке видео приведены в карточке модели; отдельного pipeline-тега для видео нет.

gliner-community/gliner_medium-v2.5 — мультиязычная модель распознавания именованных сущностей из семейства GLiNER, разработанного Urchade Zaratiana, Ihor Stepanov, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный энкодер на основе трансформера BERT и позволяет извлекать сущности типов, заданных пользователем, вместо работы только с фиксированным набором классов. Модель предназначена для разметки текста и извлечения сущностей в сценариях, где нужна гибкость NER при меньших вычислительных затратах, чем у крупных языковых моделей. Для работы используется библиотека GLiNER; модель публикуется в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

gliner-community/gliner_small-v2.5 — мультиязычная модель распознавания именованных сущностей GLiNER от сообщества GLiNER. Она использует двунаправленный трансформерный энкодер BERT-типа и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее заданный фиксированный набор меток неудобен. Модель работает с текстом через библиотеку GLiNER и возвращает найденные сущности с их типами и позициями. Модель предназначена для извлечения имен, организаций, мест и других заданных пользователем сущностей из документов и текстовых потоков. В README приведены результаты оценки на нескольких наборах данных NER, включая ACE 2004, ACE 2005 и AnatEM. Репозиторий содержит веса PyTorch и safetensors; лицензия Apache-2.0 разрешает использование в соответствии с её условиями. По сравнению с более крупными LLM, GLiNER ориентирована на практичное распознавание сущностей при ограниченных вычислительных ресурсах.

Llama3.1-8B-Titanium-Forge — языковая модель, созданная ZeroXClem методом слияния четырёх моделей ValiantLabs на базе семейства Llama 3.1. Она объединяет диалоговые навыки ShiningValiant2, математические способности Cobalt, генерацию кода Enigma и структурированный вывод Fireplace2. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст; заявленная длина контекста — 131 072 токена. Модель предназначена для технических консультаций, решения математических задач, написания и объяснения кода, создания SQL-запросов и JSON, а также для диалоговых помощников и творческого письма. Карточка заявляет поддержку вызова инструментов через интерфейс модели. Основной язык — английский; метаданные не содержат отдельного перечня поддерживаемых языков. Весовые файлы опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Заявленные специализации происходят из карточки и не сопровождаются результатами оценивания; точность ответов, качество на длинном контексте и надёжность структурированного вывода следует проверять для конкретного применения.

MichaelAnthony/qwen-3.5-0.8b-Hedgehog-MLX — FP16-экспорт модели для MLX на архитектуре Qwen 3.5. Это производная версия дообученного чекпойнта qwen-3.5-0.8b-Hedgehog, созданного для извлечения полей из документов в SimpleRAG. Компактная плотная модель содержит 581,4 млн параметров, поддерживает контекст до 262 144 токенов и работает с текстом; экспорт адаптирует структуру весов и тензоров для загрузчика mlx-lm. Модель предназначена для извлечения заданных полей из предоставленных документов и выдачи результата в указанной JSON-структуре с использованием найденных фрагментов документов. README рекомендует отключать режим рассуждений, использовать температуру 0 и явно задавать пути полей и типы значений. В описанной оценке версия Q8 набрала 71 балл на BenchLocal DataExtract-15; среди известных слабых мест — записи с несколькими сущностями и синтетические сложные счета-фактуры. Для запуска нужен MLX, а проверка инференса и производных квантованных сборок на Apple Silicon отдельно необходима. Лицензия в предоставленных данных не указана.

sakshi-pii-in — разработанная RotaVision модель классификации токенов на базе MuRIL-base-cased от Google. Она выделяет в неструктурированном тексте персональные данные индийского контекста: имена людей (PERSON), адреса (ADDRESS) и даты рождения (DOB), в том числе в смешанном хинглише и текстах на письме деванагари, бенгали и тамильском. Модель предназначена для слоя токенизации при приёме данных в платформу Sakshi; она рассчитана на сочетания английского и индийских языков и транслитераций. Это BERT-модель с 264,8 млн параметров и контекстом до 512 токенов. Обучающие данные полностью синтетические: шаблонные предложения, JSON-записи и чаты на английском, хинди, хинглише, бенгали и тамильском. В README приведены результаты на замороженном наборе из 2000 примеров: F1 0,988 для имён, 0,956 для адресов и 0,998 для дат рождения. Модель не предназначена для поиска структурированных идентификаторов вроде Aadhaar, PAN, IFSC, номеров телефонов и банковских счетов: для них README рекомендует отдельный детерминированный слой с регулярными выражениями и проверками контрольных сумм. Синтетическое обучение может ограничивать качество на OCR-ошибках и SMS-сокращениях; для других индийских письменностей ожидается более низкая полнота. Модель находит PII в тексте, но не оценивает законность обработки данных. Лицензия — Apache-2.0.

mann2107/setfitbcmpii — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для вычисления семантической близости, поиска по смыслу и кластеризации текстов. В качестве функции потерь при обучении использовалась CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления. Контекст составляет 514 токенов. Репозиторий содержит веса PyTorch; для работы подходят Sentence-Transformers и Transformers с соответствующей операцией pooling. Указаний на базовую модель, поддерживаемые языки и лицензию в предоставленных данных нет.

deepdoctection/tatr_tab_struct_v2 — модель распознавания структуры таблиц на основе Microsoft Table Transformer, дообученная на наборах PubTables-1M и FinTabNet. Она находит элементы структуры таблиц на изображениях документов, например строки и ячейки, и предназначена для включения в конвейеры анализа документов, в том числе deepdoctection. Модель имеет архитектуру TableTransformerForObjectDetection, содержит 6,3 млн параметров и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. README рекомендует настроить параметры сегментации при использовании в deepdoctection Analyzer для улучшения предсказаний. Лицензия в предоставленных данных не указана.

Модель dinalzein/xlm-roberta-base-finetuned-language-identification — дообученная версия XLM-RoBERTa с классификационной головой для определения языка текста. Она принимает текст документа и относит его к одному из 20 языков: арабскому, болгарскому, немецкому, греческому, английскому, испанскому, французскому, хинди, итальянскому, японскому, нидерландскому, польскому, португальскому, русскому, суахили, тайскому, турецкому, урду, вьетнамскому или китайскому. Модель содержит 305,2 млн параметров, имеет контекст до 514 токенов и доступна в формате PyTorch. В README сообщается о точности 99,59% на оценочном наборе и 99,5% на тестовой выборке из 1000 предложений. Её можно использовать для автоматического определения языка коротких текстов и документов, например, перед маршрутизацией запросов или выбором языкового конвейера. Лицензия — MIT.

Yi-Coder-1.5B-Chat — диалоговая модель для генерации кода и помощи в программировании, выпущенная 01.AI. Она основана на плотной архитектуре Llama и содержит 1,3 млрд параметров; модель доступна в формате Safetensors и рассчитана на работу через Transformers. Модель принимает текстовые запросы в формате чата и генерирует текст, включая программный код. Семейство Yi-Coder предназначено для понимания длинного контекста до 128K токенов и поддерживает 52 основных языка программирования. Это позволяет использовать модель для написания и объяснения кода, а также работы с большими фрагментами программ. Лицензия — Apache-2.0.

Bash Copilot — языковая модель rabbitcat, дообученная на базе Yi-1.5-6B для преобразования описаний на естественном языке в команды Bash и shell-скрипты. Она поддерживает многошаговый диалог на английском и китайском языках: позволяет ссылаться на сущности из предыдущих реплик и постепенно уточнять или дополнять код. Модель семейства Llama с плотной архитектурой, около 5,8 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. Для обучения использован корпус из 21 тысячи многошаговых диалогов, собранных из популярных репозиториев GitHub. Лицензия — MIT. Примеры показывают генерацию команд для работы с файлами, JSON и циклами оболочки.

Это модель Gherman для распознавания именованных сущностей в русскоязычном тексте. Она создана дообучением многоязычного энкодера BERT google-bert/bert-base-multilingual-cased и содержит около 205,1 млн параметров. Модель использует архитектуру BertForTokenClassification и принимает текст длиной до 512 токенов. Модель размечает имена и фамилии людей, отчества, а также географические названия: страны, регионы, города, районы, улицы и номера домов. Она предназначена для извлечения информации, анализа содержания и предварительной обработки текста для последующих NLP-задач; разметка выполняется в формате BIOLU. В карточке сообщается F1 0,988 на оценочном наборе, однако качество может меняться в зависимости от тематики и стиля текста. Модель распространяется по лицензии MIT. Она может хуже распознавать редкие или сложные имена и наследовать смещения обучающих данных; результаты следует проверять, особенно в приложениях, затрагивающих людей.

bert-chunker-3 — модель для разбиения документов на смысловые фрагменты, опубликованная пользователем tim1900. Она основана на BERT с архитектурой BertForTokenClassification и предсказывает начальные токены фрагментов; скользящее окно позволяет обрабатывать документы произвольной длины. Модель предназначена для подготовки текста к поиску и генерации с дополненным поиском (RAG), в том числе для неструктурированных и неаккуратно оформленных текстов. В README указано, что обучающие данные размечались языковой моделью, а обучающий процесс был изменён для повышения стабильности при сдвиге распределения данных. Модель содержит 25,9 млн параметров, принимает последовательности длиной до 512 токенов и распространяется по лицензии MIT. Карточка описывает её как альтернативу семантическому разбиению Kamradt; заявленные сравнения приведены в README, но доступный фрагмент таблицы неполон. README также сообщает о более новой версии bc-3.5, поэтому эта карточка относится к предыдущей версии семейства.

CodeLlama 7B-Python fp16 — преобразованная в формат Transformers/Hugging Face версия модели Meta Code Llama 7B-Python, подготовленная TheBloke. Это авторегрессионная плотная трансформерная языковая модель на 6,6 млрд параметров, специализирующаяся на Python; веса опубликованы в fp16 и safetensors. Репозиторий содержит конверсию исходных весов Meta, а не отдельное дообучение TheBloke. Модель предназначена для генерации и понимания кода на Python: она может дополнять код, помогать с его написанием и разбором. Принимает и выдаёт текст. По метаданным нативная длина контекста составляет 16 384 токена; карточка модели также описывает обучение до 16K токенов и поддержку более длинного контекста при инференсе. Семейство Code Llama рассчитано на английский язык и языки программирования; вариант Python ориентирован прежде всего на код на Python. Для корректной загрузки этой fp16-конверсии README требует включить trust_remote_code=True из-за изменения значения RoPE Theta. Модель может выдавать неточный или нежелательный код и требует проверки результата и тестирования безопасности перед внедрением. Указана лицензия llama2; README ссылается на лицензию Code Llama с коммерческими условиями.

lakshyakh93/deberta_finetuned_pii — дообученная модель на базе DeBERTa для поиска и классификации персональных данных в неструктурированном тексте. Она размечает фрагменты вроде имён учётных записей, номеров банковских карт, адресов электронной почты, телефонных номеров и адресов. Модель предназначена для выявления чувствительных сведений в документах, письмах и пользовательском контенте, например перед передачей текста на дальнейшую обработку или проверкой данных на конфиденциальность. Это модель классификации токенов на 151,8 млн параметров с контекстом до 512 токенов; для запуска README показывает использование Transformers pipeline с задачей token-classification. Модель принимает текст и выдаёт метки для фрагментов текста. В карточке указана лицензия MIT. Оценки качества и подробности о составе обучающих данных не приведены, поэтому результаты на конкретных категориях PII следует проверять на целевых данных.

Docling Layout Heron GGUF — конверсия модели docling-project/docling-layout-heron, созданной проектом Docling, в формат GGUF для graph runner LM-Kit.NET. Это детектор структуры документов на архитектуре RT-DETRv2, а не языковая модель. Он принимает RGB-изображение страницы размером 640 × 640 и находит области документа, возвращая их границы, классы и оценки уверенности. Модель распознаёт 17 классов, включая текст, заголовки, таблицы, изображения, формулы, подписи, списки, колонтитулы, код, флажки, формы и области «ключ–значение»; число параметров — 42,1 млн. Модель подходит для выделения структуры страниц перед извлечением текста, разбором таблиц и обработкой форм. GGUF-файл хранит веса в полной точности F32, имеет размер около 168,5 МБ и запускается через LM-Kit.NET на CPU или GPU. Карточка не сообщает языковые ограничения; детекция макета основана на изображении и не предполагает генерацию текста. Лицензия — Apache-2.0.

FluentlyQwen3 Coder 4B — языковая модель от Project Fluently, дообученная для генерации кода. Это плотный causal language model на архитектуре Qwen3ForCausalLM с примерно 3,7 млрд параметров; в карточке указаны 36 слоёв и grouped-query attention с 32 головами Q и 8 головами KV. Модель обучали с помощью SFT и GRPO, а затем последовательно объединяли версии. Она поддерживает контекст до 40 960 токенов по метаданным; README также указывает 32 768 токенов нативно и до 131 072 с YaRN. Модель предназначена для написания и дополнения кода в диалоговом режиме. README также сообщает об улучшениях в общении, переводе и математике. Есть режим с рассуждением и возможность его отключить; для генерации и общения используются текстовые входы и выходы. Карточка указывает английский и русский языки, а также код. Модель распространяется по лицензии Apache-2.0. Рекомендации README по параметрам генерации различаются для режимов с рассуждением и без него; для первого не рекомендуется жадное декодирование из-за возможного ухудшения качества и повторов.