II.8Инженерия данных и аналитика

gemasphi/f-real-setfit-ss-paraphrase-multilingual-mpnet-base-v2 — модель Sentence-Transformers на архитектуре XLM-RoBERTa, обученная сопоставлять предложения и абзацы в плотном векторном пространстве размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и вычисления сходства предложений; в каталоге также указана поддержка извлечения признаков. Модель содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Многоязычное назначение следует из названия модели; README не перечисляет конкретные поддерживаемые языки. Для работы можно использовать библиотеку Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

GEMMA Document Rewriter for RAG Pipeline — текстовая модель ZySec-AI для очистки и переписывания документов перед поиском и генерацией с дополненной выборкой (RAG). Она дообучена методом LoRA на базе Google Gemma 3 4B IT и принимает текстовые документы или их фрагменты. Модель сокращает избыточный текст и лишние пробелы, сохраняя значимую для последующих задач информацию, а затем формирует структурированный результат в Markdown с заголовками и подзаголовками. Её используют для подготовки документов к индексации и улучшения поиска по ним; также она подходит для суммаризации и стандартизации текстов. В карточке указана лицензия Apache-2.0. Модель может удалять детали, которые сочтёт избыточными, поэтому результат сокращения следует проверять, если важна полнота исходного документа. В README заявлены скорость и пригодность для производственных конвейеров, но сравнительные оценки качества не приведены.

urchade/gliner_multi-v2.1 — многоязычная модель распознавания именованных сущностей (NER), разработанная Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер архитектуры BERT и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее фиксированный набор меток недостаточен. Модель предназначена для извлечения сущностей из текста, например имён людей, организаций или пользовательских категорий. Размер этой версии — 209 млн параметров; для работы используется библиотека GLiNER. В карточке указана поддержка нескольких языков, но конкретные языки не перечислены. По сравнению с крупными языковыми моделями GLiNER рассчитана на более лёгкое и практичное распознавание сущностей в условиях ограниченных ресурсов. Лицензия — Apache-2.0.

LiLT-SER-DE — модель для распознавания сущностей в документах, созданная дообучением nielsr/lilt-xlm-roberta-base на наборе данных XFUND. Она использует архитектуру LiLTForTokenClassification и учитывает текст вместе с его расположением на странице, что подходит для извлечения структурированных полей из документов. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. В оценке на тестовой выборке XFUND показала F1 0,755, точность 0,7268, полноту 0,7854 и accuracy 0,7817. Репозиторий распространяется по лицензии MIT.

OwenArli/Llama-3.1-8B-ArliAI-Formax-v1.0 — чат-модель на архитектуре Llama 3.1, дообученная на базе Meta-Llama-3.1-8B-Instruct с помощью LoRA. Она предназначена для точного следования инструкциям о формате ответа и подходит для структурирования данных, создания наборов данных и других задач, где важно соблюдать заданную форму вывода. Модель принимает текст и генерирует текст; заявленное окно контекста — 131072 токена, а обучающая последовательность имела длину 8192 токена. Разработчик описывает модель как мало ограничивающую ответы и хорошо следующую инструкциям. Это заявление из карточки модели, а не независимая оценка качества. Модель содержит 7,5 млрд параметров и распространяется в формате safetensors по лицензии Meta Llama 3.1 License. Карточка не приводит результатов независимых тестов.

Agnuxo/Mamba-Codestral-7B-v0.1-instruct-python_coding_assistant-GGUF_16bit — локальная модель генерации кода, опубликованная Франсиско Ангуло де ла Фуэнте под именем Agnuxo. Это плотная модель семейства Mistral с 7 млрд параметров в формате GGUF F16; карточка рекомендует запуск через Ollama и также описывает использование через Transformers. Модель предназначена для помощи в программировании: она генерирует код на Python, JavaScript, TypeScript, Rust, Go и C++, а также поддерживает сценарии научных вычислений и машинного обучения с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. В карточке также заявлены возможности декомпозиции задач и взаимодействия с агентами через MCP и A2A. Метаданные указывают английский и испанский языки. Лицензия — Apache-2.0. Описание не приводит результатов независимых тестов качества или подробностей о контекстном окне, поэтому пригодность для конкретных задач стоит оценивать на собственных примерах.

Mistral-NeMo-Minitron-8B-Alpaca-CODE-Python-GGUF-16bit — локально запускаемая модель генерации кода на 8 млрд параметров от Agnuxo, представленная в формате GGUF F16. Карточка позиционирует её как помощника для написания кода на Python и других языках программирования, включая JavaScript, TypeScript, Rust, Go и C++, а также для задач научных вычислений и машинного обучения с NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Модель предназначена для генерации и помощи с кодом в локальных сценариях; README рекомендует запуск через Ollama и также описывает использование через Transformers. Метаданные относят архитектуру к плотному семейству Mistral, а формат файлов — к GGUF F16. Лицензия — Apache-2.0. В карточке нет подробностей о контексте, языках естественного общения и результатах независимой оценки качества.

flair/ner-multi — стандартная модель распознавания именованных сущностей из библиотеки Flair для английского, немецкого, нидерландского и испанского языков. Она предназначена для разметки слов в тексте четырьмя классами: имена людей, географические названия, организации и ещё один класс CoNLL-03, не раскрытый в доступном фрагменте карточки. Модель построена на Flair embeddings и архитектуре LSTM-CRF и обучена для CoNLL-03. В карточке приведены F1-оценки: 92,16 для английского, 87,33 для немецкого, 88,96 для нидерландского и 86,65 для испанского. Также заявлена ограниченная применимость к близким языкам, например французскому. Использование предусмотрено через Flair и SequenceTagger. Лицензия в предоставленных данных не указана.

NuExtract-large — модель для извлечения структурированной информации из текста, разработанная NuMind на основе Phi-3 Small и дообученная на синтетическом наборе данных. Пользователь передаёт текст и JSON-шаблон с нужными полями; модель извлекает соответствующие фрагменты и оформляет их по шаблону. Карточка указывает, что выходной текст модели дословно содержится в исходном тексте. Модель имеет плотную архитектуру Phi-3 Small с 8,2 млрд параметров и контекстом до 8192 токенов. README рекомендует подавать текст короче 2000 токенов. Метаданные указывают английский язык; модель доступна в формате safetensors и распространяется по лицензии MIT. Подходит для извлечения сущностей, атрибутов и других заданных пользователем сведений в JSON. Ограничения: ответы должны опираться на исходный текст, а не добавлять новую информацию; заявленные в README результаты бенчмарков ещё не опубликованы.

Модель jammmmmm/pii — дообученная модель распознавания именованных сущностей на основе DeBERTa, предназначенная для поиска и классификации персональных данных в неструктурированном тексте. Она отмечает такие категории, как имена пользователей, номера банковских карт, электронные адреса, телефоны и адреса. В README пример использования указывает базовую модель lakshyakh93/deberta_finetuned_pii. Модель подходит для предварительной разметки документов, электронной переписки и пользовательских сообщений перед их обезличиванием или проверкой на наличие чувствительных данных. Параметры в метаданных указывают на размер около 151,8 млн параметров и контекст до 512 токенов; доступны веса PyTorch и ONNX. Указанная лицензия — MIT. Карточка описывает распознавание PII в тексте на английском языке. Качество для других языков и конкретные показатели точности не приведены; обнаружение данных не гарантирует полной деидентификации или соблюдения требований законодательства.

PipableAI pip-library-etl-1.3b — языковая модель для генерации кода и документации к нему. Разработчики сообщают, что модель обучали с использованием softmax cross entropy, модифицированного policy gradient и Q loss в EM-схеме. В Hugging Face она представлена как плотная авторегрессионная модель семейства Llama с 1,3 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для генерации вызовов Python-функций по вопросу и docstring или коду, создания docstring для функций и модулей, а также генерации SQL-запросов по схеме и вопросу. Карточка также отмечает разговорный режим и генерацию кода; язык карточки и языковой тег — английский. Модель можно использовать через библиотеку pip_library_etl или Transformers. Лицензия — Apache-2.0. README заявляет о качестве, сопоставимом с более крупными моделями и GPT-3.5, но не приводит метрик или подробностей оценки, поэтому это утверждение нельзя считать независимой оценкой. Описанные сценарии сосредоточены на Python и SQL; подтверждений широких языковых или предметных возможностей карточка не даёт.

bunnycore/Qwen2.5-7B-Matrix-v2 — это объединённая модель генерации текста на архитектуре Qwen2, созданная с помощью mergekit методом DARE TIES. В объединение вошли Qwen2.5-Coder-7B-Instruct, Qwen2.5-Math-7B-Instruct и huihui-ai/Qwen2.5-7B-Instruct-abliterated; последняя использована как базовая модель. Чекпойнт содержит 7,1 млрд параметров, построен для Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста, в том числе для задач программирования и математики, сочетая возможности включённых инструкционных моделей. В метаданных также отмечен интерфейс вызова инструментов. Языки, на которых модель рассчитана, и отдельные ограничения её качества не описаны. Лицензия в предоставленных сведениях не указана.

ReaderLM-v2 — языковая модель Jina AI с 1,5 млрд параметров, построенная на архитектуре Qwen2 в виде авторегрессионного трансформера только для декодера. Она преобразует исходный HTML в Markdown или JSON по заданной схеме, извлекает текст и структуру веб-страниц и поддерживает диалоговый режим. Модель рассчитана на работу с длинными документами: суммарный объём входа и выхода может достигать 512 тысяч токенов. Модель поддерживает 29 языков, в том числе английский, китайский, японский, корейский, французский, испанский, немецкий и русский. В карточке заявлены улучшенная обработка таблиц, вложенных списков, блоков кода и формул, прямое формирование JSON, а также повышенная устойчивость при длинной генерации. В репозитории доступны веса Safetensors и формат ONNX. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Среди ограничений — специализация на HTML; качество преобразования зависит от структуры входной страницы и заданной схемы JSON. Для больших контекстов требуются значительные вычислительные ресурсы.

RegexGym-Qwen3-4B — дообученная модель Qwen3-4B от ctokx, предназначенная для построения регулярных выражений по примерам строк. Пользователь передаёт строки, которые должны соответствовать шаблону, и строки, которые не должны ему соответствовать; модель предлагает одно регулярное выражение, разделяющее эти группы. Модель основана на плотной архитектуре Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 40 960 токенов. Она сначала формирует рассуждение, затем выводит шаблон в блоке regex. Для обучения использовали полное дообучение в течение трёх эпох на 660 проверенных трассах рассуждений; примеры предварительно проверялись исполнением регулярного выражения. README приводит оценку на 120 отложенных задачах и отмечает, что модель превосходит исходную Qwen3-4B, но уступает более крупной модели-учителю и не всегда строит точный шаблон. Модель подходит для синтеза регулярных выражений по положительным и отрицательным примерам. В метаданных указана лицензия other; конкретные условия этой лицензии следует уточнить на странице репозитория.

Tirendaz/roberta-base-NER — модель распознавания именованных сущностей, разработанная на основе XLM-RoBERTa base и дообученная для разметки токенов. Она выделяет в тексте имена людей (PER), организации (ORG) и географические названия (LOC); использовать её можно, например, для извлечения сущностей из документов и подготовки текста к последующему анализу. Модель имеет архитектуру XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. По карточке, обучение охватывало десять высокоресурсных языков, однако перечислены только английский в тегах модели и датасет XTREME, поэтому конкретный полный список языков определить нельзя. Модель опубликована в формате PyTorch и распространяется по лицензии MIT.

teven/roberta_kelm_tekgen — модель Sentence-Transformers на архитектуре RoBERTa, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, пригодные для вычисления семантического сходства, кластеризации и семантического поиска. Размер модели — 151,9 млн параметров, контекст — до 514 токенов; веса представлены в формате PyTorch. Для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Модель подходит для поиска текстов, близких по смыслу, и группировки похожих фрагментов. В README указано обучение с MultipleNegativesRankingLoss и косинусной функцией сходства. Язык и лицензия в предоставленных данных не установлены, поэтому модель лучше применять с проверкой качества на целевых текстах и языках.

SLIM-EXTRACT — специализированная языковая модель компании llmware для извлечения из текста элементов по заданному пользователем ключу. Она принимает текстовый фрагмент и ключ, например «universities» или «company», и генерирует словарь Python, где этому ключу соответствует список найденных в тексте значений. Модель предназначена для извлечения структурированных сведений из документов и использования в сценариях function calling. Модель дообучена на llmware/bling-stable-lm-3b-4e1t-v0, основанной на stabilityai/stablelm-3b-4elt. Это плотная авторегрессионная модель семейства StableLM Epoch с 2,7 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0. README не сообщает перечень поддерживаемых естественных языков или количественные показатели качества.

Карточка модели gradients-io-tournaments/tournament-tourn_c8068e356b7c22c8_20260928-880b38e9-b34b-46c3-b3c5-7cc5b08c18b9-5E6p1x3e на Hugging Face совпадает с карточкой numind/NuExtract-1.5, поэтому описание составлено по ней. NuExtract-1.5 — модель NuMind для извлечения структурированной информации из текста. Это дообученная версия Phi-3.5-mini-instruct с 3,7 млрд параметров, созданная на частном высококачественном наборе данных. Для запроса модели передают текст и JSON-шаблон с нужными полями; она старается извлекать сведения дословно, сохраняя формулировки исходного текста. Модель предназначена для структурирования содержимого документов и длинных текстов на английском, французском, испанском, немецком, португальском и итальянском языках. В README заявлена поддержка длинных документов, включая примеры длиной 8–20 тысяч токенов, хотя нативный размер контекста в метаданных составляет 4096 токенов. Для чистого извлечения рекомендуется температура 0 или близкая к нулю. Модель работает с текстом и выдаёт текст в формате, заданном JSON-шаблоном. Лицензия — MIT. Результаты могут зависеть от формулировки шаблона и настроек генерации; заявленная работа с длинными документами выходит за пределы контекста, указанного в метаданных.

WizardLM-Mistral-CodeLlama-7b — объединённая модель на базе Mistral-7B-v0.1, созданная с помощью mergekit методом TIES из PrunaAI/WizardLM-WizardMath-7B-V1.0-bnb-4bit-smashed и codellama/CodeLlama-7b-Instruct-hf. Она предназначена для генерации текста, в том числе для ответов на вопросы по математике и помощи с программированием. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; для работы предусмотрена библиотека Transformers. Лицензия в доступных данных не указана.

keremberke/yolov8m-table-extraction — модель компьютерного зрения на базе YOLOv8m, опубликованная Keremberke. Она предназначена для обнаружения таблиц на изображениях и различает два класса: таблицы с границами и без границ. Модель использует библиотеку Ultralytics и представлена в формате PyTorch. Её можно применять для поиска областей таблиц на сканах и изображениях документов перед последующим извлечением содержимого. Лицензия AGPL-3.0.

Nhat1904/32-shot-twitter — модель эмбеддингов предложений на базе MPNet, опубликованная пользователем Nhat1904. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства предложений. Модель имеет 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Она подходит для построения семантического поиска и группировки текстов; в карточке также описано обучение с CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Chonky mmBERT Small Multilingual 1 — модель разметки токенов на базе мультиязычной jhu-clsp/mmBERT-small, разработанная автором репозитория mirth. Она находит в тексте точки смыслового разделения и помогает разбивать документы на связные фрагменты для последующей индексации и поиска в RAG-системах. Модель можно использовать через библиотеку chonky или стандартный pipeline NER в Transformers. Модель содержит 140,5 млн параметров и принимает последовательности длиной до 8192 токенов, однако при дообучении использовалась длина 1024 токена. В README приведены результаты token-based F1 на нескольких языках: модель показывает высокие значения на ряде европейских языков и русском, но значительно более низкое значение для китайского. Обучение проводилось на фрагментах BookCorpus, MiniPile и Project Gutenberg. Лицензия — MIT.

Chronos-2 — модель временных рядов с архитектурой на основе энкодера T5, разработанная AutoGluon. Она предназначена для прогнозирования без дообучения на конкретной задаче: поддерживает одномерные и многомерные ряды, а также учитывает ковариаты. Модель строит многошаговые квантильные прогнозы и использует групповое внимание для обучения в контексте на связанных рядах и ковариатах. Модель насчитывает 99,1 млн параметров по метаданным; в README указано 120 млн. Она обучалась на реальных и синтетических данных, включая подмножества Chronos Datasets и GIFT-Eval Pretrain. Авторы сообщают о высокой точности zero-shot прогнозирования на fev-bench, GIFT-Eval и Chronos Benchmark II, а также о быстром инференсе на GPU и поддержке CPU. Лицензия — Apache-2.0.

Chronos-Bolt Small — предварительно обученная модель прогнозирования временных рядов из семейства Chronos-Bolt, опубликованная AutoGluon. Она предназначена для прогнозов без дообучения на конкретном наборе данных. Модель использует архитектуру T5 encoder-decoder: кодировщик обрабатывает фрагменты истории, а декодер напрямую строит вероятностные прогнозы по нескольким будущим шагам, включая квантильные оценки. Модель обучалась на почти 100 млрд наблюдений временных рядов. Для неё указан контекст до 512 наблюдений; README описывает поддержку ковариат и запуск на CPU и GPU. Авторы сообщают, что Chronos-Bolt быстрее и экономнее по памяти исходных Chronos того же размера, а в приведённых ими бенчмарках показывает более высокую точность. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Метаданные указывают 22 млн параметров, тогда как таблица README для варианта small указывает 48 млн; размер модели в источниках расходится.

Карточка модели CollectionStudio/chronos-bolt-small на Hugging Face совпадает с карточкой amazon/chronos-bolt-small, поэтому описание составлено по ней. Chronos-Bolt Small — предварительно обученная модель Amazon для прогнозирования временных рядов с нулевым дообучением на новых данных. Она использует архитектуру T5 encoder-decoder: кодировщик обрабатывает исторические наблюдения блоками, а декодер напрямую строит вероятностные прогнозы квантилей на несколько будущих шагов. По README модель обучалась на почти 100 млрд наблюдений временных рядов; метаданные указывают архитектуру T5 и 22 млн параметров, тогда как таблица README приводит для варианта Small 48 млн параметров. Модель предназначена для прогнозирования временных рядов, в том числе без предварительного обучения на целевом наборе данных. Для промышленного использования README рекомендует AutoGluon, который также позволяет дообучать модель, учитывать ковариаты и объединять прогнозы с другими моделями; доступно развёртывание через SageMaker JumpStart на CPU и GPU. Заявлены более высокая скорость и меньший расход памяти по сравнению с исходными моделями Chronos сопоставимого размера. Контекст составляет 512 наблюдений по метаданным. Лицензия — Apache-2.0.

Dolphin (Document Image Parsing via Heterogeneous Anchor Prompting) — мультимодальная модель для разбора изображений документов, построенная по схеме «сначала анализ, затем разбор». На первом этапе она определяет структуру страницы и порядок чтения, а на втором параллельно извлекает содержимое отдельных элементов: текста, иллюстраций, формул и таблиц. Модель использует архитектуру vision-encoder-decoder: визуальный энкодер основан на Swin Transformer, а текстовый декодер — на mBART. Задачи разбора можно задавать текстовыми промптами. Карточка описывает её как лёгкую модель с эффективным параллельным разбором, предназначенную для анализа структуры и содержимого страниц документов. В метаданных указаны английский и китайский языки, библиотека Transformers и лицензия MIT. Размер модели и длина контекста не приведены в доступных источниках.

Это версия модели dslim/bert-base-NER, преобразованная в формат OpenVINO для ускоренного инференса. Модель разработана на основе BERT и предназначена для распознавания именованных сущностей в тексте с классификацией токенов; размер составляет 135,5 млн параметров, контекст — до 512 токенов. В карточке заявлена поддержка английского языка. Модель можно использовать для извлечения сущностей из английских текстов, например имён людей, организаций и географических названий. OpenVINO упрощает ускоренный запуск на совместимом оборудовании. Условия лицензии в предоставленных данных не описаны.

GLiNER small-v2.1 — модель для распознавания именованных сущностей, разработанная Урчаде Заратианой, Нади Томе, Пьером Ола и Тьерри Шарно. Она использует двунаправленный энкодер на основе трансформера, похожий на BERT, и позволяет извлекать из текста сущности разных типов, заданных пользователем, вместо работы только с фиксированным набором категорий. Модель предназначена для разметки текста и сценариев извлечения информации, в том числе там, где важно обойтись без крупных и ресурсоёмких LLM. Вариант small-v2.1 содержит 166 млн параметров, работает с английским языком и использует библиотеку GLiNER. Модель принимает текст и выдаёт найденные сущности с их типами. Для запуска требуется библиотека GLiNER. Распространяется по лицензии Apache-2.0.

TeichAI выпустила GLM-4.7-Flash-Claude-Opus-4.5-High-Reasoning-Distill — дообученную на небольшом наборе примеров рассуждений Claude Opus 4.5 модель GLM-4.7-Flash. Это текстовая модель семейства GLM-4 MoE Lite с 4,1 млрд параметров и контекстом до 202 752 токенов; она поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для генерации текста с упором на сложные рассуждения, программирование, научные вопросы и глубокий поиск. В README приведено сравнение с базовой моделью по нескольким бенчмаркам: результаты улучшились на части тестов и снизились на других, поэтому преимущество зависит от задачи. Для запуска автор рекомендует использовать параметры сэмплирования, указанные в карточке базовой модели. Модель распространяется по лицензии Apache-2.0. README содержит несогласованные сведения о квантизации: в конфигурации бенчмарков указано 4-bit, тогда как метаданные перечисляют формат safetensors без подтверждения квантованных весов.

granite-34b-code-instruct-GGUF — это квантизированная GGUF-версия Granite-34B-Code-Instruct, разработанной IBM на базе ibm-granite/granite-34b-code-base. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и прежде всего для задач программирования: написания, объяснения и исправления кода, решения математических задач, работы с SQL и сценариев, связанных с function calling и ассистентами разработчика. Модель имеет 34 миллиарда параметров и работает с текстовыми данными. В README приведён шаблон диалога с системным сообщением, вопросом и ответом. Заявлены результаты на HumanEvalPack для Python, JavaScript, Java, Go, C++, Rust; показатели pass@1 для генерации кода составляют от 41,5% до 62,8%, однако указано, что эти результаты не подтверждены. Для локального запуска доступны варианты Q8_0, Q6_K, Q5_K_M и Q5_K_S размером примерно от 23,40 до 35,99 ГБ; Q6_K и Q5_K_M отмечены как рекомендуемые по соотношению качества и размера. Сильными сторонами являются специализация на программировании, поддержка нескольких языков программирования и возможность локального использования в формате GGUF. Ограничения включают высокие требования к дисковому пространству и вычислительным ресурсам, зависимость качества от выбранного уровня квантизации, а также отсутствие в предоставленных данных сведений о размере контекстного окна, полном наборе поддерживаемых естественных языков и системных требованиях. Модель распространяется по лицензии Apache 2.0.